Escolar Documentos
Profissional Documentos
Cultura Documentos
NOTAS DE CURSO
Professor
Semestre 2007.2
Conte udo
1 Introdu c ao 1.1 Conceitos preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.1 1.1.2 1.2 Nota c ao matricial . . . . . . . . . . . . . . . . . . . . . . . . . . Matrizes comuns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 2 3 7 7 7 8 8 9 9 11 12 13 13 13 14 15 15 16 21 21 25 26 27
Opera c oes b asicas 1.2.1 1.2.2 1.2.3 1.2.4 1.2.5 1.2.6 1.2.7 1.2.8
Transposi c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Particionamento . . . . . . . . . . . . . . . . . . . . . . . . . . . Adi c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Subtra c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Multiplica c ao por escalar . . . . . . . . . . . . . . . . . . . . . . Multiplica c ao de matrizes . . . . . . . . . . . . . . . . . . . . . . Pot encia de matrizes quadradas . . . . . . . . . . . . . . . . . . . Outros produtos de matrizes . . . . . . . . . . . . . . . . . . . .
1.3
Matrizes especiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1 1.3.2 1.3.3 1.3.4 1.3.5 Produto de matrizes sim etricas . . . . . . . . . . . . . . . . . . . Propriedades de AA e AA . . . . . . . . . . . . . . . . . . . . . Produto de matrizes como produto externo de vetores . . . . . . Operando com matrizes de elementos iguais a um . . . . . . . . . Matrizes ortogonais, normais e ortonormais . . . . . . . . . . . .
1.4
Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Determinante 2.1 2.2 2.3 2.4 Ordem de uma permuta c ao . . . . . . . . . . . . . . . . . . . . . . . . . Menor e Cofator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Matriz adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Propriedades de determinantes . . . . . . . . . . . . . . . . . . . . . . .
CONTEUDO
ii
2.5
Opera c oes elementares com linhas ou colunas de uma matriz . . . . . . 2.5.1 2.5.2 2.5.3 2.5.4 Opera c ao elementar Pij (): combina c ao linear de linhas/colunas Opera c ao elementar Eij : troca de linhas/colunas . . . . . . . . . Reduzindo a ordem de um determinante . . . . . . . . . . . . . .
33 34 34
2.6
Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3 Inversa de matriz 3.1 Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.1 3.1.2 3.1.3 3.1.4 3.2 3.3 Propriedades da inversa . . . . . . . . . . . . . . . . . . . . . . . Inversa de casos especiais de matrizes . . . . . . . . . . . . . . . Simplica c oes alg ebricas envolvendo matrizes n ao singulares . . . M etodo de Gauss para obten c ao da inversa . . . . . . . . . . . .
Sistemas lineares: uma vis ao geom etrica inicial . . . . . . . . . . . . . . Resolu c ao de sistemas lineares . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1 3.3.2 3.3.3 Sistemas equivalentes . . . . . . . . . . . . . . . . . . . . . . . . M etodo de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4
Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4 Posto de uma matriz 4.1 4.2 4.3 Combina c ao linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Depend encia e independ encia linear Posto 4.3.1 4.3.2 4.4 4.5 . . . . . . . . . . . . . . . . . . . .
Decomposi c ao em posto completo . . . . . . . . . . . . . . . . . . . . . . Forma can onica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5.1 Forma can onica de matrizes sim etricas . . . . . . . . . . . . . . .
4.6
Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
CONTEUDO
iii
Obten c ao usando opera c oes com linhas/colunas . . . . . . . . . . Obten c ao usando a forma diagonal . . . . . . . . . . . . . . . . . Algoritmo geral para obter a inversa generalizada . . . . . . . . . . . . . . . .
68 69 70 71 74 76 76 78 79 81 82 84 85 87 87 88
Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6 Ra zes e vetores caracter sticos de uma matriz 6.1 6.2 6.3 6.4 6.5 Autovalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Propriedades elementares de autovalores . . . . . . . . . . . . . . . . . . Autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diagonaliza c ao de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . Matrizes sim etricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.5.1 6.6 Decomposi c ao espectral . . . . . . . . . . . . . . . . . . . . . . .
Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7 Formas quadr aticas 7.1 Introdu c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1.1 7.1.2 Classica c ao de formas quadr aticas . . . . . . . . . . . . . . . . . Decomposi c ao em posto completo de matrizes sim etricas DP ou SDP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2 Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
92 92
Cap tulo 1
Introdu c ao
Este manuscrito apresenta um estudo sobre Teoria de Matrizes com enfoque para alunos de Estat stica. Inicialmente introduzimos conceitos b asicos sobre o assunto, desde os mais simples, de forma que o aluno tenha em seu poder um material auto-contido1 para posterior consulta. Procuramos apresentar exemplos que facilitem o aprendizado do leitor, ilustrando as opera c oes, suas propriedades e resultados te oricos constituindo o assunto em estudo. Ao nal de cada se c ao ou cap tulo propomos alguns exerc cios que ajudam a xar as id eias nele introduzidas. Este texto est a em fase de prepara c ao. Logo, n ao hesite a sinalizar erros (ou sugerir melhoras) no (para o) mesmo. Participe.
1.1
Conceitos preliminares
Denimos matriz como sendo um arranjo de elementos (valores) dispostos em forma retangular, por linhas e colunas. Dessa forma, cada elemento de uma matriz e identicado por dois atributos: um indicando a linha e o outro, a coluna ` a qual pertence esse elemento. Trata-se de uma representa c ao tabular de elementos ou objetos que podem ser de v arios tipos (booleanos, complexos, nomes, s mbolos, fun c oes, etc.). Nosso interesse e por matrizes com as quais poderemos realizar algumas opera c oes matem aticas, como veremos adiante.
1
1.1.1
Nota c ao matricial
Empregamos letras mai usculas (romanas, gregas, etc.) para dar nome a uma matriz. Por exemplo, seja a matriz P abaixo: P = 55.0 57.6 57.2 70.3 74.0 72.7
Perceba que os elementos de P est ao organizados por linhas e colunas e cercados por par enteses. No lugar dos par enteses poder amos ter usado colchetes. Um elemento que se encontra na linha i e coluna j de P e representado por uma letra min uscula, a mesma que d a nome ` a matriz, juntamente com os sub- ndices indicando a linha e a coluna a que pertence, ou seja pij . Assim, o elemento p23 (elemento da linha 2 e coluna 3 de P ) e igual a 72.7. Uma outra forma de representar a matriz P acima e: P = p11 p12 p13 p21 p22 p23
Denominamos de dimens ao ou ordem de uma matriz o seu n umero de linhas e de colunas. Para o exemplo acima, a dimens ao da matriz pode ser representada por P23 . A dimens ao de uma matriz nos permite fazer a seguinte distin c ao: Matriz retangular de ordem n m uma matriz Anm que possui n linhas e m colunas, com n e m naturais n E ao nulos, representada por: Anm a11 a21 = . . . an1 Uma matriz Anm tem n m elementos. Matriz quadrada de ordem n toda matriz Anm cujo n E umero de linhas n e igual ao n umero de colunas m, i.e. denotada por Ann (ou simplesmente An ): m = n. E a11 a12 a21 a22 Ann = An = . . .. . . . . . an1 an2 a1n a2n . . . ann a12 a22 . .. . . . an2 a1m a2m . . . anm
Em uma matriz quadrada Ann podemos distinguir sua diagonal principal, denotada por Diag (A) e formada pelos elementos aij tais que i = j , i = 1, , n, ou seja, Diag (A) = {a11 , a22 , , ann }. Por exemplo, a diagonal da matriz C do exemplo anterior e dada por Diag (C ) = {1, 3}. Denominamos de diagonal secund aria de uma matriz quadrada Ann , denotada por Sec(A), ao conjunto dos elementos aij tais que i + j = n + 1, ou seja, Sec(A) = {a1,n , a2,n1 , , an,1 }2 . Denimos tra co de uma matriz quadrada Ann , denotado por tr(A), como sendo a soma dos elementos de sua diagonal principal, i.e. tr(A) = A seguir apresentamos algumas matrizes not aveis. aii , i = 1, , n.
1.1.2
Matrizes comuns
Deni c ao 1 Uma matriz linha e uma matriz cuja dimens ao e do tipo 1 m, ou seja, tem uma u nica linha. tamb E em conhecida como vetor linha. Por exemplo: A12 = 4 7 Deni c ao 2 Uma matriz coluna e uma matriz cuja dimens ao e do tipo m 1, ou seja, tem uma u nica coluna. tamb E em conhecida como vetor coluna. Por exemplo: A21 = 3 9
Deni c ao 3 Uma matriz diagonal e uma matriz quadrada Dnn = (dij ), i, j {1, , n}, cujos elementos que n ao pertencem ` a sua diagonal principal s ao todos iguais a zero. Ou seja: dij =
2
Nesse caso separamos a linha e a coluna de cada elemento por uma v rgula para evitar confus ao.
0 0 . . . dnn
2 0 0 D3 = 0 0 0 0 0 3
Deni c ao 4 Uma matriz identidade (ou unidade) de ordem n e uma matriz diagonal denotada por In , cujos elementos que n ao pertencem ` a sua diagonal principal s ao todos iguais a zero e cujos elementos da diagonal principal s ao todos iguais a 1 (um). Ou seja: 0 0 . . . 1
1 0 0 1 In = . . . .. . . . . 0 0 Por exemplo: I2 = 1 0 0 1
e uma matriz quadrada Dn = (dij ), i, j Deni c ao 5 Uma matriz triangular {1, , n}, cujos elementos que se localizam abaixo ou acima de sua diagonal principal s ao todos nulos. Por exemplo, uma matriz triangular inferior (elementos nulos acima da diagonal principal) e representada como: d11 d21 Dn = . . . dn1 0 d22 . .. . . . dn2 0 0 . . . dnn
enquanto uma matriz triangular superior (elementos nulos abaixo da diagonal principal) e representada por: d11 d12 0 d22 Dn = . . .. . . . . . 0 0 d1n d2n . . . dnn
Por exemplo, a matriz D abaixo e triangular inferior, enquanto que a matriz D e triangular superior: 2 0 0 D = 4 1 0 , 0 0 3
= D
1 7 . 0 3
Deni c ao 6 Uma matriz nula e uma matriz denotada por , cujos elementos s ao todos iguais a zero. Um exemplo de matriz nula: = 0 0 0 0 0 0
Deni c ao 7 Uma matriz de elementos unit arios e uma matriz representada usualmente pela letra J , ou seja Jnm = (jik ), i {1, , n}, k {1, , m}, cujos elementos s ao todos iguais a um. Ou seja: Jnm 1 1 1 1 = . . . .. . . . . 1 1 1 1 = 1 1 1 1 1 1 . . . 1
etrica e uma matriz quadrada Dn = (dij ), i, j Deni c ao 8 Uma matriz sim {1, , n}, cujos elementos satisfazem ` a propriedade de simetria, isto e, dij = dji , (i, j ). Em nota c ao matricial temos: d11 d12 Dn = . . . d1n Por exemplo: d12 d22 . .. . . . d2n d1n d2n . . . dnn
1 3 4 D3 = 3 0 11 4 11 2
Deni c ao 9 Uma matriz anti-sim etrica e uma matriz quadrada Dn = (dij ), i, j {1, , n}, cujos elementos satisfazem ` a propriedade de anti-simetria, isto e: dij = Em nota c ao matricial temos: 0 d12 Dn = . . . Por exemplo: d12 0 . . . .. . d1n d2n . . . 0 0 se i = j dji se i = j
d1n d2n 0 3 4 0 11 D3 = 3 4 11 0
Deni c ao 10 Uma matriz uniforme e uma matriz quadrada Dn = (dij ), i, j {1, , n}, cujos elementos s ao tais que: dij = onde C1 , C2 s ao constantes. Um exemplo de matriz uniforme de ordem tr es, 1 2 D3 = 2 1 2 2 com C1 = 1 e C2 = 2 e: 2 2 1 C1 se i = j C2 se i = j
Deni c ao 11 Uma matriz, denotada por Dt ou D , e chamada de matriz transposta de uma dada matriz Dnm = (dij ), i {1, , n}, j {1, , m} se dt ij = dji , (i, j ). Observe que a primeira linha de D corresponde ` a primeira coluna de Dt , a segunda linha de D corresponde ` a segunda coluna de Dt , e assim por diante. Por exemplo, seja a matriz: D32 sua transposta e dada por:
t D2 3 =
2 5 = 3 0 9 7 2 3 9 5 0 7
Deni c ao 12 Uma matriz Anm e igual a uma matriz Bqp quando tiverem a mesma dimens ao, n = q e m = p, e aij = bij , (i, j ).
1.2
1.2.1
A transposi c ao de uma dada matriz D equivale a determinar uma matriz Dt que seja a transposta de D (veja deni c ao 11). Propriedade 1 A opera c ao de transposi c ao e reexiva, i.e. (A ) = A. Formalmente, (A ) = (aij ) = (aji ) = (aij ) = A.
1.2.2
Particionamento
O particionamento de uma matriz Anm em submatrizes consiste em dividir A em blocos por linhas horizontais imagin arias que cortam todas as m colunas de A, ou por linhas verticais imagin arias que cortam todas as n linhas de A. Por exemplo, seja a matriz 2 3 9 5 0 7 A43 = 1 8 4 5 0 1 Se passarmos uma linha vertical imagin aria entre a segunda e terceira colunas, obtemos o seguinte particionamento 3 9 0 7 = 8 4 0 1
2 5 A= 1 5
A1 A2
que corresponde a dividir A em dois blocos (submatrizes) A1 e A2 , onde 2 3 9 5 0 7 A1 = 1 8 e A2 = 4 5 0 1 De forma an aloga, se passarmos uma linha horizontal imagin aria entre a primeira e segunda linhas, juntamente com a linha vertical anterior, obtemos um novo particionamento A= 2 5 1 5 3 9 0 7 8 4 0 1 A1 A2 = A3 A4
1.2.3
Adi c ao
A opera c ao de adi c ao de duas matrizes Anm = (aij ), i = 1, , n e j = 1, , m e Bnm = (bij ), i = 1, , n e j = 1, , m, obrigatoriamente de mesma ordem (conform aveis para a adi c ao), denotada por C = A + B , e denida de forma que os elementos da matriz resultante C sejam dados por: cij = aij + bij , (i, j ). Por exemplo, sejam 2 3 A = 5 0 1 8 1 0 1 e B= 2 0 4
ent ao
c ao de adi c ao de matrizes e comutativa. Propriedade 2 A opera A + B = (aij ) + (bij ) = (aij + bij ) = (bij + aij ) = B + A. c ao de adi c ao de matrizes e associativa. Propriedade 3 A opera A + B + C = (A + B ) + C = A + (B + C ). Na adi c ao de matrizes existe a gura do elemento neutro (matriz nula) tal que: A + = + A = A. e existe a matriz oposta de A, denotada por A, tal que A + (A) = .
1.2.4
Subtra c ao
A subtra c ao de duas matrizes Anm = (aij ), i = 1, , n e j = 1, , m e Bnm = (bij ), i = 1, , n e j = 1, , m, obrigatoriamente de mesma ordem (conform aveis para a subtra c ao), e uma matriz C denotada por C = A B , cujos elementos s ao denidos por: cij = aij bij , (i, j ). Por exemplo, para as matrizes A e B do exemplo anterior, temos 3 3 2 (1) 30 0 1 = 3 1 C =AB = 52 1 12 10 8 (4)
1.2.5
A opera c ao de multiplica c ao de uma matriz Anm por um escalar consiste em multiplicar todos os elementos de A por , obtendo-se assim uma nova matriz B = A = A = (bij ), cujos elementos de B s ao tais que: bij = aij , (i, j ). Por exemplo, seja = 2 e a matriz 1 3 A = 3 1 1 0 ent ao temos 21 23 2 6 B = A = 2A = 2 3 2 (1) = 6 2 21 20 2 0
1.2.6
Multiplica c ao de matrizes
A opera c ao de multiplica c ao de matrizes (Anm Bpq , nessa ordem) s o e poss vel se as mesmas forem conform aveis para a multiplica c ao, ou seja, o n umero de colunas de A tem que ser igual ao n umero de linhas de B , nesse caso, m = p. Caso contr ario, se m = p, o produto n ao existe. Isso ocorre devido ao fato de o produto C = Anm Bmq de duas matrizes ser visto (denido) como uma matriz formada a partir do produto interno dos vetores linhas da primeira matriz A com os vetores colunas da segunda matriz B . Sendo assim, cada linha i de A pode ser multiplicada por cada coluna j de B . Para cada produto interno do i- esimo vetor linha de A, denotado por A(i, .), com o j - esimo vetor coluna de B , denotado por B (., j ), ou em nota c ao vetorial < A(i, .), B (., j ) >, denimos um elemento da matriz produto C . Logo, podemos notar que a matriz C = (cij ) ser a uma matriz de dimens ao n q cujo elemento cij e dado por:
m
aik bkj .
teremos o seguinte produto C = AB : C22 = c11 c12 c21 c22 = < A(1, .), B (., 1) > < A(1, .), B (., 2) > < A(2, .), B (., 1) > < A(2, .), B (., 2) >
10
No produto AB diremos que B p os-multiplica A ou A e multiplicada ` a direita por B . Ou ent ao, A pr e-multiplica B ou B e multiplicada ` a esquerda por A. As principais propriedades de multiplica c ao de matrizes s ao relatadas a seguir. Propriedade 4 A opera ca o de multiplica c ao de matrizes, em geral, n ao e comutativa. AB = BA. Por exemplo, dadas as matrizes A= observamos que AB = 1 1 1 1 = BA = 0 0 1 2 1 1 0 1 e B= 0 0 1 1
Quando ocorre dos produtos AB e BA existirem e se AB = BA, diremos que A e B comutam. Propriedade 5 A opera c ao de multiplica c ao de matrizes e associativa. ABC = A(BC ) = (AB )C. Por exemplo [8], dadas as matrizes A= vericamos que AB = 3 1 2 1 BC = 6 3 4 2 e (AB )C = A(BC ) = 6 3 2 1 2 1 1 , 0 1 2 1 B = 3 2 e C = 2 1
Propriedade 6 A opera c ao de multiplica c ao de matrizes e distributiva. A(B + C ) = AB + AC. Exemplo: Sejam as matrizes: A= 1 0 , 0 1 B= 5 1 , 1 1 C= 1 5 ; 2 1
11
1.2.7
Dada uma matriz An , dene-se a p- esima (p inteiro positivo) pot encia de A de forma recursiva como sendo: Ap = Por exemplo, dada A = A0 = In se p = 0 Ap1 A se p 1
1 1 , ent ao 0 2 A2 = 0 3 , e 3 3 A3 = 3 6 . 6 3
1 0 , 0 1
Podemos denir os seguintes tipos de matrizes quadradas quanto ` a sua segunda pot encia. Deni c ao 13 Uma matriz quadrada ser a idempotente quando A2 = A. Por exemplo [5]: 2/3 1/3 1/3 A = 1/3 2/3 1/3 1/3 1/3 2/3
a nilpotente quando A2 = . Deni c ao 14 Uma matriz quadrada ser Por exemplo [5]: 1 3 7 6 14 A= 2 1 3 7
Deni c ao 15 Uma matriz quadrada ser a unipotente ou involutiva quando A2 = I . Por exemplo [5]: 1 0 A= 0 0 0 2 3 1 4 5 0 1 0 0 0 1
12
1.2.8
Deni c ao 16 Dadas duas matrizes quadradas Anm e Bpq , denimos o produto direto (Produto de Kronecker) de A por B como sendo a matriz Cnpmq , denotado por C = A B , dada por: a11 B a21 B C =AB = . . . Por exemplo, sejam as matrizes: A= ent ao 1 0 0 1 e B= 2 0 1 1 0 0 2 1 0 0 0 1 a12 B a22 B . . . .. . a1m B a2m B . . . anm B
an1 B an2 B
2 0 1 1 1 C =AB = 2 0 0 1 1
2 0 1 2 1 1
0 2 0 1 1 1 = 0 0 0 1 0 0
Deni c ao 17 Dadas duas matrizes Anm e Bnm , de mesma ordem, denimos o produto de Hadamard de A por B como sendo a matric Rnm , denotado por R = A B , dada por: C=A a11 b11 a21 b21 B= . . . a12 b12 a22 b22 . . . .. . a1m b1m a2m b2m . . . anm bnm
an1 bn1 an2 bn2 Por exemplo, sejam as matrizes: A= ent ao C=A B= 12 30 01 11 = 1 3 0 1 e B= 2 0 1 1
2 0 1 1
Deni c ao 18 Dada uma matriz quadrada Bn e um polin omio p(x) = a0 x0 + a1 x1 + a2 x2 + + ar xr , com x0 = In , denimos matriz polinomial P (B ) a matriz que se obt em a partir de p(x) quando x = B ; ou seja p(B ) = a0 I + a1 B + a2 B 2 + + ar B r . Por exemplo [8], para p(x) = 5x0 + 3x1 + 2x2 e 1 1 A = 1 3 4 1 dada a matriz 2 1 1
13
10 6 5 A2 = 8 11 6 , 9 8 10
20 12 10 2A2 = 16 22 12 , 18 16 20
1.3
1.3.1
Matrizes especiais
Produto de matrizes sim etricas
O produto de matrizes sim etricas n ao e, em geral, sim etrico. Pois, dadas duas matrizes sim etricas A e B , se existir o produto AB , ent ao: (AB ) = B A = BA como em geral BA = AB , logo AB e geralmente n ao sim etrica. Por exemplo [11], sejam A= ent ao (AB ) = 17 19 27 32 = 17 27 19 32 = BA = AB. 1 2 2 3 e B= 3 7 7 6
1.3.2
Propriedades de AA e AA
O produto de uma matriz por sua transposta e sim etrico. Pois: (AA ) = (A ) A = AA e (A A) = A (A ) = A A.
por em, AA e A A n ao s ao necessariamente iguais (basta que A n ao seja quadrada para ver isso e, quando o for, pode ocorrer de ser verdade, mas n ao quer dizer que deva ser). Por exemplo [11], seja A= ent ao AA = Perceba que AA = {< A(i, .), A(j, .) >}, (i, j ) (1.1) 6 2 2 10 e 1 2 1 3 0 1 10 2 2 4 2 . AA=2 2 2 2
14
Ou seja, e uma matriz cujos elementos s ao produto internos de linhas de Anm . E importante ver que o i- esimo elemento da diagonal principal de AA e dado por
m 2 j =1 aij .
Logo, todos os elementos dessa diagonal s ao n ao-negativos quando A for uma matriz real. A A = {< A(., j ), A(., t) >}, (j, t) (1.2)
Ou seja, e uma matriz cujos elementos s ao produto internos de colunas de Anm . Note que o j- esimo elemento da diagonal principal de A A e dado por os seguintes resultados (demonstre-os): A A = 0 A = 0, tr(A A) = 0 A = 0. (1.3) (1.4)
n 2 k=1 akj .
Logo temos
Usando os resultados em 1.3 e 1.4 podemos mostrar que, dadas as matrizes reais P , Q e X: P XX = QXX P X = QX, (1.5)
1.3.3
O produto de duas matrizes AB pode ser obtido usando-se o particionamento dessas matrizes, ou seja, empregando o produto externo dos vetores colunas de A pelos vetores linhas de B . Para tanto, basta representar: B (1, .) B (2, .) e B = . . . . B (n, .) Isso nos permite escrever AB como: AB = A(., 1)B (1, .) + A(., 2)B (2, .) + + A(., n)B (n, .) Por exemplo [11]: 1 4 7 8 AB = 2 5 9 10 3 6 1 7 + 4 9 1 8 + 4 10 = 2 7 + 5 9 2 8 + 5 10 , 3 7 + 6 9 3 8 + 6 10
A = A(., 1) A(., 2)
A(., n)
15
1.3.4
Sejam 1n um vetor coluna de 1s e J uma matriz de 1s. Note que 1r 1r = r 1r 1s = Jrs Jrs Jst = sJrt 1r Jrs = r1s Jrs 1s = s1r .
2 = nJ . Fazendo Em particular, temos que J = 1n 1n , donde conclu mos que Jn n
n = J
1 Jn n
(1.11)
n = In 1 Jn . Cn = I n J n
(1.12)
Podemos observar (como exerc cio) que C = C = C 2 , C 1 = 0 e CJ = JC = 0. Uma aplica c ao para a matriz de centragem e a representa c ao de um vetor x C onde cada componente e expressa em fun c ao de seu desvio em rela c ao ` a m edia dos dados de x. Isto e, seja x = (x1 , x2 , , xn ), ent ao a m edia dos elementos de x e dada por
n
x =
i=1
xi /n =
1 1 x 1 = 1 x, n n
x Cx = (x x 1 )x = x x x (1 x) = x x nx 2 =
i=1
x2 2 = i nx
i=1
(xi x )2
1.3.5
16
Por exemplo [11], verique que a matriz abaixo e ortogonal. 2 2 2 1 A= 3 3 0 6 1 1 2 Exemplos cl assicos de matrizes ortogonais s ao as matrizes de Helmert, de Givens e de Householder. Veja [11] para mais detalhes sobre elas. Quando uma matriz A apenas comuta com sua transposta, ou seja, AA = A A, n ao necessariamente igual ` a matriz identidade, ela ser a denominada de matriz normal. Note a diferen ca dessa deni c ao de ortogonalidade para matrizes para aquela de vetores ortogonais. Dois vetores x e y s ao ortogonais quando x y = y x = 0. Um vetor e normal quando sua norma for igual a um, i.e. ||x|| = x x = 1. Para se normalizar um vetor x, basta multiplic a-lo por
1 ||x|| .
Diremos que um conjunto {x1 , x2 , , xp } de vetores e ortonormal quando os vetores desse conjunto forem normais, ||xi || = (xi ) (xi ) = 1, e ortogonais entre si, (xi ) xj = 0, para todo i = j . Deni c ao 20 Uma matriz Anm tem um conjunto de linhas (equiv. colunas) ortonormal quando AA = In (equiv. A A = Im ).
1.4
Exerc cios
1. Mostre que: (a) A transposta de uma matriz linha e uma matriz coluna e vice-versa; (b) O tra co da transposta de uma matriz An e igual ao tra co de An , i.e. tr(A ) = tr(A). 2. Mostre que a matriz transposta de uma matriz particionada A = (X Y ), com X e Y submatrizes de A, e dada por: A = X Y = X Y
3. Particione de dois modos distintos a matriz A abaixo e verique a validade do exerc cio anterior para cada particionamento. 1 2 5 A = 4 1 2 2 0 1
17
4. Mostre e d e exemplos das propriedades abaixo: (a) (A + B ) = A + B , com A e B matrizes de mesma ordem. (b) tr(A + B ) = tr(A) + tr(B ), com A e B matrizes quadradas de mesma ordem. 5. Mostre com um contra-exemplo que a opera c ao de subtra c ao n ao e comutativa. 6. Demonstre as seguintes propriedades do produto por escalar: (a) 1 Anm = Anm . (b) (1) Anm = Anm . (c) 0 Anm = 0nm . (d) 0nm = 0nm . (e) (Anm + Bnm ) = Anm + Bnm . (f) ( + ) Anm = Anm + Anm . (g) ( Anm ) = ( ) Anm . c oes devem existir para que existam os 7. Dada as matrizes Anm e Bpq , que condi produtos AB e BA? 8. Seja Anm . Que e necess ario ocorrer para que A2 exista? 9. Caso existam, determine os produto AB e BA das matrizes abaixo. 3 2 5 6 3 5 0 A = 5 1 1 0 e B = 1 1 5 4 1 0 2 1 0 2 ca um exemplo, que: 10. Mostre, e forne (a) Um vetor linha p os-multiplicado por um vetor coluna e um escalar. (b) Um vetor coluna p os-multiplicado por um vetor linha e uma matriz. os-multiplicada por um vetor coluna e um vetor coluna. (c) Uma matriz p (d) Um vetor linha p os-multiplicado por uma matriz e um vetor linha. 11. Existe alguma diferen ca entre a matriz nula 012 e a matriz nula resultante do produto dessa matriz pela matriz A abaixo? Se sim, qual? A= 2 0 5 1 1 1
18
12. O que podemos observar em um produto de uma matriz diagonal Dn por uma matriz Anm ? E se a matriz diagonal for uma matriz identidade de ordem n? Forne ca um exemplo para cada caso. 13. Demonstre as propriedades 5 e 6. 14. Dada as matrizes Anm e Bmq e um real , mostre que (A)B = (AB ). 15. Mostre que Anm Im = In Anm = Anm 16. Dada duas matrizes A e B conform aveis para o produto, se AB = 0, podemos armar que A = 0 ou B = 0? Teste 1 2 1 1 A= 1 4 para as matrizes: 0 0 0 0 0 B = 0 0 0 0 1 4 9
aveis para o produto. Se AB = AC ou 17. Dada as matrizes A, B e C conform BA = CA, podemos 1 A= 1 1 armar que B = C ? Teste para as matrizes: 2 0 1 2 3 1 2 3 1 0 B = 1 1 1 C = 1 1 1 4 0 2 2 2 1 1 1
aveis para o produto, prove que (AB ) = B A . 18. Dada duas matrizes A e B conform 19. Seja An e Bn duas matrizes quadradas de ordem n. Mostre que tr(AB ) = tr(BA). 20. Se A e B comutam, ent ao A A B B = (A B )(A + B )? 21. Dizemos que duas matrizes A e B s ao anticomutativas quando AB = BA. Mostre que se A e B s ao anticomutativas ent ao (A + B ) (A + B ) = A A + B B . 22. Sejam A e B duas matrizes sim etricas. Mostre que (a) A e sim etrica. (b) A A e sim etrica. ao AB e sim etrica. (c) Se A e B comutam, ent 23. Dadas seis matrizes cujas dimens oes s ao dadas na tabela abaixo:
19
(a) Encontre o menor n umero de opera c oes escalares necess ario para calcular o produto A1 A2 A3 A4 A5 A6. (b) De quantos modos podemos realizar o produto dessas matrizes nessa mesma ordem? 24. D e exemplos de matrizes diagonais de ordem 2 que sejam involutivas. 25. Mostre por indu c ao matem atica que 1 1 0 1
n
1 n 0 1
26. Seja J a matriz abaixo, mostre que J p = 2p J : J= 27. Mostre por indu c ao matem atica que: cos() sen() sen() cos()
n
1 1 1 1
28. Encontre uma forma eciente de calcular An realizando o menor n umero de opera c oes escalares poss vel. 29. Seja Pn e uma matriz idempotente e In uma matriz identidade de ordem n. Prove que a matriz I P e idempotente. e sim etrica. O que podemos dizer de T T ? 30. Prove que Tn + Tn 31. Prove que se o produto de duas matrizes sim etricas e sim etrico, ent ao as matrizes comutam na multiplica c ao. 32. Prove que se X X = X , ent ao X = X = X 2 . 33. Explique por que X XGX X = X X implica XGX X = X .
20
34. Prove que o produto de matrizes ortogonais e ortogonal. 35. A matriz de Helmert de ordem n e uma matriz que tem [n 2 1n ] como primeira linha; ((n 1)n) 2 [1n1 | (n 1)] como u ltima linha; e as demais linhas, para i = 1, ..., n 2, s ao dadas por (i(i + 1)) 2 [1i | i|0ni1 ], ou seja: Hn =
1 n 1 12 1 23 1 n 1 12 1 23 1 n 1 n
1 1 1
0
2 23
. . .
. . .
. . .
0 0 . . .
1 (n1)n
.. .
1 n
0 0 . . .
(n1) (n1)n
1 (n1)n
1 (n1)n
1 (n1)n
Forne ca H2 , H3 e H4 . Mostre que a matriz de Helmert e ortogonal. e uma matriz obtida da ma36. A matriz de Givens Grs = Gsr de ordem n triz identidade, redenindo-se apenas os quatro elementos grr = gss = cos e grs = gsr = sen. Forne ca todas as matrizes de Givens de ordem 2 e 3 e mostre que esse tipo de matriz e ortogonal. 37. A matriz de Householder H de ordem n e uma matriz da forma H = I 2hh , com h h = 1, h sendo um vetor coluna n ao nulo. Mostre que esse tipo de matriz e ortogonal e sim etrica.
Cap tulo 2
Determinante
O conceito de determinante est a associado ` a uma medida (um valor escalar real), ou caracter stica, de uma matriz quadrada. Dizemos que uma matriz quadrada A e singular se seu determinante for nulo e, caso contr ario, A e n ao singular. Essa medida tem import ancia pr atica na resolu c ao de sistemas de equa c oes lineares. Neste cap tulo vamos descobrir como se calcula o determinante de uma matriz e estudar algumas propriedades dos mesmos. Inicialmente, vamos introduzir o conceito de ordem de uma permuta c ao.
2.1
Uma permuta c ao dos n umeros {1, 2, 3, 4} pode ser = {3142}. Se percorrermos essa permuta c ao da esquerda para a direita, observamos que existem dois n umeros menores que o 3 ` a sua direita. Nesse caso, dizemos que houve invers ao do 3 em rela c ao ao 1 e em rela c ao ao 2. J a em rela c ao ao n umero 1, n ao existe nenhuma invers ao com nenhum outro n umero ` a sua direita. Quanto ao n umero 4, existe uma invers ao em rela c ao ao 2. Finalmente, quanto ao n umero 2, como n ao existe nenhum n umero ` a sua direita, n ao existe invers ao associada a ele. Observe que no total temos 2 + 0 + 1 + 0 = 3 invers oes nessa permuta c ao. Quando o n umero de invers oes em uma permuta c ao for um n umero par, diremos que a mesma e uma permuta c ao de ordem par. Caso contr ario, a mesma ser a de ordem mpar. Uma aplica c ao de permuta c ao com elementos de uma matriz An = (aij ), (i, j ), e determinar o n umero de modos de escolhermos n elementos de A de forma que entre eles apare ca exatamente um elemento de cada linha e um elemento de cada coluna. Esse total e conhecido e igual a n!. Uma maneira de ver isso e xar os ndices das linhas de 1 a n dos elementos da matriz e calcular todas as permuta c oes de {1, 2, , n}.
22
Ou seja, se = (1 , 2 , , n ), ent ao cada escolha do tipo (a1,1 , a2,2 , , an,n ) garante a condi c ao de que apenas um elemento de cada linha e de cada coluna ser a escolhido por vez em cada permuta c ao. Observe que o mesmo poderia ser feito xandose o ndice da coluna de cada elemento de A e permutando-se os ndices das linhas, i.e. cada escolha seria do tipo (a1 ,1 , a2 ,2 , , an ,n ). Por exemplo, para uma matriz de ordem 2, as poss veis escolhas s ao (a11 , a22 ) e (a12 , a21 ), onde cada uma corresponde a uma permuta c ao de {1, 2} referente a uma escolha do tipo (a1,1 , a2,2 ). Note que na permuta c ao (1,2) n ao h a invers oes; enquanto que em (2,1) h a uma invers ao. Deni c ao 21 Dada uma matriz quadrada An = (aij ), i, j {1, , n}, denimos determinante de A, denotado por |A| ou det(A), como sendo o valor: |A| =
(1)k a1 ,1 a2 ,2 an ,n ,
para toda permuta c ao de {1, 2, , n}, onde k e o n umero de invers oes de . Usando essa deni c ao, e f acil ver que o determinante de uma matriz quadrada de ordem 2 e: a11 a12 a21 a22 Exemplo: 1 2 5 6 = (1)0 1 6 + (1)1 2 5 = 4. =
(1)k a1,1 a2,2 = (1)0 a11 a22 + (1)1 a12 a21 = a11 a22 a12 a21 .
Quanto ao c alculo do determinante de uma matriz quadrada de ordem 3, temos um total de 3! permuta c oes de {1, 2, 3}. Elas s ao fornecidas na tabela seguinte com seus respectivos n umeros de invers oes: Permuta c ao ( ) 123 132 213 231 312 321 a11 a12 a12 a21 a22 a23 a31 a32 a33 Invers oes (k ) 0 1 1 2 2 3
(1)1 a12 a21 a33 + (1)2 a12 a23 a31 + (1)2 a13 a21 a32 + (1)3 a13 a22 a31 = a11 a22 a33 a11 a23 a32 a12 a21 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 .
23
Exemplo: 1 2 1 4 3 2 0 1 1 Existe uma maneira que facilita o c alculo de determinantes de matrizes de ordem 2. Note na gura abaixo que o determinante e o produto dos elementos da diagonal principal menos o produto dos elementos da diagonal secund aria. a11 E |A| = a21
< EE EE EE E"
= 1 3 1 1 2 1 2 4 1 + 2 2 0 + 1 4 1 1 3 0 = 3.
Para o c alculo de determinante de uma matriz de ordem 3, aplicamos a regra de Sarrus abaixo que consiste em repetir as duas primeiras colunas da matriz logo ap os a terceira coluna (ver gura abaixo) e tomar os produtos dos elementos da matriz no sentido da diagonal principal com sinais positivos e os produtos no sentido da diagonal secund aria com sinais negativos; depois, soma-se os resultados obtidos: a12 E <a13 EE <a11 <a12 EE EE EE EE EE EE EE EE EE E" E" " a21 a22 <a22 EE <a23 EE <a21 EE EE EE EE EE EE EE EE EE EE " " " a11 E a31 a32 a33 a31 a32 |A| = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 a11 a23 a32 a12 a21 a33 Agora vejamos algumas propriedades envolvendo invers oes de uma permuta c ao. Propriedade 7 Uma permuta c ao muda de ordem quando dois elementos dessa permuta c ao trocam de posi c ao. Prova: Seja = (1 , 2 , , i1 , i , i+1 , , j 1 , j , j +1 , , n ) uma permuta c ao qualquer. Seja = (1 , 2 , , i1 , j , i+1 , , j 1 , i , j +1 , , n ) a permuta c ao obtida de trocando-se de posi c ao i com j . Seja k o n umero de invers oes de . Observe que em o n umero de invers oes referentes aos elementos das posi c oes de 1 a i 1 e aos elementos das posi c oes de j + 1 a n n ao se alteram. Considerando que existem r1 elementos menores que i e r2 elementos maiores que i , no intervalo entre os elementos das posi c oes i a j , e que dentre esses elementos existem s1 elementos menores que j e s2 elementos maiores que j , com r1 + r2 = s1 + s2 , ent ao quando
24
i passa a ocupar a posi c ao de j , o n umero de invers oes nesse intervalo aumenta de r2 e diminui de r1 (referentes a i ) e aumenta de s1 e diminui de s2 (referentes a j ); e em rela c ao a i e j , aumenta ou diminui de uma unidade, dependendo de quem for o maior dos dois. Logo, o n umero de invers oes k de , com rela c ao ao de , e k = k + (r1 + r2 ) + (s1 s2 ) 1 = k + (r2 s2 ) + (s1 r1 ) 1. Como r1 + r2 = s1 + s2 , ent ao r2 s2 = s1 r1 ; logo k = k + 2(s1 r1 ) 1. Portanto, (1)k = (1)k (1), ou seja, h a uma mudan ca de ordem. 2
Exemplo: Em = (5, 3, 4, 1, 2) temos oito invers oes: quatro em rela c ao ao 5, duas em rela c ao ao 3, duas em rela c ao ao 4, zero em rela c ao ao 1 e zero em rela c ao ao 2. Trocando de posi c ao o 5 com o 2, obtemos uma nova permuta c ao = (2, 3, 4, 1, 5). O n umero de invers oes de e tr es: uma em rela c ao ao 2, uma em rela c ao ao 3, uma em rela c ao ao 4, zero em rela c ao ao 1 e zero em rela c ao ao 5. Percebemos que e de ordem par, enquanto e de ordem mpar. Veja que em , no intervalo entre o 5 e o 2, existem r1 = 3 elementos menores que 5 e r2 = 0 elementos maiores que 5 e tamb em s1 = 1 elementos menores que 2 e s2 = 2 elementos maiores que 2; logo vericamos que o n umero de invers oes k de em fun c ao do de invers oes k de e: k = k + 2(s1 r1 ) 1 = 8 + 2(1 3) 1 = 3. Propriedade 8 Seja = (1 , 2 , , n ) uma permuta c ao de {1, 2, , n} e = (1 , 2 , , m ) uma permuta c ao de {n + 1, n + 2, , n + m}. Seja k o n umero de invers oes de e k o n umero de invers oes de . Ent ao: 1. Toda permuta c ao composta do tipo (1 , 2 , , n , 1 , 2 , , m ), para todo par (, ), tem k + k invers oes. 2. Toda permuta c ao composta do tipo (1 , 2 , , m , 1 , 2 , , n ), para todo par (, ), tem k + k + mn invers oes. Prova: A do primeiro tem e evidente, pois n ao ocorre invers oes entre os elementos i e j , para todo par (i, j ). Quanto ao segundo tem, al em das invers oes de e de , como os m elementos de s ao maiores que os n elementos de , teremos mn invers oes a mais. Logo o resultado segue. 2
25
2.2
Menor e Cofator
A partir da deni c ao 21 podemos observar algumas particularidades. Na express ao do determinante de uma matriz An : |A| =
k = invers( )
observamos que cada elemento aij aparece (n 1)! vezes e que se colocarmos os elementos de uma linha i em evid encia, os coecientes que multiplicam cada elemento aij , j = 1, , n, est ao relacionados a determinantes de menor ordem de submatrizes de A. Por exemplo, para uma matriz quadrada A de ordem 3: a11 a12 a12 a21 a22 a23 |A| = a31 a32 a33 = a11 a22 a33 a11 a23 a32 a12 a21 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 = a11 (+1)(a22 a33 a23 a32 ) + a12 (1)(a21 a33 a23 a31 ) + a13 (+1)(a21 a32 a22 a31 ) a a a a a a = a11 (+1) 22 23 + a12 (1) 21 23 + a13 (+1) 21 22 . a32 a33 a31 a33 a31 a32 Perceba que na express ao acima aparecem tr es determinantes de menor ordem (de matrizes de ordem 2). Cada coeciente associado ao elemento aij e o determinante da matriz obtida eliminando-se a linha i e a coluna j de A com um sinal (+) ou (-). Isso nos permite introduzir as seguintes deni c oes: Deni c ao 22 Chama-se menor do elemento aij de uma matriz A, denotado por Mij , o determinante da submatriz obtida eliminando-se a linha i e a coluna j de A. Deni c ao 23 Chama-se cofator do elemento aij de uma matriz A, denotado por cij , o valor cij = (1)i+j Mij . O determinante de uma matriz An pode ser denido em fun c ao dos (ou expans ao por) cofatores dos elementos de uma linha i ou coluna j da matriz. alculo de determinante e dado Deni c ao 24 O desenvolvimento de Laplace para o c por:
n n n n
|A| =
j =1
aij cij =
j =1
ou
|A| =
i=1
aij cij =
i=1
26
Calcular o determinante de uma matriz An usando expans ao por cofatores e interessante quando a matriz tem uma linha ou coluna com muitos elementos nulos como no exemplo que segue. Exemplo: 1 4 9 6
4
|A| =
0 3 0 0
1 7 2 1 1 5 9 8
=
i=1
= 3(1)
1 1 7 9 1 5 6 9 8
= 3(446) = 1338.
Uma propriedade envolvendo cofatores e que multiplicando os elementos de uma linha (ou coluna) pelos cofatores correspondentes de outra linha (coluna), e somando esses produtos, tem-se como resultado o valor zero. Ou seja: Propriedade 9
aij ckj = 0,
j =1
i = k.
2.3
Matriz adjunta
Deni c ao 25 Matriz adjunta e a matriz transposta da matriz dos cofatores, denotada por adj (A) ou A . Seja a matriz An = (aij ) e os cofatores cij associados aos elementos aij de A, ent ao: c11 c12 A = adj (A) = . . . c21 c22 . . . .. . cn1 cn2 . . . . cnn
c1n c2n
27
ent ao 1 3 + 3 1 3 1 7 6 2 = 9 2 16 . 5 1 12 4 13 6 1 + 5 3
e uma matriz diagonal Propriedade 10 O produto de uma matriz A por sua adjunta cujos elementos s ao todos iguais ao determinante de A:
An A n = An An = |A|In .
Prova: Seja D = (dij ) a matriz resultante do produto em quest ao. Veja que, por deni c ao de determinante e usando a propriedade 9: dij = 0, i=j dij = |A|, i = j logo o resultado segue. 2 Exemplo: seja A a matriz do exemplo anterior e dado que |A| = 15, ent ao vericamos que: 6 1 2 3 1 10 15 0 0 15 0 . AA = 5 3 1 9 2 16 = 0 4 0 1 12 4 13 0 0 15
2.4
Propriedades de determinantes
ao Propriedade 11 Os determinantes de uma matriz quadrada A e de sua transposta s iguais: det(A) = det(A ). Prova: Seja k = invers( ) o n umero de invers oes de uma permuta c ao . Pela deni c ao 21, det(A) =
k = invers( )
= =
28
Propriedade 12 O determinante de uma matriz quadrada A que possui uma linha (ou coluna) de elementos todos nulos e zero. Prova: Pela deni c ao 21, cada termo do somat orio tem exatamente um elemento de cada linha e de cada coluna, logo todos os termos da soma s ao nulos e o determinante e zero. Exemplo: |A| = 0 0 4 3 = 0 3 4 0 = 0. 2
Propriedade 13 O determinante de uma matriz quadrada A que possui duas linhas (ou colunas) iguais e zero. Prova: Suponha que as linhas i e j de uma matriz An sejam iguais. Seja B a matriz obtida pela troca das linhas i e j de A. Da deni c ao 21, temos det(A) =
(1)k a1,1 a2,2 ai,i aj,j an,n , (1)k b1,1 b2,2 bi,i bj,j bn,n ,
k = invers( ) k = invers( )
det(B ) =
como ai,k = bj,k , para todo k = 1, , n, se tomarmos tal que j = i e i = j , com ao f = f para todo f = i, j , ent det(B ) =
(1)k b1,1 b2,2 bi,i bj,j bn,n (1)k a1,1 a2,2 ai,j aj,i an,n
= =
com = (1 , , i1 , j , i+1 , , j 1 , i , j +1 , , n ); ou seja, difere de apenas pela troca de i com j . Pela propriedade 7, cada termo desse u ltimo somat orio corresponde a um termo do somat orio de det(A) com o sinal trocado. Logo |B | = |A|. Mas B = A, ent ao vale que |B | = |A|; isso implica que |B | = |A| = 0. 2
29
Exemplo: 1 2 1 4 3 2 1 2 1 Propriedade 14 O determinante de uma matriz B obtida de uma matriz quadrada A pela troca de duas linhas (ou colunas) e igual ao determinante de A com sinal trocado. |B | = |A|. Prova: Veja a demonstra c ao da propriedade 13. Exemplo: |A| = |B | = 1 2 4 3 4 3 1 2 = 1 3 4 2 = 5. = 4 2 1 3 = 5 = |A|. = 1 3 1 + 2 2 1 + 1 4 2 1 3 1 2 2 1 1 4 2 = 0.
Propriedade 15 O determinante de uma matriz triangular (inferior ou superior) An e igual ao produto dos elementos de sua diagonal principal. |A| = a11 a22 ann . Prova: Faremos a prova para uma matriz triangular inferior. O outro caso e an alogo. Seja A uma matriz quadrada tal que aij = 0, i > j . Podemos escrever |A|, a partir da deni c ao 21, como det(A) =
k = invers( )
como em cada termo no somat orio da u ltima linha acima sempre existe aj,j com j > j que, por ser triangular inferior, e igual a zero; ent ao o resultado segue. Exemplo: 1 2 1 0 3 2 0 0 1 = 1 3 1 + 2 2 0 + 1 0 0 0 3 1 0 2 1 1 0 2 = 1 3 1 = 3. 2
30
Propriedade 16 O determinante de uma matriz B obtida de uma matriz quadrada A multiplicando-se a linha (ou coluna) i por um R e igual ao determinante de A multiplicado por . |B | = |A|. Prova: det(A) =
(1)k a1,1 a2,2 ai,i an,n , (1)k a1,1 a2,2 (ai,i ) an,n
k = invers( )
det(B ) = =
24 23
Propriedade 17 O determinante de uma matriz B obtida de uma matriz quadrada A somando-se ` a linha (ou coluna) i de A um m ultiplo R de uma linha (ou coluna) j e igual ao pr oprio determinante de A. |B | = |A|. Prova: Aplicando a deni c ao 24 e a propriedade 9, o resultado segue de imediato. Uma demonstra c ao mais elegante e a que segue. Considere que cada elemento da linha i e coluna k de B seja igual a bik = aik + ajk , ou seja, a linha i de B e uma combina c ao linear das linhas i e j de A. Tomando det(A) =
(1)k a1,1 a2,2 ai,i aj,j an,n , (1)k b1,1 b2,2 bi,i bj,j bn,n ,
k = invers( ); k = invers( );
det(B ) =
e levando-se em conta que bik = aik + ajk , para k = 1, , n, e bf k = af k , para as demais linhas f = i, temos: det(B ) =
(1)k a1,1 a2,2 (ai,i + aj,i ) aj,j an,n (1)k a1,1 a2,2 aj,i aj,j an,n .
= |A| +
31
cujas linhas i e j sejam ambas iguais ` Agora denamos uma matriz B a linha j de A; e (diferentes de i e j ) corresponderem ` fa ca as demais linhas de B as demais linhas de A. pode ser dado por: O determinante de B ) = det(B
k = invers( ).
Como j a foi provado anteriormente, esse determinante e nulo por se tratar de uma matriz com duas linhas iguais conforme a propriedade 13. Como conseq u encia, observando a e A nessa u rela c ao dos elementos de B ltima igualdade, temos que: ) = det(B
k = invers( ). 2
1+24 2+23
Propriedade 18 O determinante da matriz quadrada Mr+m abaixo denido pela parti c ao de M em quatro submatrizes Ar , Bm , Crm e a matriz nula 0mr e: |M | = A C 0 B = |A||B |.
k = invers( ),
sobram apenas os termos do somat orio para os quais h a permuta c oes A do intervalo {1, , r} seguidas de permuta c oes B do intervalo {r + 1, , r + m}. Logo, usando a
32
propriedade 8, |M | =
A , B
r +m
= (
A
r +m
|M | =
Propriedade 19 O determinante da matriz quadrada Mn triangular em blocos (inferior ou superior) denido pela parti c ao de M em submatrizes quadradas Ai ni , i = 1, , p, com
i ni
= n, e: A1 |M | = A2 .. . Ap =
i=1 p
|Ai |.
Prova: Fica como exerc cio. Propriedade 20 O determinante da matriz quadrada Mr+m abaixo denido pela parti c ao de M em quatro submatrizes Am , Br , Crm e a matriz nula 0mr e: |M | = 0 A B C = (1)mr |A||B |.
k = invers( ),
sobram apenas os termos do somat orio para os quais h a permuta c oes B do intervalo {m + 1, , m + r} seguidas de permuta c oes A do intervalo {1, , m}. Logo, usando a propriedade 8, |M | =
A , B
m+1 ,1
mB
m+2 ,2
mB )(
A
m+r ,r
mA ,r+1 mA ,r+2 mm A ,r +m
1 2 1
= (1)mr (
m+1 ,1
mB
m+r ,r
(1)kA mA ,r+1 mm A ,r +m )
= (1)mr |A||B |.
33
Exemplo: Nesse exemplo considere B uma matriz quadrada de ordem nB = 1 e A, de ordem nA = 2. |A| = |M | = 1 2 1 1 = 3 |B | = 5 = 5.
0 1 2 0 1 1 5 1 1
= 15 = (5)(3)(1)21 = |B ||A|(1)nA nB .
Uma conseq u encia da propriedade 20 e que: 0n An In Cn = | I ||A|(1)nn = (1)n |A|(1)nn = |A|(1)n(n+1) = |A|.
Propriedade 21 O determinante do produto de duas matrizes A e B quadradas de mesma ordem, |AB |, e igual ao produto dos determinantes de A e de B : |AB | = |A||B |. ao, efetuando o produto das matrizes Prova: Sejam as matrizes An , Bn , 0n e In . Ent particionadas abaixo e aplicando a propriedade 20, I A 0 I A 0 I B = 0 AB I B = |AB |.
Observe que o determinante mais a esquerda das igualdades acima e o determinante de uma combina c ao linear das linhas da matriz A 0 I B I A 0 I por conseq uente, |AB | = |A||B |. Exemplo: |A| = |M | = 1 2 4 3 1 2 4 3 = 5 |B | = 1 5 9 8 = 1 5 9 8 = 37. = 185 = (5)(37) = |A||B |. A 0 I B .
19 21 31 44
2.5
Agora vejamos como representar de forma matricial opera c oes que facilitam o c alculo de determinantes, tais como adicionar um m ultiplo de uma linha (coluna) a uma outra; multiplicar uma linha (coluna) por um escalar e trocar duas linhas (colunas) de posi c ao.
34
2.5.1
A opera c ao de combina c ao linear de linhas consiste em adicionar um m ultiplo de uma linha j a uma linha i de uma matriz A. Por exemplo, seja B a matriz obtida de A (abaixo) adicionando-se 1 4 A= 9 6 ` a primeira linha de A, sua segunda linha 21 15 11 2 0 1 7 4 3 2 1 3 2 1 , B = 9 0 1 5 0 1 5 6 0 9 8 0 9 8 multiplicada por 5: .
A opera c ao para obten c ao de B pode ser vista como uma pr e-multiplica c ao da matriz A pela matriz P12 (5) 1 0 P12 (5) = 0 0 abaixo, ou seja, B = P12 (5)A: 5 0 0 1 5 0 1 1 0 0 , e B = 0 0 0 1 0 0 0 1 0 0 0 1 0 4 3 0 0 9 0 1 6 0 1 7 2 1 . 1 5 9 8
0 0 1 0
Perceba que a matriz Pij () e obtida a partir da matriz identidade (com mesma ordem de A), trocando-se o elemento na posi c ao (i, j ) por . Se quis essemos adicionar ` a primeira linha de A, al em da sua segunda linha multiplicada por 5, sua terceira linha multiplicada por 2, bastaria tomar B = P12 (5)P13 (2)A (comprove como exerc cio). De forma an aloga, a opera c ao de combina c ao linear de colunas consiste em adicionar um m ultiplo de uma coluna j a uma coluna i de uma matriz A. Por exemplo, seja C a matriz obtida de A acima adicionando-se ` a segunda coluna de A, sua terceira coluna multiplicada por 1 0 1 4 3 2 A= 9 0 1 6 0 9 2: 7 1 5 8 1 2 4 7 C= 9 2 6 18 1 7 2 1 . 1 5 9 8
Quanto ` a opera c ao para obten c ao de C , essa pode ser vista como uma p osmultiplica c ao 1 0 4 3 C= 9 0 6 0 da matriz A pela matriz P32 (2) abaixo, ou seja, C = AP32 (2): 1 0 0 1 0 0 0 1 7 0 1 0 2 1 0 1 0 0 , com P32 (2) = 0 2 1 1 5 0 2 1 0 0 0 0 0 0 0 1 9 8 0 0 . 0 1
2.5.2
A opera c ao elementar de troca de linhas consiste em trocar duas linhas i e j de posi c ao de uma matriz A. Por exemplo, seja B a matriz obtida de A (abaixo) trocando-se a
35
linha: 1 2 , 1
4 3 2 B = 1 0 1 . 9 0 1
Essa opera c ao pode ser vista como uma pr e-multiplica c ao da matriz A pela matriz E12 abaixo, i.e. B = E12 A: E12 0 1 0 = 1 0 0 0 0 1 0 1 0 1 0 1 e B = 1 0 0 4 3 2 . 0 0 1 9 0 1
A matriz Eij e obtida a partir da matriz identidade I (com mesma ordem de A), trocando-se de posi c ao as linhas i e j de I . A opera c ao de troca de colunas consiste em trocar duas colunas i e j de posi c ao de uma matriz A. Por exemplo, seja C a matriz obtida de A (abaixo) trocando-se a primeira coluna de A pela segunda coluna: 1 0 1 0 1 1 A = 4 3 2 , C = 3 4 2 . 9 0 1 0 9 1 Essa opera c ao pode ser vista como uma p os-multiplica c ao da matriz A pela matriz E12 abaixo, i.e. C = AE12 : 1 0 1 0 1 0 C = 4 3 2 1 0 0 , 9 0 1 0 0 1 0 1 0 = 1 0 0 . 0 0 1
com
E12
2.5.3
Essa opera c ao consiste em multiplicar uma linha i (coluna j ) de uma matriz A por um escalar . Por exemplo, seja B a matriz obtida de A (abaixo) multiplicando-se a primeira linha de A por 5 e C a matriz obtida de A multiplicando-se a terceira coluna de A por 10: 1 0 1 A = 4 3 2 , 9 0 1 5 0 5 B = 4 3 2 , 9 0 1 1 0 10 C = 4 3 20 . 9 0 10
Essas opera c oes para obten c ao de B e C podem ser vistas, respectivamente, como uma pr e-multiplica c ao da matriz A pela matriz R33 (10) e como uma p os-multiplica c ao de A
36
0 0 1 1 0 4 0 1 9 0 1 1 3 2 0 0 1 0
0 1 3 2 . 0 1 0 0 1 0 . 0 10
A matriz Rii () e obtida a partir da matriz identidade I (com mesma ordem de A), trocando-se o i- esimo elemento da diagonal de I por . Todas essas matrizes elementares de opera c oes com linhas/colunas de uma matriz t em determinantes simples: |Pij ()| = 1, |Eij | = 1, e |Rii ()| = .
Deni c ao 26 Uma matriz B e equivalente a uma matriz A quando B puder ser obtida de A por uma seq u encia nita de opera c oes com matrizes elementares. B ser a equivalente por coluna a A se existir uma matriz Q de determinante n ao nulo, tal que B = AQ; e B ser a equivalente por linha a A se existir uma matriz P de determinante n ao nulo, tal que B = P A. Da deni c ao acima, podemos vericar que uma matriz B e equivalente a uma matriz A, se existirem matrizes P e Q de determinantes n ao nulos, tais que B = P AQ. Se existir uma matriz P de determinante n ao nulo tal que B = P AP , diremos que B e congruente a A.
2.5.4
As opera c oes elementares, quando empregadas com a expans ao de Laplace para determinantes, podem facilitar o c alculo do mesmo. Abaixo apresentamos um procedimento [7] para reduzir o c alculo de um determinante de ordem n de uma matriz quadrada A = (aij ) ao c alculo de um determinante de ordem n 1. Passos para a redu c ao da ordem de um determinante 1. Escolha um elemento aij = 1 ou, na falta deste, um aij = 0 como pivot. 2. Aplique opera c oes elementares para reduzir a zero todos os demais elementos da linha (coluna) contendo aij . 3. Expanda o determinante da matriz (usando cofatores) segundo a linha (coluna) cujo u nico elemento diferente de zero e o pivot aij .
37
Quando o pivot a ser escolhido for o elemento da posi c ao (1,1) do determinante, e o mesmo for igual a um (isso pode ser obtido por opera c oes elementares ou por transposi c ao), temos a conhecida regra de Chi o. Exemplo: 6 1 2 5 3 1 4 0 1 1 6 2 = 3 5 1 0 4 1 = 1 6 2 = P21 (3) 3 5 1 0 4 1 = (13)1 (7)4 = 15.
1 6 2 = 0 13 7 0 4 1
13 7 4 1
2.6
Exerc cios
7 7 , 0 0 1 1 1 1 2 3 4 5 4 9 16 25 8 27 64 125
1 3 0 0
ao geral para |aIn + bJn |, com In e Jn denidas como no 2. Encontre uma express cap tulo anterior. 3. Calcule o determinante de y y y x
x y y y
y x y y
y y x y
a verdade que |A B | = |A| |B |? 4. Ser 5. Encontre uma express ao para o determinante da uma matriz de Vandermonde: 1 1 1 x1 x2 xn 2 x2 x2 x2 n . 1 A= . . . .. . . . . . . . 1 n1 n1 xn x2 xn 1 Dica: Inicialmente adicione ` a uma dada linha (exceto ` a primeira), sua anterior multiplicada por x1 . O determinante procurado e dado por: (xj xi ).
1i<j n
38
a2 ij + |A|.
8. Seja D uma matriz diagonal, com D = diag (x1 , x2 , , xn ) e a matriz Jn . Prove que |J + D| = (
i=1 n n
xi )(1 +
i=1
1/xi ).
Dica: multiplique as colunas 1, 2 e 3 da matriz do lado esquerdo da igualdade por a, b e c respectivamente. Veja o que se obt em e depois use propriedades dos determinantes para chegar ao resultado desejado. 11. Mostre que: 1 1 1 bc ac ab b+c a+c a+b = (a b)(b c)(c a).
Cap tulo 3
Inversa de matriz
Neste cap tulo apresentamos a opera c ao inversa da multiplica c ao de matrizes. Guarde logo em mente que, por n ao existir a opera c ao de divis ao de matrizes, a inversa n ao funciona como a opera c ao de divis ao alg ebrica cl assica que conhecemos para, por exemplo, os n umeros reais.
3.1
Matriz inversa
Deni c ao 27 Inversa ` a esquerda. Diremos que uma matriz Amn tem inversa ` a esquerda, denotada por L (uma matriz de ordem n m), se: LA = In . 1 1 Exemplo [11]: seja a matriz A = 1 0 , observamos que L = 3 1 uma inversa ` a esquerda de A, pois: 1 1 1 3 1 1 0 = I2 . LA = 2 5 1 3 1
1 3 1 2 5 1
Observe que uma condi c ao necess aria para a exist encia de matriz inversa ` a esquerda de uma matriz Amn e que o n umero de linhas de A seja maior ou igual ao de colunas. Propriedade 22 Se n > m, ent ao a matriz Amn n ao tem inversa ` a esquerda. Prova: Se n > m, podemos particionar a matriz Amn em A = [Xm Ym nm ], com X quadrada. Supondo que A tenha inversa ` a esquerda, digamos Lnm , ent ao devemos ter Mm LA = In . Particionando L como L = , com M quadrada, temos: Nnm m M N [X Y ] = MX MY NX NY = I 0 0 I .
40
portanto M X = I , N X = 0 e N Y = I . Como M e X s ao quadradas, |M X | = |M ||X | = |I | = 1, logo |M | = 0 e |X | = 0. De N Y = I , vem que N = 0. Logo, de N X = 0, vem que existe uma linha/coluna de X que e combina c ao linear das outras. Portanto seu determinante deveria ser nulo, |X | = 0, que e uma contradi c ao. Deni c ao 28 Inversa ` a direita. Uma matriz Amn tem inversa ` a direita, denotada por R (uma matriz de ordem n m), se: AR = Im . Exemplo [11]: seja a matriz A = uma inversa ` a direita de A, pois: AR = 0 3 7 0 2 5 4 8 5 7 = I2 . 2 3 0 3 7 0 2 5 4 8 e , observamos que R = 5 7 2 3 2
Uma condi c ao necess aria para a exist encia de matriz inversa ` a direita de uma matriz Amn e que o n umero de linhas de A seja menor ou igual ao de colunas. Propriedade 23 Se n > m, ent ao a matriz Amn n ao tem inversa ` a direita. Prova: exerc cio. Deni c ao 29 Matriz invers vel. Diremos que uma matriz Amn e invers vel, ou tem inversa, se A tem inversa ` a direita e ` a esquerda simultaneamente. Da deni c ao de matriz inversa, podemos concluir que: vel: Propriedade 24 Propriedades da matriz invers 1. Toda matriz invers vel e quadrada. a esquerda e a inversa ` a direita de uma matriz invers vel s ao iguais e 2. A inversa ` denotadas por A1 . Prova: O primeiro item e evidente pelas condi c oes de exist encia das inversas ` a esquerda e ` a direita. Quanto ao segundo, sejam L e R as respectivas inversas ` a esquerda e ` a direita de uma matriz A quadrada. Ent ao LA = I e I = AR. P os multiplicando a
41
primeira igualdade por R e pr e-multiplicando a segunda igualdade por L, vem que LAR = R e L = LAR, logo L = R. 2 5 3 8 e A1 = 8 5 3 2 2 5 3 8 8 5 3 2
, ent ao:
= I2 .
8 5 3 2
= I2 .
3.1.1
Propriedades da inversa
No cap tulo 2, (propriedade 10), vimos que a matriz adjunta A n de uma dada matriz
An e tal que An A e uma inversa de A n = An An = |A|In . Logo An /|A|, quando |A| = 0,
por deni c ao e, mais ainda, mostraremos que ela eu nica. Propriedade 25 Propriedades da inversa A1 de uma matriz n ao singular A. 1. A1 = A eu nica e n ao singular, com |A1 | = 1/|A|. n /|A| e ela pr opria. 2. (A1 )1 = A, a inversa da inversa de A e a transposta da inversa: (A )1 = (A1 ) . 3. A inversa da transposta 4. Se a matriz A for sim etrica, ent ao o ser a A1 : se A = A ent ao A1 = (A1 ) . 5. A inversa do produto AB de duas matrizes invers veis A e B e o produto das inversas tomados na ordem reversa: (AB )1 = B 1 A1 . Prova: (1) Sejam por hip otese A e B duas inversas distintas de uma matriz C , i.e. A = B e AC = CA = I = BC = CB . Veja que dessas igualdades, temos ACB = IB = B e A = AI = ACB , logo A = B = ACB , contradizendo a hip otese que A e B s ao distintas; logo devemos ter A = B . Como A /|A| satisfaz ` a deni c ao de inversa, ent ao por ser u nica ela e a inversa de A. Do fato que AA1 = I decorre que |AA1 | = 1 = |A||A1 |; logo, por A ser n ao singular, vem que A1 tamb em o e. (2) Seja L a inversa de A1 . Logo LA1 = I e portanto p os-multiplicando ambos os lados da igualdade por A, temos LA1 A = IA. Dessa u ltima igualdade, usando o fato de que A1 A = I , obtemos LI = L = IA = A. (3) Tomando a transposta dos dois lados de A1 A = I , vem que
42
A (A1 ) = I e pr e-multiplicando ambos os lados dessa igualdade por (A )1 , vem que (A )1 A (A1 ) = (A )1 I ; logo (A1 ) = (A )1 . (4) Usando o item anterior e o fato de que A = A , ent ao de (A1 ) = (A )1 vem que (A1 ) = (A)1 . (5) Seja X a inversa de AB . Logo X (AB ) = I . P os multiplicando ambos os lados dessa igualdade por B 1 , caso exista, ent ao XABB 1 = IB 1 = B 1 e p os multiplicando agora ambos os lados dessa igualdade por A1 , caso exista, vem que XAA1 = X = B 1 A1 . Ent ao podemos determinar a inversa de uma matriz A n ao singular atrav es de sua adjunta. Por exemplo, seja: A= ent ao A1 = a11 a12 a21 a22 , A = a22 a12 a21 a11 e |A| = a11 a22 a21 a12 = 0,
3.1.2
Matriz diagonal
(Diag {d1 , d2 , , dn })1 = Diag {1/d1 , 1/d2 , , 1/dn }, di = 0, i. Exemplo: Seja a matriz A = 2 0 0 8 A1 = , ent ao: 1/2 0 0 1/8
Matriz E (vk ) = (e1 , e2 , , ek1 , vk , ek+1 , , en ) A inversa da matriz E (vk ) obtida da matriz identidade de ordem n substituindo-se o vetor coluna ek por vk e dada por: E 1 (vk ) = (e1 , e2 , , ek1 , yk , ek+1 , , en ), onde o vetor coluna yk e dado por: yk = (y1k /ykk , y2k /ykk , , yk1,k /ykk , +1/ykk , yk+1,k /ykk , , ynk /ykk ). Exemplo:
43
1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
a b c d e
0 0 0 0 1
1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0 0 0 1
Matriz A = aIn + bJn Sejam I a matriz identidade e J a matriz com todos os elementos iguais a um. Ent ao para a = 0 e a + nb = 0: A1 = Matriz ortogonal Seja P ortogonal. Ent ao, por deni c ao, temos P P = P P = I . Logo P = P 1 pela deni c ao de inversa. 1 b (In Jn ). a a + nb
3.1.3
Algumas simplica c oes envolvendo matrizes s o podem ser realizadas sob certas condi c oes, como descrevemos abaixo. 1. P K = QK P = Q, somente se existe K 1 . 2. R + RST = R(I + ST ) = R(T 1 + S )T , somente se existe T 1 . 3. I + X + X 2 + X n1 = (X n I )(X I )1 , somente se existe (X I )1 . Pois (I + X + X 2 + + X n1 )(X I ) = X n I . 4. (I + M 1 )1 = M (M + I )1 .
3.1.4
En En1 E2 E1 B , com En , En1 , , E2 , E1 sendo matrizes elementares de opera c oes com linhas aplicadas ` a matriz B . Se essa transforma c ao leva B na matriz identidade I , i.e. I = En En1 E2 E1 B , ent ao a mesma transforma c ao leva I em B 1 ; ou seja, B 1 = En En1 E2 E1 I . Essa e a base do m etodo de Gauss para a obten c ao da inversa de uma matriz B que exemplicamos no diagrama a seguir.
44
B I
E1 B E1 I
E2 E1 B E2 E1 I
En En1 E2 E1 B En En1 E2 E1 I
I B 1
No diagrama acima, cada opera c ao com as linhas de B tamb em e realizada com as linhas de I . Assim, o m etodo funciona como se z essemos opera c oes com as linhas da matriz particionada A = a A por linhas. No exemplo seguinte usaremos a nota c ao: (i) Li kLi para indicar que a linha i da matriz deve ser substitu da pela linha kLi , com k = 0; Li Li + kLj para indicar que a linha i deve ser substitu da pela linha Li + kLj , com k = 0; Li Lj para indicar que as linhas i e j devem trocar de posi c ao. 2 0 1 1 B I = at e obtermos a matriz A I B 1 equivalente
= at e obtermos A
2 0 10 1 1 0 1 1 1 0 1 0 1 1/2 1
L1 L2
1 1 0 1 2 0 10
L2 L2 2L1
1 1 0 1 0 2 1 2 B 1 =
L2 L2 /2
L1 L1 +L2
1 / 2 1 0 0 , 0 1 1/2 1
logo
1/2 0 1/2 1
3.2
interessante que o aluno compreenda o que seja um sistema linear a partir de uma E vis ao geom etrica do mesmo. Inicialmente, lembre-se que em Geometria um ponto e um ente abstrato que n ao tem medidas f sicas (massa, peso, volume, etc.), identicado apenas por sua localiza c ao (coordenada(s)) no espa co ao qual pertence. Por exemplo, no R2 (plano Euclidiano), um ponto e identicado por um par ordenado (abscissa, ordenada) nos eixos perpendiculares (x1 , x2 ). No R3 , um ponto e representado por tr es coordenadas (x1 , x2 , x3 ) em rela c ao aos eixos perpendiculares x1 , x2 e x3 . Outra no c ao fundamental e a de reta, lugar
45
geom etrico, que e um conjunto innito de pontos colineares (que se encontram sobre uma linha reta). Uma reta ca bem denida se conhecermos dois pontos distintos da mesma. No plano Euclidiano, denimos uma reta r como sendo o conjunto r = {(x1 , x2 ) | a1 x1 + a2 x2 = a0 }, com a0 , a1 , a2 constantes conhecidas. Na gura 3.1 mostramos algumas posi c oes relativas entre retas. Por exemplo, no item (i) temos uma reta que passa por dois pontos dados. No item (ii) vericamos a intersec c ao de duas retas em um u nico ponto. Em linguagem anal tica, saber se existe intersec c ao da reta r = {(x1 , x2 ) | a1 x1 + a2 x2 = a0 }, com a reta s = {(x1 , x2 ) | b1 x1 + b2 x2 = b0 }, equivale a vericar se existe um ponto ( x1 , x 2 ) que satisfa ca ` as duas equa c oes dessas retas simultaneamente. No item (iii) vericamos que as retas r e s n ao se interceptam, ou melhor, que elas s ao paralelas. Isso equivale a saber se existe um ponto ( x1 , x 2 ) que satisfa ca ` as equa c oes das retas r = {(x1 , x2 ) | a1 x1 + a2 x2 = a0 } e da reta s = {(x1 , x2 ) | a1 x1 + a2 x2 = a0 + c} simultaneamente, com c = 0 sendo uma constante conhecida. Nesse caso e evidente que n ao e poss vel essas retas se interceptarem. No item (iv) temos tr es retas que se interceptam em um u nico ponto. Um exemplo dessa situa c ao s ao as retas r = {(x1 , x2 ) | x1 + x2 = 0}, s = {(x1 , x2 ) | x1 + x2 = 2} e t = {(x1 , x2 ) | 0x1 + x2 = 1}, que se interceptam no ponto (1, 1). Veja que a reta t pode ser vista como a soma das equa c oes das retas r e s, logo e evidente que se um ponto satiszer r e s separadamente, vai automaticamente satisfazer t; ou seja, ela pode ser desprezada ou descartada face ` as duas outras. Dizemos nessa situa c ao que a reta t e redundante. J a em rela c ao ao item (v) observamos que as retas r, s e t s ao distintas e se interceptam duas a duas; por em elas n ao se interceptem em um u nico ponto. Em termos geom etricos, n ao h a rela c ao direta (um combina c ao linear) de uma reta com as duas outras. No item (vi) temos tr es retas coincidentes. Um exemplo dessa situa c ao s ao as retas r = {(x1 , x2 ) | x1 + x2 = 1}, s = {(x1 , x2 ) | 2x1 + 2x2 = 2} e t = {(x1 , x2 ) | 4x1 + 4x2 = 4}. Fica claro que tanto s quanto t s ao obtidas de r pela multiplica c ao de sua equa c ao por 2 e 4 respectivamente, portanto as duas retas s e t s ao redundantes. Nesse caso dizemos que a intersec c ao das tr es retas e a pr opria reta r. Ent ao todos os pontos de r satisfazem tamb em as equa c oes de s e t. Tenha em mente que para existir um ponto como intersec c ao de retas, e suciente a
46
exist encia de apenas duas retas distintas que se interceptem entre elas. Se mais de duas retas se interceptam em um mesmo ponto, duas delas devem ser levadas em conta e as demais, descartadas.
r r r s s (i) (ii) (iii)
s t s
r r=s=t
(iv)
(v)
(vi)
Figura 3.1: Posi c oes relativas entre retas. O mesmo racioc nio pode ser empregado para planos. Um plano no R3 e denido como sendo o conjunto P = {(x1 , x2 , x3 ) | a1 x1 + a2 x2 + a3 x3 = a0 }, com a0 , a1 , a2 , a3 constantes conhecidas. Na gura 3.2 mostramos algumas posi c oes relativas entre planos. Por exemplo, no item (i) da gura 3.2 temos dois planos e paralelos: = {(x1 , x2 , x3 ) | a1 x1 + a2 x2 + a3 x3 = a0 } e = {(x1 , x2 , x3 ) | a1 x1 + a2 x2 + a3 x3 = a0 + c}, com c = 0 constante. N ao h a nenhum ponto que possa satisfazer ` as duas equa c oes simultaneamente. No item (ii) da gura mostramos dois planos e que se interceptam em uma reta r (imagine um folha de papel atravessando uma outra). No item (iii) da gura temos uma vis ao de quatro planos , , e . Os planos , e podem ser vistos como as tr es faces de um cubo que se interceptam no ponto (v ertice) P . O plano corta esse cubo em uma pir amide de base triangular (parte tracejada da gura) e v ertice P . Observe que para determinarmos um ponto no R3 , como intersec c ao de planos, s ao necess arios tr es planos distintos que se interceptem em um u nico ponto. Se mais que tr es planos se interceptem em um u nico ponto, ent ao alguns deles s ao combina c oes lineares dos tr es que determinam o ponto. No espa co de dimens ao n, os conjuntos denidos por equa c oes lineares do tipo P = {(x1 , x2 , , xn ) | a1 x1 + a2 x2 + a3 x3 + + an xn = a0 }, com a0 , a1 , a2 , , an constantes
47
11 00 00 11 P
(i)
(ii) (iii)
Figura 3.2: Posi c oes relativas entre planos. s ao chamados hiperplanos. Para determinar um ponto no Rn precisamos da intersec c ao de exatamente n hiperplanos distintos que se interceptam nesse ponto. Essas id eias reetem de forma geom etrica o que ocorre na resolu c ao de sistemas de equa c oes lineares. O m etodo que vamos ver nada mais e que eliminar aquilo que for redundante em um sistema de equa c oes lineares (hiperplanos redundantes).
3.3
Um sistema linear com n inc ognitas e p equa c oes e representado por: a11 x1 + a12 x2 + + a1n xn a21 x1 + a22 x2 + + a2n xn . . . ap1 x1 + ap2 x2 + + apn xn As matrizes a11 a12 a21 a22 . . . . . . . . . ap1 ap2 a1n b1 a2n b2 . . . . . . apn bp e A= = = . . . b1 b2 . . .
M =
s ao denominadas de matriz completa e matriz incompleta do sistema, respectivamente. O sistema acima pode ser escrito em nota c ao matricial como Ax = b, onde x = (x1 , , xn ) e b = (b1 , , bp ). Uma n-upla s = (s1 , , sn ) e uma solu c ao para esse sistema se As = b.
3.3.1
Sistemas equivalentes
Diremos que um sistema S e equivalente a um sistema S se toda solu c ao de um for solu c ao do outro e vice-versa. Podemos vericar (a demonstra c ao ca como exerc cio) que S e S s ao equivalentes quando S for obtido de S atrav es das seguintes opera c oes:
48
1. Troca de posi c ao de duas linhas. Por exemplo: S= a11 x1 + a12 x2 = b1 a21 x1 + a22 x2 = b2 equivale a S = a21 x1 + a22 x2 = b2 a11 x1 + a12 x2 = b1
2. Troca de posi c ao de duas colunas. Por exemplo: S= a11 x1 + a12 x2 = b1 a21 x1 + a22 x2 = b2 equivale a S = a12 x2 + a11 x1 = b1 a22 x2 + a21 x1 = b2
3. Multiplica c ao (ou divis ao) de uma linha por uma constante k = 0. Por exemplo: S= a11 x1 + a12 x2 = b1 a21 x1 + a22 x2 = b2 equivale a S =
1 1 k a11 x1 + k a12 x2 ka21 x1 + ka22 x2 1 = k b1 = kb2
4. Adicionar a uma linha uma combina c ao linear de outras linhas do sistema. Por exemplo, o sistema S= equivale ao sistema S = (a11 + ka21 )x1 + (a12 + ka22 )x2 = (b1 + kb2 ) a21 x1 + a22 x2 = b2 a11 x1 + a12 x2 = b1 a21 x1 + a22 x2 = b2
Observamos que quando os sistemas S e S s ao equivalentes por transforma c oes elementares, como as vistas acima, as matrizes completas dos dois sistemas tamb em s ao equivalentes. Por exemplo, dado o sistema: S= de matriz completa dada por M= 2 3 5 , 1 1 2 2x1 + 3x2 = 5 x1 x2 = 2
3.3.2
M etodo de Gauss
Podemos aplicar a t ecnica de Gauss para o c alculo da inversa de uma matriz na resolu c ao de sistemas de equa c oes lineares. A id eia do m etodo e eliminar todas as restri c oes (hiperplanos) redundantes do sistema, obtendo um sistema equivalente de f acil resolu c ao. Lembre-se que uma solu c ao de um sistema e a intersec c ao de um certo n umero
49
de hiperplanos. Se o n umero de vari aveis do sistema (dimens ao dos hiperplanos) for n, ent ao o sistema equivalente resultante, obtido por opera c oes elementares com as linhas da matriz completa do sistema original, dever a ter no m aximo n linhas n ao nulas. Ap os eliminar (zerar) as linhas redundantes de um sistema linear, pode ocorrer tr es situa c oes: 1. O sistema n ao tem solu c ao ( e imposs vel). Nesse caso, a matriz completa do sistema equivalente ter a no m aximo n linhas e apresenta uma linha (k- esima linha) do tipo: 0 0 0 sk ,
com sk = 0, o que equivale ` a equa c ao 0x1 + 0x2 + + 0xn = sk que e um absurdo, pois o lado esquerdo dessa equa c ao e zero, enquanto o lado direito n ao o e. Exemplo: dado o sistema = 1 x1 x2 2x1 2x2 = 3 S= x1 x2 = 4 obtemos a matriz completa abaixo, para a qual aplicamos as seguintes opera c oes elementares: 1 1 1 1 1 1 1 1 1 L2 2L1 3 L1 3L2 2 2 3 L2 0 0 1 L3 L 0 0 1 1 1 4 1 1 4 0 0 0 logo o sistema e imposs vel, pois a restri c ao 0x1 + 0x2 = 1 n ao pode ser satisfeita. 2. O sistema tem solu c ao u nica (determinado). Nesse caso, a matriz completa do sistema equivalente ter a exatamente n linhas n ao nulas e poder a ser colocada na forma particionada (In s). Logo o sistema equivalente e dado por Ix = s, que e de f acil resolu c ao; ou seja, sua solu c ao e x = s. Exemplo: dado o sistema = 1 x1 x2 2x1 2x2 = 2 S= x1 + x2 = 3 obtemos a representa c ao matricial abaixo com as seguintes opera c oes elementares: 1 1 1 1 1 1 1 1 1 L3 /2 L2 2L1 L3 L1 2 2 2 L2 0 0 0 L3 0 0 0 L3 1 1 3 1 1 3 0 2 2
o de sistemas lineares 3.3 Resoluc a 1 1 1 1 0 2 L1 +L3 0 0 0 L1 0 0 0 0 1 1 0 1 1 logo o sistema tem duas restri c oes n ao nulas e sua solu c ao e (x1 , x2 ) = (2, 1).
50
3. O sistema tem innitas solu c oes (indeterminado). Nesse caso, a matriz completa do sistema equivalente ter a p < n linhas e poder a ser colocada na forma particionada (Ip Nnp s). Logo, fazendo x = (xI xN ), o sistema equivalente ser a dado por IxI + N xN = s ou, equivalentemente, xI = s N xN . Ent ao, para cada atribui c ao de valores arbitr arios ` as vari aveis xN , o que pode ser feito de innitas maneiras distintas, teremos um conjunto de valores para ` as vari aveis xI . Por isso o sistema tem innitas solu c oes. Exemplo: dado o sistema x1 + x2 + x3 + x4 2x1 + x2 x3 + 3x4 S= 2x1 + 2x2 + 2x3 + 2x4 3x1 + 2x2 + 4x4 = = = = 5 8 10 13
obtemos a representa c ao matricial abaixo com as seguintes opera c oes elementares: 1 1 1 1 5 1 1 1 1 5 2 1 1 3 8 L2 L2 2L1 0 1 3 1 2 L3 L3 2L1 2 2 2 2 10 2 2 2 2 10 3 2 0 4 13 3 2 0 4 13 1 1 1 0 1 3 0 0 0 3 2 0 1 0 0 0 1 5 1 1 2 L4 L4 3L1 L2 0 0 0 0 4 13 0 1 1 1 1 5 1 3 1 2 L L L 1 2 0 1 0 0 0 0 0 0 0 0 0 0 1 1 1 3 0 0 0 0 0 1 0 0 1 5 1 2 L2 L2 0 0 0 0 2 2 3 3 1 2 0 0 0 0 0 0
logo, para cada valor atribu do a (x3 , x4 ), teremos um valor para (x1 , x2 ), ou seja, o sistema tem innitas solu c oes.
51
3.3.3
Regra de Cramer
Quando um sistema linear tiver n equa c oes e n inc ognitas poderemos saber se o mesmo tem solu c ao u nica a partir do determinante da matriz incompleta do sistema. Propriedade 26 O sistema Ax = b dado por: a11 x1 + a12 x2 + + a1n xn a21 x1 + a22 x2 + + a2n xn . . . an1 x1 + an2 x2 + + ann xn
= = . . .
b1 b2 . . .
= bn
ter a solu ca o u nica se det(A) = 0, onde A e a matriz incompleta do sistema. Al em disso, temos: |A(i)| , |A| a1n a2n ; . . . ann
xi =
onde
a12 a22 . . .
.. .
a1,i1 a2,i1 . . .
b1 b2 . . .
an1 an2
an,i1 bn
ou seja, A(i) e a matriz obtida de A trocando-se a coluna i de A pelo vetor coluna b. Prova: faremos a demonstra c ao [1] para o caso n = 3. O caso geral segue a mesma id eia. Seja o sistema: a11 x1 + a12 x2 + a13 x3 = b1 a21 x1 + a22 x2 + a23 x3 = b2 a31 x1 + a32 x2 + a33 xn = b3
multiplicando a primeira equa c ao pelo cofator do elemento a11 , a segunda pelo cofator do elemento a21 e a terceira equa c ao pelo cofator do elemento a31 , obtemos: c11 a11 x1 + c11 a12 x2 + c11 a13 x3 = c11 b1 c21 a21 x1 + c21 a22 x2 + c21 a23 x3 = c21 b2 c31 a31 x1 + c31 a32 x2 + c31 a33 xn = c21 b2 e somando as tr es equa c oes, obtemos (c11 a11 + c21 a21 + c31 a31 )x1 + (c11 a12 + c21 a22 + c31 a32 )x2 + (c11 a13 + c21 a23 + c31 a33 )x3 = c11 b1 + c21 b2 + c21 b2 . Como (c11 a12 + c21 a22 + c31 a32 ) = 0 e (c11 a13 + c21 a23 + c31 a33 ) = 0, pois ambos os termos correspondem a soma do produto dos elementos de uma coluna de A pelos cofatores correspondentes de outra coluna, ent ao obtemos: (c11 a11 + c21 a21 + c31 a31 )x1 = c11 b1 + c21 b2 + c21 b2 . Como (c11 a11 + c21 a21 + c31 a31 ) = |A| e c11 b1 + c21 b2 + c21 b2 corresponde ao determinante de A(1), ent ao: x1 = |A(1)| . |A|
52
Aplicando o mesmo racioc nio, usando os cofatores associados ` as colunas 2 e 3 de A, respectivamente, podemos mostrar que x2 = |A(2)| , |A| e x3 = |A(3)| . |A| 2 Exemplo: seja o sistema: x1 + x2 = 5 2x1 x2 = 1 temos as seguintes matrizes: A= 1 1 , 2 1 A(1) = 5 1 , 1 1 A(2) = 1 5 ; 2 1
3.4
Exerc cios
a inversa das seguintes matrizes: 1 0 1 7 0 0 1 7 0 0 3 7 4 3 2 1 , 5 9 0 0 9 0 1 5 6 0 9 8 2 6 0 0 , 0 0 a a
1. Determine, se existir, 1 0 1 4 3 2 , 9 0 1
1 0 0 0
a 1 0 0
0 a 1 0
2. Mostre como encontrar a inversa da matriz aIn + bJn . 3. Ser a verdade que vale a igualdade (A B )1 = A1 B 1 ? 4. Ser a verdade que I + A e n ao singular se |A| > 0? 5. Calcule a inversa da matriz: 1 1 1 ac ab . A = bc b+c a+c a+b 6. Seja An uma matriz quadrada e x uma vari avel desconhecida. O determinante da matriz A xI e um polin omio (equa ca o caracter stica ) p(x) em x de grau n dado por uma express ao do tipo p(x) = a0 xn + a1 xn1 + + an x0 . Mostre que toda matriz quadrada A satisfaz sua pr opria equa c ao caracter stica e explique como ela 2 4 pode ser usada para determinar a inversa de A. Aplique ` a matriz A = . 1 1
53
8. Seja S uma matriz cujos todos elementos n ao pertencentes ` a sua diagonal secund aria s ao nulos. Seja Sec(S ) = {s1 , s2 , , sn } sua diagonal secund aria. Encontre a inversa de S e diga o que e necess ario ocorrer para que ela exista. 9. Desenvolva um m etodo para encontrar a inversa a b inferior ou superior. Aplique ` a matriz A = 0 d 0 0 10. Dado o sistema de uma matriz An triangular c e . f
forne ca sua representa c ao matricial e verique se s = (3, 1, 1) e t = (3, 1, 2) s ao solu c oes do mesmo. Se o forem, o que podemos dizer de u = s + (1 )t, para todo 0 1? 11. Resolva o sistema 2/x1 4/x2 + 9/x3 = 28 7/x1 + 3/x2 6/x3 = 1 7/x1 + 9/x2 9/x3 = 5
e diga se o mesmo e linear. Calcule a inversa da matriz incompleta desse sistema, se existir, e multiplique-a pelo vetor coluna do lado direito da equa c ao do sistema. Existe rela c ao entre o resultado obtido e a solu c ao do sistema? 12. Suponha que o sistema linear Ax = b, com n m e Amn sendo uma matriz sem linhas redundantes, tenha innitas solu c oes. Seja B uma matriz invers vel formada por m colunas de A. Descreva uma maneira simples de obter algumas dessas solu c oes em fun c ao de B . 13. Seja o sistema linear Ax = 0, com n m e Amn sendo uma matriz real qualquer. Veja que sistemas desse tipo, denominados homog eneos, t em sempre uma solu c ao trivial, a nula. O que deve ocorrer para que um sistema homog eneo tenha (i) uma u nica solu c ao? (ii) innitas solu c oes? Mostre um exemplo de cada caso. 14. Resolva o sistema 2x1 + x2 2x3 + 3x4 = 1 3x1 + 2x2 x3 + 2x4 = 4 x1 + x2 + x3 x4 = 1/5
Cap tulo 4
4.1
Combina c ao linear
Dados n vetores de mesma ordem {x1 , x2 , , xn } e escalares {a1 , a2 , , an }, denominamos de combina c ao linear desses vetores ao vetor: x = a1 x1 + a2 x2 + + an xn . Por exemplo, sejam: 1 1 x = 2 , 3 0 x2 = 1 , 1 4 x3 = 2 ; 3
ent ao uma combina c ao linear desses tr es vetores e x = 2x1 + 3x2 x3 : 1 0 4 2 0 4 2 x = 2 2 + 3 1 2 = 4 + 3 + 2 = 5 . 3 1 3 6 3 3 6 Observe que qualquer combina c ao desses vetores e dada por x = a1 x1 + a2 x2 + a3 x3 , que em nota c ao matricial e representada por: a1 1 0 4 0 4 1a1 + 0a2 + 4a3 1 2 a2 = Xa, x = a1 2+a2 1 +a3 2 = 2a1 + 1a2 + 2a3 = 2 1 a3 3 1 3 1 3 3a1 1a2 3a3 3 onde X e a matriz formada pelos vetores coluna xi e a e o vetor coluna formado pelos ai , ou seja: X = x1 x2 x3 , a = (a1 , a2 , a3 ).
55
ai xi = Xa.
Note que: e uma combina c ao linear das colunas de X . 1. o vetor coluna Xa 2. o vetor linha a X e uma combina c ao linear das linhas de X . 3. a matriz AB e tal que: ao combina c oes lineares das linhas de B ; suas linhas s ao combina c oes lineares das colunas de A; suas colunas s
4.2
Dado o conjunto de vetores {x1 , x2 , , xn }, com xi = 0 para todo i, diremos que o vetor x e linearmente dependente (LD) (desses vetores) se existirem escalares {a1 , a2 , , an }, nem todos nulos, tais que: x = a1 x1 + a2 x2 + + an xn = Xa. Por exemplo, sejam os vetores: x1 = 3 1 1 , 2 x2 = 4 ; 6
= a1
1 4 + a2 2 6
que tem por solu c ao (a1 , a2 ) = (1, 1/2). Alternativamente, se existir um vetor n ao nulo a tal que Xa = 0, diremos que as colunas de X s ao linearmente dependentes. Observe que n ao faz sentido trabalhar com o vetor nulo como membro de um conjunto de vetores quando pretendermos saber se esse conjunto e formado de vetores linearmente dependentes [Por qu e?].
56
Quando n ao existir um vetor n ao nulo a tal que Xa = 0, diremos que as colunas de X s ao linearmente independentes (LI). Por exemplo, seja o conjunto de vetores: x1 = 1 , 2 x2 = 3 ; 4
observamos que n ao existe a = (a1 , a2 ) = 0 tal que a1 x1 + a2 x2 = 0; ou seja, a u nica solu c ao para o sistema linear resultante: a1 x1 + a2 x2 = a1 1 3 + a2 2 4 = 0 ; 0
e a solu c ao (a1 , a2 ) = (0, 0). Nesse caso, diremos que o conjunto de vetores formado pelas colunas da matriz X = (x1 x2 ) e LI. Existe uma maneira simples de saber se um conjunto de n vetores {x1 , x2 , , xn } de ordem n e LD ou LI. Basta calcular o determinante da matriz Xn = (x1 x2 xn ): Se |X | = 0, ent ao o conjunto {x1 , x2 , , xn } e LD; Se |X | = 0, ent ao {x1 , x2 , , xn } e LI; Por exemplo, sejam as matrizes: X1 = 1 2 , 2 4 |X 1| = 0; X2 = 1 3 , 2 1 |X 2| = 7;
temos que X 1 tem vetores colunas LD, enquanto X 2 tem vetores colunas LI. Veja que uma matriz singular X tem seu conjunto de vetores colunas LD; enquanto que se X for n ao singular (invers vel), ent ao X tem seu conjunto de vetores colunas LI. Propriedade 27 Seja {x1 , x2 , , xn } um conjunto de vetores LI de ordem n. Ent ao qualquer outro vetor v de ordem n e uma combina c ao linear desses vetores, ou seja, existe um vetor a = (a1 , , an ) tal que: v = a1 x1 + a2 x2 + + an xn = Xa. Prova: Como {x1 , x2 , , xn } e LI, ent ao existe X 1 . Logo basta tomar a = X 1 v . Propriedade 28 Todo conjunto de vetores LI de ordem n n ao pode conter mais que n desses vetores. Prova: Seja {x1 , x2 , , xn } um conjunto de n vetores LI de ordem n. Logo
|Xn | = |(x1 x2 xn )| = 0 e existe X 1 . Seja xn+1 um vetor n ao nulo qualquer de ordem n. Vamos mostrar que o conjunto {x1 , x2 , , xn , xn+1 } e LD; ou seja, que existem
4.3 Posto
57
{a1 , a2 , , an , an+1 }, nem todos nulos, tais que 0 = a1 x1 + a2 x2 + + an xn + an+1 xn+1 . Para tanto, basta fazer an+1 xn+1 = (a1 x1 + a2 x2 + + an xn ) = Xa, com a = (a1 , a2 , , an ). Logo, basta atribuir um valor n ao nulo para an+1 e tomar os demais coecientes da combina c ao linear, representados pelo vetor a, como sendo a = an+1 X 1 xn+1 . Exemplo: Os vetores x1 = x3 = 1 0 e x2 = 0 1 2 s ao LI; por em, os tr es vetores x1 , x2 e
b n ao nulo s ao LD; pois existem a1 , a2 e a3 nem todos nulos tais que a1 x1 + c a2 x2 + a3 x3 = 0. Basta tomar (a1 , a2 , a3 ) = (b, c, 1). Uma quest ao interessante e saber quantas linhas/colunas de uma matriz singular s ao LI. O resultado que segue responde a essa pergunta. Propriedade 29 O n umero de vetores linha LI em uma matriz Apq e igual ao n umero de vetores colunas LI dessa matriz. Prova [11]: Suponha que Apq tenha k linhas LI e m colunas LI. Vamos mostrar que k = m. Sem perda de generalidade, assuma que as primeiras k linhas de A s ao LI e que as primeiras m colunas de A s ao LI. Ent ao A pode ser particionada em: Apq = X Y Z W = Xkm Ykqm . Zpkm Wpkqm
X s ao LI. Ent ao Z as linhas da submatriz Z W s ao combina c oes lineares das primeiras k linhas de A. Logo as k linhas da submatriz X Y e as m colunas da submatriz Em particular, as linhas de Z s ao combina c oes lineares das linhas de X ; logo existe uma matriz T tal que Z = T X . Note que as colunas de X n ao podem ser LD. Pois, se o fossem, existiria um vetor a n ao nulo tal que Xa = 0. Ent ao, de Z = T X , ter amos X Za = T Xa = 0. Isso implicaria que a = 0, para algum a = 0. Por conseq uente, as Z X colunas de seriam LD, contradizendo a suposi c ao de que as primeiras m colunas Z de A s ao LI. Conclu mos que as m colunas de X , de ordem k , s ao LI. Logo, pela propriedade 28, m k . Analogamente, aplicando o mesmo racioc nio para a matriz A , podemos mostrar que k m, concluindo a prova de que m = k . 2
4.3
Posto
4.3 Posto
58
notado por r(A) ou rA , como sendo o n umero de linhas/colunas linearmente independentes dessa matriz. Exemplo: A matriz 1 2 3 A = 4 5 6 , 2 4 6
tem posto r(A) = 2, pois as duas primeiras linhas s ao LI, enquanto a terceira e m ultiplo da primeira. Deni c ao 31 Dada uma matriz Amn , diremos que A e posto coluna completo se r(Amn ) = n < m. Por outro lado, se r(Amn ) = m < n, ent ao A e uma matriz de posto linha completo. Se a matriz A for quadrada de ordem n e se r(An ) = n, ent ao A e posto completo. Perceba que se o posto de uma matriz e k , ent ao existe um subconjunto de k linhas que s ao LI. Esse subconjunto de linhas pode n ao ser u nico. Uma conven c ao sobre posto e que para a matriz nula, seu posto e denido como sendo igual a zero e em todos os outros casos o posto e um inteiro positivo.
4.3.1
Propriedades de posto
Algumas observa c oes sobre posto s ao importantes, tais como: 1. O posto de uma matriz Amn e igual ` a ordem da maior submatriz de A de determinante n ao nulo. 2. r(Amn ) min{m, n}. equivalente a A 3. Se rA = r > 0, ent ao existe (pela propriedade 29) uma matriz A que pode ser particionada como: mn = A Xrr Yrnr , Zmrr Wmrnr
com X invers vel. Como conseq u encia, se r(An ) < n, ent ao a matriz A n ao tem inversa. 4. O posto de uma matriz n ao se altera se permutarmos duas linhas/colunas dessa matriz. Como conseq u encia, multiplicando uma matriz A por uma matriz permutacional (matrizes do tipo Eij ) Q ou P n ao altera seu posto, i.e. r(AQ) = r(P A) = r(A).
4.3 Posto
59
Propriedade 30 O posto do produto AB . r(AB ) min{r(A), r(B )}. Prova: Para r(A) = r, existem P e Q matrizes n ao singulares tais que: P AQ = Ir 0 0 0 = C;
logo P A = Q1 B =
T , teremos S P AB = Ir 0 Q1 B = 0 0 Ir 0 0 0 T S = T 0 .
T r = r(A), pois T tem r linhas. De forma semel0 hante, podemos mostrar que r(AB ) r(B ), logo o resultado segue. 2 Propriedade 31 Se AGA = A, ent ao r(GA) = r(A).
Prova: r((AGA)) = r(A) = r((A)(GA)) r(GA) pela propriedade 30; ou seja r(A) r(GA). Como G(AGA) = G(A) = (GA)(GA), ent ao r((GA)(GA)) = r(G(AGA)) = r(GA) r(AGA) = r(A). Logo r(GA) r(A), levando ` a igualdade r(GA) = r(A). Propriedade 32 r G A r(G) + r(A). Prova: evidente. Propriedade 33 r(G + A) r(G) + r(A). Prova: r(G + A) = r[ G A I ] r G A r(G) + r(A). I 2 2
Propriedade 34 Dada uma matriz quadrada An : r(AB ) r(A) + r(B ) n. Prova: veja que r I A 0 I A 0 I B =r 0n AB In B ,
4.3 Posto I A 0 I
60
e que a matriz
A 0 0n AB . Al em disso, o posto da matriz e I B In B menor ou igual a n + r(AB ) pela propriedade 32. Note tamb em que o posto da matriz An 0 An 0 e sempre maior ou igual ao posto da matriz que e igual r(A)+r(B ) In B 0n B [Por qu e?]. Logo, segue que r(A) + r(B ) n + r(AB ). 2 Propriedade 35 Dada uma matriz idempotente Mn : r(I M ) = n r(M ).
Prova: Fazendo I = (I M ) + M , pela propriedade 33 temos n = r(I ) r(I M ) + r(M ). Por outro lado, por ser idempotente, M (I M ) = 0; logo pela propriedade 34 temos r(0) r(I M ) + r(M ) n. Combinando essas duas desigualdades, obt em-se o resultado esperado. 2
4.3.2
Anteriormente mencionamos que quando trocamos duas linhas/colunas de posi c ao, n ao alteramos o posto de uma matriz; o que e v alido para qualquer opera c ao elementar que zermos com ela atrav es de matrizes do tipo Eij , Rii (), e Pij (), todas n ao singulares, introduzidas no cap tulo 2. Dessa forma, quando uma matriz A e multiplicada por matrizes de operadores elementares, por exemplo B = P AQ, com P e Q sendo matrizes elementares, obtemos uma matriz B cujo posto e igual ao posto de A. Uma forma de encontrar o posto r(A) = r de uma matriz A e fazer opera c oes elementares com as linhas/colunas dessa matriz de forma que as primeiras r linhas/colunas da matriz equivalente a A sejam LI; e tornar nulas as demais linhas/colunas linearmente dependentes da matriz equivalente. O procedimento para calcular o posto de uma matriz A retangular ou quadrada e feito do seguinte modo. Dena os elementos a11 , a22 , a33 , como diagonais e o procedimento a ser feito e, a partir de opera c oes elementares com linhas de A, reduzir a zero todos os elementos sub-diagonais da primeira coluna (baseando-se no elemento a11 = 0 da primeira linha); depois reduzimos a zero todos os elementos sub-diagonais da segunda coluna (baseando-se no elemento a22 = 0 da segunda linha); e seguimos dessa forma at e que todos os elementos abaixo dos elementos diagonais se tornem iguais a
61
zero. O posto da matriz e igual ao n umero de linhas n ao nulas que sobram ao nal do procedimento. 1 2 3 Por exemplo, seja a matriz A = 2 4 6, percebemos 0 5 6 dobro da primeira. Logo, a matriz: 1 0 0 1 2 3 1 P21 (2)A = 2 1 0 2 4 6 = 0 0 0 1 0 5 6 0
2 3 0 0 5 6
tem o mesmo posto de A. Se trocarmos de posi c ao a segunda com a terceira linhas dessa nova matriz, realizando a opera c ao E23 (P21 (2)A), obtemos a matriz equivalente 1 2 3 E23 P21 (2)A = 0 5 6 . 0 0 0 Essa matriz se encontra na forma desejada, pois as duas primeiras linhas/colunas s ao LI e todas as demais linhas abaixo delas s ao nulas. Logo seu posto e igual a dois.
4.4
X Y , com Xr invers vel. Fatorar A Z W em posto completo e expressar a matriz A como sendo o produto de uma matriz K de Seja A uma matriz de posto r na forma A = posto coluna completo por uma matriz L de posto linha completo, ou seja, encontrar K e L tais que A = KL. Para tanto, procederemos como segue. Considerando que as primeiras r linhas representadas pela submatriz (X Y ) s ao as linhas LI de A, ent ao existe uma matriz F tal que: (Z W ) = F (X Y ). Pelo mesmo racioc nio, agora aplicado ` as colunas de A, deve existir uma matriz H tal que: Y W = X H. Z
Das express oes acima, conclu mos que Z = F X , W = F Y e Y = XH . Portanto, W = F Y = F XH e ent ao: A= X Y Z W = X XH F X F XH = I F X I H = X FX I H = I F X XH .
62
Como X e invers vel, podemos determinar as matrizes F e H como sendo F = ZX 1 e H = X 1 Y . Observe que na express ao anterior, os produtos: X FX I H = I F X XH
s ao do tipo KL, com K sendo uma matriz de posto coluna completo e L, de posto linha completo. Esse produto e chamado fatora c ao em posto completo da matriz A. Exemplo: A matriz do exemplo anterior 1 2 3 A = 0 5 6 , 2 4 6 de posto r(A) = 2, pode ser fatorada da seguinte forma: I2 A= 1 2 (2 4) 0 5
1
1 2 0 5
I2
1 2 0 5
3 6
1 0 3/5 0 1 6/5
1 0 1 2 3 = 0 1 0 5 6 2 0
Nem sempre a matriz que queremos fatorar em posto completo se encontra na forma X Y desejada acima, ou seja, no formato A = . Nesse caso, podemos encontrar Z W uma matriz equivalente a A, digamos P AQ, com P e Q matrizes permutacionais, tal X Y que P AQ = . Assim, podemos determinar a fatora c ao em posto completo de Z W P AQ, ou seja, encontrando uma matriz posto coluna completo K e uma matriz posto linha completo L, tal que P AQ = KL. Portanto, para encontrar a fatora c ao em posto completo de A basta notar que: L, P AQ = KL A = (P 1 K )(LQ1 ) = K = P 1 K e L = LQ1 . com K
63
4.5
Assim como zemos opera c oes elementares com linhas de uma matriz A para reduzir a zero os elementos abaixo da diagonal a11 , a22 , a33 , , podemos fazer opera c oes elementares com colunas dessa matriz para reduzir a zero os elementos acima dessa 1 2 3 diagonal. Por exemplo, dada a matriz A = 2 4 6, temos que a matriz obtida de 0 5 6 A da seguinte maneira 1 2 3 E23 P21 (2)A = 0 5 6 , 0 0 0 tem o mesmo posto da matriz E23 P21 (2)AP12 (2)P13 (3), que equivale a adicionar ` a segunda e terceira colunas dessa matriz, a primeira coluna multiplicada respectivamente por (-2) e (-3), ou seja: 1 0 0 E23 P21 (2)AP12 (2)P13 (3) = 0 5 6 , 0 0 0 e, adicionando-se ` a terceira coluna a segunda coluna dessa matriz multiplicada por (6/5), o que equivale a p os multiplic a-la por P23 (6/5), obtemos: 1 0 0 E23 P21 (2)AP12 (2)P13 (3)P23 (6/5) = 0 5 0 ; 0 0 0 nalmente, multiplicando a segunda coluna por (1/5), o que equivale a p os multiplicar a matriz anterior por R22 (1/5), obtemos a matriz C equivalente a A por linhas/colunas: 1 0 0 E23 P21 (2)AP12 (2)P13 (3)P23 (6/5)R22 (1/5) = 0 1 0 . 0 0 0 Observe que ap os realizar as opera c oes acima, a matriz equivalente obtida C , digamos P AQ = C , com P = E23 P21 (2) e Q = P12 (2)P13 (3)P23 (6/5)R22 (1/5) n ao singulares, cou particionada na forma: P AQ = Ir 0 0 0 = C,
onde Ir e a matriz identidade de ordem r, igual ao posto de A, e as submatrizes nulas s ao de ordem apropriada de forma a tornar C de mesma ordem de A. A express ao acima e denominada forma can onica equivalente de uma matriz.
64
Ent ao, para obter a forma can onica equivalente de uma matriz, basta realizar opera c oes elementares com linhas/colunas de uma matriz a m de encontrar uma matriz equivalente que tenha a forma particionada acima. Perceba que dependendo da maneira como as opera c oes elementares sejam feitas, podemos obter diferentes matrizes P e Q tais que C = P AQ.
4.5.1
Inicialmente, lembre-se que quando pr e-multiplicamos uma matriz A por uma matriz de operadores elementares E , estamos realizando um conjunto de opera c oes elementares com as linhas dessa matriz. Em se tratando de uma matriz sim etrica, quando p osmultiplicamos A por E , a transposta de E , estamos fazendo o mesmo conjunto de opera c oes elementares com as colunas dessa matriz. Essa observa c ao e importante para diagonalizar uma matriz sim etrica, que constitui o primeiro passo para encontrar sua forma can onica equivalente. Para tanto, aplicaremos as mesmas opera c oes P que zermos ` as linhas da matriz A, ` as suas colunas, de forma que a matriz equivalente resultante possa ser expressa como P AP , que e uma matriz diagonal do tipo: P AP = Dr 0 , 0 0
com r = r(A) e Dr sendo uma matriz diagonal de r elementos n ao nulos. A express ao acima e chamada de forma diagonal de uma matriz sim etrica. Podemos mostrar que para qualquer matriz sim etrica existe uma matriz n ao singular P que verica a igualdade acima. Observe que a matriz D da forma diagonal n ao precisar ser igual ` a matriz identidade. Lembre-se que para determinar a matriz P , as mesmas opera c oes que devem ser realizadas com as linhas de A, tamb em devem ser realizadas obrigatoriamente com suas colunas. 1 2 Exemplo: Para diagonalizar a matriz 2 4 3 5 tos abaixo do primeiro elemento da diagonal 3 5, inicialmente vamos zerar os elemen7 principal realizando a seguinte seq u encia
de opera c oes: L2 L2 2L1 e L3 L3 3L1 , o que equivale a pr e-multiplicar a matriz A por uma matriz P equivalente ` a matriz identidade, onde efetuamos exatamente as mesmas opera c oes elementares que para a matriz A, ou seja, pr e-multiplicamos A pela
65
matriz:
1 0 0 P = 2 1 0 3 0 1
para obter a matriz equivalente 1 0 0 1 2 3 1 2 3 2 1 0 2 4 5 = 0 0 1 ; 3 0 1 3 5 7 0 1 2 e empregando as mesmas opera c oes 1 0 0 1 2 2 1 0 2 4 3 0 1 3 5 nas colunas dessa u ltima 3 1 0 0 1 5 2 1 0 = 0 7 3 0 1 0 matriz, temos 0 0 0 1 ; 1 2
perceba que a matriz obtida e sempre sim etrica. Agora, em busca de zerar os elementos abaixo da diagonal principal, temos a tend encia de trocar de posi c ao a segunda e terceira linhas dessa u ltima matriz; por em, para restabelecer a simetria, devemos trocar de posi c ao a segunda e 1 3 2 terceira colunas da matriz resultante, obtendo assim a matriz 0 0 1 2 3 1 0 0 1 0 0 0 1 2 4 5 3 0 1 = 0 2 1 , 1 0 3 5 7 2 1 0 0 1 0
que continua com elementos n ao nulos abaixo da diagonal principal. Devemos zerar os elementos abaixo do segundo elemento dessa diagonal, logo vamos multiplicar a segunda linha por (1/2) e adicion a-la ` a terceira, sendo que o mesmo deve ser feito com as colunas da matriz obtida, ou seja 1 0 0 1 2 3 1 0 0 1 0 0 3 0 1 2 4 5 3 0 1 = 0 2 0 , 1/2 1 1/2 3 5 7 1/2 1 1/2 0 0 1/2 que e a forma diagonal procurada. Uma vez obtida essa forma diagonal P AP , para obtermos a forma can onica de uma matriz sim etrica basta denir a matriz R= com
1 Dr 0 P, 0 I
1 Dr sendo uma matriz diagonal de elementos iguais aos inversos das ra zes quadradas dos elementos n ao nulos de Dr , digamos 1/ dii , e I sendo uma matriz iden-
tidade de ordem adequada para que a p os-multiplica c ao por P possa ser efetuada. Note que RAR = Ir 0 . 0 0
66
Para o exemplo anterior, ter amos 1/ 1 0 0 1 0 0 1/ 2 0 3 0 1 , R= 0 1/2 1 1/2 0 0 1/ 1/2 que e uma matriz complexa. Note tamb em que a decomposi c ao em posto completo Ir 0 de matrizes sim etricas e obtida diretamente da express ao RAR = ; pois, 0 0 nesse caso, temos que I 0 A = R1 r (R1 ) . 0 0 Como podemos particionar R1 = K W , com K sendo uma matriz posto coluna completo (possuindo r colunas LI). Isso fornece a decomposi c ao A = KK .
4.6
Exerc cios
2. Determine o posto das matrizes abaixo e determine sua decomposi c ao em posto completo KL: 1 0 1 1 4 3 2 0 , 9 0 1 0 1 4 9 6 0 3 0 0 1 7 2 1 , 1 5 9 8 1 0 0 0 a 1 0 0 0 a 1 0 0 0 a a
onica da matriz aIn + bJn . 3. Encontre a forma can 4. Colocar na forma can onica P AQ = C as seguintes matrizes: 5 2 1 6 A = 3 1 1 0 . 2 1 1 1
A=
2 4 , 1 1
A=
7 4 3 , 1 1 0
5. Encontre a forma can onica P AP = C para cada matriz sim etrica A abaixo e determine a decomposi c ao em posto completo KK de cada uma: 3 2 2 2 3 3 5 2 1 7 4 2 , , 2 1 3 , 3 2 3 , 2 3 2 . 4 0 2 2 3 3 3 2 1 3 9
Cap tulo 5
Inversa Generalizada
Neste cap tulo apresentamos conceitos e propriedades de inversa generalizada de uma matriz Anm . Lembre-se que em cap tulos anteriores introduzimos os conceitos de inversa ` a direita, ` a esquerda e inversa de uma matriz quadrada n ao-singular. O conceito de inversa generalizada e mais geral e tem como principal aplica c ao a resolu c ao de sistemas lineares gerais do tipo Ax = b, onde A n ao tem inversa cl assica.
5.1
Inversa de Moore-Penrose
Denimos inversa de Moore-Penrose de uma dada matriz Anm como sendo a matriz Mmn , u nica, tamb em denotada por A+ ou A , que satisfaz ` as seguintes condi c oes: 1. AM A = A. 2. M AM = M . 3. AM e M A s ao sim etricas. Para descobrir quem e M , recorremos ` a fatora c ao posto completo da matriz A, ou seja, A = KL, com K posto coluna completo e L posto linha completo. Propriedade 36 A inversa de Moore-Penrose M de uma matriz A e dada por: M = L (K AL )1 K .
Prova:
r(LL ) = rL e r(K K ) = rK . Da igualdade A = KL = KIIL, que por sua vez pode ser determinada como K [(LL )(LL )1 ][(K K )1 (K K )]L, podemos obter que
68 Fa ca M = L (K AL )1 K e
verique (como exerc cio) que as demais condi c oes acima s ao satisfeitas. 1 3 1 . 2 6 2 Solu c ao: Vericamos facilmente que o posto da matriz e rA = 1 e que sua fatora c ao Exemplo: Calcular a inversa de Moore-Penrose para a matriz A = posto completo e: A= de onde obtemos K AL = 1 2 ent ao M e dada por 1 1 2 1 1 3 6 M = L (K AL )1 K = 3 ( ) 1 2 = 55 55 1 1 2 1 3 1 2 6 2 = 1 2 1 3 1 = KL,
1 1 3 1 3 = (55) 2 6 2 1
5.2
Inversa generalizada
Denimos inversa generalizada de uma dada matriz Anm como sendo a matriz Gmn , tamb em denotada por A , que satisfaz ` a primeira condi c ao de Moore-Penrose, ou seja, AGA = A. Esse e o tipo de inversa mais estudado devido sua import ancia para a resolu c ao de equa c oes lineares como veremos mais adiante. Uma observa c ao e que pode existir mais de uma inversa generalizada para uma matriz A.
5.2.1
Suponha que ap os realizar algumas opera c oes com as linhas/colunas de uma matriz A tenhamos obtido a matriz P AQ = T 0 R , 0
onde a matriz n ao singular T tem posto igual ao de A. Ent ao uma inversa generalizada de A e dada por: G=Q T 1 0 P. 0 0
69
Solu c ao: Vericamos que o posto da matriz 1 0 0 1 3 1 1 P AQ = 0 1 0 0 0 1 0 2 0 1 2 6 2 0 logo uma inversa generalizada 1 0 1 T 0 G=Q P = 0 0 0 0 0 1
e rA = 2 e que: 0 0 1 1 3 0 1 = 0 1 0 = 1 0 0 0 0
T 0
R , 0
de A e dada por 1 0 1 1 1 0 1 0 0 0
1 0 0 1 1 0 0 0 0 1 0 = 0 0 0 . 2 0 1 0 1 0 0
5.2.2
P AQ = =
onde a matriz Dr tem posto r = rA . Ent ao uma inversa generalizada de e dada por: =
1 0 Dr , 0 0
onde X , Y e Z s ao matrizes quaisquer cujas ordens s ao tais que a matriz do lado direito da igualdade tenha a mesma ordem de G.
a matriz A abaixo: 0 1 1 1 0 0 0 1 1 1 = 0 2 0 0 = , 0 1 0 0 0 0 0 0 0 1
e dada por (verique como exerc cio): 1 0 x1 1 0 1 1 1 0 0 1 0 1 1 1 0 x2 2 0 1 0 , G= 0 0 1 0 y11 y12 z1 1 2 1 0 0 0 1 y21 y22 z2 x1 y11 y12 z1 , Y = e Z = . A x2 y21 y22 z2 possibilidade de atribuir uma innidade de valores a X , Y e Z ilustra bem que existem para quaisquer valores atribu dos a X =
70
innitas inversas generalizadas para a matriz A. Obviamente, a maneira mais f acil de se obter uma tal inversa e fazer X , Y e Z nulas. Para o caso onde A= A11 A12 , A21 A22
com A11 tendo posto igual ao de A, uma inversa generalizada de A e dada por: G=
1 0 A 11 . 0 0
5.2.3
Vimos anteriormente que se uma matriz A est a particionada de forma que a submatriz A11 , de mesmo posto que A, seja invers vel, ent ao encontrar uma inversa generalizada e tarefa f acil. Quando isso n ao for o caso, vamos supor que existem duas matrizes permutacionais R e S tais que: RAS = B = B11 B12 , B21 B22
com B11 invers vel e r(B11 ) = rA . Sabemos que uma inversa generalizada para B e 1 B11 0 dada por F = e que (verique) uma inversa generalizada de A e dada por 0 0 G = SF R. Da igualdade RAS = B e da ortogonalidade das matrizes S e R, temos que: A = R BS = R Por outro, perceba que na igualdade G = SF R = (R F S ) G = R
1 (B11 ) 0
(5.1)
0 S, 0
(5.2)
existe algo em comum com a igualdade (5.1). Ou seja, as opera c oes R e S em (5.1) retornam os elementos de B11 a seus lugares de origem em A, enquanto em 5.2, essas
1 mesmas opera c oes colocam os elementos de (B11 ) nas posi c oes de G correspondentes
as que os elementos de B11 ocupavam em A. Essa ` e a id eia do algoritmo para se obter uma inversa generalizada de uma matriz qualquer: vel de mesmo posto que A. Os elementos 1. Escolha em A uma submatriz B11 invers de B11 podem ser escolhidos de linhas e colunas n ao adjacentes em A.
1 ). 2. Encontre (B11
71
demais elementos por zero. 4. A transposta da matriz obtida no item anterior e uma inversa generalizada de A. Exemplo [11]: Determine uma inversa generalizada para a matriz 4 1 2 0 A = 1 1 5 15 . 3 1 3 5 Solu c ao: Vericamos que o posto da matriz e rA = 2. Logo, vamos escolher B11 , invers vel e de posto 2, como sendo a matriz formada pelos elementos nas intersec c oes das colunas 1 e 4 com as linhas 1 e 3, ou seja: B11 = cuja inversa e dada por
1 B11 =
4 0 , 3 5
1 20
5 0 , 3 4
1 com (B11 ) =
1 20
5 3 0 4
Agora vamos substituir os elementos que comp oem B11 , em A, pelos elementos corre1 spondentes de (B11 ) e zerar os demais elementos de A:
4 A = 1 3
1 2 0 1 5 15 1 3 5
1/4 G = 0 0
0 0 0 0 0 0
-3/20 0 . 1/5
O passo nal do algoritmo e obter a transposta da matriz acima e com isso encontramos a matriz desejada. Como exerc cio, determine a inversa generalizada para a matriz A do exemplo anterior escolhendo: B11 = 1 15 1 5 = a22 a24 . a32 a34
5.3
O conceito de inversa generalizada e de grande utilidade para a resolu c ao de sistemas lineares. Lembre-se de que um sistema linear s o pode ser resolvido (tem solu c ao) se o mesmo for consistente (ver deni c ao 32).
72
Deni c ao 32 Sistema consistente. O sistema linear Ax = y e consistente se as rela c oes lineares existentes entre as linhas de A for a mesma entre os elementos de y . Exemplo: o sistema x1 + x2 = 5 2x1 + 2x2 = 10 e consistente, pois em sua representa c ao matricial Ax = y : Ax = 1 1 2 2 x1 x2 = 5 10 = y,
vericamos que a segunda linha de A e o dobro da primeira. Essa mesma rela c ao se verica para os elementos de y , ou seja, y2 = 2y1 . J a o sistema x1 + 2x2 = 5 2x1 + 4x2 = 11 n ao e consistente, confere? Uma forma de saber se o sistema e ou n ao consistente e vericando o posto da matriz completa do sistema, digamos r([A y ]); pois um sistema e consistente se e somente se r([A y ]) = r(A). A prova dessa propriedade ca como exerc cio. O seguinte resultado permite obter uma solu c ao para um sistema consistente. Propriedade 37 O sistema consistente Ax = y , com y = 0, tem uma solu c ao x = Gy se e somente se AGA = A, ou seja, G e inversa generalizada de A. Prova: (i) Suponha que x = Gy e solu c ao do sistema. Nesse caso, Ax = AGy = y . Tomando y = aj , para toda coluna j de A, vem que AGaj = aj e da , agrupando todos esses vetores colunas em uma matriz, vem que AGA = A. (ii) Suponha que AGA = A. Nesse caso, AGAx = Ax = y , e como Ax = y , temos AGy = y . Logo x = Gy e solu c ao do sistema. Exemplo [11]: Uma solu c ao x para o sistema Ax = y : x1 14 2 3 1 3 1 1 1 2 x2 = 6 , x3 22 3 5 1 4 x4 pode ser obtida a partir da inversa generalizada G de A como segue: 4 1 3 0 14 2 1 2 0 6 = . x = Gy = 0 0 0 0 22 0 0 0 0 2
73
Fazendo uma an alise detalhada do sistema anterior, vericamos que o mesmo t em innitas solu c oes. Uma quest ao que surge e como determinar todas essas solu c oes? O resultado seguinte permite obter todas as solu c oes de um sistema consistente dada uma inversa generalizada da matriz incompleta do mesmo. Propriedade 38 Todas as solu co es x do sistema consistente Ax = y , com y = 0, s ao dadas por: x = Gy + (GA I )z, onde G e uma inversa generalizada de A e z e um vetor arbitr ario. Prova: Fica como exerc cio. Exemplo [11]: Todas as solu c oes x para o sistema do exemplo anterior s ao dadas por: 4 1 3 0 1 0 0 0 z1 2 1 2 0 2 3 1 3 0 1 0 0 z2 1 1 1 2 x = Gy +(GAI )z = 0+ 0 0 0 1 0 z3 0 0 3 5 1 4 0 0 0 0 0 0 0 1 z4 o que, realizando as contas, fornece: 4 + 2z3 + 3z4 2 z3 z4 , x = z3 z4 para quaisquer valores que atribuamos a z3 e z4 . Por exemplo, a solu c ao anterior pode ser obtida fazendo-se z3 = z4 = 0. J a a solu c ao x = (1, 3, 0, 1) pode ser obtida fazendo-se z3 = 0 e z4 = 1. Uma quest ao interessante e determinar quantas, entre a innidade de solu c oes do sistema acima, s ao linearmente independentes? O resultado que segue fornece a resposta. Propriedade 39 O sistema consistente Ax = y , com y = 0 e A sendo uma matriz de ordem n m, tem m rA + 1 solu co es LIs. Prova: Fica como exerc cio. Um conjunto poss vel para tais solu c oes e dado por {Gy, x1 , , xmrA }, onde xi = Gy + (GA I )z i , i = 1, , m rA , com cada z i escolhido arbitrariamente, mas de forma que os vetores (GA I )z i sejam LIs. Guarde bem esse resultado para quando formos estudar autovalores e autovetores de uma matriz, ocasi ao em que estaremos trabalhando com sistemas do tipo Ax = 0.
74
5.4
Exerc cios
1. Chamamos de inversa generalizada reexiva de uma matriz A, denotada por A r , a matriz que satisfaz ` as duas primeiras condi c oes de Penrose, i.e. AA r A = A
e A e uma inversa generalizada de A, ent ao r AAr = Ar . Mostre que se A A r = A AA .
2. Mostre que quando G e uma inversa generalizada de uma matriz A, ent ao para matrizes arbitr arias T e S de ordem apropriada, tamb em o e a matriz G = GAG + (I GA)T + S (I AG). 3. Mostre que quando G e uma inversa generalizada da matriz X X , dada X , temos: (a) G e uma inversa generalizada de X X . (b) XGX X = X ; i.e. GX e uma inversa generalizada de X . e sim etrica. (c) XGX 4. Prove que a inversa de Moore-Penrose eu nica. 5. Quem e a inversa de Moore-Penrose de uma matriz A n ao singular? 6. Encontre a inversa de Moore-Penrose e uma inversa generalizada para as matrizes: (a) 1 2 4 3 3 1 2 2 5 4 0 7 1 0 2 2 1 5 0 1 1 1 3 1 1 2 3 1 7 8 10 7 2 1 1 6
(b)
(c)
75
8. Encontre um conjunto de solu c oes LIs com o maior n umero poss vel de elementos para o sistema: x 2 3 1 3 1 0 1 1 1 2 x2 = 0 . x3 3 5 1 4 0 x4
Cap tulo 6
6.1
Autovalores
Autovalores s ao escalares associados ` a resolu c ao de um sistema de equa c oes lineares na forma Au = u. Sistemas lineares desse tipo surgem, por exemplo, em situa c oes de transi c ao de estado de um processo estoc astico. Dada uma matriz A com as probabilidades de um sistema mudar de um estado u(t) no tempo t para o estado u(t + 1) no tempo t + 1, podemos descrever essa mudan ca por u(t + 1) = Au(t). A quest ao que surge e saber, ap os um n umero muito grande de transi c oes de estado, se o sistema (processo) se estabiliza (converge para um estado u ). Matematicamente falando, queremos saber se existe uma constante tal que a partir de um determinado tempo t, teremos u(t + 1) = u(t). Se isso ocorrer, como u(t + 1) = Au(t), obtemos o sistema Au(t) = u(t), ou equivalentemente (A I )u(t) = 0 que e sempre consistente. Quando a matriz (A I ) for n ao singular, u(t) = 0 e solu c ao u nica. Perceba que esse sistema ter a solu c oes n ao nulas se a matriz (A I ) for singular, ou seja, se seu determinante for nulo, i.e. |A I | = 0. Nesse caso, todas as solu c oes do sistema (A I )u(t) = 0 poderiam ser obtidas a partir de uma inversa generalizada (A I ) da matriz (A I ) como foi visto no cap tulo anterior. As solu c oes seriam ent ao dadas por u(t) = [(A I ) (A I ) I ]z , com z arbitr ario. Assim, dada uma matriz quadrada An , de ordem n, diremos que e um autovalor de An , se for solu c ao da equa c ao |A I | = 0 que e um polin omio conforme a deni c ao 33
6.1 Autovalores
77
que segue. Deni c ao 33 O polin omio caracter stico p() de uma matriz An e o polin omio em de grau n que se obt em a partir da express ao: p() = |A I |. Exemplo: Seja a matriz A = 1 1 1 0 1 1 1 0 1 0 0 1 (6.1)
p() =
Nesse caso, para determinar um autovalor da matriz A, basta encontrar as ra zes desse polin omio, que s ao 1 = (1 + i 3)/2 e 2 = (1 i 3)/2. Uma maneira de desenvolver o determinante em (6.1) e usando a propriedade que segue. Propriedade 40 A expans ao diagonal do determinante |An In | e dada por: |A I | = ()n + S1 ()n1 + S2 ()n2 + + Sn1 ()1 + Sn . (6.2)
onde Si representa a soma de todos os menores principais1 de ordem i i. 2 3 0 Exemplo: Seja a matriz A = 1 1 4. Ent ao, para calcularmos o determinante 0 5 6 |A I |, veja que os menores principais de A s ao: De ordem um: |2|, |1|, |6|; De ordem dois: 1 4 2 0 2 3 ; , , 5 6 0 6 1 1 2 3 0 1 1 4 ; 0 5 6
De ordem tr es:
consequentemente |A I | = ()3 + S1 ()2 + S2 ()1 + S3 , com S1 = |2| + |1| + |6|; 2 3 0 1 4 2 0 2 3 e S3 = 1 1 4 . Desenvolvendo todos esses + + S2 = 5 6 0 6 1 1 0 5 6 determinantes chegamos a uma express ao nal para |A I |.
1
78
Vale ressaltar que, por se tratar de um polin omio de grau n em , o polin omio caracter stico p() de uma matriz An pode ser expresso em fun c ao de suas n ra zes 1 , 2 , , n como:
n
p() =
i=1
onde, pela rela c ao de Girard para polin omios, si e a soma dos produtos das ra zes de p() tomadas (combinadas) a ordem i. Ou seja:
n
s1 =
k=1
k ,
s2 =
1k<j n
k j ,
s3 =
1k<j<pn
k j p ,
sn = 1 2 n .
Observando as equa c oes (6.2) e (6.3), para p() = 0, podemos inferir que: 1. A soma das ra zes caracter sticas de uma matriz An e igual ao tra co dessa matriz; i.e.
n k=1 k
= tr(A).
2. O produto das ra zes caracter sticas de uma matriz An e igual ao determinante dessa matriz; i.e.
n k=1 k
= |A|.
Exemplo: Seja a matriz A do exemplo anterior. Seu tra co e igual a S1 = 9 e a soma dos menores principais de ordem dois e igual a S2 = 3, enquanto seu determinante e igual a S3 = |A| = 46. Logo seu polin omio caracter stico e dado por p() = 3 s1 2 + s2 1 s3 , ou seja, p() = 3 92 3 + 46. As ra zes de p(), os autovalores de A, s ao obtidas resolvendo a equa c ao p() = 0. Para esse exemplo precisar amos de um software matem atico para nos auxiliar em sua determina c ao.
6.2
Propriedade 41 Seja um autovalor de An e c um escalar. Ent ao: 1. k e um autovalor de Ak . 2. 1 e um autovalor de A1 se A for n ao singular. 3. c e um autovalor de cA. 4. c + e um autovalor de cI + A. 5. (c + )1 e um autovalor de (cI + A)1 .
6.3 Autovetores
p i i=0 ai A ,
79
6. O polin omio em A de grau p, f (A) = i = 0, , p, tem autovalor f () = Prova: Fa ca como exerc cio.
p i i=0 ai .
1 2 . Calculando seus autovalores encontraremos 4 3 1 = 5 e 2 = 1. Isso pode ser comprovado considerando conhecidos dois autovetores 1 1 (associados a esses autovalores) dados por u1 = e u2 = , respectivamente. 2 1 Pela propriedade acima podemos armar, por exemplo, que: Exemplo: Seja a matriz A = 1. 52 e (1)2 s ao os autovalores de A2 = 9 8 . 16 17 3/5 2/5 . 4/5 1/5 3 6 . 12 9 2 2 . 4 4
6.3
Autovetores
O c alculo de autovetores se d a pela resolu c ao de um sistema linear obtido da deni c ao de autovalor; ou seja, se k e um autovalor de An , ent ao devemos ter que Auk = k uk , ou equivalentemente, (A k I )uk = 0. N ao esque ca que (A k I ) e singular. Logo o sistema tem innitas solu c oes, das quais podemos determinar, no m aximo, n r(A k I ) delas que s ao LIs. Como visto no cap tulo anterior, todas as solu c oes desse sistema linear podem ser obtidas pela express ao: uk = [(A k I ) (A k I ) I ]z, com (A k I ) sendo uma inversa generalizada de (A k I ) e z sendo um vetor arbitr ario.
6.3 Autovetores
80
Para obter uma inversa generalizada de (A k I ), proceda como visto no cap tulo anterior. Por exemplo, se (A k I ) estiver particionada na forma: (A k I ) = B C , D E
B 1 0 e uma inversa 0 0 v generalizada de (A k I ). Assim, empregando a parti ca o z = , obtemos: w com B n ao singular de posto igual ao de (A k I ), ent ao uk = B 1 0 0 0 B C D E I z = 0 B 1 C 0 I v w = B 1 Cw , w
com w sendo um vetor de dimens ao n r(A k I ). 1 2 2 2 1 s Exemplo [11]: Os autovalores da matriz A = 1 ao 1 = 1 (de multi1 1 0 plicidade m1 = 2) e 2 = 1 (de multiplicidade m2 = 1). Para determinar um autovetor 2 2 2 1 1 , que tem posto igual a associado a 1 , tomemos a matriz A 1 I = 1 1 1 1 r(A 1 I ) = 1. Logo, tomando B = (2), com B 1 = (1/2), C = (2 2) e o vetor w1 w de dimens ao 3 r(A 1 I ) = 2, ou seja w = , temos: w2 w1 w1 w2 (1/2)(2 2) 1 B Cw w2 . w1 u1 = = = w w1 w2 w2 Para explicitar um autovetor para A associado a 1 , basta atribuir valores a w1 e w2 . 2 Por exemplo, se zermos w1 = 1 e w2 = 1, obtemos u 1 = 1 . Por outro lado, se 1 1 ao esque ca que existem no m aximo zermos w1 = 0 e w2 = 1, obtemos u 1 = 0 . N 1 3 r(A 1 I ) = 2 solu c oes LIs para o sistema linear associado a 1 . 0 2 2 3 1 , Quanto a um autovetor associado a 2 , seja a matriz A 2 I = 1 1 1 1 0 2 que tem posto igual a r(A 2 I ) = 2. Logo, tomando B = , com B 1 = 1 3 3/2 1 2 ,C= e o vetor w de dimens ao 3 r(A 2 I ) = 1, ou seja w = w1 , 1/2 0 1 temos: 3/2 1 2 2w1 1 w1 B Cw 1/2 0 1 = w1 . u2 = = w w1 w1
81
Logo, para explicitar um autovetor para A associado 2 , basta atribuir um valor a w1 . a 2 Por exemplo, se zermos w1 = 1, obtemos u 2 = 1. Fica claro que para 2 existe 1 apenas uma solu c ao LI, ou seja, apenas um (3 r(A 2 I ) = 1) autovetor LI associado ao sistema linear (A 2 I )u2 = 0.
6.4
Considere inicialmente uma matriz An cujos autovalores s ao representados por 1 , 2 , , n . Seja ui , i = 1, , n, um autovetor associado a i . Ou seja: Aui = i ui , i = 1, , n.
Agrupando os vetores-coluna Aui , i = 1, , n, podemos formar a matriz: 1 0 0 2 [Au1 Au2 Aun ] = [1 u1 2 u2 n un ] = [u1 u2 un ] . . .. . . . . . 0 0
0 0 , . . . n
que pode ser tamb em escrita na forma AU = U D, com U = [u1 u2 un ] e D = Diag (1 , 2 , , n ). A matriz D e conhecida como forma can onica similar da matriz A. interessante notar que quando um autovalor i for raiz m E ultipla do polin omio caracter stico de uma matriz A, ent ao a matriz U poder a ter tantas colunas repetidas quanto for a multiplicidade dessa raiz. O mesmo vale para o n umero de vezes que esse autovalor gura como elemento diagonal da matriz D. Por exemplo, para a matriz do exemplo anterior, podemos ter: 2 2 2 1 1 , U = 1 1 1 1 1 0 0 D = 0 1 0 , 0 0 1
com
cujas ou alternativamente, para esse mesmo exemplo, podemos obter uma matriz U colunas associadas ao autovalor 1 = 1 (de multiplicidade igual a dois) e ao autovalor 2 = 1 (de multiplicidade igual a um) s ao todas linearmente independentes. Um exemplo seria: 2 1 2 = 1 0 1 . U 1 1 1
82
A n os nos interessa saber em que situa c oes podemos encontrar uma matriz U formada por autovetores LIs. Pois, nesse caso, a matriz A poder a ser diagonalizada da forma: U 1 AU = D = Diag (1 , 2 , , n ). Em seguida apresentamos uma propriedade que permite identicar se uma matriz pode ou n ao ser diagonalizada. Para tanto, precisamos da seguinte deni c ao: Deni c ao 34 Seja uma matriz An de autovalores dados por 1 , 2 , , s , cujas multiplicidades s ao dadas por m1 , m2 , , ms , respectivamente, com seja: r(A i I ) = n mk , k = 1, , s. (6.4)
s k=1 mk
= n. A matriz
An ser a uma matriz regular se todos seus s autovalores distintos forem regulares, ou
e diagonaliz avel se e somente se for regular (nesse caso, Propriedade 42 Uma matriz pode ser formada de n autovetores LIs). Exemplo [11]: A matriz do exemplo anterior possui dois autovalores regulares, pois r(A 1 I ) = 1 = 3 2 e r(A 2 I ) = 2 = 3 1. Logo, podemos diagonaliz a-la mencionada anteriormente. empregando, por exemplo, a matriz U A diagonaliza c ao de uma matriz An e importante em aplica c oes onde precisamos calcular sua pot encia Ak . Caso a matriz A possa ser expressa como A = U 1 DU , ent ao e f acil perceber que: Ak = (U 1 DU )k = U 1 Dk U.
6.5
O uso freq uente de matrizes sim etricas em Estat stica nos faz apresentar algumas propriedades [11] desse tipo de matriz envolvendo seus autovalores e autovetores. Em particular, iremos tratar exclusivamente de matrizes sim etricas reais. Propriedade 43 Os autovalores de toda matriz sim etrica real s ao reais. Prova [11]: Seja Mn uma matriz real tal que M = M . Considere que M tenha um = i tamb autovalor complexo, ou seja, da forma = + i. Nesse caso, em e , autovalor de M . Considere u = a + bi e u = a bi os autovetores associados a e
83
respectivamente (mostre isso como exerc cio). Da deni c ao de autovalor vem que: (i) u M u = u e (ii) M u = . Pr e-multiplicando a igualdade (i) por u obtemos u Mu = u u = u u. Note que u M u = (M u ) u; logo, usando a igualdade (ii), conclu mos que u u (M u ) u = ( ) u. Ent ao, as duas express oes para u M u fornecem u u = ( ) u. Como , ou u u > 0, por ser uma soma de quadrados de n umeros reais, ent ao vem que = seja, e real. Propriedade 44 Toda matriz sim etrica e diagonaliz avel; ou seja, se A = A , ent ao existe U n ao singular e ortonormal tal que A = U DU 1 . Prova: Ver [11]. Propriedade 45 Autovetores de uma matriz sim etrica s ao ortogonais. Prova: Ver [11]. Vale lembrar que quando k for um autovalor de multiplicidade mk de uma matriz sim etrica A, se r(A k I ) = n mk , ent ao podemos determinar mk autovetores de A de forma que eles sejam ortonormais (e LIs entre si) associados a k . Uma forma de obter uma matriz U ortonormal tal que D = U AU (denominada de forma can onica sob similaridade ortogonal) e normalizando o conjunto de autovetores ortogonais da matriz U , trocando-se cada autovetor (coluna) u de U por (u/ u u). N ao esque ca que o conjunto LI de autovetores de U deve ser determinado de forma que eles sejam ortogonais uns aos outros. Nesse caso, obtemos: U U = I. 1 2 2 c ao caracExemplo [11]: Vamos colocar a matriz A = 2 1 2, que tem equa 2 2 1 ter stica ( + 1)2 ( 5) = 0, em sua forma can onica sob similaridade ortogonal. Inicial4 2 2 mente, calculando um autovetor para 1 = 5, obtemos: A 1 I = 2 4 2 , de 2 2 4 w 4 2 2 1 w1 1 2 onde derivamos ` a express ao u1 = 12 2 4 = w1 . E um autovetor w1 w1 2 2 2 para 2 = 1 e obtido usando a matriz A 2 I = 2 2 2, de onde podemos obter 2 2 2 U AU = D com
84
w1 (w1 + w2 ) w2 . Atribuindo, por exemplo, o w1 = w2 1 valor w1 = 1 em u1 , obtemos u1 = 1. Tenha em mente que associado a 1 s o existe 1 um autovetor LI. Independentemente dos valores que possamos atribuir a w1 e a w2 em u2 , perceba que (1 1 1)u2 = 0, ou seja, s ao ortogonais somente por serem provenientes de autovalores distintos. Tomemos ent ao um dos autovetores associados a 2 como sendo igual a (u2 ) = 2 1 1 . Como podemos obter at e dois autovetores LIs para 2 , o segundo deles deve ser ortogonal ao autovetor 2 1 1 ; ou seja, 2 1 1 u 2 = 0. Como essa u ltima igualdade se reduz a 2(w1 + w2 ) + w1 + w2 = 0, vem que w1 = 1 e w2 = 1 e uma solu c ao para essa equa c ao. Logo, o outro autovetor associado a u2 pode ser dado por u 2 = 0 1 1 . O pr oximo passo e normalizar os autovetores u1 , u2 , u 2 , o que nos fornece: 1 1 1 , 3 1 2 1 1 , 6 1 0 1 1 . 2 1
Ent ao a matriz U procurada pode ser dada por: 1/3 2/ 6 0 1 2 0 1 1 1 1 1 1 = 1/3 1/6 1/ U = 2 , 3 6 2 1 1 1 1/ 3 1/ 6 1/ 2 e podemos vericar que U AU = D = Diag (5, 1, 1), com U U = I . Propriedade 46 O posto r(A) de uma matriz sim etrica An e igual ao n umero zA de autovalores n ao nulos de A. Prova [11]: Por ser sim etrica, existe U tal que A = U DU para alguma matriz ortogonal U . Veja que o posto de A e D s ao iguais. Por em, os u nicos elementos n ao nulos em D s ao os autovalores de A, logo seu posto corresponde ao n umero de tais elementos diferentes de zero. Esse resultado e v alido para toda matriz diagonaliz avel.
6.5.1
Decomposi c ao espectral
Em algumas situa c oes em Estat stica estaremos interessados em avaliar express oes do tipo P k t, com P sendo uma matriz (possivelmente sim etrica) de transi c ao de probabilidade e t um dado vetor. Uma forma de avali a-la seria via decomposi c ao espectral da matriz A.
85
Seja An uma dada matriz sim etrica e 1 , , 1 seus autovalores. Suponha que ui seja um autovetor associado a i , i = 1, , n. Representando a matriz U U como produto externo de vetores, com U = u1 un , obtemos U U =
n i i i=1 u (u )
A = AU U = A(
i=1
ui (ui ) ) =
i=1
Aui (ui ) =
i=1
i ui (ui ) .
A express ao acima e denominada de decomposi c ao espectral da matriz A. Exemplo [11]: Empregando a matriz U do exemplo anterior, a matriz A pode ser decomposta usando seu espectro em: 1 2 0 5 1 1 1 1 1 1 1 2 1 1 1 0 1 1 . A= 3 6 2 1 1 1 A decomposi c ao espectral tamb em se aplica ao c alculo de pot encias de uma matriz An . Podemos mostrar que:
n
Ak =
i=1
i i k i u (u ) .
6.6
Exerc cios
1. Forne ca um exemplo pr atico de aplica c ao de autovalores para a Estat stica. 2. Determine os autovalores e autovetores das seguintes matrizes: (a) aI + bJ , com I e J matrizes de ordem n, com a e b escalares. Proponha um m etodo para diagonalizar uma matriz uniforme. (b) A matriz 2 (c) A = 2 0 (d) A = diagonal Dn = {d11 , , dnn }. 2 7 1 2 . 1 3
1 4 . 9 1
5. Explique por que o sistema (A k I )uk = 0 tem no m aximo n r(A k I ) solu c oes LIs, uma a menos do que o informado pela propriedade 39.
86
6. Encontre os autovalores e autovetores das matrizes abaixo. Diagonalize-as e encontre suas formas can onicas sob similaridade ortogonal quando poss vel. 1 4 1 A = 2 1 0 1 3 1 2 2 7 E = 2 1 2 0 1 3 7 4 1 4 2 0 7 1 C = 2 3 2 B= 4 4 4 4 0 2 2 9 15 3 F = 6 10 2 3 5 1 1 2 1 G = 1 1 4 2 4 1 2 7 1 J = 2 3 8 9 4 4
2 2 3 1 2 1 D = 10 4 5 H = 2 2 2 5 4 6 1 2 1
1 0 0 7. Coloque a matriz triangular inferior A = a b 0 na forma A = U DU 1 . c d e 8. Encontre os autovalores de I xx , com x Rn . 9. Prove que os autovalores de A + A1 s ao maiores ou iguais a dois quando os autovalores de A s ao positivos. 10. Seja An uma matriz sim etrica de autovalores denotados por 1 , , n . Prove que:
n n n
a2 ij
i=1 j =1
=
k=1
2 k.
11. Mostre que toda matriz An satisfaz sua pr opria equa c ao caracter stica e deduza como obter a inversa de uma matriz usando essa equa c ao.
Cap tulo 7
Uma forma quadr atica f (x) e toda express ao (polin omio em x Rn ) do tipo
n n n
x Ax =
i=1
x2 i aii +
i=1 j, j>i
xi xj (aij + aji ),
onde An e uma dada matriz real quadrada de ordem n e x e um vetor real arbitr ario. Exemplos de formas quadr aticas s ao:
2 2 f1 (x1 , x2 , x3 ) = 2x2 1 + 5x2 x3 + 7x1 x2 x2 x3 , 2 2 f2 (x1 , x2 , x3 ) = x2 1 + 5x2 3x3 .
Toda forma quadr atica, em representa c ao expl cita, pode ser expressa de v arias formas matriciais. Para os exemplos acima, com x = (x1 , x2 , x3 ), algumas representa c oes para f1 s ao: 2 3 9 2 100 2 2 7/2 0 93 5 2 x = x 7/2 5 1/2 x. f1 (x) = x 4 5 1 x = x 9 0 1 0 1/2 1 2 3 1
enquanto que f2 pode ser matricialmente representada por: 1 3 0 1 1 2 1 0 0 2 x. 5 4 x = x 3 5 f2 (x) = x 0 5 0 x = x 1 0 2 3 2 4 3 0 0 3 Observe que para uma mesma forma quadr atica x Ax sempre os elementos diagonais aii da representa c ao matricial s ao iguais ao coeciente de x2 i , enquanto a soma dos elementos aij + aji e constante e igual ao coeciente de xi xj . Note que existe, para cada forma quadr atica x Ax, uma u nica matriz sim etrica S para a qual x Ax = x Sx. Para o caso onde A n ao e sim etrica, basta fazer S = 1 2 (A + A). Algumas formas quadr aticas s ao bastante conhecidas em Estat stica. Abaixo citamos alguns exemplos:
o 7.1 Introduc a
n
88
x2 i; xi )2 ;
i=1 n
(xi x )2 ;
n
(xi x )2 /n;
i=1
7.1.1
Adotaremos aqui a classica c ao encontrada em Harville [4]. A classica c ao de uma forma quadr atica f (x) e a mesma da matriz A de sua representa c ao matricial f (x) = x Ax. Deni c ao 35 Uma matriz A e denida positiva (DP) se x Ax > 0, x = 0. Por exemplo [11], sendo x = (x1 , x2 , x3 ), temos 2 2 1 f (x) = x 2 5 1 x = (x1 + 2x2 )2 + (x1 + x3 )2 + (x2 + x3 )2 , 1 1 2 logo percebemos que, para todo x = 0, teremos x Ax > 0. Para ver isso, basta resolver o sistema linear que resulta se igualarmos a zero cada termo da soma acima: x1 + 2x2 = 0 x1 + x3 = 0 x2 + x3 = 0 cuja solu c ao eu nica [por qu e?] e igual ao vetor nulo. Deni c ao 36 Uma matriz A e semi-denida positiva se x Ax 0, x, e existe x = 0 para o qual x Ax = 0. Por exemplo [11], para 37 f (x) = x 2 24 x = (x1 , x2 , x3 ), 2 24 13 3 x = (x1 2x2 )2 + (6x1 4x3 )2 + (3x2 x3 )2 , 3 17
o 7.1 Introduc a
89
podemos comprovar que f (2, 1, 3) = 0. Para se obter outras solu c oes n ao nulas que tornem f (x) = 0, basta resolver o sistema linear: x1 2x2 = 0 6x1 4x3 = 0 3x2 x3 = 0 cuja solu c ao gen erica, obtida usando inversa generalizada da matriz incompleta desse sistema, e dada por x = (2/3, /3, ), com arbitr ario. Matrizes DP e SDP s ao chamadas tamb em de denidas n ao negativas. Quando trocamos linhas/colunas de uma matriz denida n ao negativa, a matriz resultante mant em essa propriedade. Podemos tamb em mostrar que: 1. se A e PD, ent ao aii > 0 e |A| > 0. e SPD, ent ao aii 0 e |A| = 0. 2. se A 3. Se A e uma matriz denida n ao negativa, ent ao seus menores principais s ao todos positivos ou nulos. Uma matriz ser denida n ao negativa e uma condi c ao suciente para que seus menores principais sejam positivos ou nulos. O contr ario n ao e v alido. Por exemplo, se todos os menores principais de uma matriz forem positivos ou nulos, ser a que ela 1 1 e n ao negativa? Teste para a matriz com x = ( 2, 2/2). 3 3 Deni c ao 37 Uma matriz A e denida negativa (DN) se x Ax < 0, x = 0. Por exemplo, para x = (x1 , x2 , x3 ), temos 1 0 0 2 2 f (x) = x 0 2 0 x = x2 1 2x2 3x3 , 0 0 3 e percebemos claramente que, para todo x = 0, x Ax < 0. Deni c ao 38 Matriz semi-denida negativa (SDN). Uma matriz A e semi-denida negativa se x Ax 0, x, e existe x = 0 para o qual x Ax = 0.
o 7.1 Introduc a
90
Por exemplo, f (x) = (x1 2x2 )2 (6x1 4x3 )2 (3x2 x3 )2 , que e a fun c ao do exemplo de matriz SDP com o sinal trocado. Matrizes DN e SDN s ao chamadas tamb em de denidas n ao positivas. Se f (x) = x Ax troca de sinal conforme a escolha de x = 0, ent ao f n ao e denida. 1 3 Por exemplo, para x = (x1 , x2 ) e A = , temos f (1, 1) = 8 e f (1, 1) = 4. 3 1 A classica c ao de formas quadr aticas atrav es da deni c ao e pouco operacional. Como j a mencionado anteriormente, existe uma u nica matriz sim etrica S = 1/2(A + A ) tal que x Sx = x Ax, assim como existe uma matriz n ao singular P tal que P SP e uma matriz diagonal D = {d11 , , dnn }. Logo, uma alternativa e diagonalizar a matriz S atrav es de opera c oes elementares antes de proceder ` a sua classica c ao. c ao de uma forma quadr atica n ao se altera por transPropriedade 47 A classica forma c ao n ao singular. Prova: Seja f (x) = x Ax e a transforma c ao n ao singular x = P y . Ent ao f (x) = x Ax = y P AP y = y Dy = f (y ), onde A e P AP = D s ao congruentes (com D sendo uma matriz diagonal), tendo portanto a mesma classica c ao e o mesmo acontecendo com f (x) e f (y ). Portanto, podemos enunciar o seguinte resultado: atica f (x) = x Ax. Propriedade 48 Dada a forma quadr Sejam as matrizes S
(sim etrica, com S = 1/2(A + A )) e P tal que P SP = D, com D sendo uma matriz diagonal. Seja dii o i- esimo elemento da diagonal principal de D, ent ao: Se dii > 0, ent ao A e PD; Se dii 0 e existe pelo menos um elemento n ao nulo na diagonal principal, A e SDP; Se dii < 0, A e ND; ao nulo na diagonal principal, A e Se dii 0 e existe pelo menos um elemento n SDN; Se dii troca de sinal , ent ao A n ao e denida. Quando a matriz A da forma quadr atica f for sim etrica, ela pode ser diagonaliz avel usando seus autovalores e autovetores. Isso permite escrever f em fun c ao dos autovalores de A como segue.
o 7.1 Introduc a
91
Propriedade 49 Seja An uma matriz sim etrica de posto k n, ent ao a forma quadr atica f (x) = x Ax pode ser escrita na forma:
k
f (y ) =
i=1
2 i yi ,
(7.1)
com yi R e onde i , i = 1, 2, . . . , k , s ao as k ra zes caracter sticas n ao nulas de A. Prova: Seja An uma matriz sim etrica e D = {1 , , n } uma matriz diagonal formada pelos n autovalores de A. Seja U uma matriz n ao singular ortonormal formada por autovetores de A (ver proposi c ao 44). Ent ao, podemos escrever A = AI = A(U U ) = AU U = U DU , logo f (x) = x Ax = x U DU x. Fazendo y = x U , vem que x Ax = y Dy =
n 2 i=1 i yi .
Segue um exemplo de aplica c ao da proposi c ao acima para classicar a forma quadr atica f (x) = x Ax, com x = (x1 , x2 , x3 ) e 3 1 A= 1 3 1 1 A dada por: 1 1 3
As ra zes caracter sticas de A s ao: 1 = 5, 2 = 2 e 3 = 2. Assim, a matriz D e positiva denida e portanto a forma quadr atica tamb em o e. O fato de uma matriz A, de uma forma quadr atica f (x) = x Ax, ser sim etrica nos permite estabelecer uma condi c ao necess aria e suciente para a n ao negatividade dessa matriz. Propriedade 50 Seja An uma matriz sim etrica. Dena Ak , para k = 1, , n, como sendo a submatriz: a11 a12 a21 a22 Ak = . . .. . . . . . ak1 ak2 a1k a2k . . . . akk
Ent ao: (i) A e denida positiva se e somente se |Ak | > 0, para todo k = 1, , n; (ii) A e semi denida positiva se e somente se |Ak | 0, para todo k = 1, , n; Prova: Ver Harville [4]. Consulte essa refer encia para muitas outras propriedades sobre formas quadr aticas.
92
7.1.2
A forma diagonal de uma matriz A n ao negativa e constitu da somente por elementos n ao negativos. Pelo fato de matrizes denidas n ao negativas serem sim etricas, ent ao sua decomposi c ao em posto completo KL existe e e igual a A = KK , com K real e de posto coluna completo. Veja que, quando A e DP, a matriz K e invers vel. Al em do mais, para matrizes reais X , o produto X X e sempre n ao negativo e, se X tiver posto coluna completo, ent ao X X e DP; caso contr ario, X X e SDP. Al em disso, por se tratar de um produto sim etrico X X , matrizes denidas n ao negativas t em as seguintes propriedades: 1. Todos seus autovalores s ao reais. etrica s ao todos n ao negativos se e somente se 2. Os autovalores de uma matriz sim a matriz for denida n ao negativa. Conseq uentemente, ser ao todos positivos se e somente se a matriz for denida positiva. 3. S ao matrizes diagonaliz aveis.
7.2
Exerc cios
(b) x1 x2
1/2 3/2
2x2 2
2 (c) x2 1 + x2 10x2
(b) (2x1 3x2 )2 + (x2 2x3 )2 + (4x1 12x3 )2 3. Seja A uma matriz anti-sim etrica. Prove que I + A e denida positiva. 4. Seja A uma matriz real. Prove que I + AA e denida positiva. 5. Dado um escalar k > 0, mostre que se A e DP, ent ao tamb em o e kA.
93
6. Mostre que se A1 , , An s ao n matrizes denidas n ao negativas (de mesma ordem), ent ao tamb em o ser a a soma
i Ai .
7. Mostre que toda matriz denida positiva (DP) e n ao singular e sua inversa e DP. 8. Prove que dada qualquer matriz Bmn , a matriz B B e denida n ao negativa e, se r(B B ) = n, ent ao B B e DP; caso contr ario, ser a SDP. 9. Classique as matrizes abaixo em DP, SDP, DN, SDN ou indenida: (a) In , Jn , In Jn /n (b) A = (c) A = (d) A = 1 3 3 1 8 1 3 1
2 1 1 3 4 12 20 (e) A = 12 45 78 20 78 136
Bibliograa
[1] CASTRUCCI, B., DONATTO, W., PERRELLA, L.A., -Somat orios, Produt orios, Matrizes, Determinantes e Sistemas Lineares, segunda edi c ao, Livraria Nobel S.A., S ao Paulo, 1975. [2] DOSTOR, G., - El ements de la th eorie des d eterminants, 3a edi c ao, Ed. GauthierVillars, Paris, 1921. [3] GRAYBILL, F.A. - Introduction to matrices with application in statistics, Colorado State University, Vol II - 2a edi c ao, 2002. [4] HARVILLE, D. A. - Matrix Algebra from a Statisticians Perspective, Springer, New York, 1997. [5] IEMMA, F. A. - Algebra de matrizes (Apostila), Universidade de S ao Paulo, 1996. [6] IEMMA, F. A. - Modelos lineares: uma introdu c ao para prossionais da pesquisa agropecu aria, Universidade de S ao Paulo, 1987. [7] LIPSCHUTZ, S. - Algebra Linear: teoria e problemas, Ed. McGraw-Hill, 3a edi c ao, S ao Paulo, 1994. [8] NETO, A. A. et al. - Combinat oria, Matrizes e Determinantes: No c oes de Matem atica, Ed. Moderna, 1a edi c ao, Vol. 4, S ao Paulo, 1979. [9] MORRISON, D. F. - Multivariate statistical methods, Ed. McGraw-Hill, 2a edi c ao, Tokyo, 1976. [10] PEASE, M. C. III, - Methods of matrix algebra, Ed. Academic Press, New York, 1965. [11] SEARLE, S. R. - Matrix Algebra Useful for Statistics, Ed. John Wiley and Sons, New York, 1982. [12] SEARLE, S. R. - Linear Models, Ed. John Wiley and Sons, New York, 1971. Math World [13] WEISSTEIN, E., http://mathworld.wolfram.com/ (Mundo da Matem atica), Website