Apostila de Matrizes (2012)

Baseado no Captulo 2 do livro:
. . , . . 2 . (2008)
& , .

Material preparado pelo
. .
: @.

Departamento de Cincias Exatas / ESALQ USP
Fevereiro de 2012

.
1
N D I C E N D I C E N D I C E N D I C E

2.1. Matrizes e vetores .................................................................................................................................. 2
2.1.1. Matrizes, vetores e escalares .................................................................................................... 2
2.1.2. Igualdade de matrizes .................................................................................................................. 3
2.1.3. Matriz transposta ........................................................................................................................... 3
2.1.4. Alguns tipos especiais de matrizes ......................................................................................... 4
2.2. Operaes com matrizes ..................................................................................................................... 5
2.2.1. Adio de duas matrizes ............................................................................................................. 5
2.2.2. Produto de um escalar por uma matriz ................................................................................ 5
2.2.3. Produto de duas matrizes ou dois vetores ........................................................................... 6
2.2.4. Produto de Hadamard de duas matrizes ou dois vetores .......................................... 11
2.2.5. Soma direta de duas matrizes ............................................................................................... 12
2.2.6. Produto direto ou de Kronecker ........................................................................................... 12
2.2.7. Potncia de matriz quadrada ................................................................................................. 13
2.3. Matrizes particionadas ...................................................................................................................... 13
2.4. Posto () de uma matriz ........................................................................................................... 15
2.5. Inversa de uma matriz ..................................................................................................................... 19
2.6. Matrizes positivas definidas ........................................................................................................... 21
2.7. Sistemas de equaes ........................................................................................................................ 25
2.8. Inversa generalizada .......................................................................................................................... 28
2.8.1. Definio e propriedades ......................................................................................................... 28
2.8.2. Inversas generalizadas e sistemas de equaes ............................................................ 32
2.9. Determinantes ...................................................................................................................................... 32
2.10. Vetores ortogonais e matrizes .................................................................................................... 36
2.11. Trao de uma matriz ....................................................................................................................... 38
2.12. Autovalores e autovetores ........................................................................................................... 39
2.12.1. Definio ...................................................................................................................................... 39
2.12.2. Funes de uma matriz .......................................................................................................... 41
2.12.3. Produtos ....................................................................................................................................... 42
2.12.4. Matrizes simtricas ................................................................................................................. 42
2.12.5. Matriz positiva definida e positiva semidefinida ........................................................ 43
2.13. Matrizes idempotentes .................................................................................................................. 44
2.14. Clculo vetorial e matricial .......................................................................................................... 45
2.14.1. Derivadas de funes de vetores e matrizes ................................................................ 45
2.14.2. Derivadas envolvendo inversa de matrizes e determinantes ............................... 48
2.14.3. Maximizao ou minimizao de uma funo de um vetor ................................... 49
2.15. Referncias citadas no texto ........................................................................................................ 49
2.16. Exerccios propostos ...................................................................................................................... 50
Apndice. Introduo ao uso do ......................................................................................... 54

.
2
2.1. MATRIZES E VETORES 2.1. MATRIZES E VETORES 2.1. MATRIZES E VETORES 2.1. MATRIZES E VETORES
Este material est baseado no captulo 2 do livro do Rencher (2008)
1
, onde apresentamos
uma reviso de elementos da teoria de matrizes que sero importantes na disciplina de
Modelos Lineares I.

2.1.1. 2.1.1. 2.1.1. 2.1.1. Matrizes, vetores e escalares. Matrizes, vetores e escalares. Matrizes, vetores e escalares. Matrizes, vetores e escalares.
Uma matriz um arranjo retangular de nmeros ou de variveis em linhas e colunas. No
presente texto estaremos considerando matrizes de nmeros reais, que sero denotadas
por letras maisculas em negrito. Os seus elementos sero agrupados entre colchetes. Por
exemplo:
A AA A =
10 12
21 39
B BB B =
1 1 1 1 1 1
10 12 15 13 14 16
X = X = X = X =
1 1 0
1 1 0
1 0 1
1 0 1

Para representar os elementos da matriz X XX X como variveis, ns usamos:
X XX X = (
) =

A notao X XX X = (
) representa uma matriz por meio de um elemento tpico. O pri-

meiro ndice indica a linha e o segundo ndice identifica a coluna. Uma matriz genrica X X X X
tem linhas e colunas. A matriz X XX X do exemplo anterior tem = 4 linhas e = 3 colunas
e ns dizemos que X XX X 43, ou que a dimenso de X XX X 43. Para indicar a dimenso da
matriz podemos usar
()
.

Um vetor uma matriz com uma nica coluna e denotado por letras minsculas e
em negrito. Os elementos de um vetor so muitas vezes identificados por um nico ndice,
por exemplo,
y yy y =

Geralmente o termo vetor est associado a um vetor coluna. Um vetor linha expresso
como o transposto do vetor coluna. Por exemplo:
y y y y =

(A transposta de uma matriz ser definida mais adiante).

No contexto de matrizes e vetores, um nmero real chamado de um escalar. Assim,
os nmeros 2,5, -9 e 3,14 so escalares. Uma varivel representando um escalar ser
denotada por uma letra minscula e sem negrito. Por exemplo: = 3,14 indica um escalar.

1
Rencher, A. C; Schaalje, G. B. Linear models in statistics. 2nd ed., Wiley, 2008.

.
3
Geometricamente, um vetor de n elementos est associado a um ponto no espao -
dimensional. Os elementos do vetor so as coordenadas do ponto. Em algumas situaes
ns estaremos interessados em calcular:
) a distncia () da origem ao ponto (vetor);
) a distncia () entre dois pontos (vetores);
) o ngulo () entre as linhas formadas da origem at os dois pontos.

2.1.2. 2.1.2. 2.1.2. 2.1.2. Igualdade de Matrizes Igualdade de Matrizes Igualdade de Matrizes Igualdade de Matrizes
Duas matrizes (ou dois vetores) so iguais se tm a mesma dimenso e se os elementos de
posies correspondentes so iguais. Por exemplo:
3 2 4
1 3 7
=
3 2 4
1 3 7

mas
5 2 9
8 4 6

5 3 9
8 4 6

2.1.3. 2.1.3. 2.1.3. 2.1.3. Matriz Transposta Matriz Transposta Matriz Transposta Matriz Transposta
Se trocarmos de posio as linhas e as colunas de uma matriz A AA A, a matriz resultante
conhecida como a transposta de A AA A e denotada por A A A A ou
. Formalmente, se A AA A = (
)
ento a sua transposta dada por:
A AA A =
= (
) = (
) (2.3)
Esta notao indica que o elemento na -sima linha e -sima coluna da matriz A AA A encon-
trado na -sima linha e -sima coluna da matriz A AA A . Por exemplo:
A AA A =
3 2 4
1 3 7
A = A = A = A =
3 1
2 3
4 7
a sua transposta.
Se A AA A ento A AA A . Se uma matriz transposta duas vezes, o resultado a matriz
original.

Teorema 2.1a. Teorema 2.1a. Teorema 2.1a. Teorema 2.1a. Se A AA A uma matriz qualquer, ento:
(A A A A) = A AA A (2.4)

.
4
2.1.4 2.1.4 2.1.4 2.1.4 Alguns tipos especiais de matrizes Alguns tipos especiais de matrizes Alguns tipos especiais de matrizes Alguns tipos especiais de matrizes
Se a transposta de uma matriz A A A A igual matriz original, isto , se A A A A = A AA A, ou equivalente-
mente, (
) = (
), ento dizemos que a matriz A AA A . Por exemplo:

A AA A =
3 2 6
2 10 7
6 7 9

simtrica. evidente que toda matriz simtrica quadrada.

A de uma matriz quadrada A AA A = (
) de dimenso , consiste dos ele-

mentos
, ,
, ou seja, () = (
). No exemplo anterior, a diagonal de A AA A

formada pelos elementos 3, 10 e 9. Se uma matriz contm zeros em todas as posies fora
da sua diagonal, ela uma , como por exemplo,
D D D D =
8 0 0 0
0 3 0 0
0 0 0 0
0 0 0 4

Que tambm pode ser denotada como D DD D = (8, 3, 0, 4). Usamos a notao (A AA A)
para indicar a matriz diagonal com os mesmos elementos da diagonal de A AA A, como por
exemplo,
A A A A =
3 2 6
2 10 7
6 7 9
(A AA A) =
3 0 0
0 10 0
0 0 9

Uma matriz diagonal com o nmero 1 em cada posio da sua diagonal chamada
de e denotada por I II I. Por exemplo:
I II I(3) = (1, 1, 1) =
1 0 0
0 1 0
0 0 1

Uma uma matriz quadrada com zeros abaixo da dia-
gonal, como por exemplo,
T TT T =
7 2 3 5
0 0 2 6
0 0 4 1
0 0 0 8

Um vetor de 1s denotado por j jj j:
j =
1
1
1

.
5
Uma matriz quadrada de 1s denotada por J, como por exemplo,
J(3
3) =
(
(
(
1 1 1
1 1 1
1 1 1

Ns denotamos um vetor de zeros por 0 00 0 e uma matriz de zeros por ou ; por
exemplo,
0 00 0(3) = = = =
(
(
(
0
0
0
, ,, , (3
3) = =
(
(
(
0 0 0
0 0 0
0 0 0
.

2.2. OPERAES COM MATRIZES 2.2. OPERAES COM MATRIZES 2.2. OPERAES COM MATRIZES 2.2. OPERAES COM MATRIZES

2.2.1 2.2.1 2.2.1 2.2.1 Adio de duas matrizes Adio de duas matrizes Adio de duas matrizes Adio de duas matrizes
Se duas matrizes tm a mesma dimenso, sua encontrada adicionando os ele-
mentos correspondentes. Assim, se A AA A e B BB B , ento C C C C = A AA A + B BB B tambm e
encontrada como C C C C = (
) = (
). Por exemplo,
7 3 4
2 8 5
+
11 5 6
3 4 2
=
18 2 2
5 12 3

A D D D D = A AA A B B B B entre as matrizes A A A A e B BB B definida de maneira similar como:
D D D D = (
) = (
).
Duas propriedades importantes da adio de matrizes so dadas a seguir.

Teorema 2.2 Teorema 2.2 Teorema 2.2 Teorema 2.2a aa a. . . . Se A AA A e B BB B so , ento:
) A + B A + B A + B A + B = B BB B + A AA A (2.9)
) (A + B A + B A + B A + B) = A + B A + B A + B A + B (2.10)

2.2. 2.2. 2.2. 2.2.2 22 2. Produto de um escalar por uma matriz . Produto de um escalar por uma matriz . Produto de um escalar por uma matriz . Produto de um escalar por uma matriz
Qualquer escalar pode ser multiplicado por qualquer matriz. O produto de um escalar e
uma matriz definido como o produto de cada elemento da matriz e o escalar. Por exem-
plo: se A AA A e um nmero real, tem-se:
= = = = (
) =
(2.11)
Desde que
, o produto de um escalar e uma matriz comutativo, ou seja:

= (2.12)

.
6
2.2. 2.2. 2.2. 2.2.3. 3. 3. 3. Produto de duas matrizes Produto de duas matrizes Produto de duas matrizes Produto de duas matrizes ou dois vetores ou dois vetores ou dois vetores ou dois vetores
Para que o AB AB AB AB de duas matrizes seja possvel, o nmero de colunas da matriz A AA A
deve ser igual ao nmero de linhas de B BB B. Neste caso, dizemos que as matrizes A AA A e B BB B so
. Ento, o ()-simo elemento do produto C CC C = AB AB AB AB definido como:

(2.13)
Que igual soma dos produtos dos elementos da -sima linha de A AA A pelos elementos da
-sima coluna de B BB B. Assim, ns multiplicamos todas as linhas de A AA A por todas as colunas de
B BB B. Se A AA A e B B B B ento C C C C = AB AB AB AB . Por exemplo,
A AA A(2
3) =
2 1 3
4 6 5
e B BB B(3
2) =
1 4
2 6
3 8

Ento
2A AA A
B BB B2 = 2C CC C2 =
(
+ + + +
+ + + +
) 8 )( 5 ( ) 6 )( 6 ( ) 4 )( 4 ( ) 3 )( 5 ( ) 2 )( 6 ( ) 1 )( 4 (
) 8 )( 3 ( ) 6 )( 1 ( ) 4 )( 2 ( ) 3 )( 3 ( ) 2 )( 1 ( ) 1 )( 2 (
=
(
92 31
38 13

3B BB B
A AA A3 = 3D DD D3 =
(
(
(
49 51 38
36 38 28
23 25 18

Se A AA A e B BB B , onde , ento o produto AB AB AB AB definido, mas o produto BA BA BA BA
no definido. Se A AA A e B BB B ento o produto AB AB AB AB e o produto BA BA BA BA . Neste
caso, certamente, AB AB AB AB BA BA BA BA, como ilustrado no exemplo anterior. Se A AA A e B BB B so ento AB AB AB AB
e BA BA BA BA tm o mesmo tamanho, mas, em geral:
AB AB AB AB BA BA BA BA (2.14)

A matriz identidade I II I o elemento neutro da multiplicao de matrizes. Isto quer
dizer que, se A AA A e I II I forem matrizes ento A AA A I II I = I II I A AA A = A. A. A. A.
A multiplicao de matrizes no comutativa e algumas manipulaes familiares
com nmeros reais no podem ser feitas com matrizes. Entretanto, a multiplicao de
matrizes :
A AA A(B B B B C CC C) = AB AB AB AB AC AC AC AC (2.15)
(A A A A B BB B)C CC C = AC AC AC AC BC CC C (2.16)

Usando (2.15) e (2.16) ns podemos expandir produtos como (A A A A B BB B)(C C C C D DD D):
(A A A A B BB B)(C C C C D DD D) = (A A A A B BB B)C C C C (A A A A B BB B)D DD D
= AC AC AC AC BC BC BC BC AD AD AD AD + BD BD BD BD (2.17)

A multiplicao envolvendo vetores segue as mesmas regras definidas para as ma-
trizes. Suponha que A AA A , b bb b 1, c cc c 1 e d dd d 1. Ento:
Ab Ab Ab Ab um vetor coluna 1
dA dA dA dA um vetor linha de dimenso 1

.
7
bc bc bc bc um escalar correspondendo soma de produtos
bc bc bc bc uma matriz
cd cd cd cd uma matriz

Desde que bc bc bc bc uma soma de produtos (um escalar!) tem-se que bc bc bc bc = cb cb cb cb:
bc bc bc bc =

cb cb cb cb =

bc bc bc bc = cb cb cb cb (2.18)

A matriz cd cd cd cd dada por
cd cd cd cd =
(2.19)
Similarmente:
bb bb bb bb =
++
(2.20)
bb bb bb bb =
(2.21)
Assim, bb bb bb bb uma soma de quadrados e bb bb bb bb uma matriz quadrada e simtrica.

A raiz quadrada da soma de quadrados dos elementos de um vetor (1) igual
distncia da origem ao ponto b bb b e conhecida como a , ou o comprimen-
to do vetor b bb b:
b bb b = = =
(2.22)

Se j um vetor 1 de 1s como definido em (2.6), ento por (2.18) e (2.19) temos
que:
jj = , jj =
1 1 1
1 1 1

1 1 1
= J (2.23)
onde J uma matriz quadrada () de 1s como ilustrada em (2.7).

.
8
Se a aa a um vetor 1 e A AA A uma matriz , ento:
j = j =
(2.24)
jA A A A =

e A AA A

j = = = =
(2.25)
Assim, j j j j = j a soma dos elementos em , jA A A A contem os totais das colunas de A AA A e A AA Aj
contem os totais das linhas de A AA A. Note que em j, o vetor j jj j 1; em jA A A A, o vetor j 1 e
em A AA Aj, o vetor j 1.

Exemplo 1. Exemplo 1. Exemplo 1. Exemplo 1. Seja a matriz A = A = A = A =
1 2 3 4
5 1 6 4
2 5 4 0
e o vetor =
2
5
1
8
ento:
) j'A 'A 'A 'A =
1 1 1

1 2 3 4
5 1 6 4
2 5 4 0
=
8 4 13 8
(totais das colunas de A AA A)
) A AA Aj =
1 2 3 4
5 1 6 4
2 5 4 0

1
1
1
1
= == =
6
16
11
(totais das linhas de A AA A)
) j =
2 5 1 8

1
1
1
1
= j =
1 1 1 1

2
5
1
8
= 16 (total dos elementos de )

A do produto de duas matrizes igual ao produto das transpostas em
ordem reversa.

Teorema 2.2 Teorema 2.2 Teorema 2.2 Teorema 2.2b bb b. Se A AA A e B B B B , ento:
(AB AB AB AB) = BA BA BA BA (2.26)

Para ilustrar os passos dessa prova, vamos usar as matrizes A AA A2
3 e B BB B3
2:
AB AB AB AB =

Mas

.
9
(AB AB AB AB) =

Ento:
(AB AB AB AB) =
= BA BA BA BA

Corolrio 1. Corolrio 1. Corolrio 1. Corolrio 1. Se A AA A, B BB B e C CC C so conformes, ento (ABC ABC ABC ABC) = CBA CBA CBA CBA.

Exemplo 2. Exemplo 2. Exemplo 2. Exemplo 2. Seja y yy y =
um vetor de pesos de frangos de corte. Para calcular a

mdia e a varincia dos pesos desses frangos, ns usamos:
=

Matricialmente, a mdia pode ser calculada por =
jy y y y, onde j um vetor 1 de 1s e
= j j. Para calcular a varincia precisamos, primeiramente, calcular o vetor de desvios:
y yy y = y yy y j = y yy y j
1
= y yy y
1
jjy y y y = y yy y
1
Jy y y y =
1
y yy y
Onde I II I a matriz identidade e J uma matriz de 1s. Para calcular a soma de qua-
drados de desvios fazemos:
( )
n
i
i
y y
1
2
=
t
n
(
\
|
y J I
1
|
\
|
J I
n
1
y yy y
= y y y y
t
n
|
\
|
J I
1
|
\
|
J I
n
1
y = y y = y y = y y = y
IJ I I'
n
1
I J'
n
1
+ + + +
)
`
J J'
2
1
n
y yy y
Mas J = J , II II II II = I II I, I II IJ = J, JI I I I = J = J, j j = e e e e J J = j jj j = J. Assim temos:
( )
n
i
i
y y
1
2
= y y y y
J I
n
2
+ ++ +
)
`
J n
n
2
1
y yy y = y y y y
J I
n
2
+ ++ +
)
`
J
n
1
y y y y = y y y y
|
\
|
J I
n
1
y yy y

A varincia amostral pode ser calculada por:
=
1
1
n
y J I y'
|
\
|

n
1

.
10
Supondo que A AA A e B BB B , seja
a -sima linha da matriz A AA A e
, a -sima coluna
da matriz B BB B, de tal forma que:
A A A A =
, B = B = B = B =

Ento, por definio, o ()-simo elemento de AB AB AB AB calculado por
. Tem-se:
AB AB AB AB =
(2.27)
A primeira coluna de AB AB AB AB pode ser expressa em termos de A AA A como

De forma anloga, a segunda coluna de AB AB AB AB
e assim por diante. Podemos escre-

ver AB AB AB AB em termos das colunas de B BB B da seguinte forma:
AB AB AB AB =
(2.28)

Qualquer matriz A AA A pode ser multiplicada pela sua transposta para formar AA AA AA AA ou
AA. AA. AA. AA. Algumas propriedades desses produtos so dadas no prximo teorema.

Teorema 2.2 Teorema 2.2 Teorema 2.2 Teorema 2.2c cc c. Seja A A A A uma matriz . Ento AA AA AA AA e AA AA AA AA tm as seguintes propriedades:
) )) ) AA AA AA AA e obtida como produto das de A AA A.
) )) ) AA AA AA AA e obtida como produto das de A. A. A. A.
) )) ) Ambas as matrizes AA AA AA AA e AA AA AA AA so .
) )) ) Se AA AA AA AA = ento A = A = A = A = .

Seja A AA A uma matriz quadrada e D DD D = (
,
,,
). No produto DA DA DA DA, a -sima linha

de A AA A multiplicada por
e em AD AD AD AD, a -sima coluna de A A A A multiplicada por
. Por exem-
plo, se = 3, ns temos:

.
11
DA DA DA DA =
0 0
0
0
0 0
(2.29)
AD AD AD AD =
0 0
0
0
0 0
(2.30)
DAD DAD DAD DAD =
(2.31)

Vale notar que DA DA DA DA AD AD AD AD. Entretanto, no caso especial onde a matriz diagonal a
matriz identidade, (2.29) e (2.30) temos:
IA IA IA IA = AI AI AI AI = A AA A (2.32)

Se A AA A retangular a igualdade (2.32) continua valendo, mas as matrizes identidade das
duas igualdades so de dimenses diferentes.

Se A A A A uma matriz simtrica e y yy y um vetor, o produto:
yAy yAy yAy yAy =
+2

(2.33)

chamado de . Se x xx x 1, y yy y 1 e A AA A , o produto:
xAy xAy xAy xAy =

(2.34)
chamado de .

2.2.4. Produto de Hadamard de duas matrizes ou dois vetores 2.2.4. Produto de Hadamard de duas matrizes ou dois vetores 2.2.4. Produto de Hadamard de duas matrizes ou dois vetores 2.2.4. Produto de Hadamard de duas matrizes ou dois vetores
Algumas vezes interessante um terceiro tipo de produto, chamado produto de Hada-
mard ou elemento-a-elemento. Se duas matrizes ou dois vetores tm a mesma dimenso
(conformes para a adio), o obtido multiplicando os elementos
correspondentes.
A AA A # ## # B BB B =

.
12
2.2. 2.2. 2.2. 2.2.5 55 5. . . . Soma Direta Soma Direta Soma Direta Soma Direta de duas matrizes de duas matrizes de duas matrizes de duas matrizes
Se a matriz A AA A e B BB B definimos a de A A A A e B como
A A A A B BB B =
(
B 0
0 A
= C CC C
em que C C C C ( +) ( +). Algumas propriedades interessantes da soma direta:
) A A A A (A AA A)
) Se as dimenses so favorveis, ento:
(A A A A B BB B) + (C C C C D DD D) = (A + C A + C A + C A + C) (B B B B + D DD D)
(A A A A B BB B)(C C C C D DD D) = AC AC AC AC BD BD BD BD

Exemplo 3. Exemplo 3. Exemplo 3. Exemplo 3. Sejam as matrizes:
A A A A = [ ] 15 11 10 , , , , B B B B =
(
1 4
5 3
e C CC C = [ ] 15 11 10
Ento,
A A A A B = B = B = B =
(
(
(
1 4 0 0 0
5 3 0 0 0
0 0 15 11 10
A A A A C CC C =
(
15 11 10 0 0 0
0 0 0 15 11 10

(Perceba que A AA A + C CC C = )

2.2.6 2.2.6 2.2.6 2.2.6. Produto direto ou de Kronecker . Produto direto ou de Kronecker . Produto direto ou de Kronecker . Produto direto ou de Kronecker
Se A AA A e B BB B definimos o ou de A A A A por B B B B
como a matriz C CC C de dimenso () obtida como:
C CC C = A A A A B BB B =

Algumas propriedades interessantes do produto direto de matrizes:
) A A A A B BB B B B B B A AA A , em geral.
) Se e so vetores, ento = = .
) Se D DD D = (
, ,
) e A AA A uma matriz qualquer, ento:

D D D D A AA A =
A AA A
A AA A
A AA A
) Se as dimenses so favorveis, ento:
(A AA A B BB B)(C CC C D DD D) = AC AC AC AC BD BD BD BD

.
13
Exemplo 4. Exemplo 4. Exemplo 4. Exemplo 4. Sejam as matrizes:
A AA A(2
2) =
(
4 3
2 1
, B BB B(2
3) =
(
6 5 3
0 1 1
, y yy y(3
1) =
(
(
(
0
1
1
.
Ento
A AA A B BB B =
1 1 0 2 2 0
3 5 6 6 10 12
3 3 0 4 4 0
9 15 18 12 20 24
B BB B A AA A =
1 2 1 2 0 0
3 4 3 4 0 0
3 6 5 10 6 12
9 12 15 20 18 24

A AA Ay yy y =
1 2
1 2
0 0
3 4
3 4
0 0
y yy yA AA A =
1 2
3 4
1 2
3 4
0 0
0 0

2.2. 2.2. 2.2. 2.2.7 77 7 Potncia de matriz quadrada Potncia de matriz quadrada Potncia de matriz quadrada Potncia de matriz quadrada
Dada uma matriz quadrada A AA A e um nmero (conjunto dos nmeros inteiros e posi-
tivos), definimos a -sima potncia da matriz A AA A como:
=
43 42 1
L
k vezes
A AAA
Em relao sua segunda potncia, uma matriz quadrada A AA A ser chamada de:
) , se
= A = A = A = A.
) , se
= . .. .
) , se
= I II I.

Teorema Teorema Teorema Teorema A1 A1 A1 A1. .. . Se P PP P uma matriz e se I II I a matriz identidade de ordem
, ento a matriz (I I I I P PP P) .

2.3. MATRIZES PARTICIONADAS 2.3. MATRIZES PARTICIONADAS 2.3. MATRIZES PARTICIONADAS 2.3. MATRIZES PARTICIONADAS
Muitas vezes conveniente particionar uma matriz em submatrizes. Por exemplo, uma
partio de uma matriz A AA A em quatro submatrizes (quadradas ou retangulares) de dimen-
ses apropriadas, pode ser indicada simbolicamente como:
A AA A =
(
22 21
12 11
A A
A A

Para ilustrar, seja a matriz A AA A(4
5) particionada como:

.
14
A A A A =
(
(
(
(
6 1 2 1 3
2 5 6 3 9
7 2 0 4 3
4 8 5 2 7
=
(
22 21
12 11
A A
A A

Onde:
A AA A11 =
(
0 4 3
5 2 7
, A AA A12 =
(
7 2
4 8
, A AA A21 =
(
2 1 3
6 3 9
e A AA A22 =
(

6 1
2 5

Se duas matrizes A AA A e B BB B so conformes, e se A A A A e B BB B so particionadas de tal forma que
as submatrizes sejam apropriadamente conformes, ento o produto AB AB AB AB pode ser obtido
usando a maneira usual de multiplicao definida em (2.13) tendo as submatrizes como
se fossem elementos nicos. Por exemplo:
AB AB AB AB =
(
22 21
12 11
A A
A A
(
22 21
12 11
B B
B B

=
(
+ +
+ +
22 22 12 21 21 22 11 21
22 12 12 11 21 12 11 11
B A B A B A B A
B A B A B A B A
(2.35)

Se B BB B trocada por um vetor b bb b particionado em dois conjuntos de elementos e se A AA A
correspondentemente particionada em dois conjuntos de colunas, ento (2.35) fica:
Ab Ab Ab Ab = A AA A1 A AA A2
(
2
1
b
b
= A AA A1b bb b1 + A AA A2b bb b2 (2.36)
Em que o nmero de colunas de A AA A1 (A AA A2) igual ao nmero de elementos de b bb b1 (b bb b2).

A multiplicao particionada em (2.36) pode ser estendida para colunas individuais
de A AA A e elementos individuais de b bb b:
Ab Ab Ab Ab =
++
(2.37)
Assim, o produto Ab Ab Ab Ab pode ser expresso como uma A AA A,
em que os coeficientes so os elementos de b bb b.

Exemplo 5. Exemplo 5. Exemplo 5. Exemplo 5. Sejam A = A = A = A =
6 2 3
2 1 0
4 3 2
e b bb b =
4
2
1
, ento Ab Ab Ab Ab =
17
10
20

Usando (2.37) podemos escrever:

.
15
Ab Ab Ab Ab =

= (4)
6
2
4
+ (2)
2
1
3
+ (1)
3
0
2
=
24
8
16
+
4
2
6
+
3
0
2
=
17
10
20

Por (2.28) e (2.37), as colunas do produto AB AB AB AB so combinaes lineares das colunas
de A AA A. Os coeficientes para a -sima coluna de AB AB AB AB so os elementos da -sima coluna de B BB B.

O produto de um vetor linha por uma matriz, aB aB aB aB, pode ser expresso como uma com-
binao linear das linhas de B BB B, em que os coeficientes so os elementos de a a a a:
aB aB aB aB =
++
(2.38)
Por (2.27) e (2.38) as linhas do produto AB AB AB AB so
de B BB B. Os coeficientes da -sima linha de AB AB AB AB so os elementos da -sima linha de A AA A.

Finalmente, notamos que se uma matriz A AA A particionada como A AA A = A AA A1 A AA A2, ento:
A A A A = A AA A1 A AA A2 =
(2.39)

2.4 2.4 2.4 2.4 POSTO ( POSTO ( POSTO ( POSTO (RANK RANK RANK RANK) DE UMA MATRIZ ) DE UMA MATRIZ ) DE UMA MATRIZ ) DE UMA MATRIZ
Antes de definir o (ou ) de uma matriz, ns introduziremos a noo de depen-
dncia e independncia linear de vetores.
Um conjunto de vetores {
, ,
} dito (. .) se pu-
dermos encontrar um conjunto de escalares
, ,
(nem todos nulos) de tal forma

que:
+ +
= 0 00 0 (2.40)

Se no encontrarmos um conjunto de escalares
, ,
(nem todos nulos) que satisfa-

am (2.40), o conjunto de vetores {
, ,
} dito (. .).
Por (2.37), podemos reescrever essa definio da seguinte forma:
As colunas de A AA A so se Ac Ac Ac Ac = 0 00 0 implica em c cc c = 0 00 0.
Observe que se um conjunto de vetores incluir um vetor nulo, este conjunto de vetores
linearmente dependente.

Se (2.40) satisfeita ento existe pelo menos um vetor
que pode ser expresso

como uma combinao linear dos outros vetores do conjunto. Entre vetores linearmente
independentes no existem redundncias desse tipo.

.
16
Definio Definio Definio Definio A1. A1. A1. A1. O () de qualquer matriz A AA A (quadrada ou retangular) definido
como o nmero de colunas (linhas) linearmente independentes de A AA A. .. .

Pode-se mostrar que o nmero de colunas . . de qualquer matriz igual ao nmero de
linhas . . desta matriz.
Se a matriz A AA A tem um nico elemento diferente de zero, com todos os demais elementos
iguais a zero, ento (A AA A) = 1. O vetor 0 00 0 e a matriz tm zero.
Se a matriz retangular A AA A de , onde < , ento A AA A tem o maior pos-
svel e dizemos que A A A A tem .
Em geral, o maior posto possvel de uma matriz A AA A o (, ). Assim, em uma matriz
retangular, as linhas, as colunas ou ambas so linearmente dependentes. Ns ilustramos
esse fato no prximo exemplo.

Exemplo 6. Exemplo 6. Exemplo 6. Exemplo 6. O posto da matriz:
A AA A =
1 2 3
5 2 4

igual a 2, porque as duas linhas so linearmente independentes (nenhuma linha mlti-
pla da outra). Consequentemente, pela definio de , o nmero de colunas . . tam-
bm 2. Portanto, as trs colunas de A A A A formam um conjunto de vetores . . e por (2.40)
existem constantes
(nem todas nulas) tais que:

1
5
+

2
2
+

3
4
=
0
0
(2.41)
Por (2.37) ns escrevemos (2.41) na forma
1 2 3
5 2 4

=
0
0
ou Ac Ac Ac Ac = 0 00 0 (2.42)
A soluo (no trivial) para (2.42) dada por qualquer mltiplo de c c c c =
14 11 12
.
Neste caso o produto Ac Ac Ac Ac = 0 00 0, mesmo com A AA A 0 00 0 e c cc c 0 00 0. Isso s possvel por causa da
dependncia linear dos vetores (colunas) de A AA A.

Nem sempre fcil perceber que uma linha (ou coluna) uma combinao linear de
outras linhas (ou colunas). Nesses casos pode ser difcil calcular o de uma matriz.
Entretanto, se conseguirmos obter a forma escalonada cannica (. . .) da matriz, o seu
corresponder ao nmero de linhas (ou colunas) que tenham o nmero 1 como l-
der. A obteno da . . . de uma matriz feita atravs de operaes elementares em suas
linhas (ou colunas).

Definio Definio Definio Definio A2. A2. A2. A2. So chamadas de operaes elementares nas linhas da matriz A A A A (e de modo
similar nas suas colunas):
) Trocar a posio de duas linhas da matriz.
) Multiplicar uma linha da matriz por um escalar 0 (
).
) Somar a uma linha da matriz um mltiplo de outra linha (
).

.
17
Teorema Teorema Teorema Teorema A2. A2. A2. A2. Uma matriz A A A A equivalente por linhas a uma matriz B BB B se B BB B pode ser obtida
de A AA A aplicando-se uma sequencia de operaes elementares sobre as suas linhas.

Definio Definio Definio Definio A3. A3. A3. A3. Dizemos que uma matriz A AA A () est na sua
ou se ocorrer simultaneamente que:
a) o primeiro elemento no nulo de cada linha no nula o nmero 1 (piv);
b) toda coluna que tem um piv, tem todos os outros elementos nulos;
c) o piv da linha +1 ocorre direita do piv da linha ( = 1, 2, , 1).
d) todas as linhas nulas (formadas inteiramente por zeros) ocorrem abaixo das linhas
no nulas.

Definio A4. Definio A4. Definio A4. Definio A4. Dizemos que uma matriz est na sua se ela satisfaz as
propriedades (c) e (d), mas no necessariamente as propriedades (a) e (b).

Das matrizes apresentadas a seguir, B BB B no est na forma escalonada, A AA A e C C C C esto nas
suas formas escalonadas cannicas e D DD D, na forma escalonada.
A AA A =
(
(
(
0 0 0
0 1 0
0 0 1
, B BB B =
(
(
(
(
0 0 1 0
0 1 0 0
1 0 0 0
0 0 0 1
, C C C C =
(
0 0 0 0
2 1 2 1
, D DD D =
(
(
(
1 0 0
0 3 0
3 0 4

Teorema Teorema Teorema Teorema A3 A3 A3 A3. Dada uma matriz real A AA A () sempre possvel obtermos a sua forma esca-
lonada cannica (. . .) atravs de operaes elementares.

Assim, calcular o posto da matriz A A A A o mesmo que calcular o da . . . de A AA A, pois
so equivalentes. Portanto, calcular o da . . . de A AA A o mesmo que contar o seu
nmero de 1s pivs.

Exemplo 7. Exemplo 7. Exemplo 7. Exemplo 7. Vamos obter a . . . da matriz A AA A do Exemplo 6:
A = A = A = A =
(

4 2 5
3 2 1

) Fazendo
, ns obtemos:
(

4 2 5
3 2 1
~
(
11 12 0
3 2 1
.
) Fazendo
/12, ns obtemos:
(
11 12 0
3 2 1
~
(
12 / 11 1 0
3 2 1
.

.
18
) Fazendo
+2
, ns obtemos:
(
12 / 11 1 0
3 2 1
~
(
12 / 11 1 0
6 / 7 0 1

. . . de A AA A a matriz
(
12 / 11 1 0
6 / 7 0 1
o (A AA A) = 2.

Definio A5. Definio A5. Definio A5. Definio A5. Dizemos que uma matriz quadrada est na (Graybill
1969, p.120) se satisfaz as seguintes condies:
a) uma matriz triangular superior;
b) tem apenas valores zero ou um na sua diagonal;
c) se tem o valor zero na diagonal, os elementos restantes na linha so zeros;
d) se tem o valor um na diagonal, os elementos restantes da coluna em que aparece o n-
mero um, so nulos.

Definio A6. Definio A6. Definio A6. Definio A6. Dizemos que uma matriz quadrada est na (Graybill,
1969, p.286) se ela satisfaz as condies de uma e apresenta as linhas
de zeros abaixo das linhas que no so nulas.

Ns podemos estender (2.42) para produtos de matrizes. possvel encontrar
matrizes A AA A e B BB B , ,, , tais que:
AB AB AB AB = (2.43)
Por exemplo,
(
4 2
2 1
(
3 1
6 2
=
(
0 0
0 0

Ns tambm podemos explorar a dependncia linear das linhas ou colunas de uma
matriz para criar expresses tais como AB AB AB AB = CB CB CB CB, onde A AA A C CC C. Assim em uma equao ma-
tricial, ns no podemos, em geral, cancelar uma matriz de ambos os lados da equao.
Uma exceo a esta regra ocorre quando as matrizes envolvidas so quadradas e B BB B uma
matriz no singular (ser definida na Seo 2.5).

Exemplo 8. Exemplo 8. Exemplo 8. Exemplo 8. Ns ilustramos a existncia de matrizes A AA A, B BB B e C C C C tais que AB AB AB AB = CB CB CB CB, onde A AA A C CC C.
Sejam as matrizes:
A = A = A = A =
1 3 2
2 0 1
, B BB B =
1 2
0 1
1 0
, C CC C =
2 1 1
5 6 4
AB AB AB AB = CB CB CB CB =
3 5
1 4
.

O teorema seguinte d um caso geral e dois casos especiais para o do produto de
duas matrizes.

.
19
Teorema 2.4 Teorema 2.4 Teorema 2.4 Teorema 2.4a aa a. .. .
) Se A A A A e B BB B so matrizes conformes, ento (AB AB AB AB) (A AA A) e (AB AB AB AB) (B BB B).
) A multiplicao por uma matriz no singular (ver Seo 2.5) no altera o da ma-
triz, isto , se B BB B e C CC C so no singulares (AB AB AB AB) = (CA CA CA CA) = (A AA A).
) Para qualquer matriz A AA A, (AA AA AA AA) = (AA AA AA AA) = (A A A A) = (A AA A).
:
) Todas as colunas de AB AB AB AB so combinaes lineares das colunas de A AA A (ver um coment-
rio no Exemplo 2.3) consequentemente, o nmero de colunas . . de AB AB AB AB menor ou
igual ao nmero de colunas . . de A AA A, e (AB AB AB AB) (A AA A). Similarmente, todas as
linhas de AB AB AB AB so combinaes lineares das linhas de B BB B ver comentrio em (2.38) e
da, (AB AB AB AB) (B BB B).
) Se B B B B no singular, existe uma matriz
tal que
= I II I ver (2.45) a seguir.

Ento, de () ns temos que:
(A AA A) = (
) (AB AB AB AB) (A AA A).

Assim ambas as desigualdades tornam-se igualdades e (A AA A) = (AB AB AB AB). Simi-
larmente, (A AA A) = (CA CA CA CA) para C CC C no singular.

2.5. INVERSA DE UMA MATRIZ 2.5. INVERSA DE UMA MATRIZ 2.5. INVERSA DE UMA MATRIZ 2.5. INVERSA DE UMA MATRIZ
Uma matriz quadrada de posto completo dita . Uma matriz A AA A no singular
tem inversa nica, denotada por
, com a propriedade que:

A A A A
A AA A = I II I (2.45)

Um algoritmo simples (que trabalhoso se a dimenso da matriz grande!) para
obteno da inversa de uma matriz consiste em justapor matriz A A A A uma matriz identidade
de mesma ordem. Opera-se simultaneamente sobre as linhas das duas matrizes at que no
lugar da matriz A AA A aparea a sua . . . (neste caso, uma matriz identidade). Nesse momen-
to, no lugar da matriz identidade estar a inversa
de A AA A. Ou seja:
A AA A | I II I ~ ~ I II I |

Exemplo 9. Exemplo 9. Exemplo 9. Exemplo 9. Seja a matriz quadrada:
A AA A =
(
6 2
7 4
.
(1) Fazendo
(1/2)
:
(
1 0 6 2
0 1 7 4
~
(
1 2 / 1 2 / 5 0
0 1 7 4

.
20
(2) Fazendo
= (2/5)
:
(
1 2 / 1 2 / 5 0
0 1 7 4
~
(
5 / 2 5 / 1 1 0
0 1 7 4

(3) Fazendo
+(7)
:
(
5 / 2 5 / 1 1 0
0 1 7 4
~
(
5 / 2 5 / 1 1 0
5 / 14 5 / 12 0 4

(4) Fazendo
= (1/4)
:
(
5 / 2 5 / 1 1 0
5 / 14 5 / 12 0 4
~
(
5 / 2 5 / 1 1 0
10 / 7 5 / 3 0 1

Ento
(
1 0 6 2
0 1 7 4
~ ~
(
5 / 2 5 / 1 1 0
10 / 7 5 / 3 0 1

=
(
4 . 0 2 . 0
7 . 0 6 . 0

Se a matriz B B B B no singular e AB AB AB AB = C CC CB BB B, ento ns podemos multiplicar direita por
os dois lados da igualdade, obtendo:

AB AB AB AB = CB CB CB CB AB AB AB AB
= CB CB CB CB
A AA A = C CC C
Importante: Importante: Importante: Importante: Se a matriz B BB B singular ou retangular, ela no pode ser cancelada nos dois
lados da igualdade AB AB AB AB = CB CB CB CB.

Similarmente, se A AA A no singular ento o sistema = tem a soluo nica:
= = = =
(2.47)

Teorema 2.5 Teorema 2.5 Teorema 2.5 Teorema 2.5a aa a. .. . Se A AA A no singular, ento A A A A no singular e a sua inversa pode ser encon-
trada como:
(A A A A)
1
= (
) (2.48)

Teor Teor Teor Teorema 2.5 ema 2.5 ema 2.5 ema 2.5b bb b. Se A A A A e B BB B so matrizes no singulares de mesma dimenso, ento AB AB AB AB no-
singular e
(AB AB AB AB)
1
=
(2.49)

Se a matriz A AA A simtrica, no singular e particionada como:
A AA A =
(
22 21
12 11
A A
A A

Se B B B B = A AA A22 A AA A21(A AA A11)
1
A AA A12, ento supondo que (A AA A11)
1
e B BB B
1
existem, a inversa de A AA A dada
por:

.
21
A AA A
1
=
(

1 1
11 21
1
1
12
1
11
1
11 21
1
12
1
11
1
11
B A A B
B A A A A B A A A
(2.50)

Como um caso especial de (2.50), consideremos a matriz no singular:
A AA A =

onde A AA A11 quadrada,
um escalar e
um vetor. Ento se (A AA A11)

1
existe, a inversa
de A AA A pode ser expressa como:
1
(2.51)
onde =
.

Como outro caso especial de (2.50) temos:
A AA A =

que tem a inversa
A AA A
1
=
(2.52)

Se uma matriz quadrada da forma B B B B + cc cc cc cc no singular, onde c cc c um vetor e B BB B
uma matriz no singular, ento:
(B B B B + cc cc cc cc)
1
= B BB B
1

c B c'
B cc' B
1
1 1
1

+
(2.53)

2.6 2.6 2.6 2.6 MATRIZES POSITIVAS DEFINIDAS MATRIZES POSITIVAS DEFINIDAS MATRIZES POSITIVAS DEFINIDAS MATRIZES POSITIVAS DEFINIDAS
Formas quadrticas foram introduzidas em (2.33). Por exemplo, a forma quadrtica
3
+4
+5
pode ser expressa como:

3
+4
+5
= yAy yAy yAy yAy

Onde
y yy y =
e A AA A =
3 4 5
0 1 6
0 0 2
.
Entretanto, essa forma quadrtica pode ser expressa em termos da matriz simtrica:
2
1
(A AA A + A A A A) =
3 2 5/2
2 1 3
5/2 3 2

.
22
Em geral, qualquer forma quadrtica yAy yAy yAy yAy pode ser expressa como:
yAy yAy yAy yAy = y y y y
|
\
|
+
2
A' A
y y y y (2.54)
Assim a matriz-ncleo da forma quadrtica pode sempre ser escolhida como uma matriz
simtrica (e nica!).

Exemplo 10. Exemplo 10. Exemplo 10. Exemplo 10. A varincia amostral definida como

=
1
1
n
y J I y'
|
\
|

n
1

uma forma quadrtica e a sua matriz ncleo simtrica:
A AA A =
1
1
n
(
(
(
(
(
(
(
(
\
|

\
|

|
\
|

n n n
n n n
n n n
1
1
1 1
1 1
1
1
1 1 1
1
L
M M M
L
L
=
( ) ( )
( ) ( )
( ) ( ) (
(
(
(
(
(
(
(
\
|
\
|
\
|
n n n n n
n n n n n
n n n n n
1
1
1
1
1
1
1 1
1
1
1
1
1
1 1
L
M M M
L
L

As somas de quadrados encontradas na anlise de regresso (Captulos 6 a 10) e
anlise de varincia (Captulos 11 a 14) podem ser expressas na forma yAy yAy yAy yAy, onde y yy y um
vetor de observaes. Tais formas quadrticas so positivas (ou no mnimo no negati-
vas) para todos os valores de y yy y.

Se a matriz simtrica A AA A tem a propriedade de yAy yAy yAy yAy > 0 para todos os possveis veto-
res de observaes y yy y, com exceo de y yy y = 0 00 0, ento a forma quadrtica yAy yAy yAy yAy dita positiva
definida e A AA A dita .
Similarmente, se yAy yAy yAy yAy 0 para todos os possveis vetores de observaes y yy y, com
exceo de y yy y = 0 00 0, ento a forma quadrtica yAy yAy yAy yAy dita positiva semidefinida e A AA A dita
.

Exemplo 11. Exemplo 11. Exemplo 11. Exemplo 11. Para ilustrar uma , considere:
A A A A =
(
3 1
1 2

A forma quadrtica associada :
yAy yAy yAy yAy = 2
+3
= 2(
0,5
+(5/2)

que claramente positiva a menos que
sejam ambos iguais a zero.

.
23
Para ilustrar uma matriz positiva semidefinida, considere:
(2
)
2
+ (3
)
2
+ (3
)
2

que pode ser expresso na forma yAy yAy yAy yAy, com
A AA A =
13 2 3
2 10 6
3 6 5

Se 2
, 3
e 3
= 2
, ento (2
)
2
+ (3
)
2
+ (3
)
2
= 0.
Assim yAy yAy yAy yAy = 0 para qualquer mltiplo de y yy y = 1 2 3 . Para todos os outros casos (com
exceo de y yy y = 0 00 0), tem-se yAy yAy yAy yAy > 0 .

) Se A A A A positiva definida, ento todos os elementos
da sua diagonal so positivos.

) Se A A A A positiva semidefinida, ento todos
0.
(Ver prova na pgina 23 do livro do Rencher).

Teorema 2.6 Teorema 2.6 Teorema 2.6 Teorema 2.6b bb b. .. . Seja P PP P uma matriz no singular.
) Se A A A A positiva definida, ento PAP PAP PAP PAP positiva definida.
) Se A A A A positiva semidefinida, ento PAP PAP PAP PAP positiva semidefinida.
(Ver prova na pgina 23 do livro do Rencher)

Corolrio 1. Corolrio 1. Corolrio 1. Corolrio 1. Seja A AA A uma matriz () positiva definida e seja B BB B uma matriz () de
. Ento a matriz BAB BAB BAB BAB positiva definida.

Corolrio 2. Corolrio 2. Corolrio 2. Corolrio 2. Seja A AA A uma matriz () positiva definida e seja B B B B uma matriz (). Se >
ou se (B BB B) = , onde < e < , ento a matriz BAB BAB BAB BAB positiva semidefinida.

Teorema 2.6 Teorema 2.6 Teorema 2.6 Teorema 2.6c cc c. .. . Uma matriz simtrica A positiva definida se e somente se existe uma
matriz no singular P P P P tal que A AA A = PP PP PP PP.
(Ver prova na pgina 23 do livro do Rencher).

Corolrio 1. Corolrio 1. Corolrio 1. Corolrio 1. Uma matriz positiva definida no singular.

Um mtodo de fatorar uma matriz positiva definida A AA A em um produto PP PP PP PP chamado
de ver Seber (1977, pg.304-305), pelo qual A AA A pode ser fa-
torada de modo nico em A A A A = TT = TT = TT = TT, onde T TT T uma matriz no singular e triangular superior.

Teorema 2.6 Teorema 2.6 Teorema 2.6 Teorema 2.6d dd d. Seja B BB B uma matriz .
) Se (B BB B) = , ento BB BB BB BB positiva definida.
) Se (B BB B) < , ento BB BB BB BB positiva semidefinida.

.
24
:
) Para mostrar que yBBy yBBy yBBy yBBy > 0 para y yy y 0 00 0, notamos que yBBy yBBy yBBy yBBy = (By By By By) (By By By By) uma soma
de quadrados e portanto, positiva definida, a menos que By By By By = 0 00 0. Por (2.37) ns po-
demos expressar By By By By na forma By By By By =
++
. Esta combinao linear

no igual a 0 00 0 (para qualquer y yy y 0 00 0) porque (B BB B) = e as colunas de B BB B so . .
) Se (B BB B) < , ento ns podemos encontrar y yy y 0 00 0 tal que:
By By By By =
++
= 0 00 0
porque as colunas de B BB B so . . ver (2.40). Da, yBBy yBBy yBBy yBBy 0.

Note que se B BB B uma matriz quadrada, a matriz B BB B
2
= BB BB BB BB no necessariamente
positiva semidefinida. Por exemplo, seja a matriz
B BB B =
(
2 1
2 1

Ento:
=
(
2 1
2 1
e BB BB BB BB =
(
8 4
4 2

Neste caso,
no positiva semidefinida, mas BB BB BB BB positiva semidefinida, porque yBBy yBBy yBBy yBBy
= 2(
)
2
0.

Teorema 2.6 Teorema 2.6 Teorema 2.6 Teorema 2.6e ee e. .. . Se A AA A positiva definida, ento A AA A
1
positiva definida.
: Pelo Teorema 2.6c, A A A A = PP PP PP PP, onde P PP P no singular. Pelos Teoremas 2.5a e 2.5b, A AA A
1

= (PP PP PP PP)
1
= P PP P
1
(P P P P)
1
= P PP P
1
(P PP P
1
) , que positiva definida pelo Teorema 2.6c.

Teorema 2.6 Teorema 2.6 Teorema 2.6 Teorema 2.6f ff f. .. . Se A AA A positiva definida e particionada na forma
A AA A =
(
22 21
12 11
A A
A A

onde A AA A11 e A AA A22 so matrizes quadradas, ento A AA A11 e A AA A22 so positivas definidas.
: Ns podemos escrever A AA A11 como A AA A11 = 0 00 0 A AA A
(
0
I
, onde I II I tem a mesma dimenso
de A AA A11. Ento, pelo Corolrio 1 do Teorema 2.6b, A AA A11 positiva definida.

.
25
2.7 2.7 2.7 2.7 SISTEMAS DE EQUAES SISTEMAS DE EQUAES SISTEMAS DE EQUAES SISTEMAS DE EQUAES
O sistema de equaes de equaes (lineares) e incgnitas

++
++
++
(2.55)
pode ser escrito na forma matricial como
A AA A = c = c = c = c (2.56)
onde A AA A , 1 e c cc c 1. Note que:
Se ento os vetores e c cc c so de dimenses diferentes.
Se = e A AA A no singular, ento por (2.47), existe um nico vetor soluo =
.
Se > , de tal forma que A AA A tenha mais linhas que colunas (mais equaes do que in-
cgnitas), ento, geralmente, o sistema A AA A = c cc c no tem soluo.
Se < , de tal forma que A AA A tenha menos linhas que colunas, ento o sistema A AA A = c cc c
tem um nmero infinito de solues.
Se o sistema (2.56) tem um ou mais vetores solues, ele chamado de sistema consis-
tente. Se no tem soluo, ele chamado de sistema inconsistente.

Para ilustrar a estrutura de um sistema consistente, suponha que A AA A seja e
< . Ento as linhas de A AA A so linearmente dependentes e existe algum b bb b tal que ver
(2.38):
bA bA bA bA =
++
= 0 0 0 0
Ento, ns tambm podemos ter bc bc bc bc =
++
= 0, porque a multiplicao
de Ax Ax Ax Ax = c c c c por b b b b (de ambos os lados) d:
bA bA bA bA = bc bc bc bc ou 0 0 0 0 = bc bc bc bc = = = = 0
Por outro lado, se bc bc bc bc 0, no existe tal que = c cc c. Portanto, para que A AA A = c cc c seja
consistente, a mesma relao (qualquer que seja) que existe entre as linhas de A AA A deve
existir entre os elementos (linhas) de c cc c. Isso formalizado comparando o posto de A A A A com
o posto da matriz aumentada A A A A c cc c. A notao A A A A c cc c indica que c cc c foi justaposta matriz
A AA A como uma coluna adicional.

Teorema 2.7 Teorema 2.7 Teorema 2.7 Teorema 2.7a aa a O sistema de equaes Ax Ax Ax Ax = c cc c consistente (tem no mnimo uma soluo)
se e somente se (A AA A) = A A A A c cc c.
: Suponha que (A AA A) = A A A A c cc c, de tal forma que justapor o vetor c c c c no
altera o posto da matriz A AA A. Ento c cc c uma combinao linear das colunas de A AA A; isto ,
existe pelo menos um tal que:
+ +
=
que por (2.38) pode ser escrito como A AA A = c cc c. Assim, soluo do sistema A AA A = c cc c.

.
26
Por outro lado, suponha que existe um vetor soluo tal que A AA A = c cc c. Em geral, tem-
se que (A AA A) A A A A c cc c ver Harville (1997, pg. 41). Mas desde que existe
um tal que A AA A = c cc c, ns temos:
A A A A c cc c = A AA A A AA A = A AA A(I (I (I (I ) )) )
(A AA A) Teorema 2.4a(i)
Por isso, (A AA A) A A A A c cc c (A AA A) e da ns temos que:
(A AA A) = A A A A c cc c.

Um sistema de equaes consistente pode ser resolvido pelos mtodos usuais apre-
sentados nos cursos bsicos de lgebra (mtodo da eliminao de variveis, por exemplo).
No processo, uma ou mais variveis podem terminar como constantes arbitrrias, geran-
do assim um nmero infinito de solues. Um mtodo alternativo para resolver o sistema
ser apresentado na Seo 2.8.2.

Exemplo 12. Exemplo 12. Exemplo 12. Exemplo 12. Considere o sistema de equaes:
+2
= 4
= 1
= 3
ou
1 2
1 1
1 1

=
4
1
3

A matriz aumentada :
A A A A c cc c =
1 2 4
1 1 1
1 1 3

que tem A A A A c cc c = 2 porque a terceira coluna igual soma de duas vezes a primeira
coluna com a segunda coluna:
4
1
3
= 2
1
1
1
+
2
1
1
.
Desde que (A AA A) = A A A A c cc c = 2, o sistema consistente (tem ao menos uma solu-
o). Se adicionarmos duas vezes a primeira equao segunda o resultado um mltiplo
da terceira equao. Assim, a terceira equao redundante e as duas primeiras podem
ser facilmente resolvidas para obter a soluo nica = 2 1 .

A Figura 2.1 mostra as trs linhas que representam as trs equaes do sistema.
Note que as trs linhas se cruzam no ponto de coordenadas (2, 1), que a soluo nica
do sistema de trs equaes.

.
27

Figura 2.1 Figura 2.1 Figura 2.1 Figura 2.1 Trs linhas representando as equaes do sistema do Exemplo 12.

Exemplo 13. Exemplo 13. Exemplo 13. Exemplo 13. Se trocarmos o nmero 3 por 2 na terceira equao do Exemplo 12, a matriz
aumentada fica:
A A A A c cc c =
1 2 4
1 1 1
1 1 2

que tem posto = 3, j que nenhuma combinao linear das colunas 0 00 0. Como A AA A c cc c
= 3 (A AA A) = 2, o sistema inconsistente. As trs linhas que representam as trs
equaes so apresentadas na Figura 2.2, onde ns percebemos que as trs linhas no tm
um ponto comum de interseo. Para encontrar a melhor soluo aproximada, uma abor-
dagem consiste em usar o mtodo dos mnimos quadrados, que consiste em buscar os va-
lores de
que minimizam (
+ 2
4)
2
+ (
1)
2
+ (
2)
2
= 0.

Figura 2.2 Figura 2.2 Figura 2.2 Figura 2.2 Trs linhas representando as equaes do sistema do Exemplo 13.

Exemplo Exemplo Exemplo Exemplo 14. 14. 14. 14. Considere agora o sistema:
= 1
2

+
+ 3
= 5
3
+2
+4
= 6

0
1
2
3
4
0 1 2 3 4 5
x
2
x
1
0
1
2
3
4
0 1 2 3 4 5
x
2
x
1

.
28
A terceira equao a soma das duas primeiras, mas a segunda no um mltiplo da pri-
meira. Assim (A AA A) = 2 = A A A A c cc c e temos um sistema consistente. Resolvendo as
duas primeiras equaes para
em termos de
, ns obtemos:
= 2
+4
3
O vetor soluo pode ser expresso como:
=
2
+4
2
1
1
+
4
3
0

onde
uma constante arbitrria. Geometricamente, uma linha representando a in-

terseo dos dois planos correspondentes s duas primeiras equaes.

2.8. INVERSA GENERALIZADA 2.8. INVERSA GENERALIZADA 2.8. INVERSA GENERALIZADA 2.8. INVERSA GENERALIZADA
Vamos considerar inversas generalizadas daquelas matrizes que no tm inversas no sen-
tido usual ver (2.45). Uma soluo de um sistema consistente de equaes A AA A = c cc c pode
ser expresso em termos de uma inversa generalizada de A AA A.

2.8.1 2.8.1 2.8.1 2.8.1 Definio e Propriedades Definio e Propriedades Definio e Propriedades Definio e Propriedades
Uma de uma matriz A AA A qualquer matriz
, que satisfaz:
A AA A
A AA A = A AA A (2.57)

Uma inversa generalizada no nica exceto quando A AA A no singular, neste caso
. Uma inversa generalizada que satisfaz (2.57) tambm chamada de inversa condi-
cional.

Toda matriz (quadrada ou retangular) tem uma inversa condicional. Isso garanti-
do mesmo para vetores. Por exemplo, seja:
=
1
2
3
4

Ento
= 1, 0, 0, 0 uma inversa generalizada de que satisfaz (2.57). Outros exem-

plos so
= 0, 1/2, 0, 0,
= 0, 0, 1/3, 0 e
= 0, 0, 0, 1/4. Para cada
ns
temos:

= = 1, 2, 3, 4.
Nesta ilustrao, um vetor coluna e
um vetor linha. Este modelo generalizado no

seguinte teorema.

Teorema 2.8 Teorema 2.8 Teorema 2.8 Teorema 2.8a aa a. .. . Se A A A A ento qualquer inversa generalizada
.

.
29
No exemplo a seguir ns damos duas representaes de inversas generalizadas de
uma matriz singular.

Exemplo 15 Exemplo 15 Exemplo 15 Exemplo 15. .. . Seja
A AA A =
2 2 3
1 0 1
3 2 4
(2.58)
Como a terceira linha de A AA A a soma das duas primeiras linhas, e a segunda linha no um
mltiplo da primeira, o (A AA A) = 2. Sejam
=
0 1 0
1/2 1 0
0 0 0
,
=
0 1 0
0 3/2 1/2
0 0 0
(2.59)
fcil verificar que A AA A
A A A A = A AA A e A AA A
A A A A = A AA A.

Os mtodos usados para obter
sero descritos no Teorema 2.8b e um algo-

ritmo de cinco passos ser apresentado aps o teorema.

Teorema 2.8 Teorema 2.8 Teorema 2.8 Teorema 2.8b bb b. Suponha que A AA A de posto e que A AA A particionada como
A AA A =
(
22 21
12 11
A A
A A

Onde A AA A11 de posto . Ento a inversa generalizada de A AA A dada por
=
(

A
1
11

Onde as trs matrizes nulas 0 00 0 tm dimenses apropriadas para que
seja .
(Ver prova na pg. 34 no livro do Rencher).

Corolrio 1. Corolrio 1. Corolrio 1. Corolrio 1. Suponha que A AA A de posto e que A AA A particionada como no Teorema 2.8b
onde A AA A22 de posto . Ento a inversa generalizada de A AA A dada por
=
(
1
22
A 0
0 0

onde as trs matrizes nulas so de dimenses apropriadas para que
seja .

A submatriz no singular no precisa estar na posio A AA A11 ou A AA A22, como no Teorema
2.8b e no seu corolrio.
O Teorema 2.8b pode ser estendido para o seguinte algoritmo para encontrar uma
inversa condicional,
, para qualquer matriz A AA A de dimenso de posto Searle, 1982,

p.218:

.
30
1. Encontre qualquer submatriz no singular C CC C (). No necessrio que os ele-
mentos de C CC C ocupem posies (linhas e colunas) adjacentes em A AA A.
2. Encontre
e a sua transposta (
) .
3. Substitua em A A A A os elementos de C CC C pelos elementos de (
) .
4. Substitua todos os outros elementos de A AA A por zeros.
5. Transponha a matriz resultante.

Exemplo 16 Exemplo 16 Exemplo 16 Exemplo 16. . . . Calcular uma inversa generalizada (condicional) de
X = X = X = X =
1 1 0
1 1 0
1 0 1
1 0 1

Usando o algoritmo de Searle (e lembrando que o posto da matriz X XX X 2) fazemos:
1) Escolhemos C = C = C = C =
1 0
0 1
2)
=
1 0
0 1
(
) =
1 0
0 1

3) e 4)
0 0 0
0 1 0
0 0 1
0 0 0
5)
=
(
(
(
0 1 0 0
0 0 1 0
0 0 0 0
uma inversa condicional de X XX X

Vale lembrar que escolhendo outras matrizes C CC C e usando o algoritmo, podemos encontrar
outras inversas condicionais de X XX X.
Algumas propriedades das inversas generalizadas sero dadas no prximo teorema,
que a base terica para diversos resultados importantes do Captulo 11.

Teorema 2.8 Teorema 2.8 Teorema 2.8 Teorema 2.8c cc c. .. . Seja A AA A () de posto , seja
uma inversa generalizada de A AA A e seja

()
uma inversa generalizada de AA AA AA AA. Ento:

) (
A AA A) = (A AA A
) = (A AA A) = .
) (
) uma inversa generalizada de A A A A; isto ()
= (
) .
) A A A A = A AA A()
AA AA AA AA e A AA A = AA = AA = AA = AA()
A. A. A. A.
) ()
A A A A uma inversa generalizada de A AA A, isto ,
= ()
A A A A.
) A AA A()
A A A A simtrica, A AA A()
A A A A = e invariante escolha de ()
. Isto
quer dizer que A AA A()
A A A A permanece a mesma, para qualquer escolha de (AA AA AA AA)

.

Uma inversa generalizada de uma matriz simtrica no necessariamente simtrica.
Entretanto, tambm verdade que uma inversa generalizada simtrica de uma matriz
simtrica, sempre pode ser encontrada ver Problema 2.46. Neste livro, ns assumimos
que as inversas generalizadas de matrizes simtricas tambm so simtricas.

.
31
Alm da inversa generalizada condicional definida em (2.57) existem outras, como a
inversa de mnimos quadrados (
) e a inversa de Moore-Penrose (
). Esta ltima
muito til em demonstraes envolvendo modelos lineares.

Definio Definio Definio Definio A7. A7. A7. A7. Dada a matriz A AA A () ento toda matriz
() que satisfaz as duas

condies seguintes, uma inversa de mnimos quadrados de A AA A:
a) A AA A
A AA A = A AA A
b) A AA A
uma matriz simtrica.

Teorema Teorema Teorema Teorema A4 A4 A4 A4. . . . Toda matriz do tipo
= ()
A A A A uma inversa de mnimos quadrados de

A AA A, , , , para qualquer escolha da inversa condicional ()
.

Exemp Exemp Exemp Exemplo 17 lo 17 lo 17 lo 17. .. . Obter uma inversa de mnimos quadrados de X XX X = == =
1 1 0
1 1 0
1 0 1
1 0 1

Primeiramente calculamos XX XX XX XX =
4 2 2
2 2 0
2 0 2
. Escolhendo C CC C =
2 0
0 2
e usando o algoritmo
de Searle, obtemos:
()
=
0 0 0
0 0,5 0
0 0 0,5

Ento uma inversa de mnimos quadrados de X XX X :
= ()
X XX X =
0 0 0 0
0,5 0,5 0 0
0 0 0,5 0,5

Escolhendo outras submatrizes C CC C e, correspondentemente, calculando outras inversas
condicionais de XX XX XX XX, ns podemos encontrar outras inversas de mnimos quadrados de X XX X.

Outra inversa generalizada a inversa de Moore-Penrose, que bastante til em de-
monstraes matemticas, mas a sua obteno bastante trabalhosa. Geralmente ela ob-
tida atravs de algum pacote estatstico. No do SAS, por exemplo, a inversa de
Moore-Penrose da matriz A A A A obtida com o comando (A AA A).

Definio A8. Definio A8. Definio A8. Definio A8. Dada a matriz A AA A () de posto , ento a matriz
(), de posto , que

satisfaz s quatro condies seguintes, definida como a inversa generalizada de Moore-
Penrose de A AA A:
a) A AA A
A = A A = A A = A A = A
b)
A AA A
= = = =

c) A A A A
simtrica.
d)
A A A A simtrica.

.
32
Teorema A5 Teorema A5 Teorema A5 Teorema A5. . . . Para cada matriz A AA A () existe sempre uma e s uma matriz
que satisfaz
as quatro condies de Moore-Penrose.

2.8.2. Inversas Generalizadas e Sistemas de Equaes 2.8.2. Inversas Generalizadas e Sistemas de Equaes 2.8.2. Inversas Generalizadas e Sistemas de Equaes 2.8.2. Inversas Generalizadas e Sistemas de Equaes
Uma soluo para um sistema de equaes pode ser expressa em termos de uma inversa
generalizada.

Teorema 2.8 Teorema 2.8 Teorema 2.8 Teorema 2.8d dd d. .. . Se o sistema de equaes A AA A = c cc c consistente e se
uma inversa gene-

ralizada de A AA A, ento = = = =
uma soluo do sistema.

(Ver prova na pg. 36 do livro do Rencher).

Importante: Importante: Importante: Importante: Diferentes escolhas de
resultaro em diferentes solues para o sistema

A AA A = c cc c.

Teorema 2.8 Teorema 2.8 Teorema 2.8 Teorema 2.8e ee e. .. . Se o sistema de equaes A AA A = c cc c consistente, ento todas as possveis so-
lues podem ser obtidas das duas seguintes maneiras:
) Use uma
especfica em =
c cc c + (I II I
A AA A) e use todos os possveis valores para

o vetor arbitrrio .
) Use todas as possveis inversas
em =
c cc c.
Uma condio necessria e suficiente para que o sistema A AA A = c cc c seja consistente
pode ser dado em termos de uma inversa generalizada (Graybill 1976, p.36).

Teorema 2.8 Teorema 2.8 Teorema 2.8 Teorema 2.8f ff f. .. . O sistema de equaes A AA A = c cc c consistente se e somente se para qualquer
inversa generalizada
de A AA A
A AA A
c cc c = c cc c.

Observe que o Teorema 2.8f fornece uma alternativa ao Teorema 2.7a para decidir se um
sistema de equaes consistente.

2.9. DETERMINANTES 2.9. DETERMINANTES 2.9. DETERMINANTES 2.9. DETERMINANTES
Antes de definirmos o determinante de uma matriz quadrada, precisamos definir permu-
tao e nmero de inverses. Seja o conjunto dos cinco primeiros nmeros inteiros S = {1,
2, 3, 4, 5} arrumados em ordem crescente.
Qualquer outra ordem
, ,
dos elementos de S chamada uma permutao de S.

Por exemplo: 32451, 45321, 32541, 12354 so permutaes de S.

.
33
O nmero de permutaes possveis com objetos (ndices, neste caso) igual a ! =
( 1)( 2)(2)(1). Por exemplo: com os ndices {1, 2, 3} temos 3! = 6 permu-
taes, a saber: {123, 132, 213, 231, 312, 321}.
Uma permutao
, ,
de tem uma inverso se um nmero inteiro
precede
um inteiro menor
. Por exemplo: a permutao 32451 tem 5 inverses por que: o 3

aparece antes do 2; o 3 antes do 1; o 2 antes do 1; o quatro antes do 1 e o 5 antes do 1.

Definio Definio Definio Definio A9. A9. A9. A9. O determinante de uma matriz A A A A () uma funo escalar de A AA A definida
como a soma algbrica de todos os seus ! possveis produtos elementares. Denota-se por:
(A AA A) = | A AA A | = () =

Cada produto elementar do tipo
em que, nos ndices
,
,
so colocados os nmeros de alguma permutao simples do conjunto {1, 2,, }.

Em cada produto
existe somente um elemento de cada linha e coluna.

Cada produto elementar recebe o sinal + ou , conforme o nmero de inverses envol-
vidas em
seja par ou mpar, respectivamente.

Se A = A = A = A =
uma matriz 22 temos somente duas permutaes:

Permutao N
o
de inverses Sinal
1
1 2 0 +
2
2 1 1
O determinante de A AA A calculado como:
() =

Se A = A = A = A =
uma matriz 33, uma regra prtica para calcular o seu de-
terminante descrita a seguir:
Repita a primeira e a segunda coluna de A AA A aps a terceira coluna (ver exemplo).
Some os produtos dos elementos das diagonais que partem de cima e da esquerda e
subtraia os produtos dos elementos das diagonais que partem de cima e da direita.

O determinante de
()
calculado como:
() =

.
34
A definio A9 no muito til para calcular o determinante de uma matriz, exceto
para o caso de matrizes 22 ou 33. Esse clculo para matrizes maiores feito por calcu-
ladoras cientficas e programas especficos, como o do , , e o
, que calculam determinantes de forma segura.

Exemplo 18 Exemplo 18 Exemplo 18 Exemplo 18. .. . Calcular o determinante de A AA A =
=
2 0 1
3 1 4
5 6 7
.

Como = 3, temos 3! = 6 permutaes, a saber:

Permutao N
o
de inverses Sinal Valor de
1 2 3 0 + 14
2
1 3 2 1 48
3
2 1 3 1 0
4
2 3 1 2 + 0
5
3 1 2 2 + 18
6
3 2 1 3 5
Utilizando a Definio A9 obtemos:
(A AA A) =
= 49

Os determinantes de algumas matrizes quadradas especiais so dados no teorema
seguinte.

) Se D DD D = (
, ,
) ento (D DD D) =

) O determinante de uma matriz triangular o produto dos elementos da diagonal.
) Se A AA A singular, (A AA A) = 0. Se A AA A no singular, (A AA A) 0.
) Se A AA A positiva definida, (A AA A) > 0.
) (A AA A) = (A A A A)
) Se A AA A no singular, (A AA A
1
) = 1/(A AA A)

Exemplo 19 Exemplo 19 Exemplo 19 Exemplo 19. . . . Vamos ilustrar cada uma das propriedades apresentadas no Teorema 2.9a.
) A A A A diagonal: (A AA A) =
2 0
0 3
= (2)(3) (0)(0) = (2)(3) = 6
) A AA A triangular: (A AA A) =
2 1
0 3
= (2)(3) (1)(0) = (2)(3) = 6

.
35
) A A A A singular: (A AA A) =
1 2
3 6
= (1)(6) (2)(3) = 0
A A A A no singular: (A AA A) =
1 2
3 4
= (1)(4) (2)(3) = 2
(A AA A
1
) =
2 1
1.5 0.5
= (2)( 0.5) (1.5)(1) = 1/2 = 1/(A AA A)
) A A A A positiva definida: (A AA A) =
3 2
2 4
= (3)(4) (2)(2) = 8
) (A AA A) =
3 7
2 1
= (3)(1) (7)(2) = 17,
(A A A A) =
3 2
7 1
= (3)(1) (2)( 7) = 17.

Observe que se todos os elementos da diagonal de uma matriz D D D D forem iguais, diga-
mos D DD D = (, , , , ) = , ento:
(D DD D) = () =
(2.68)
Por extenso, se uma matriz multiplicada por um escalar, o seu determinante :
() =
() (2.69)

Teorema 2.9 Teorema 2.9 Teorema 2.9 Teorema 2.9b bb b. .. . Se a matriz A AA A particionada como
A AA A =
(
22 21
12 11
A A
A A
(2.70)
Em que A AA A11 e A AA A22 so quadradas e no singulares (mas no necessariamente do mesmo ta-
manho), ento:
(A AA A) = |A AA A11| |A AA A22 A AA A21(A AA A11)
1
A AA A12| (2.71)
= |A AA A22| |A AA A11 A AA A12(A AA A22)
1
A AA A21| (2.72)

Note a analogia de (2.71) e (2.72) ao caso do determinante de uma matriz 22:
(A AA A) =
) =
)

Corolrio 1. Corolrio 1. Corolrio 1. Corolrio 1. Suponha A AA A =
ou A AA A =
onde
so matrizes qua-
dradas (mas no necessariamente de mesma dimenso). Ento:
(A AA A) = || = |
||
| (2.73)

.
36
Corolrio 2. Corolrio 2. Corolrio 2. Corolrio 2. Suponha A AA A =
, onde
so matrizes quadradas (mas no

necessariamente de mesma dimenso). Ento:
|| = |
||
|. (2.74)

Corolrio 3. Corolrio 3. Corolrio 3. Corolrio 3. Se A A A A =
, onde
uma matriz no singular,
um vetor e

uma matriz 11 (escalar), ento:
|| = |
|(
). (2.75)

Corolrio 4. Corolrio 4. Corolrio 4. Corolrio 4. Se A AA A = = = =

1
, onde um vetor e B BB B uma matriz no singular, ento:
| +| = ||(1 +
) (2.76)

Teorema Teorema Teorema Teorema 2.9 2.9 2.9 2.9c cc c. .. . Se A AA A e B BB B so quadradas e de mesmo tamanho, ento o determinante do pro-
duto igual ao produto dos determinantes:
|| = |||| (2.76)

Corolrio 1. Corolrio 1. Corolrio 1. Corolrio 1.
|| = || (2.77)

Corolrio 2. Corolrio 2. Corolrio 2. Corolrio 2.
|
| = ||
(2.78)

Exemplo 20 Exemplo 20 Exemplo 20 Exemplo 20. . . . Para ilustrar o Teorema 2.9c, sejam as matrizes = = = =
1 2
3 4
e B BB B =
3 2
1 2
.
Ento
AB = AB = AB = AB =
1 2
3 4

3 2
1 2
= = = =
5 2
13 2
e || = 16
||= = = = 2, ||= 8 = 8 = 8 = 8 ||||= (2)(8) = 16

2.10. VETORES ORTOGONAIS E MATRIZES 2.10. VETORES ORTOGONAIS E MATRIZES 2.10. VETORES ORTOGONAIS E MATRIZES 2.10. VETORES ORTOGONAIS E MATRIZES
Dois vetores e , 1, so ditos se:
=
++
= 0 (2.79)
Note que o termo se aplica aos dois vetores e no a um nico vetor.

.
37
Geometricamente, dois vetores ortogonais so perpendiculares um ao outro. Na
Figura 2.3 esta caracterstica apresentada para os vetores:
= 4 2 e
= 1 2 .
Note que
= (4)(1)+(2)(2) = 0.

Figura 2.3. Figura 2.3. Figura 2.3. Figura 2.3. Dois vetores ortogonais (perpendiculares).

Para saber se dois vetores so perpendiculares podemos calcular o ngulo formado
entre eles. Seja o ngulo entre os vetores e na Figura 2.4. O vetor que liga os extre-
mos de e pode ser expresso por = . A lei dos cosenos para a relao de com
os lados do tringulo pode ser escrita na forma vetorial como:
() =
()
()
(
)(
)

=
)
(
)(
)

=
)(
)
(2.81)
Quando = 90,
= 0 = 0 = 0 = 0 porque (90) = 0. Assim os vetores e so perpendiculares

quando
= 0.

Figura 2.4. Figura 2.4. Figura 2.4. Figura 2.4. Vetores e no espao tridimensional (
)

.
38
Se
= 1, o vetor dito ser normalizado. Um vetor pode ser normalizado, divi-

dindo pelo seu comprimento, (
). Desta forma:
= = = =
)
(2.82)
normalizado porque
= 1.

Um conjunto de vetores
, ,
de dimenses 1 que so normalizados (

= 0, para todo ) e mutuamente ortogonais (
=0, para todo ) dito ser um conjun-

to ortonormal de vetores.

Se a matriz C CC C =
, , tem colunas ortonormais, C C C C chamada matriz

ortonormal. Desde que os elementos de CC CC CC CC so produtos de colunas de C CC C ver Teorema
2.2c(i), uma matriz ortonormal C CC C tem a propriedade:
CC CC CC CC = I II I (2.83)
Pode ser mostrado que uma matriz ortonormal C CC C tambm satisfaz
CC CC CC CC = I II I (2.84)
Assim, uma matriz ortogonal C C C C tem linhas ortogonais como tambm colunas ortogonais.
evidente que de (2.83) e (2.84), C C C C = C CC C
1
, se C C C C ortogonal.

Exemplo Exemplo Exemplo Exemplo 21 21 21 21. Para ilustrar uma matriz ortogonal, partimos de:
A AA A =
1 1 1
1 2 0
1 1 1

Que tem colunas mutuamente ortogonais, mas que no so ortonormais. Para normalizar
as trs colunas, ns as dividimos pelos seus respectivos comprimentos, 3 , 6 e 2 , ob-
tendo assim a matriz:
C CC C =
1/3 1/6 1/2
1/3 2/6 0
1/3 1/6 1/2

Cujas colunas so ortonormais. Note que as linhas de C CC C tambm so ortonormais, tal que C CC C
satisfaz (2.84) e (2.83).

A multiplicao de um vetor por uma matriz ortogonal tem o efeito de rotacionar os
eixos; isto , se um ponto transformado para z zz z = , onde C CC C uma matriz ortogonal,
ento a distncia da origem a z zz z a mesma distncia da origem a :
zz zz zz zz = (C CC C) (C CC C) = CC CC CC CC = (2.84)
Neste caso, a transformao de para z zz z conhecida como uma rotao.

.
39
Teorema 2.10 Teorema 2.10 Teorema 2.10 Teorema 2.10. .. . Se C CC C uma matriz () ortonormal e se A AA A uma matriz () qualquer,
ento:
) |C CC C| = +1 ou 1
) |CAC CAC CAC CAC| = |A AA A|
) 1
1, onde
qualquer elemento da matriz C CC C.

2.11. TRAO DE UMA MATRIZ 2.11. TRAO DE UMA MATRIZ 2.11. TRAO DE UMA MATRIZ 2.11. TRAO DE UMA MATRIZ
O de uma matriz () A AA A = (
) uma funo escalar definida como a soma dos

elementos da diagonal de A AA A; isto , (A AA A) =
. Por exemplo, suponha:

A AA A =
8 4 2
2 3 6
3 5 9

Ento
(A AA A) = 8 + (3) + 9 = 14.

Teorema 2.11 Teorema 2.11 Teorema 2.11 Teorema 2.11a aa a. . . .
) Se A AA A e B BB B so matrizes () ento:
(A A A A B BB B) = (A AA A) ( B BB B) (2.85)
) Se A AA A () e B BB B (pn) ento:
(AB AB AB AB) = (BA BA BA BA) (2.86)
Note que em (2.86) pode ser menor, igual ou maior que .
) Se A AA A ()
(AA AA AA AA) =
(2.87)
onde
a -sima coluna de A AA A.
) Se A AA A ()
(AA AA AA AA) =
(2.88)
onde
a -sima linha de A AA A.
) Se A AA A = (
) uma matriz com elementos representativos
ento:
(AA AA AA AA) = (AA AA AA AA) =
(2.89)
) Se A AA A () e P PP P () qualquer matriz no singular, ento:
(P PP P
1
AP AP AP AP) = (A AA A) (2.90)
) Se A AA A () e C CC C () qualquer matriz ortogonal, ento:
(CAC CAC CAC CAC) = (A AA A) (2.91)
) Se A AA A () de posto e A AA A

() uma inversa generalizada de A AA A, ento:
(A AA A

A AA A) = (A A A A A A A A

) = (2.92)

.
40
Consideremos A AA A, B BB B e C CC C matrizes quadradas de ordem , um vetor (1) e e
nmeros reais. A funo tambm apresenta as seguintes propriedades:
) (
) =
) (A A A A +B BB B) = (A AA A) + (B BB B)
) (AB AB AB AB) = (BA BA BA BA)
) (AB AB AB ABC CC C) = (C CC CAB AB AB AB) = (B BB BCA CA CA CA)
) Se A AA A for idempotente ento (A AA A) = (A AA A)
) (A AA A ) = (A AA A)
) (A AA AA AA A ) = (A AA AA A A A) =

) ( ) = () =

2.12 2.12 2.12 2.12 AUTOVALORES E AUTOVETORES AUTOVALORES E AUTOVETORES AUTOVALORES E AUTOVETORES AUTOVALORES E AUTOVETORES

2.12.1 Definio 2.12.1 Definio 2.12.1 Definio 2.12.1 Definio

Definio Definio Definio Definio A10. A10. A10. A10. Para qualquer matriz quadrada A AA A, um escalar e um vetor , no nulo,
podem ser encontrados, de tal forma que:
A AA A = (2.94)

Em (2.94), chamado um autovalor de A AA A e um autovetor de A AA A (tambm so
chamados de e de A AA A, respectivamente). Note
que em (2.94) o vetor transformado por A AA A, em um mltiplo de si prprio, de tal forma
que o ponto A AA A est sobre a linha que passa por e a origem.

Para encontrar e para uma matriz A AA A, ns escrevemos (2.94) como:
(A AA A I II I) = 0 00 0 (2.95)
Por (2.37), (A AA A I II I) uma combinao das colunas de A AA A I II I e por (2.40) e (2.95) essas
colunas so linearmente dependentes. Assim a matriz quadrada (A AA A I II I) singular e pelo
Teorema 2.9a() ns podemos resolver (2.95) para usando:
(A AA A I II I) = |A |A |A |A I| I| I| I| = = = = 0 (2.96)
que conhecido como equao caracterstica.

Se A AA A () a sua equao caracterstica ter razes, isto , A A A A ter autovalores
, ,
. Os s no sero necessariamente distintos ou todos diferentes de zero, ou

todos nmeros reais. Entretanto, os autovalores de uma matriz simtrica sero nmeros
reais (ver Teorema 2.12c). Depois de encontrar os autovalores
,,
usando (2.96),
obtemos os autovetores correspondentes,
, ,
, usando (2.95).

.
41
Se
= 0, o autovetor correspondente no o vetor nulo,
= = = = 0 00 0. Para perceber isso,

note que se = 0 ento (A AA A I II I) = 0 00 0 fica A AA A = 0 00 0, ,, , que tem soluo para porque A AA A sin-
gular porque tem, ao menos, um autovalor nulo e as suas colunas so linearmente de-
pendentes.

Se multiplicarmos ambos os lados de (2.95) por um escalar , obtemos:
(A AA A I II I) = 0 00 0 = 0 = 0 = 0 = 0
que pode ser reescrito como:
(A AA A I II I) = 0 00 0
Assim, se um autovetor de A AA A, tambm um autovetor de A AA A. Por isso, o comprimento
de arbitrrio, mas a sua direo nica. Na maioria das aplicaes, o autovetor
padronizado, de tal forma que = 0.

Exemplo Exemplo Exemplo Exemplo 22 22 22 22. . . . Para ilustrar autovalores e autovetores, considere a matriz:
=
1 2
2 3

Por (2.95), a equao caracterstica :
|A |A |A |A I| I| I| I| =
1 2
2 3
= (1 )(4 ) 4 = 0
Ou seja
2
5 = ( 5) = 0
Que tem razes
= 5 e
= 0. Para encontrar o autovetor
correspondente a
= 5,
ns usamos (2.94),
(A AA A 5I II I) = 0 0 0 0
1 5 2
2 3 5

=
0
0

Que pode ser escrito como:
+2
= 0
2
= 0

Como a primeira equao um mltiplo da segunda, temos que
= 2
. Um vetor solu-
o pode ser escrito com
= como uma constante arbitrria.
1
2
=
1
2

Escolhendo c = 1/5 para normalizar o vetor, temos:
=
1/5
2/5
.
De forma similar, correspondente a
= 0 ns obtemos o autovetor normalizado:
=
2/5
1/5
.

.
42
2.12.2. Funes de uma matriz 2.12.2. Funes de uma matriz 2.12.2. Funes de uma matriz 2.12.2. Funes de uma matriz
Se um autovalor da matriz quadrada A AA A com um correspondente autovetor , ento
para certas funes (), um autovalor dado por () e o autovetor correspondente
de () como tambm de A AA A. Ns ilustramos para alguns casos:
1. 1. 1. 1. Se um autovalor de A AA A, ento um autovalor de A AA A e o autovetor correspon-
dente, onde 0 uma constante arbitrria. Esse resultado facilmente demonstrado
multiplicando-se a relao de definio A AA A = por :
A AA A = (2.97)

2. 2. 2. 2. Se um autovalor de A AA A e o autovetor correspondente de A AA A, ento + um
autovalor da matriz A AA A + I II I, onde e so escalares. Para mostrar isso, adicionamos
a (2.97):
A AA A + = + (A + A + A + A + I II I) = ( + ) (2.98)
Assim + o autovalor de A + A + A + A + I II I e o correspondente autovetor. Note que
(2.98) no se estende a (A AA A + B BB B), onde A AA A e B BB B so matrizes arbitrrias; isto , A AA A + B BB B
no tem autovalores
, onde
um autovalor de A AA A e
um autovalor de B BB B.

3. 3. 3. 3. Se um autovalor de A AA A, ento
um autovalor de A AA A
2
. Isto pode ser demonstrado
multiplicando-se a relao de definio A AA A = por A AA A:
AA AA AA AA = A AA A A AA A
2
= A AA A = () =
(2.99)
Assim
um autovalor de A AA A
2
e o autovetor correspondente de A AA A
2
. Isso pode ser es-
tendido para:
(2.100)

4. 4. 4. 4. Se um autovalor da matriz no singular A AA A, ento 1/ um autovalor de A AA A
1
. Para de-
monstrar isso, ns multiplicamos A AA A = por A AA A
1
para obter:
A AA A
1
A AA A = A AA A
1
= A AA A
1
A AA A
1
= (1/) (2.101)
Assim 1/ um autovalor de A AA A
1
e o autovetor correspondente de A AA A e de A AA A
1
.

5. 5. 5. 5. Os resultados em (2.97) e (2.100) podem ser usados para obter autovalores e autove-
tores de um polinmio em A AA A. Por exemplo, se um autovalor de A AA A, ento:
(A AA A
3
+ 4A AA A
2
3A AA A + 5I II I) = A AA A
3
+ 4A AA A
2
3A AA A + 5
=
3
+ 4
2
3 + 5 = (
3
+ 4
2
3 + 5)
Assim,
3
+ 4
2
3 + 5 um autovalor de A AA A
3
+ 4A AA A
2
3A AA A + 5I II I, e o autovetor corres-
pondente.
Para certas matrizes, a propriedade (5) pode ser estendida para sries infinitas. Por
exemplo, se um autovalor de A AA A, ento por (2.98), (1 ) um autovalor de (I I I I A AA A). . . .
Se (I I I I A AA A) no singular ento, por (2.101), 1/(1 ) um autovalor de (I I I I A AA A)
1
.

.
43
Se 1< <1 ento 1/(1 ) pode ser representado pela srie ( )
= 1 + +
2
+
3
+
Correspondentemente, se todos os autovalores de A AA A satisfazem 1 < < 1, ento:
(I I I I A AA A)
1
= I + A I + A I + A I + A + A AA A
2
+ A AA A
3
+ (2.102)

2.12.3. Produtos 2.12.3. Produtos 2.12.3. Produtos 2.12.3. Produtos
Similarmente ao comentrio feito aps a apresentao de (2.98), os autovalores de AB AB AB AB no
so produtos da forma
. Entretanto, os autovalores de AB AB AB AB so os mesmos de BA BA BA BA.

Teorema 2.12 Teorema 2.12 Teorema 2.12 Teorema 2.12a aa a. .. . Se A AA A e B BB B so () ou se A AA A () e B BB B (), ento os autovalores (no
nulos) de AB AB AB AB so os mesmos daqueles de BA BA BA BA. Se um autovetor de AB AB AB AB ento B BB B um
autovetor de BA BA BA BA.
Teorema 2.12 Teorema 2.12 Teorema 2.12 Teorema 2.12b bb b. .. . Seja A A A A uma matriz .
) Se P PP P qualquer matriz no singular (), ento P PP P
1
AP AP AP AP tem os mesmos autovalores.
) Se C CC C qualquer matriz ortogonal (), ento CAC CAC CAC CAC tem os mesmos autovalores.

2.12.4 2.12.4 2.12.4 2.12.4. Matrizes simtricas Matrizes simtricas Matrizes simtricas Matrizes simtricas

Teorema 2.12 Teorema 2.12 Teorema 2.12 Teorema 2.12c cc c. . . . Seja A AA A () uma matriz simtrica.
) Os autovalores
,,
de A AA A so nmeros reais.
) Os autovetores
, ,
correspondentes a autovalores distintos
,,
, so
mutuamente ortogonais. Os autovetores
, ,
correspondentes aos auto-

valores no distintos podem ser escolhidos para ser mutuamente ortogonais a cada
outro; isto ,
= 0 para

Se os autovetores de uma matriz simtrica A AA A so normalizados e colocados como
colunas de uma matriz C CC C ento, pelo Teorema 2.12c(), C CC C uma matriz ortogonal que
pode ser usada para expressar A AA A em termos de seus autovalores e autovetores.

Teorema 2.12 Teorema 2.12 Teorema 2.12 Teorema 2.12d dd d. . . . Se A AA A uma matriz simtrica com autovalores
,,
e autovetores
normalizados
, ,
ento A A A A pode ser expressa como:

A A A A = CDC CDC CDC CDC (2.103)
=
(2.104)
onde D DD D = (
,,
) e C CC C a matriz ortonormal C C C C =
. O resultado mos-
trado em (2.103) ou (2.104) chamado de decomposio espectral de A AA A.
(Ver prova nas pg. 51-52 do livro do Rencher).

.
44
Corolrio 1. Corolrio 1. Corolrio 1. Corolrio 1. Se A AA A uma matriz simtrica e C C C C e D DD D so definidas como no Teorema 2.12d,
ento C CC C diagonaliza A AA A, isto ,
CAC CAC CAC CAC = D DD D = (
,,
) (2.106)

Teorema 2.12 Teorema 2.12 Teorema 2.12 Teorema 2.12e ee e. .. . Se A AA A uma matriz com autovalores
,,
ento:
) (A AA A) = | A A A A | =
(2.107)
) (A AA A) =
(2.108)

O Teorema 2.12e est formulado para matrizes simtricas, pela facilidade de prov-
lo usando o Teorema 2.12d (ver Problema 2.72). Entretanto, o teorema verdadeiro para
qualquer matriz quadrada (Searle 1982, p.278).

Exemplo 23 Exemplo 23 Exemplo 23 Exemplo 23. . . . Para ilustrar o Teorema 2.12e, consideramos a matriz: A AA A =
1 2
1 4
. Os auto-
valores de A AA A so
= 3 e
= 2. O produto
= 6 igual a || = 4 (1)(2) = 6. A
soma
= 5 igual a (A AA A) = 1 + 4 = 5.

2.12.5. Matriz positiva definida e positiva semidefinida 2.12.5. Matriz positiva definida e positiva semidefinida 2.12.5. Matriz positiva definida e positiva semidefinida 2.12.5. Matriz positiva definida e positiva semidefinida
Os autovalores
,,
de matrizes positivas definidas (semidefinidas) so positivos

(no negativos).

Teorema 2.12 Teorema 2.12 Teorema 2.12 Teorema 2.12f ff f. .. . Se A AA A uma matriz com autovalores
,,
ento:
) Se A A A A positiva definida ento
> 0 para = 1, 2, ,
) Se A A A A positiva semidefinida ento
0 para = 1, 2, , . O nmero de autovalores
para os quais
> 0 igual ao de A AA A.
(Prova: ver pg. 53 do livro do Rencher).

Teorema A Teorema A Teorema A Teorema A6 66 6. .. . Seja A A A A uma matriz , real e simtrica, e D DD D = (
,,
) a matriz
diagonal que exibe as razes caractersticas de A AA A. Ento:
a)
> 0, A AA A positiva definida.

b)
0, ,
= 0 A AA A positiva semidefinida.
c)
< 0, A AA A negativa definida.

d)
0, ,
= 0 A AA A negativa semidefinida.
e)
muda de sinal A AA A no definida.

.
45
Se uma matriz A AA A positiva definida ou positiva semidefinida, ns podemos encon-
trar a raiz quadrada de A AA A, denotada por A AA A
1/2
. Desde que os autovalores de A A A A no so nega-
tivos, ns podemos calcular
na decomposio espectral de A AA A em (2.103), para obter:

A AA A
1/2
= CD CD CD CD
1/2
C C C C (2.109)
com D DD D
1/2
= (
, ,
). A matriz A AA A
1/2
simtrica e tem a propriedade:
A AA A
1/2
A AA A
1/2
= (C CC C D DD D
1/2
C C C C)(C CC C D DD D
1/2
C C C C)= CD CD CD CD
1/2
D DD D
1/2
C = CDC = C = CDC = C = CDC = C = CDC = A AA A (2.110)

2.13. 2.13. 2.13. 2.13. MATRIZES IDEMPOTENTES MATRIZES IDEMPOTENTES MATRIZES IDEMPOTENTES MATRIZES IDEMPOTENTES
Uma matriz quadrada A AA A dita se A AA A
2
= A AA A. Neste texto, muitas das matrizes
idempotentes so quadradas. Muitas das somas de quadrados nas anlises de regresso e
de varincia (Captulos 11-14) podem ser expressas como formas quadrticas yAy yAy yAy yAy. A
idempotncia de A AA A ou de um produto envolvendo A AA A ser usada para estabelecer que yAy yAy yAy yAy
(ou um mltiplo de yAy yAy yAy yAy) tem distribuio quiquadrado.

Teorema 2.13 Teorema 2.13 Teorema 2.13 Teorema 2.13a aa a. .. . A nica matriz no singular idempotente a matriz identidade.

Teorema 2.13 Teorema 2.13 Teorema 2.13 Teorema 2.13b bb b. .. . Se A AA A singular, simtrica e idempotente ento A AA A positiva semidefinida.

Teorema 2.13 Teorema 2.13 Teorema 2.13 Teorema 2.13c cc c. .. . Se A AA A uma matriz , simtrica, idempotente e de posto , ento A AA A tem
autovalores iguais a 1 e autovalores iguais a 0.

Teorema 2.13 Teorema 2.13 Teorema 2.13 Teorema 2.13d dd d. .. . Se A AA A , simtrica, idempotente e de posto , ento posto(A AA A) = =
(A AA A).

Teorema 2.13 Teorema 2.13 Teorema 2.13 Teorema 2.13e ee e. .. . Se A AA A uma matriz idempotente, P PP P e no singular, C CC C e
ortogonal, ento:
) I I I I A AA A idempotente.
) A AA A(I I I I A AA A) = 0 00 0 e (I I I I A AA A)A AA A = 0 00 0
) P PP P
-1
AP AP AP AP idempotente
) CAC CAC CAC CAC idempotente (se A AA A simtrica, CAC CAC CAC CAC uma matriz simtrica e idempotente).

.
46
Teorema 2.13 Teorema 2.13 Teorema 2.13 Teorema 2.13f ff f. Seja A AA A uma matriz de posto , seja A AA A
qualquer inversa generalizada

de A AA A e seja (AA AA AA AA)
uma inversa generalizada de AA AA AA AA. Ento A AA A
A AA A, AA AA AA AA
e A AA A(AA AA AA AA)
A A A A so todas
idempotentes.

Teorema 2.13 Teorema 2.13 Teorema 2.13 Teorema 2.13g gg g. .. . Supondo que a matriz simtrica A AA A () possa ser escrita como A AA A =

para algum , onde cada
uma matriz simtrica . Ento, quaisquer duas das

seguintes condies implicam na terceira condio:
1. 1. 1. 1. A AA A idempotente.
2. 2. 2. 2. Cada
, ,
idempotente.
3. 3. 3. 3.
= 0 00 0 para .

Teorema 2.13 Teorema 2.13 Teorema 2.13 Teorema 2.13h hh h. .. . Se I II I =
, onde cada matriz
simtrica e de posto
e se =

, ento so verdadeiras as seguintes afirmaes:

1. 1. 1. 1. Cada
,,
idempotente.
2. 2. 2. 2.
= 0 00 0 para .

2.14 2.14 2.14 2.14 CLCULO CLCULO CLCULO CLCULO VETORIAL E VETORIAL E VETORIAL E VETORIAL E MATRICIAL MATRICIAL MATRICIAL MATRICIAL

2.14.1. 2.14.1. 2.14.1. 2.14.1. D DD Derivadas de fun erivadas de fun erivadas de fun erivadas de funes es es es de vetores e matrizes de vetores e matrizes de vetores e matrizes de vetores e matrizes
Seja = () uma funo das variveis
, ,
em = = = =
, ,
e sejam

, ,
as derivadas parciais. Ns definimos como:
(2.111)

Duas funes especficas de interesse so = e = A A A A. Suas derivadas em
relao a , so dadas nos teoremas apresentados a seguir. Em alguns casos ns podemos
encontrar um mximo ou um mnimo de resolvendo = 0 00 0.

Teorema 2.14 Teorema 2.14 Teorema 2.14 Teorema 2.14a aa a. .. . Se = = =
, onde =
,,
um vetor de cons-
tantes, ento:
=
()
=
()
= (2.112)

.
47
Teorema 2.14 Teorema 2.14 Teorema 2.14 Teorema 2.14b bb b. .. . Seja = A A A A, onde A AA A uma matriz simtrica de constantes. Ento:
=
()
= 2A AA A (2.113)

Seja = () uma funo das variveis
, ,
em uma matriz () e
sejam
,,
as derivadas parciais. De forma similar a (2.111) ns

definimos como:
(2.114)
Duas funes de interesse deste tipo so = () e = || para uma matriz positiva
definida X XX X.

Teorema 2.14c. Teorema 2.14c. Teorema 2.14c. Teorema 2.14c. Seja = (), onde X XX X uma matriz positiva definida e A AA A uma
matriz de constantes. Ento
=
()
= A AA A + A A A A () (2.115)

Teorema Teorema Teorema Teorema 2.14d 2.14d 2.14d 2.14d. .. . Seja = ||, onde X XX X uma matriz positiva definida. Ento
=
||
= 2
) (2.116)

2.14.2. Derivadas envolvendo inversa de matrizes e determinantes 2.14.2. Derivadas envolvendo inversa de matrizes e determinantes 2.14.2. Derivadas envolvendo inversa de matrizes e determinantes 2.14.2. Derivadas envolvendo inversa de matrizes e determinantes
Seja A AA A uma matriz no singular com elementos
que so funes de um escalar .

Ns definimos como uma matriz com elementos
. Em muitas situaes
(estimao de parmetros, por exemplo) de interesse o clculo das derivadas relativas a
e || . .. .

Teorema 2.14 Teorema 2.14 Teorema 2.14 Teorema 2.14e ee e. .. . Seja A AA A uma matriz no singular de ordem com derivada . Ento
(2.117)

.
48
Teorem Teorem Teorem Teorema 2.14 a 2.14 a 2.14 a 2.14f ff f. .. . Seja A AA A uma matriz positiva definida de ordem . Ento
||
(2.118)

2.14.3. Maximizao ou minimizao de uma funo de um vetor 2.14.3. Maximizao ou minimizao de uma funo de um vetor 2.14.3. Maximizao ou minimizao de uma funo de um vetor 2.14.3. Maximizao ou minimizao de uma funo de um vetor
Considere uma funo = () das variveis em . . . . Em muitas situaes ns podemos
encontrar um mximo ou mnimo de resolvendo o sistema de equaes:
= (2.119)
Ocasionalmente a situao requer a maximizao ou minimizao da funo , sujeita a
restries sobre . .. . Ns denotamos as restries como
() = 0,
() = 0, ,
() = 0,
ou de forma mais sucinta, () = .
A maximizao ou minimizao de sujeita a () = pode ser realizada pelo m-
todo dos multiplicadores de Lagrange. Ns denotamos um vetor de constantes deso-
nhecidas (multiplicadores de Lagrange) por e seja y y y y = . Ento queremos
= + ().
O mximo ou mnimo de sujeita a () = obtido resolvendo as equaes
=
ou, equivalentemente
= 0 00 0 e () = (2.120)
onde

Exemp Exemp Exemp Exemplo 2 lo 2 lo 2 lo 24 44 4. .. . Admitamos o modelo de regresso linear
para = 1,, ,
expresso matricialmente como y y y y = X XX X + , onde:
=
1

Procuraremos as estimativas de
que minimizam a soma de quadrados dos desvios

dos valores observados de em relao aos valores preditos y :

.
49

= (

Matricialmente, ns temos que:

= = (y y y y X XX X
) (y y y y X XX X
) = yy yy yy yy 2
Xy Xy Xy Xy +
XX XX XX XX

Numa analogia com (2.111), temos que
corresponde ao vetor de variveis . .. .

Para encontrar
que minimiza , calculamos a derivada de em relao a
e
igualamos a um vetor de zeros. Observando que:
= 0

= 2Xy 2Xy 2Xy 2Xy em (2.112), = 2
Xy Xy Xy Xy com =
e = = = = 2Xy Xy Xy Xy

= 2XX XX XX XX
em (2.113), =
XX XX XX XX
, =
e A AA A = XX XX XX XX
Resumindo, temos que:
= 2Xy 2Xy 2Xy 2Xy + 2XX XX XX XX

Igualando o resultado a um vetor de zeros, obtemos o sistema de equaes normais:
XX XX XX XX
= Xy Xy Xy Xy
Como XX XX XX XX no singular, a soluo do sistema nica e obtida por:
= ()
Xy Xy Xy Xy
Esta soluo chamada de soluo de mnimos quadrados.

Exerccio Exerccio Exerccio Exerccio 2 22 25 55 5. . . . Os resultados experimentais apresentados na tabela seguinte foram obtidos
de um ensaio de irrigao onde se estudou : produo de alfafa (t/ha) como uma funo
de : quantidade de gua aplicada (ml/cm
2
).
: gua 12 18 24 30 36 42 48
: produo 5,27 5,68 6,25 7,21 8,02 8,71 8,42

Admitindo que a relao entre a produo de alfafa e a quantidade de gua aplicada seja
bem explicada por uma reta, vamos calcular as estimativas dos dois coeficientes da reta,
utilizando (2.114).
5,27
5,68
6,25
7,21
8,02
8,71
8,42
1 12
1 18
1 24
1 30
1 36
1 42
1 48

.
50
O sistema de equaes lineares correspondente fica:
7 210
210 7308

=
49,56
1590,48

Ento:
=
7 210
210 7308

49,56
1590,48
=
1,03571 0,0298
0,0298 0,00099

49,56
1590,48
=
3,9943
0,1029

A equao da reta (de mnimos quadrados) ajustada fica:
= 3,9943 + 0,1029

Na Figura 2.5 podemos visualizar a reta de mnimos quadrados ajustada aos dados de
produo de alfafa e quantidade de gua aplicada.

Figura Figura Figura Figura 2.5 2.5 2.5 2.5. .. . Produo de alfafa (t/ha) em funo da quantidade de gua (ml/cm
2
)

.
51
2.15. 2.15. 2.15. 2.15. Referncias citadas n Referncias citadas n Referncias citadas n Referncias citadas no texto o texto o texto o texto

Graybill, F. A. (1969). Introduction to Matrices with Applications in Statistics. Belmont,
CA: Wadsworth.
Searle, S. R. (1982). Matrix Algebra Useful for Statistics. New York: Wiley.

Referncias Referncias Referncias Referncias adicionais adicionais adicionais adicionais disponveis online: disponveis online: disponveis online: disponveis online:

Brookes, M., The The The The Matrix Reference Manual Matrix Reference Manual Matrix Reference Manual Matrix Reference Manual, 2011.
http://www.ee.ic.ac.uk/hp/staff/dmb/matrix/intro.html

Matrix Algebra and R Matrix Algebra and R Matrix Algebra and R Matrix Algebra and R
http://www.aps.uoguelph.ca/~lrs/ABModels/NOTES/MATRIXR.pdf

Petersen, K., B.; Pedersen, M., S., The Matrix Cookbook The Matrix Cookbook The Matrix Cookbook The Matrix Cookbook, 2012.
http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=3274

Revelle, W., Matrix Algebra in R Matrix Algebra in R Matrix Algebra in R Matrix Algebra in R, 2007.
http://personality-project.org/r/sem.appendix.1.pdf

SAS Institute Inc. 2011. SAS/IML SAS/IML SAS/IML SAS/IML

9.3 Users Guide 9.3 Users Guide 9.3 Users Guide 9.3 Users Guide. Cary, NC: SAS Institute Inc.
http://support.sas.com/documentation/cdl/en/imlug/64248/PDF/default/imlug.pdf

Singer, J. M.; Nobre, J. S.; Rocha, F. M. M., An An An Anlise de dados longitudinais lise de dados longitudinais lise de dados longitudinais lise de dados longitudinais Verso parcial
preliminar, 2011.
http://people.ufpr.br/~lucambio/CE075/1S2011/Singer&Nobre&Rocha2011mar.pdf

Steiger, J. H., Matrix Algebra in R Matrix Algebra in R Matrix Algebra in R Matrix Algebra in R A Minimal Introduction A Minimal Introduction A Minimal Introduction A Minimal Introduction, 2009.
http://www.statpower.net/Content/313/Lecture%20Notes/RMatrixIntro.pdf

.
52
2.16. 2.16. 2.16. 2.16. Exerccios Exerccios Exerccios Exerccios propostos propostos propostos propostos

1. 1. 1. 1. Escreva a matriz X = X = X = X = (
) de dimenso () em que
=
1, <
0, =
1, >

2. 2. 2. 2. Escreva a matriz A AA A = (
) de dimenso 54, em que
dado por:
a) o mnimo mltiplo comum de e .
b) o mximo divisor comum de e .

3) 3) 3) 3) Sejam A AA A = (
), B BB B = (
), C CC C = (
) e D DD D = (
) as matrizes:
A = A = A = A =
2 3 4
3 4 5
4 5 6
, B = B = B = B =
1 0 1 0
0 1 0 1
1 0 1 0
, C CC C =
1 1
1 1
1 1
1 1
e D = D = D = D =
2 4 8
2 4 8
2 4 8

Determine uma expresso geral para
.

4) 4) 4) 4) Dada a matriz A AA A =
7 3 18
2 6 11
15 17 13
, determine a matriz B B B B = (
) que um mltiplo esca-

lar de A AA A (ou seja, B = B = B = B = A AA A) e tal que
=6

5) 5) 5) 5) Dadas as matrizes A AA A e B BB B de dimenses , resolva a equao matricial
3 +
1
2
= 5
3
4
.

6) 6) 6) 6) Sejam as matrizes:
A AA A =
1 2 3
2 1 1
, B BB B =
2 0 1
3 0 1
, C CC C =
1
2
4
e D = D = D = D =
2 1

Calcule:
a) A+B A+B A+B A+B b) AC AC AC AC c) BC BC BC BC d) CD CD CD CD e) DA DA DA DA f) DB DB DB DB

7 77 7) ) ) ) Dadas as matrizes A AA A =
1 0 0
0 1 0
0 0 1
e B BB B =
1 1 1
1 1 1
1 1 1
, resolva a equao X XX X+A AA A = 2(X XX X B BB B).

8 88 8) )) ) Qual o valor de
na multiplicao das matrizes?
1 2
5 2
4 4
1 2

5 1 5 4
2 5 2 2
=

.
53
9) 9) 9) 9) Seja A AA A =
2
2 1 0
. Qual o valor de para que tenhamos
= A AA A?

10) 10) 10) 10) Falso ou Verdadeiro? Justifique.
a) Se A A A A =
2 1
3 2
ento
=
4 1
9 4
.
b) (A+B A+B A+B A+B)
t
= B BB B
t
+A AA A
t
.
c) Se AB AB AB AB = 0 00 0 ento A AA A = 0 00 0 ou B BB B = 0. 0. 0. 0.
d) Se AB AB AB AB = 0 00 0 ento BA BA BA BA = 0 00 0.
e) (A AA A)(B BB B) = (AB AB AB AB).

11) 11) 11) 11) Um construtor tem contratos para construir 3 estilos de casa: moderno, mediterrneo
e colonial. A quantidade de material empregada em cada tipo de casa dada na tabela
seguinte (no se preocupe com as unidades de cada material...).
Ferro Madeira Vidro Tinta Tijolo
Moderno 5 20 16 7 17
Mediterrneo 7 18 12 9 21
Colonial 6 25 8 5 13
Use clculos envolvendo matrizes adequadas para responder:
a) Se ele pretende construir 5, 7 e 12 casas dos tipos moderno, mediterrneo e coloni-
al, respectivamente, quantas unidades de cada material sero empregadas?
b) Suponha que os preos por unidade de ferro, madeira, vidro, tinta e tijolo sejam, res-
pectivamente, 15, 8, 5, 1 e 10. Qual o preo unitrio de cada tipo de casa?
c) Qual o custo total do material empregado?

12) 12) 12) 12) Mostre que uma matriz B BB B com A AA A =
1 3
0 1
se e somente se B BB B =

0
, com e
nmeros reais. Definio: Definio: Definio: Definio: Duas matrizes A A A A e B B B B comutam se AB AB AB AB = BA BA BA BA

13) 13) 13) 13) Encontre todas as matrizes que comutam com a matriz A AA A, sendo:
a) A A A A =
1 2
1 1
b) A AA A =
1 1
0 1
c) A AA A =
1 0 0
0 1 0
3 1 2

14) 14) 14) 14) Sabendo-se que as matrizes A AA A e B BB B comutam, prove que:
a)(A+B A+B A+B A+B)
2
= A AA A
2
+2AB AB AB AB + B BB B
2
b) A AA A
2
B BB B
2
= (A AA A B BB B)(A+B A+B A+B A+B)
c) as matrizes
tambm comutam.

.
54
15) 15) 15) 15) Mostre que, dadas as matrizes A AA A, B BB B e C CC C, conformes para a multiplicao e para a soma,
tem-se: +
.

16) 16) 16) 16) Sejam A AA A e B BB B duas matrizes tais
A AA A + B BB B =
1 2 3
4 5 6
7 8 9

Determine A AA A e B BB B, supondo que A AA A antissimtrica e que B BB B simtrica. Defi Defi Defi Definio: nio: nio: nio: Uma
matriz A A A A dita antissimtrica se
= .

17) 17) 17) 17) Obtenha a forma escalonada cannica (. . .) e calcule o de cada uma das se-
guintes matrizes:
A AA A =
1 2 3
3 1 2
5 5 8
, B BB B =
1 2 3
3 1 2
2 3 1
, C CC C =
4 2 2
2 2 0
2 0 2
, D DD D =
1 2 0 3 1
1 2 3 3 3
1 0 1 1 3
1 1 1 2 1
, E EE E =
1 1 0
1 1 0
1 0 1
1 0 1

18) 18) 18) 18) Recorrendo definio, mostre que as linhas da matriz A AA A =
1 2 0
0 1 1
1 0 1
so linearmen-
te independentes.

19) 19) 19) 19) Resolva, caso sejam possveis, os seguintes sistemas de equaes:
a)
+2 = 1
+2 = 0
+ +2 = 1
b)
2 + + = 1
3 2 +2 3 = 2
5 + +2 = 1
2 + 3 = 4

c)
+ + = 1
+ = 0
+2 = 1
2 + +4 = 2
d)
+ = 4
+ +2 + = 1
+ +2 = 2
2 + +7 = 3

20 20 20 20) )) ) Determine os valores de , , para os quais a parbola =
+ + passa pelos
pontos (1, 1), (0, 2) e (1, 3).

21) 21) 21) 21) Determine quais das seguintes matrizes so invertveis e, em caso afirmativo, deter-
mine a respectiva inversa.
a)
1 1 1
1 2 3
0 1 1
b)
1 2 1
1 3 2
1 0 1
c)
1 2 2
1 3 1
1 1 3
d)
1 1 1 1
1 2 1 2
1 1 2 1
1 3 3 2

.
55
22) 22) 22) 22) Resolva as seguintes equaes matriciais, considerando as matrizes reais:
a)
2 5
1 3

= = = =
4 6
2 1

b)

1 1 1
2 1 0
1 1 1
=
1 1 3
4 3 2
1 2 5

23) 23) 23) 23) Seja o sistema escrito na forma matricial A AA A = , ou
4 2 2
2 2 0
2 0 2

=
20
12
8
.
a) Verifique que o sistema consistente, mas no tem soluo nica.
b) Encontre uma inversa generalizada simtrica de A AA A. .. .
c) Encontre uma inversa generalizada no simtrica de A. A. A. A.
d) Encontre duas solues do sistema, =
, utilizando as inversas calculadas nos

itens anteriores e indique qual vetor soluo tem o menor comprimento.
e) Escolha uma das inversas generalizadas e mostre que a matriz A AA A
idempotente.

24 24 24 24) )) ) As colunas da matriz A =
1 1 1
1 0 2
1 1 1
so mutuamente ortogonais.
a) Normalize as colunas de A A A A e denote a matriz resultante por C CC C
b) Mostre que CC CC CC CC = CC CC CC CC =I II I.

25 25 25 25) )) ) Seja a matriz singular A AA A =
4 2 2
2 2 0
2 0 2
.
a) Encontre os autovalores (
) e os respectivos autovetores normalizados (
) .
b) A matriz A AA A positiva definida? Por qu?
c) Mostre que (A AA A) =
e que (A AA A) =

d) Mostre que a matriz diagonal que exibe os autovalores de A A A A pode ser obtida por D D D D =
(
) = CAC CAC CAC CAC, onde C C C C =
a matriz formada pelos autovetores

normalizados de A AA A.
e) Se a matriz A AA A for positiva definida ou positiva semidefinida, obtenha a sua raiz qua-
drada, calculada como A AA A
1/2
= CD CD CD CD
1/2
C C C C, onde D DD D = (
) a matriz diagonal
que exibe os autovalores de A AA A e C C C C =
a matriz formada pelos autovetores

normalizados de A AA A.

.
56
2 22 26 66 6. . . . Os resultados experimentais apresentados na tabela a seguir foram obtidos de um
ensaio de irrigao onde se estudou : produo de alfafa (t/ha) como uma funo de :
quantidade de gua aplicada (ml/cm
2
).
: gua 12 18 24 30 36 42 48
: produo 5,27 5,68 6,25 7,21 8,02 8,71 8,42
a) Construa um grfico de disperso (produo) versus (gua) para visualizar o re-
lacionamento linear entre as variveis.
b) Escreva o modelo de regresso linear
= +
para os dados experimen-

tais.
c) Escreva o modelo de regresso linear na forma matricial, = = = = + + + + , identificando
cada uma das matrizes.
d) Verifique que X = 2 X = 2 X = 2 X = 2 e que (XX XX XX XX) = 2 , ou seja, que XX XX XX XX no singular.
e) Calcule
= (XX XX XX XX)
1 11 1
Xy Xy Xy Xy, y = X XX X
e = y y y y y .
f) Verifique que particionando a matriz X XX X =
y =
. .. .
g) Verifique que o vetor ortogonal a y e a cada uma das colunas da matriz X XX X.
h) Verifique que || || || || y yy y || || || ||
2
= || || || || y
|| || || ||
2
+ || || || || || || || ||
2
.

27) 27) 27) 27) Considere a tabela seguinte com a evoluo da populao brasileira (em milhes) no
perodo de 1872 a 1996.
Ano 1872 1890 1900 1920 1940 1950 1960 1970 1980 1991 1996
Populao 9,9 14,3 17,4 30,6 41,2 51,9 70,2 93,1 119 146,2 157,1
a) Construa um grfico de disperso para visualizar o relacionamento entre o tamanho
da populao () e o ano ().
b) Ajuste um polinmio de 2 grau,
= +
, utilizando o mtodo dos

mnimos quadrados desenvolvido anteriormente para o ajuste de uma reta.
c) Verifique que || || || || y yy y || || || ||
2
= || || || || y
|| || || ||
2
+ || || || || || || || ||
2
.

2 22 28 88 8. . . . Suponhamos um experimento fictcio de alimentao de sunos em que foram utiliza-
das 4 raes (1, 2, 3 e 4) num delineamento inteiramente casualizado com 5 repeties
(leites). Os ganhos de peso observados, em quilogramas, constam do quadro seguinte:
Tratamentos (raes) Tratamentos (raes) Tratamentos (raes) Tratamentos (raes)
1 11 1 2 22 2 3 33 3 4 44 4
35 40 39 27
19 35 27 12
31 46 20 13
15 41 29 28
30 33 45 30

.
57
Com base nesses dados, pede-se:
a) Escrever o modelo
= +
para todos os valores observados, onde
o
ganho de peso do -simo leito que recebeu o -simo tratamento; uma constan-
te comum a todas as unidades experimentais;
o efeito do -simo tratamento e

o erro associado parcela
, para = 1, 2, 3, 4 e = 1, 2, 3, 4, 5.
b) Construir a matriz do delineamento X X X X e escrever o modelo na sua forma matricial, y = y = y = y =
X XX X + + + + , onde = ,
.
c) Escrever o sistema de equaes normais XX XX XX XX
= Xy = Xy = Xy = Xy e calcular duas solues (diferen-

tes!) do sistema, utilizando
= (X X X X)
Xy Xy Xy Xy, onde (X X X X)
uma inversa generalizada de

XX. XX. XX. XX.
d) Calcular y = X XX X
= X XX X(X X X X)
Xy Xy Xy Xy (vetor de observaes ajustado pelo modelo) para cada

uma das solues obtidas em (c) e verifique que os vetores resultantes so iguais.
e) Calcular as somas de quadrados, utilizando as frmulas seguintes:
SQTotal = y y y y
|
\
|
J I
20
1
y yy y, SQTrat = y y y y ( )
|
\
|

J X' X X' X
20
1
y, y, y, y,
SQRes = y y y y ( ) ] X' X X' X I

[ y. y. y. y.
f) Construir um quadro de ANOVA, sabendo que o nmero de graus de liberdade asso-
ciados a uma SQ igual ao da matriz ncleo da forma quadrtica correspon-
dente.
g) Confira os resultados da ANOVA usando, por exemplo, o do SAS.

.
58
AP AP AP AP NDICE: I NDICE: I NDICE: I NDICE: INTRODU NTRODU NTRODU NTRODU O AO USO DO PROC IML O AO USO DO PROC IML O AO USO DO PROC IML O AO USO DO PROC IML

ASPECTOS GERAIS ASPECTOS GERAIS ASPECTOS GERAIS ASPECTOS GERAIS
O software SAS/IML SAS/IML SAS/IML SAS/IML ( ) uma linguagem de programa-
o muito flexvel, tendo como principais vantagens a interatividade com o usurio, a
possibilidade de trabalhar de forma simples com matrizes, usando funes j progra-
madas e outras do SAS.
Os resultados dos comandos podem ser vistos imediatamente ou armazenados para
posterior utilizao em outras .
Operaes como inverso de matrizes, obteno de autovalores e autovetores etc., po-
dem ser realizadas usando comandos simples, que facilitam o trabalho e evitam a cons-
truo de algoritmos sofisticados com vrias linhas de programao.
O fato de os algoritmos empregados serem amplamente utilizados permite que os re-
sultados obtidos sejam muito confiveis. Alm disso, o SAS/IML usa de forma muito efi-
ciente os recursos do computador facilitando o trabalho com matrizes de grandes di-
menses.

ALGUNS OPERADORES IMPORTANTES ALGUNS OPERADORES IMPORTANTES ALGUNS OPERADORES IMPORTANTES ALGUNS OPERADORES IMPORTANTES

A + B A + B A + B A + B Soma as matrizes A AA A e B BB B
A A A A B BB B Subtrai a matriz B BB B de A AA A
A AA A* ** *B BB B Calcula o produto da matriz A AA A por B BB B
A / B A / B A / B A / B Divide cada elemento de A AA A pelo respectivo elemento de B BB B
A A A A # ## # B BB B Multiplica cada elemento de A AA A pelo respectivo elemento de B BB B
A A A Alinha, , , , coluna Seleciona o elemento de A AA A na posio indicada.
A A A Alinha, , , , Seleciona todos os elementos da linha indicada da matriz A AA A.
A, A, A, A,coluna Seleciona todos os elementos da coluna indicada da matriz A AA A.
A @ B A @ B A @ B A @ B Calcula o produto direto (ou de Kronecker) das matrizes A AA A e B BB B. .. .
A AA A** ** ** **p pp p Eleva a matriz A AA A a uma potncia p.
A AA A` `` ` ou t(A) ou t(A) ou t(A) ou t(A) Calcula a transposta da matriz A AA A
A | | B A | | B A | | B A | | B Concatena (junta) as matrizes A AA A e B BB B horizontalmente
A / / B A / / B A / / B A / / B Concatena (junta) as matrizes A AA A e B BB B verticalmente
a:b a:b a:b a:b Cria um vetor de ndices a, a+1, a+2, , b1, b

.
59
ALGUMAS FUNES IMPORTANTES: ALGUMAS FUNES IMPORTANTES: ALGUMAS FUNES IMPORTANTES: ALGUMAS FUNES IMPORTANTES:

abs abs abs abs(A) (A) (A) (A)
Calcula o valor absoluto ou mdulo dos elementos da matriz A AA A
all all all all(A) (A) (A) (A)
Verifica se os elementos da matriz A AA A so nulos.
any any any any(A) (A) (A) (A)
Verifica se algum elemento de A AA A diferente de zero, (retorna 0
ou 1 como resposta).
design design design design( (( (vetor) )) )
Cria uma matriz de delineamento de posto coluna incompleto a
partir do vetor indicado.
design design design designf ff f( (( (vetor) ) ) )
Cria uma matriz de delineamento de posto coluna completo
(rank full) a partir do vetor fornecido.
det det det det(A) (A) (A) (A)
Calcula o determinante da matriz quadrada A AA A
diag diag diag diag( (( (argumento) ) ) )
Cria uma matriz diagonal quando o argumento um vetor, ou
cria uma matriz com os elementos da diagonal quando o
argumento uma matriz.
echelon echelon echelon echelon(A) (A) (A) (A)
Reduz a matriz A AA A forma normal de Echelon.
eigen eigen eigen eigen(A) (A) (A) (A)
Calcula os autovalores e os autovetores normalizados da matriz
quadrada A AA A.
eigval eigval eigval eigval(A) (A) (A) (A)
Calcula os autovalores da matriz A AA A e os coloca num vetor.
eigvec eigvec eigvec eigvec(A) (A) (A) (A)
Calcula autovetores normalizados da matriz A AA A e os coloca nas
colunas de uma matriz.
ginv ginv ginv ginv(A) (A) (A) (A)
Calcula a inversa generalizada de Moore-Penrose da matriz A AA A. .. .
gsorth gsorth gsorth gsorth(A) (A) (A) (A)
Calcula a ortonormalizao de Gram-Schmidt de A AA A.
hermite hermite hermite hermite(A) (A) (A) (A)
Reduz a matriz A AA A forma normal de Hermite.
I( I( I( I(dimenso) )) )
Cria uma matriz identidade com a dimenso especificada.
inv inv inv inv(A) (A) (A) (A)
Calcula a inversa da matriz no singular, A AA A.
J( J( J( J(n,p,valor) ) ) )
Cria uma matriz A AA A com linhas e colunas de valores idnticos
ao valor especificado.
max max max max(A) (A) (A) (A)
Encontra o maior elemento da matriz A AA A.
min min min min(A) (A) (A) (A)
Encontra o menor elemento da matriz A AA A.
ncol ncol ncol ncol(A) (A) (A) (A)
Encontra o nmero de colunas da matriz A AA A.
nrow(A) nrow(A) nrow(A) nrow(A)
Encontra o nmero de linhas da matriz A AA A.
orpol orpol orpol orpol( (( (vetor,r) ) ) )
Calcula os coeficientes de polinmios ortogonais de graus 0, 1,
, a partir do vetor indicado.
print print print print(A) (A) (A) (A)
Imprime a matriz A AA A.
rank rank rank rank(A) (A) (A) (A)
No calcula o posto () de A AA A, mas retorna uma matriz com o
posto dos elementos dentro da matriz A AA A.
read read read read
L observaes de um arquivo de dados (data set).

.
60
root root root root(A) (A) (A) (A)
Executa a decomposio de Cholesky (A AA A = UU UU UU UU, onde U UU U uma
matriz triangular superior) da matriz A AA A
solve solve solve solve(A,B) (A,B) (A,B) (A,B)
Resolve o sistema de equaes lineares AX AX AX AX = B BB B, onde A AA A uma
matriz quadrada e no singular.
t tt t(A) (A) (A) (A)
Calcula a matriz transposta de A AA A. .. .
trace trace trace trace(A) (A) (A) (A)
Calcula a soma dos elementos da diagonal da matriz A AA A, isto , o
seu trao.
vecdiag vecdiag vecdiag vecdiag(A) (A) (A) (A)
Cria um vetor com os elementos da diagonal da matriz A AA A. .. .

Detalhes sobre todos os comandos do SAS/IML, com exemplos, so encontrados no Help
do SAS:
SAS > F1 > SAS Products > SAS/IML 9.2 Users Guide > Language Reference

Exemplos de programas feitos com o SAS/IML so encontrados no Help do SAS:
SAS > F1 > Learning do Use SAS > Sample SAS Programs > SAS/IML > Samples

Apostila de Matrizes (2012)

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila de Matrizes (2012)

Enviado por

Direitos autorais:

Formatos disponíveis

Baseado no Captulo 2 do livro:

) representa uma matriz por meio de um elemento tpico. O pri-

), ento dizemos que a matriz A AA A . Por exemplo:

) de dimenso , consiste dos ele-

). No exemplo anterior, a diagonal de A AA A

, o produto de um escalar e uma matriz comutativo, ou seja:

um vetor de pesos de frangos de corte. Para calcular a

a -sima linha da matriz A AA A e

e assim por diante. Podemos escre-

). No produto DA DA DA DA, a -sima linha

e em AD AD AD AD, a -sima coluna de A A A A multiplicada por

) e A AA A uma matriz qualquer, ento:

(nem todos nulos) de tal forma

(nem todos nulos) que satisfa-

que pode ser expresso

(nem todas nulas) tais que:

= I II I ver (2.45) a seguir.

) (AB AB AB AB) (A AA A).

, com a propriedade que:

os dois lados da igualdade, obtendo:

um vetor. Ento se (A AA A11)

pode ser expressa como:

= yAy yAy yAy yAy

sejam ambos iguais a zero.

da sua diagonal so positivos.

. Esta combinao linear

uma constante arbitrria. Geometricamente, uma linha representando a in-

= 1, 0, 0, 0 uma inversa generalizada de que satisfaz (2.57). Outros exem-

= 0, 0, 0, 1/4. Para cada

um vetor linha. Este modelo generalizado no

sero descritos no Teorema 2.8b e um algo-

, para qualquer matriz A AA A de dimenso de posto Searle, 1982,

uma inversa generalizada de A AA A e seja

uma inversa generalizada de AA AA AA AA. Ento:

) uma inversa generalizada de A A A A; isto ()

A A A A uma inversa generalizada de A AA A, isto ,

A A A A permanece a mesma, para qualquer escolha de (AA AA AA AA)

() que satisfaz as duas

uma matriz simtrica.

A A A A uma inversa de mnimos quadrados de

(), de posto , que

uma inversa gene-

uma soluo do sistema.

resultaro em diferentes solues para o sistema

A AA A) e use todos os possveis valores para

dos elementos de S chamada uma permutao de S.

de tem uma inverso se um nmero inteiro

. Por exemplo: a permutao 32451 tem 5 inverses por que: o 3

em que, nos ndices

so colocados os nmeros de alguma permutao simples do conjunto {1, 2,, }.

existe somente um elemento de cada linha e coluna.

seja par ou mpar, respectivamente.

uma matriz 22 temos somente duas permutaes:

so matrizes quadradas (mas no

uma matriz no singular,

= 0 = 0 = 0 = 0 porque (90) = 0. Assim os vetores e so perpendiculares

= 1, o vetor dito ser normalizado. Um vetor pode ser normalizado, divi-

de dimenses 1 que so normalizados (

=0, para todo ) dito ser um conjun-

, , tem colunas ortonormais, C C C C chamada matriz

qualquer elemento da matriz C CC C.

) uma funo escalar definida como a soma dos

. Por exemplo, suponha:

) uma matriz com elementos representativos