Baseado no Captulo 2 do livro:

      !

". $. %!, (. ). !* 2 . (2008)
0 12 & , 45 67.

Material preparado pelo

9:. ;. $ (>  ?
@A ?: !B?@DE. F

Departamento de Cincias Exatas / ESALQ USP

Fevereiro de 2012
 1

NDICE

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 (7) 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 E! ? ......................................................................................... 54

  EE E 9:. $ (>  ?

 2

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. 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:
1 1 0
10 12 1 1 1 1 1 1 1 1 0
A=s t B=s t X=v w
21 39 10 12 15 13 14 16 1 0 1
1 0 1
Para representar os elementos da matriz X como variveis, ns usamos:
y|| y|} y|~
y}| y}} y}~
X = (yz{ ) = vy w
~| y~} y~~
y| y} y~
A notao X = (yz{ ) 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
tem  linhas e E colunas. A matriz X do exemplo anterior tem  = 4 linhas e E = 3 colunas
e ns dizemos que X 43, ou que a dimenso de 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,
2|
y = 2}
2~
Geralmente o termo vetor est associado a um vetor coluna. Um vetor linha expresso
como o transposto do vetor coluna. Por exemplo:
y = = 2| 2} 2~
(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.

  EE E 9:. $ (>  ?

 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. 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 3 2 4
s t=s t
1 3 7 1 3 7
mas
5 2 9 5 3 9
s ts t
8 4 6 8 4 6

2.1.3. Matriz Transposta

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

Teorema 2.1a. Se A uma matriz qualquer, ento:

(A
A)
A = A (2.4)

  EE E 9:. $ (>  ?

 4

2.1.4 Alguns tipos especiais de matrizes

Se a transposta de uma matriz A igual matriz original, isto , se A = A, ou equivalente-
mente, ({z ) = (z{ ), ento dizemos que a matriz A ? !. Por exemplo:
3 2 6
A = 2 10 7
6 7 9
simtrica. evidente que toda matriz simtrica quadrada.

A B de uma matriz quadrada A = (z{ ) de dimenso E E, consiste dos ele-

mentos || , }} , ,  , ou seja, B() = (zz ). No exemplo anterior, a diagonal de A
formada pelos elementos 3, 10 e 9. Se uma matriz contm zeros em todas as posies fora
da sua diagonal, ela uma ?  B, como por exemplo,
8 0 0 0
0 3 0 0
D=v w
0 0 0 0
0 0 0 4
Que tambm pode ser denotada como D = B(8, 3, 0, 4). Usamos a notao B(A A)
para indicar a matriz diagonal com os mesmos elementos da diagonal de A, como por
exemplo,
3 2 6 3 0 0
A = 2 10 7 B(A A) = 0 10 0
6 7 9 0 0 9

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

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

Um vetor de 1s denotado por j:

1
1
j=v w

1

  EE E 9:. $ (>  ?

 5

Uma matriz quadrada de 1s denotada por J, como por exemplo,

J(33) = 1 1 1
1 1 1

1 1 1

Ns denotamos um vetor de zeros por 0 e uma matriz de zeros por ou ; por

exemplo,

0(3) = 0 , (33) = = 0 0 0 .
0 0 0 0

0 0 0 0

2.2. OPERAES COM MATRIZES

2.2.1 Adio de duas matrizes

Se duas matrizes tm a mesma dimenso, sua ? encontrada adicionando os ele-
mentos correspondentes. Assim, se A E e B E, ento C = A + B tambm E e
encontrada como C = (!z{ ) = (z{ + Fz{ ). Por exemplo,
7 3 4 11 5 6 18 2 2
s t+s t=s t
2 8 5 3 4 2 5 12 3

A : D = A B entre as matrizes A e B definida de maneira similar como:

D = (z{ ) = (z{ Fz{ ).
Duas propriedades importantes da adio de matrizes so dadas a seguir.

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

2.2.2
2.2.2. 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 ? e ! um nmero real, tem-se:
!|| !|} !|
!}| !}} !}
! = (!z{ ) = v w (2.11)
!| !} !

Desde que !z{ = z{ !, o produto de um escalar e uma matriz comutativo, ou seja:
! = ! (2.12)

  EE E 9:. $ (>  ?

 6

2.2.3.
2.2.3. Produto de duas matrizes ou dois vetores
Para que o ED  AB de duas matrizes seja possvel, o nmero de colunas da matriz A
deve ser igual ao nmero de linhas de B. Neste caso, dizemos que as matrizes A e B so
!:?. Ento, o (*)-simo elemento do produto C = AB definido como:
!z{ = z { (2.13)
Que igual soma dos produtos dos elementos da -sima linha de A pelos elementos da
*-sima coluna de B. Assim, ns multiplicamos todas as linhas de A por todas as colunas de
B. Se A ? e B ?E ento C = AB E. Por exemplo,
1 4
2 1 3
A(23) = s t e B(32) = 2 6
4 6 5
3 8
Ento

2A B2 = 2C2 = = 31 92
(2)(1) + (1)(2) + (3)(3) (2)(4) + (1)(6) + (3)(8) 13 38



( 4)(1) + ( 6)( 2) + (5)(3) ( 4)( 4) + ( 6)(6) + (5)(8)

3B A3 = 3D3 = 28 38 36
18 25 23

38 51 49
Se A ? e B ?E, onde  E, ento o produto AB definido, mas o produto BA
no definido. Se A E e B E ento o produto AB  e o produto BA EE. Neste
caso, certamente, AB BA,
BA como ilustrado no exemplo anterior. Se A e B so  ento AB
e BA tm o mesmo tamanho, mas, em geral:
AB BA (2.14)

A matriz identidade I o elemento neutro da multiplicao de matrizes. Isto quer

dizer que, se A e I forem matrizes  ento A I = I 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  FD > ?  ? D DF :
B C) = AB AC
A(B (2.15)
(A
A B)C
C = AC BC
C (2.16)

Usando (2.15) e (2.16) ns podemos expandir produtos como (A

A B)(C
C D):
(A
A B)(C
C D) = (A
A B)C
C (A
A B)D
D
= AC BC AD + BD (2.17)

A multiplicao envolvendo vetores segue as mesmas regras definidas para as ma-

trizes. Suponha que A E, b E1, c E1 e d 1. Ento:
Ab um vetor coluna 1
dA um vetor linha de dimenso 1E

  EE E 9:. $ (>  ?

 7

bc um escalar correspondendo soma de produtos

bc uma matriz EE

cd uma matriz E

Desde que bc uma soma de produtos (um escalar!) tem-se que bc = cb:
cb
bc = F| !| + F} !} + F !
cb = !| F| + !} F} + ! F
bc = cb (2.18)

A matriz cd dada por

!| !| | !| } !| 
!}
!} | !} } !} 
cd = v w | }  = (2.19)

! ! | ! } ! 
Similarmente:
F|
F
bb = F| F} F v } w = F|} + F}} + +F} = z| Fz} (2.20)


F
F| F} F| F} F| F
|
F F F F}} F} F
bb = v } w F| F} F = } | (2.21)

F
F F
| F F} F}
Assim, bb uma soma de quadrados e bb uma matriz quadrada e simtrica.

A raiz quadrada da soma de quadrados dos elementos de um vetor (E1) igual

distncia da origem ao ponto b e conhecida como a ? D!, ou o comprimen-
to do vetor b:

!?E?   b = = = z| Fz} (2.22)

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

que:
1 1 1
1 1 1
jj = , jj = v w=J (2.23)

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

  EE E 9:. $ (>  ?

 8

Se a um vetor 1 e A uma matriz E, ento:

j = j = z| z (2.24)

{ |{

A = z z| z z} z z e A j = { }{ (2.25)

jA
{ {
Assim, jj = j a soma dos elementos em , jA
A contem os totais das colunas de A e Aj
contem os totais das linhas de A. Note que em j, o vetor j 1; em jA
A,
A o vetor j 1 e
em Aj, o vetor j E1.

2
1 2 3 4
5
Exemplo 1. Seja a matriz A = 5 1 6 4 e o vetor = v w ento:
1
2 5 4 0
8
1 2 3 4
'A = 1 1 1 5
) j'A 1 6 4 = 8 4 13 8 (totais das colunas de A)
2 5 4 0
1
1 2 3 4 6
1
) Aj = 5 1 6 4 v w = 16 (totais das linhas de A)
1
2 5 4 0 11
1
1 2
1 5
) j = 2 5 1 8 v w = j = 1 1 1 1 v w = 16 (total dos elementos de )
1 1
1 8

A E  do produto de duas matrizes igual ao produto das transpostas em

ordem reversa.

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

Para ilustrar os passos dessa prova, vamos usar as matrizes A23 e B32:
F F|}
|| |} |~ ||
AB = s t F}| F}}
}| }} }~
F~| F~}
 F + |} F}| + |~ F~| || F|} + |} F}} + |~ F~}
= || ||
}| F|| + }} F}| + }~ F~| }| F|} + }} F}} + }~ F~}
Mas

  EE E 9:. $ (>  ?

 9

 F + |} F}| + |~ F~| }| F|| + }} F}| + }~ F~|
(AB
AB)
AB = || ||
|| F|} + |} F}} + |~ F~} }| F|} + }} F}} + }~ F~}
F  + F}| |} + F~| |~ F|| }| + F}| }} + F~| }~
= || ||
F|} || + F}} |} + F~} |~ F|} }| + F}} }} + F~} }~
Ento:
 }|
F F}| F~| || }} = BA
(AB
AB)
AB = || |}
F|} F}} F~}  }~
|~

Corolrio 1. Se A, B e C so conformes, ento (ABC

ABC)
ABC = CBA.
CBA

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

mdia e a varincia dos pesos desses frangos, ns usamos:
| |
2 = z| 2z } = z|(2z 2)}
A|

|
Matricialmente, a mdia pode ser calculada por 2 = y,
y onde j um vetor 1 de 1s e 

= jj. Para calcular a varincia precisamos, primeiramente, calcular o vetor de desvios:
jy

1 1 1 1
y = y j 2 = y j = y jjy
y = y Jy
y = y
y
   
Onde I a matriz identidade  e J uma matriz  de 1s. Para calcular a soma de qua-
drados de desvios fazemos:

= I J y I J y
n t
1 1
( yi y ) 2

i =1 n n

= y I J I J y = y I' I IJ J' I + 2 J' J y

t
1 1 1 1 1
n n n n n

Mas J = J, II = I, IJ = J, JI
I = J = J, jj =  e JJ = jjjj = J. Assim temos:

= y I J + 2 nJ y = y I J + J y = y I J y
n
2 1 2 1 1
( yi y )2 n n n n n
i =1

A varincia amostral pode ser calculada por:

|
} = z|(2z 2)} =
1
A|
1
y' I J y
n 1 n

  EE E 9:. $ (>  ?

 10

Supondo que A ? e B ?E, seja z a -sima linha da matriz A e { , a *-sima coluna

da matriz B, de tal forma que:
|| |} | | F|| F|} F|

}| }} }
F F F =
A=v }
w = , B=
}| }} }
| }

| }  F| F} F
Ento, por definio, o (*)-simo elemento de AB calculado por z { . Tem-se:
| | | } |

} } }
AB = } |

| }

| (| } )
| |
( } ) } }
= } | = = (2.27)

(| } )

A primeira coluna de AB pode ser expressa em termos de A como

| | |

} | = } | = |

|

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

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

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

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

DA a  -sima linha
Seja A uma matriz quadrada  e D = B(| , },,  ). No produto DA,
de A multiplicada por z e em AD,
AD a *-sima coluna de A multiplicada por { . Por exem-
plo, se  = 3, ns temos:

  EE E 9:. $ (>  ?

 11

| 0 0 || |} |~ | || | |} | |~

DA = 0 } 0 }| }} }~ = } }| } }} } }~ (2.29)
0 0 ~ ~| ~} ~~ ~ ~| ~ ~} ~ ~~
|| |} |~ | 0 0 | || } |} ~ |~
AD = }| }} }~ 0 } 0 = | }| } }} ~ }~ (2.30)
~| ~} ~~ 0 0 ~ | ~| } ~} ~ ~~
|} || | } |} | ~ |~
DAD = } | }| }} }} } }~ (2.31)
~ | ~| ~ } ~} ~} ~~

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

Se A retangular a igualdade (2.32) continua valendo, mas as matrizes identidade das

duas igualdades so de dimenses diferentes.

Se A uma matriz simtrica e y um vetor, o produto:

yAy = z zz 2z} + 2 z{ z{ 2z 2{ (2.33)

chamado de :? D !. Se x 1, y E1 e A E, o produto:

xAy = z{ z{ yz 2{ (2.34)

chamado de :? F.

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 ED   ? obtido multiplicando os elementos
correspondentes.
|| F|| |} F|} | F|

}| F}| }} F}} } F}
A # B = z{ Fz{ =

| F| } F}  F

  EE E 9:. $ (>  ?

 12

2.2.5
2.2.5. Soma Direta de duas matrizes
Se a matriz A E e B  definimos a ?   de A e B como

AB= =C
A 0
0 B
em que C ( + ) (E + ). Algumas propriedades interessantes da soma direta:
) A (A
A)
) Se as dimenses so favorveis, ento:
(A
A B) + (C
C D) = (A
A + C)
C (B
B + D)
A B)(C
(A C D) = AC BD

Exemplo 3. Sejam as matrizes:

A = [10 11 15] , B = e C = [ 10 11 15]

3 5

Ento,
4 1

A B = 0 0 0 3 5 AC=
10 11 15 0 0
10 11 15 0 0 0

0 0 0 4 1 0 0 0 10 11 15

(Perceba que A + C = )

2.2.6.
2.2.6. Produto direto ou de Kronecker
Se A E e B  definimos o ED    ou ED   !7 de A por B
como a matriz C de dimenso (E) obtida como:
|| |} |

}| }} }
C=AB=


| } 

Algumas propriedades interessantes do produto direto de matrizes:

) A B B A, em geral.
) Se e so vetores, ento = = .
) Se D = B(| , } , ,  ) e A uma matriz qualquer, ento:
D A = | A } A  A
>) Se as dimenses so favorveis, ento:
(A
A B)(C
C D) = AC BD

  EE E 9:. $ (>  ?

 13

Exemplo 4. Sejam as matrizes:

A(22) = , B(23) = 3 5 6 , y(31) = 1 .

1
1 2 1 1 0
3 4
0
Ento
1 1 0 2 2 0 1 2 1 2 0 0
3 5 6 6 10 12 3 4 3 4 0 0
AB = v w BA = v w
3 3 0 4 4 0 3 6 5 10 6 12
9 15 18 12 20 24 9 12 15 20 18 24

1 2 1 2
1 2 3 4

0 0 1 2
Ay = yA =
3 4 3 4
3 4 0 0
0 0 0 0

2.2.7
2.2.7 Potncia de matriz quadrada
Dada uma matriz quadrada A e um nmero 7 (conjunto dos nmeros inteiros e posi-
tivos), definimos a 7-sima potncia da matriz A como:
= AAA
142L A
43

Em relao sua segunda potncia, uma matriz quadrada A ser chamada de:
k vezes

) ?E  , se } = A.
A
) E  , se } = .
) DE  , se } = I.

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

2.3. MATRIZES PARTICIONADAS

Muitas vezes conveniente particionar uma matriz em submatrizes. Por exemplo, uma
partio de uma matriz A em quatro submatrizes (quadradas ou retangulares) de dimen-
ses apropriadas, pode ser indicada simbolicamente como:

A = 11
A A12
A 21 A 22
Para ilustrar, seja a matriz A(45) particionada como:

  EE E 9:. $ (>  ?

 14

7 2 5 8 4

A= = 11
3 4 0 2 7 A A12
9 3 6 5 2 A 22
A 21

3 1 2 1 6
Onde:

A11 = , A12 = 2 7 , A21 = 3 1 2 e A22 =

7 2 5 8 4 9 3 6 5 2
1 6
3 4 0

Se duas matrizes A e B so conformes, e se A e B so particionadas de tal forma que

as submatrizes sejam apropriadamente conformes, ento o produto 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 = 11
A A12 B11 B12
A 21 A 22 B 21 B 22

= 11 11 (2.35)
A B + A12B 21 A11B12 + A12B 22

A 21B11 + A 22B 21 A 21B12 + A 22 B 22

Se B trocada por um vetor b particionado em dois conjuntos de elementos e se A

correspondentemente particionada em dois conjuntos de colunas, ento (2.35) fica:
Ab = A
A1 A2 1 = A1b1 + A2b2 (2.36)
b
b
2
Em que o nmero de colunas de A1 (A
A2) igual ao nmero de elementos de b1 (b
b2).

A multiplicao particionada em (2.36) pode ser estendida para colunas individuais

de A e elementos individuais de b:
F|
F
Ab = | } v } w = F| | + F} } + + F (2.37)

F
Assim, o produto Ab pode ser expresso como uma !?F   !D  A,
em que os coeficientes so os elementos de b.

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

Usando (2.37) podemos escrever:

  EE E 9:. $ (>  ?

 15

Ab = F| | + F} } + F~ ~
6 2 3 24 4 3 17
= (4)2 + (2) 1 + (1)0 = 8 + 2 + 0 = 10
4 3 2 16 6 2 20

Por (2.28) e (2.37), as colunas do produto AB so combinaes lineares das colunas

de A. Os coeficientes para a *-sima coluna de AB so os elementos da *-sima coluna de B.

O produto de um vetor linha por uma matriz, aB,

aB pode ser expresso como uma com-
binao linear das linhas de B, em que os coeficientes so os elementos de a:
a

|
aB = | }  } = | | + } } + +  (2.38)


Por (2.27) e (2.38) as linhas do produto AB so !?F   
de B. Os coeficientes da -sima linha de AB so os elementos da -sima linha de A.

Finalmente, notamos que se uma matriz A particionada como A = A

A1 A2, ento:
|
A = A
A1 A2 = (2.39)
}

2.4 POSTO (RANK) DE UMA MATRIZ

Antes de definir o E  (ou 7) de uma matriz, ns introduziremos a noo de depen-
dncia e independncia linear de vetores.
Um conjunto de vetores {| , } , , } dito ?  E  (. .) se pu-
dermos encontrar um conjunto de escalares !| , !} , , ! (nem todos nulos) de tal forma
que:
!| | + !} } + + ! = 0 (2.40)

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

am (2.40), o conjunto de vetores {| , } , , } dito ?  E  (.  .).

Por (2.37), podemos reescrever essa definio da seguinte forma:

As colunas de A so ?  E  se Ac = 0 implica em c = 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 z que pode ser expresso
como uma combinao linear dos outros vetores do conjunto. Entre vetores linearmente
independentes no existem redundncias desse tipo.

  EE E 9:. $ (>  ?

 16

Definio A1. O E  (7) de qualquer matriz A (quadrada ou retangular) definido

como o nmero de colunas (linhas) linearmente independentes de A.

Pode-se mostrar que o nmero de colunas . . de qualquer matriz igual ao nmero de

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

Exemplo 6. O posto da matriz:

1 2 3
A=s t
5 2 4
igual a 2, porque as duas linhas so linearmente independentes (nenhuma linha mlti-
pla da outra). Consequentemente, pela definio de E , o nmero de colunas . . tam-
bm 2. Portanto, as trs colunas de A formam um conjunto de vetores . . e por (2.40)
existem constantes !| , !} e !~ (nem todas nulas) tais que:
1 2 3 0
!| s t+ !} s t + !~ s t = s t (2.41)
5 2 4 0
Por (2.37) ns escrevemos (2.41) na forma
!|
1 2 3 ! 0
s t } = s t ou Ac = 0 (2.42)
5 2 4 ! 0
~
A soluo (no trivial) para (2.42) dada por qualquer mltiplo de c = 14 11 12.
Neste caso o produto Ac = 0, mesmo com A 0 e c 0. Isso s possvel por causa da
dependncia linear dos vetores (colunas) de 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 E  de uma matriz.
Entretanto, se conseguirmos obter a forma escalonada cannica (:. . !.) da matriz, o seu
E  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 A2. So chamadas de operaes elementares nas linhas da matriz A (e de modo

similar nas suas colunas):
) Trocar a posio de duas linhas da matriz.
) Multiplicar uma linha da matriz por um escalar 7 0 (z = 7z ).
) Somar a uma linha da matriz um mltiplo de outra linha (z = z + 7{ ).

  EE E 9:. $ (>  ?

 17

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

Definio A3. Dizemos que uma matriz A (?) est na sua :? ! !!
ou :? D 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. 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 no est na forma escalonada, A e C esto nas

suas formas escalonadas cannicas e D, na forma escalonada.
1 0 0 0

A = 0 1 0 , B = , C =
0 0 0 0 , D =
1 0 0 0 4 0 3
0 0 1 1 2 1 2 0 3 0

0 0 1 0
0 0 0 0 0 1
0 1 0 0

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

Assim, calcular o posto da matriz A o mesmo que calcular o E  da :. . !. de A, pois

so equivalentes. Portanto, calcular o E  da :. . !. de A o mesmo que contar o seu
nmero de 1s pivs.

Exemplo 7. Vamos obter a :. . !. da matriz A do Exemplo 6:

A=
1 2 3
2 4
) Fazendo } = } 5| , ns obtemos:
5

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

~ .
1 2 3 1 2 3
0 12 11 0
1 11 / 12

  EE E 9:. $ (>  ?

 18

) Fazendo | = | + 2} , ns obtemos:

~
1 2 3 1 0 7 / 6
0 1 11 / 12 0 1 11 / 12

:. . !. de A a matriz o E (A

A) = 2.
1 0 7 / 6
0 1 11 / 12

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. 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 e B , tais que:
AB = (2.43)
Por exemplo,

2 4 1 3 = 0 0
1 2 2 6 0 0

Ns tambm podemos explorar a dependncia linear das linhas ou colunas de uma

matriz para criar expresses tais como AB = CB,
CB onde A 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 uma
matriz no singular (ser definida na Seo 2.5).

Exemplo 8. Ns ilustramos a existncia de matrizes A, B e C tais que AB = CB,

CB onde A C.
Sejam as matrizes:
1 2
1 3 2 2 1 1 3 5
A =s t, B = 0 1, C = s t AB = CB = s t.
2 0 1 5 6 4 1 4
1 0

O teorema seguinte d um caso geral e dois casos especiais para o E  do produto de
duas matrizes.
  EE E 9:. $ (>  ?
 19

Teorema 2.4a
2.4a.
) Se A e B so matrizes conformes, ento E (AB
AB)
AB E (A
A) e E (AB
AB)
AB E (B
B).
) A multiplicao por uma matriz no singular (ver Seo 2.5) no altera o E  da ma-
triz, isto , se B e C so no singulares E (AB
AB)
AB = E (CA
CA)
CA = E (A A).
) Para qualquer matriz A, E (AA
AA)
AA = E (AA
AA)
AA = E (A
A)
A = E (A
A).
9>:
) Todas as colunas de AB so combinaes lineares das colunas de A (ver um coment-
rio no Exemplo 2.3) consequentemente, o nmero de colunas . . de AB menor ou
igual ao nmero de colunas . . de A, e E (AB
AB)
AB E (A
A). Similarmente, todas as
linhas de AB so combinaes lineares das linhas de B ver comentrio em (2.38) e
da, E (AB
AB)
AB E (B
B).
) Se B no singular, existe uma matriz A| tal que A| = I ver (2.45) a seguir.
Ento, de () ns temos que:
A) = E ( A| ) E (AB
E (A AB)
AB E (A
A).
Assim ambas as desigualdades tornam-se igualdades e E (A
A) = E (AB
AB).
AB Simi-
larmente, E (A
A) = E (CA
CA)
CA para C no singular.

2.5. INVERSA DE UMA MATRIZ

Uma matriz quadrada de posto completo dita  BD. Uma matriz A no singular
tem inversa nica, denotada por A| , com a propriedade que:

A A| = A| A = 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 uma matriz identidade
de mesma ordem. Opera-se simultaneamente sobre as linhas das duas matrizes at que no
lugar da matriz A aparea a sua :. . !. (neste caso, uma matriz identidade). Nesse momen-
to, no lugar da matriz identidade estar a inversa A| de A. Ou seja:
A
A | I ~ ~ II | A|

Exemplo 9. Seja a matriz quadrada:

A= .
4 7
2 6
(1) Fazendo } = } (1/2)| :

~
4 7 1 0 4 7 1 0
2 6 0 1 0 5 / 2 1 / 2 1

  EE E 9:. $ (>  ?

 20

(2) Fazendo } = (2/5)} :

~
4 7 1 0 4 7 1 0
0 5 / 2 1 / 2 1 0 1 1 / 5 2 / 5

(3) Fazendo | = | + (7)} :

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

~ 0 1 1 / 5
4 0 12 / 5 14 / 5 1 0 3 / 5 7 / 10
0 1 1 / 5 2 / 5
2 / 5
Ento

2 6 0 1 ~ ~ A| =
4 7 1 0 1 0 3 / 5 7 / 10 0.6 0.7
0 1 1 / 5 0.2 0.4
2 / 5

Se a matriz B no singular e AB = CB, ento ns podemos multiplicar direita por

A|
os dois lados da igualdade, obtendo:
AB = CB AB
AB A| = CB
CB A| A = C

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

Similarmente, se A no singular ento o sistema = tem a soluo nica:

= A| (2.47)

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

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

Se a matriz A simtrica, no singular e particionada como:

A = 11
A A12
A 21 A 22

Se B = A22 A21(A
A11)1A12, ento supondo que (A
A11)1 e B1 existem, a inversa de A dada
por:

  EE E 9:. $ (>  ?

 21

A =
1
(2.50)
A11
1 1
A11 A12 B 1A 21A11
1 1
A11 A12 B 1

B 1A 21A111
B 1

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

|| |}
A=
(|} ) }}
onde A11 quadrada, }} um escalar e |} um vetor. Ento se (A
A11)1 existe, a inversa
de A pode ser expressa como:
| FA|
|| + || |} (|} ) ||
A| A|
A|
|| |}
A|
= (2.51)
(|} ) A|
|| 1
onde F = }} (|} ) A|
|| |} .

Como outro caso especial de (2.50) temos:

A = ||
}}
que tem a inversa
A|
A1 = || (2.52)
A| }}

Se uma matriz quadrada da forma B + cc no singular, onde c um vetor e B

uma matriz no singular, ento:

(B
B + cc)
cc = B
1 1
(2.53)
B 1cc' B 1
1 + c' B 1c

2.6 MATRIZES POSITIVAS DEFINIDAS

Formas quadrticas foram introduzidas em (2.33). Por exemplo, a forma quadrtica
32|} + 2}} + 2~} + 42| 2} + 52| 2~ 62} 2~ pode ser expressa como:

32|} + 2}} + 2~} + 42| 2} + 52| 2~ 62} 2~ = yAy

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

  EE E 9:. $ (>  ?

 22

Em geral, qualquer forma quadrtica yAy pode ser expressa como:

yAy = y y (2.54)
A + A'
2
Assim a matriz-ncleo da forma quadrtica pode sempre ser escolhida como uma matriz
simtrica (e nica!).

Exemplo 10. A varincia amostral definida como

} =
1 1
y' I J y
n 1 n
uma forma quadrtica e a sua matriz ncleo simtrica:

1 1 1 1 1 1
1 L L

n n n n n(n 1) n(n 1)

A= n = n(n 1)
1 1 1 1 1 1
1 1 L L
n n n n(n 1)
n 1 M M M
M M M

1 1 1 1 1 1
L 1 L
n n n n(n 1) n(n 1) n
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 onde y um
vetor de observaes. Tais formas quadrticas so positivas (ou no mnimo no negati-
vas) para todos os valores de y.

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

Exemplo 11. Para ilustrar uma ?  E > :, considere:

A=
2 1

1 3
A forma quadrtica associada :
yAy = 22|} 22| 2} + 32}} = 2(2| 0,52} )} + (5/2)2}}
que claramente positiva a menos que 2| e 2} sejam ambos iguais a zero.

  EE E 9:. $ (>  ?

 23

Para ilustrar uma matriz positiva semidefinida, considere:

(22| 2} )2 + (32| 2~ )2 + (32} 22~ )2
que pode ser expresso na forma yAy,
yAy com
13 2 3
A = 2 10 6
3 6 5
Se 22| = 2} , 32| = 2~ e 32} = 22~ , ento (22| 2} )2 + (32| 2~ )2 + (32} 22~ )2 = 0.
Assim yAy = 0 para qualquer mltiplo de y = 1 2 3. Para todos os outros casos (com
exceo de y = 0), tem-se yAy > 0 .

Teorema 2.6a
2.6a.
) Se A positiva definida, ento todos os elementos zz da sua diagonal so positivos.
) Se A positiva semidefinida, ento todos zz 0.
(Ver prova na pgina 23 do livro do Rencher).

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

Corolrio 1. Seja A uma matriz (EE) positiva definida e seja B uma matriz (7E) de E 
7 E. Ento a matriz BAB positiva definida.

Corolrio 2. Seja A uma matriz (EE) positiva definida e seja B uma matriz (7E). Se 7 > E
ou se E (BB) = , onde  < 7 e  < E, ento a matriz BAB positiva semidefinida.

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

Corolrio 1. Uma matriz positiva definida no singular.

Um mtodo de fatorar uma matriz positiva definida A em um produto PP chamado

de !?E  $72 ver Seber (1977, pg.304-305), pelo qual A pode ser fa-
torada de modo nico em A = TT,
TT onde T uma matriz no singular e triangular superior.

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

  EE E 9:. $ (>  ?

 24

9>:
) Para mostrar que yBBy > 0 para y 0, notamos que yBBy = (By By)
By (By
By)
By uma soma
de quadrados e portanto, positiva definida, a menos que By = 0. Por (2.37) ns po-
demos expressar By na forma By = 2| | + 2} } + + 2 . Esta combinao linear
B) = E e as colunas de B so .  .
no igual a 0 (para qualquer y 0) porque E (B
) Se E (B
B) < E, ento ns podemos encontrar y 0 tal que:
By = 2| | + 2} } + + 2 = 0
porque as colunas de B so . . ver (2.40). Da, yBBy 0.

Note que se B uma matriz quadrada, a matriz B2 = BB no necessariamente

positiva semidefinida. Por exemplo, seja a matriz

B=
1 2

Ento:
1 2

} = e BB =
1 2 2 4
4 8
1 2
Neste caso, } no positiva semidefinida, mas BB positiva semidefinida, porque yBBy
= 2(2| 22} )2 0.

Teorema 2.6e
2.6e. Se A positiva definida, ento A1 positiva definida.
9>: Pelo Teorema 2.6c, A = PP,
PP onde P no singular. Pelos Teoremas 2.5a e 2.5b, A1
= (PP
PP)
PP 1 = P1(P
P)
P 1 = P1(P
P1), que positiva definida pelo Teorema 2.6c.

Teorema 2.6f
2.6f. Se A positiva definida e particionada na forma

A = 11
A A12
A 21 A 22
onde A11 e A22 so matrizes quadradas, ento A11 e A22 so positivas definidas.

9>: Ns podemos escrever A11 como A11 = 0 A , onde I tem a mesma dimenso
I

de A11. Ento, pelo Corolrio 1 do Teorema 2.6b, A11 positiva definida.

0

  EE E 9:. $ (>  ?

 25

2.7 SISTEMAS DE EQUAES

O sistema de equaes de  equaes (lineares) e E incgnitas
|| y| + |} y} + + | y = !|
}| y| + }} y} + + } y = !}

| y| + } y~ + +  y = ! (2.55)
pode ser escrito na forma matricial como
A = c (2.56)
onde A E, E1 e c 1. Note que:
Se  E ento os vetores e c so de dimenses diferentes.
Se  = E e A no singular, ento por (2.47), existe um nico vetor soluo = A| .

Se  > E, de tal forma que A tenha mais linhas que colunas (mais equaes do que in-

cgnitas), ento, geralmente, o sistema A = c no tem soluo.

Se  < E, de tal forma que A tenha menos linhas que colunas, ento o sistema A = 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 seja EE e E 

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

2.7a O sistema de equaes Ax = c consistente (tem no mnimo uma soluo)

Teorema 2.7a
se e somente se E (A
A) = E A
A c.
9>: Suponha que E (A A) = E A A c, de tal forma que justapor o vetor c no
altera o posto da matriz A. Ento c uma combinao linear das colunas de A; isto ,
existe pelo menos um tal que:
y| | + y} } + + y =
que por (2.38) pode ser escrito como A = c. Assim, soluo do sistema A = c.

  EE E 9:. $ (>  ?

 26

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

y| + 2y} = 4 1 2 y 4
y| y} = 1 ou 1 1 sy t = 1
|

y| + y} = 3 1 1 3
}

A matriz aumentada :
1 2 4
AA c = 1 1 1
1 1 3
que tem E A A c = 2 porque a terceira coluna igual soma de duas vezes a primeira
coluna com a segunda coluna:
4 1 2
1= 2 1 + 1.
3 1 1
Desde que E (A A) = E AA 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.

  EE E 9:. $ (>  ?

 27

4
x2
3

0
0 1 2 3 4 5

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

x1

Exemplo 13. Se trocarmos o nmero 3 por 2 na terceira equao do Exemplo 12, a matriz
aumentada fica:
1 2 4
A
A c = 1 1 1
1 1 2
que tem posto = 3, j que nenhuma combinao linear das colunas 0. Como E A A c
= 3 E (A 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 y| e y} que minimizam (y| + 2y} 4)2 + (y| y} 1)2 + (y| + y} 2)2 = 0.

4
x2
3

0
0 1 2 3 4 5
x1

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

Exemplo 14. Considere agora o sistema:

y| + y} + y~ = 1
2y| + y} + 3y~ = 5
3y| + 2y} + 4y~ = 6

  EE E 9:. $ (>  ?

 28

A terceira equao a soma das duas primeiras, mas a segunda no um mltiplo da pri-
meira. Assim E (AA) = 2 = E AA c e temos um sistema consistente. Resolvendo as
duas primeiras equaes para y| e y} em termos de y~ , ns obtemos:
y| = 2y~ + 4
y} = y~ 3
O vetor soluo pode ser expresso como:
2y~ + 4 2 4
= y~ 3 = y~ 1 + 3
y~ 1 0
onde y~ uma constante arbitrria. Geometricamente, uma linha representando a in-
terseo dos dois planos correspondentes s duas primeiras equaes.

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 = c pode
ser expresso em termos de uma inversa generalizada de A.

2.8.1 Definio e Propriedades

Uma > B de uma matriz A E qualquer matriz A , que satisfaz:
A A A = A (2.57)

Uma inversa generalizada no nica exceto quando A no singular, neste caso A

= A| . 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
= v w
3
4
Ento |A = 1, 0, 0, 0 uma inversa generalizada de que satisfaz (2.57). Outros exem-
plos so A
} = 0, 1/2, 0, 0, ~ = 0, 0, 1/3, 0 e  = 0, 0, 0, 1/4. Para cada z ns
A A A

temos:
A
z =  = 1, 2, 3, 4.
Nesta ilustrao, um vetor coluna e A
z um vetor linha. Este modelo generalizado no
seguinte teorema.

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

  EE E 9:. $ (>  ?

 29

No exemplo a seguir ns damos duas representaes de inversas generalizadas de

uma matriz singular.

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

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

ritmo de cinco passos ser apresentado aps o teorema.

2.8b. Suponha que A E de posto  e que A particionada como

Teorema 2.8b

A = 11
A A12
A 21 A 22
Onde A11  de posto . Ento a inversa generalizada de A dada por

=
A
A11
1



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

Corolrio 1. Suponha que A E de posto  e que A particionada como no Teorema 2.8b

onde A22  de posto . Ento a inversa generalizada de A dada por

A =
0 0
1

onde as trs matrizes nulas so de dimenses apropriadas para que A seja E.
0 A 22

A submatriz no singular no precisa estar na posio A11 ou 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, A , para qualquer matriz A de dimenso E de posto  Searle, 1982,
p.218:

  EE E 9:. $ (>  ?

 30

1. Encontre qualquer submatriz no singular C (). No necessrio que os ele-

mentos de C ocupem posies (linhas e colunas) adjacentes em A.
2. Encontre A| e a sua transposta ( A| ).
3. Substitua em A os elementos de C pelos elementos de ( A| ).
4. Substitua todos os outros elementos de A por zeros.
5. Transponha a matriz resultante.

Exemplo 16.
16. Calcular uma inversa generalizada (condicional) de
1 1 0
1 1 0
X=v w
1 0 1
1 0 1
Usando o algoritmo de Searle (e lembrando que o posto da matriz X 2) fazemos:
1 0 1 0 1 0
1) Escolhemos C = s t 2) A| = s t ( A| ) = s t
0 1 0 1 0 1
0 0 0
0 1 0
3) e 4) v w 5) A = 0 1 0 0 uma inversa condicional de X
0 0 0 0

0 0 1
0 0 0

0 0 1 0

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

Teorema 2.8c
2.8c. Seja A (E) de posto , seja A uma inversa generalizada de A e seja
()A uma inversa generalizada de AA.
AA Ento:
) E (A A) = E (A
AA ) = E (A
A) = .
) (A ) uma inversa generalizada de A;
A isto ()A = (A ).
) A = A()A AA e A = AA()
AA A
A.
>) ()A A uma inversa generalizada de A, isto , A = ()A A.
A
>) A()A A simtrica, E A
A()A A =  e invariante escolha de ()A . Isto
quer dizer que A()A A permanece a mesma, para qualquer escolha de (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.

  EE E 9:. $ (>  ?

 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 A7. Dada a matriz A (E) ento toda matriz (E) que satisfaz as duas
condies seguintes, uma inversa de mnimos quadrados de A:
a) A A = A
b) A uma matriz simtrica.

Teorema A4.
A4. Toda matriz do tipo = ()A A uma inversa de mnimos quadrados de
A, para qualquer escolha da inversa condicional ()A .

1 1 0
1 1 0
Exemplo
Exemplo 17.
17. Obter uma inversa de mnimos quadrados de X = v w
1 0 1
1 0 1
4 2 2
2 0
Primeiramente calculamos XX = 2 2 0. Escolhendo C = s t e usando o algoritmo
0 2
2 0 2
de Searle, obtemos:
0 0 0
() = 0 0,5 0
A

0 0 0,5
Ento uma inversa de mnimos quadrados de X :
0 0 0 0
= () X = 0,5 0,5 0
A 0
0 0 0,5 0,5
Escolhendo outras submatrizes C e, correspondentemente, calculando outras inversas
condicionais de XX,
XX ns podemos encontrar outras inversas de mnimos quadrados de 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 E! ? do SAS, por exemplo, a inversa de
Moore-Penrose da matriz A obtida com o comando B>(A A).

Definio A8. Dada a matriz A (E) de posto , ento a matriz (E), de posto , que
satisfaz s quatro condies seguintes, definida como a inversa generalizada de Moore-
Penrose de A:
a) A A = A
b) A =
c) A simtrica.
d) A simtrica.

  EE E 9:. $ (>  ?

 32

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

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 2.8d
2.8d. Se o sistema de equaes A = c consistente e se A uma inversa gene-
ralizada de A, ento = A uma soluo do sistema.
(Ver prova na pg. 36 do livro do Rencher).

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

A = c.

Teorema 2.8e
2.8e. Se o sistema de equaes A = c consistente, ento todas as possveis so-
lues podem ser obtidas das duas seguintes maneiras:
) Use uma A especfica em = A c + (II A A) e use todos os possveis valores para
o vetor arbitrrio .
) Use todas as possveis inversas A em = A c.
Uma condio necessria e suficiente para que o sistema A = c seja consistente
pode ser dado em termos de uma inversa generalizada (Graybill 1976, p.36).

Teorema 2.8f
2.8f. O sistema de equaes A = c consistente se e somente se para qualquer
inversa generalizada A de A
AA c = c.
(Ver prova na pg. 37 do livro do Rencher).

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

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.

  EE E 9:. $ (>  ?

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

Cada produto elementar do tipo Ez = |{ }{ ~{ { em que, nos ndices *| , *} ,
, * so colocados os nmeros de alguma permutao simples do conjunto {1, 2,, }.
Em cada produto Ez existe somente um elemento de cada linha e coluna.
Cada produto elementar recebe o sinal + ou , conforme o nmero de inverses envol-
vidas em Ez seja par ou mpar, respectivamente.

|| |}
Se A = s }} t uma matriz 22 temos somente duas permutaes:
}|

 Ez Permutao No de inverses Sinal

1 || }} 12 0 +
2 |} }| 21 1
O determinante de A calculado como:
 () = || }} |} }|

|| |} |~

Se 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 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:

 () = || }} ~~ + |} }~ ~| + |~ }| ~} |} }| ~~ || }~ ~} |~ }} ~|

  EE E 9:. $ (>  ?

 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 E! ? do ", %,  $ e o
EE, que calculam determinantes de forma segura.

|| |} |~ 2 0 1

18. Calcular o determinante de A = }|
Exemplo 18. }} }~ = 3 1 4.
~| ~} ~~ 5 6 7

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

 Ez Permutao No de inverses Sinal Valor de Ez

1 || }} ~~ 123 0 + 14
2 || }~ ~} 132 1 48
3 |} }| ~~ 213 1 0
4 |} }~ ~| 231 2 + 0
5 |~ }| ~} 312 2 + 18
6 |~ }} ~| 321 3 5

Utilizando a Definio A9 obtemos:

A) = z| Ez = 49
 (A

Os determinantes de algumas matrizes quadradas especiais so dados no teorema

seguinte.

Teorema 2.9a
2.9a.
D) = z| z
) Se D = B(| , } , ,  ) ento  (D
) O determinante de uma matriz triangular o produto dos elementos da diagonal.
) Se A singular,  (A
A) = 0. Se A no singular,  (A
A) 0.
>) Se A positiva definida,  (A
A) > 0.
>)  (A
A) =  (A
A)
A
>) Se A no singular,  (A
A1) = 1/ (A
A)

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

  EE E 9:. $ (>  ?

 35

1 2
) A singular:  (A
A) = = (1)(6) (2)(3) = 0
3 6
1 2
A no singular:  (A
A) = = (1)(4) (2)(3) = 2
3 4
2 1
 (A
A1) = = (2)( 0.5) (1.5)(1) = 1/2 = 1/ (A
A)
1.5 0.5
3 2
>) A positiva definida:  (A
A) = = (3)(4) (2)(2) = 8
2 4
3 7
>)  (A
A) = = (3)(1) (7)(2) = 17,
2 1
3 2
 (A
A)
A = = (3)(1) (2)( 7) = 17.
7 1

Observe que se todos os elementos da diagonal de uma matriz D forem iguais, diga-
mos D = B(!, !, , !, ) = !, ento:
D) =  (!) = z| ! = !
 (D (2.68)

Por extenso, se uma matriz  multiplicada por um escalar, o seu determinante :

 (!) = !  () (2.69)

Teorema 2.9b
2.9b. Se a matriz A particionada como

A = 11 (2.70)
A A12
A 21 A 22
Em que A11 e A22 so quadradas e no singulares (mas no necessariamente do mesmo ta-
manho), ento:
 (A
A) = |AA11| |A
A22 A21(A
A11) 1A12| (2.71)
= |A
A22| |A
A11 A12(A
A22) 1A21| (2.72)

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

|| |}
 (A
A) =  = || }} |} }|
}| }}
= || (}} }| |} /|| ) = }} (|| |} }| /}} )

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

  EE E 9:. $ (>  ?

 36

Corolrio 2. Suponha A = || , onde || e }} so matrizes quadradas (mas no
}}
necessariamente de mesma dimenso). Ento:
|| = ||| ||}} |. (2.74)

|| |}
Corolrio 3. Se A = , onde || uma matriz no singular, |} um vetor e }}
|} }}
uma matriz 11 (escalar), ento:
|| = ||| |(}} |}

A|
|| |} ). (2.75)

Corolrio 4. Se A = s t, onde um vetor e B uma matriz no singular, ento:
1
| + | = ||(1 + A ) (2.76)

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

Corolrio 1.
|| = || (2.77)

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

1 2 3 2
Exemplo 20.
20. Para ilustrar o Teorema 2.9c, sejam as matrizes = s teB=s t.
3 4 1 2
Ento
1 2 3 2 5 2
AB = s ts t=s t e || = 16
3 4 1 2 13 2
||=
= 2, ||=
= 8 ||||= (2)(8) = 16

2.10. VETORES ORTOGONAIS E MATRIZES

Dois vetores e , 1, so ditos  B se:
= | F| + } F} + +  F = 0 (2.79)
Note que o termo  B se aplica aos dois vetores e no a um nico vetor.

  EE E 9:. $ (>  ?

 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. 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:
A (A) (A)
!() =
}( )( )
A ( A } )
=
}( )( )

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

Figura 2.4. Vetores e no espao tridimensional (~ )

  EE E 9:. $ (>  ?

 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 E1 que so normalizados (z z

= 0, para todo ) e mutuamente ortogonais (z { =0, para todo  *) dito ser um conjun-
to ortonormal de vetores.

Se a matriz C = | } , EE, tem colunas ortonormais, C chamada matriz

ortonormal. Desde que os elementos de CC so produtos de colunas de C ver Teorema
2.2c(i), uma matriz ortonormal C tem a propriedade:
CC = I (2.83)
Pode ser mostrado que uma matriz ortonormal C tambm satisfaz
CC = I (2.84)
Assim, uma matriz ortogonal C tem linhas ortogonais como tambm colunas ortogonais.
evidente que de (2.83) e (2.84), C = C1, se C ortogonal.

Exemplo 21.
21 Para ilustrar uma matriz ortogonal, partimos de:
1 1 1
A = 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:
1/3 1/6 1/2
C = v1/3 2/6 0w
1/3 1/6 1/2
Cujas colunas so ortonormais. Note que as linhas de C tambm so ortonormais, tal que 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 = , onde C uma matriz ortogonal,
ento a distncia da origem a z a mesma distncia da origem a :
zz = (C
C)(C
C) = CC
CC
CC = (2.84)
Neste caso, a transformao de para z conhecida como uma rotao.

  EE E 9:. $ (>  ?

 39

2.10. Se C uma matriz (EE) ortonormal e se A uma matriz (EE) qualquer,

Teorema 2.10.
ento:
) |C
C| = +1 ou 1
) |CAC
CAC|
CAC = |A
A|
) 1 !z{ 1, onde !z{ qualquer elemento da matriz C.

2.11. TRAO DE UMA MATRIZ

O  de uma matriz () A = (z{ ) uma funo escalar definida como a soma dos
A) = z| zz . Por exemplo, suponha:
elementos da diagonal de A; isto , (A
8 4 2
A = 2 3 6
3 5 9
Ento
(A
A) = 8 + (3) + 9 = 14.

Teorema 2.11a
2.11a.
) Se A e B so matrizes () ento:
(A
A B) = (A
A) ( B) (2.85)
) Se A (E) e B (pn) ento:
(AB
AB)
AB = (BA
BA)
BA (2.86)
Note que em (2.86)  pode ser menor, igual ou maior que E.
) Se A (E)
(AA
AA)
AA ={| { { (2.87)

onde { a *-sima coluna de A.

>) Se A (E)
AA = z| z z
(AA
AA) (2.88)

onde z a -sima linha de A.

>) Se A = (z{ ) uma matriz E com elementos representativos z{ ento:
(AA
AA) AA = z| {| z{
AA = (AA
AA) (2.89)
}

>) Se A () e P () qualquer matriz no singular, ento:

(P
P1AP)
AP = (A
A) (2.90)
>) Se A () e C () qualquer matriz ortogonal, ento:
(CAC
CAC)
CAC = (A
A) (2.91)
>) Se A (E) de posto  e A (E) uma inversa generalizada de A, ento:
(A
AA) = (A
A A) =  (2.92)

  EE E 9:. $ (>  ?

 40

Consideremos A, B e C matrizes quadradas de ordem , um vetor (?1) e  e F

nmeros reais. A funo  tambm apresenta as seguintes propriedades:
) ( ) = 
) (A
A +FB
B) =  (A
A) + F (B
B)
) (AB
AB)
AB = (BA
BA)
BA
>) (AB
ABC
ABC) = (C
CAB)
AB = (B
BCA)
CA
>) Se A for idempotente ento (A
A) = E (A
A)
>) (A
A) = (A
A)
>) (A
AA) = (AA = z| z| z}
AA)
>) () = () =
z| z
}

2.12 AUTOVALORES E AUTOVETORES

2.12.1 Definio

Definio A10. Para qualquer matriz quadrada A, um escalar e um vetor , no nulo,

podem ser encontrados, de tal forma que:
A = (2.94)

Em (2.94), chamado um autovalor de A e um autovetor de A (tambm so

chamados de > !!  ! e >  !!  ! de A, respectivamente). Note
que em (2.94) o vetor transformado por A, em um mltiplo de si prprio, de tal forma
que o ponto A est sobre a linha que passa por e a origem.

Para encontrar e para uma matriz A, ns escrevemos (2.94) como:

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

Se A () a sua equao caracterstica ter  razes, isto , 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).

  EE E 9:. $ (>  ?

 41

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

note que se = 0 ento (AA II) = 0 fica A = 0, que tem soluo para porque 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 7, obtemos:

7(A
A II) = 70
0=0
que pode ser reescrito como:
(A
A II)7 = 0
Assim, se um autovetor de A, 7 tambm um autovetor de 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 22.
22. Para ilustrar autovalores e autovetores, considere a matriz:
1 2
=s t
2 3
Por (2.95), a equao caracterstica :
1 2
|A I|
I| = = (1 )(4 ) 4 = 0
2 3
Ou seja
2 5 = ( 5) = 0
Que tem razes | = 5 e } = 0. Para encontrar o autovetor | correspondente a | = 5,
ns usamos (2.94),
15 2 y| 0
(A
A 5II) = 0 s t sy t = s t
2 35 } 0
Que pode ser escrito como:
4y| + 2y} = 0

2y| y} = 0
Como a primeira equao um mltiplo da segunda, temos que y} = 2y| . Um vetor solu-
o pode ser escrito com y| = ! como uma constante arbitrria.
y| y| 1 1
| = sy t = s2y t = y| s t = ! s t
} | 2 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

  EE E 9:. $ (>  ?

 42

2.12.2. Funes de uma matriz

Se um autovalor da matriz quadrada A com um correspondente autovetor , ento
para certas funes B(), um autovalor dado por B() e o autovetor correspondente
de B() como tambm de A. Ns ilustramos para alguns casos:

1. Se um autovalor de A, ento ! um autovalor de !A A e o autovetor correspon-

dente, onde ! 0 uma constante arbitrria. Esse resultado facilmente demonstrado
multiplicando-se a relao de definio A = por !:
!A
A = ! (2.97)

2. Se um autovalor de A e o autovetor correspondente de A, ento ! + 7 um

autovalor da matriz !A
A + 7II, onde ! e 7 so escalares. Para mostrar isso, adicionamos
7 a (2.97):
!A
A + 7 = ! + 7 (!A
A + 7II) = (! + 7) (2.98)
Assim ! + 7 o autovalor de !A A + 7II e o correspondente autovetor. Note que
(2.98) no se estende a (A
A + B), onde A e B so matrizes  arbitrrias; isto , A + B
no tem autovalores + , onde um autovalor de A e um autovalor de B.

3. Se um autovalor de A, ento } um autovalor de A2. Isto pode ser demonstrado

multiplicando-se a relao de definio A = por A:
AA
AA = A A2 = A
A = () = } (2.99)
Assim } um autovalor de A2 e o autovetor correspondente de A2. Isso pode ser es-
tendido para:
= (2.100)

4. Se um autovalor da matriz no singular A, ento 1/ um autovalor de A1. Para de-

monstrar isso, ns multiplicamos A = por A1 para obter:
A1A = A1 = A
A1 A1 = (1/) (2.101)
Assim 1/ um autovalor de A1 e o autovetor correspondente de A e de A1.

5. Os resultados em (2.97) e (2.100) podem ser usados para obter autovalores e autove-
tores de um polinmio em A. Por exemplo, se um autovalor de A, ento:
(A
A3 + 4A
A2 3A
A + 5II) = A3 + 4A
A2 3A
A + 5
= 3 + 42 3 + 5 = (3 + 42 3 + 5)
Assim, 3 + 42 3 + 5 um autovalor de A3 + 4A
A2 3A
A + 5II, e o autovetor corres-
pondente.
Para certas matrizes, a propriedade (5) pode ser estendida para sries infinitas. Por
exemplo, se um autovalor de A, ento por (2.98), (1 ) um autovalor de (II A)..
Se (II A) no singular ento, por (2.101), 1/(1 ) um autovalor de (II A)1.

  EE E 9:. $ (>  ?

 43

Se 1< <1 ento 1/(1 ) pode ser representado pela srie ( D)
|
= 1 + + 2 + 3 +
|A
Correspondentemente, se todos os autovalores de A satisfazem 1 < < 1, ento:
(II A)1 = I + A + A2 + A3 + (2.102)

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

Teorema 2.12a
2.12a. Se A e B so () ou se A (E) e B (E), ento os autovalores (no
nulos) de AB so os mesmos daqueles de BA.BA Se um autovetor de AB ento B um
autovetor de BA.
BA
Teorema 2.12b
2.12b. Seja A uma matriz .
) Se P qualquer matriz no singular (), ento P1AP tem os mesmos autovalores.
) Se C qualquer matriz ortogonal (), ento CAC tem os mesmos autovalores.

2.12.4.
2.12.4 Matrizes simtricas

Teorema 2.12c
2.12c. Seja A () uma matriz simtrica.
) Os autovalores | , } ,, de 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 , z { = 0 para  *

Se os autovetores de uma matriz simtrica A so normalizados e colocados como

colunas de uma matriz C ento, pelo Teorema 2.12c(), C uma matriz ortogonal que
pode ser usada para expressar A em termos de seus autovalores e autovetores.

Teorema 2.12d
2.12d. Se A uma matriz simtrica com autovalores | , } ,, e autovetores
normalizados | , } , , ento A pode ser expressa como:
A = CDC (2.103)
= z| z z z (2.104)
onde D = B(| , } ,, ) e C a matriz ortonormal C = | } . O resultado mos-
trado em (2.103) ou (2.104) chamado de decomposio espectral de A.
(Ver prova nas pg. 51-52 do livro do Rencher).

  EE E 9:. $ (>  ?

 44

Corolrio 1. Se A uma matriz simtrica e C e D so definidas como no Teorema 2.12d,

ento C diagonaliza A, isto ,
CAC = D = B(| , } ,, ) (2.106)

Teorema 2.12e
2.12e. Se A uma matriz com autovalores | , } ,, ento:
A) = | A | = z| z
)  (A (2.107)
A) = z| z
) (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).

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

2.12.5. Matriz positiva definida e positiva semidefinida

Os autovalores | , } ,, de matrizes positivas definidas (semidefinidas) so positivos
(no negativos).

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

Teorema A6
A6. Seja A uma matriz , real e simtrica, e D = B(| , } ,, ) a matriz
diagonal que exibe as razes caractersticas de A. Ento:
a) z > 0,  A positiva definida.
b) z 0, , z = 0 A positiva semidefinida.
c) z < 0,  A negativa definida.
d) z 0, , z = 0 A negativa semidefinida.
e) z muda de sinal A no definida.

  EE E 9:. $ (>  ?

 45

Se uma matriz A positiva definida ou positiva semidefinida, ns podemos encon-

trar a raiz quadrada de A, denotada por A1/2. Desde que os autovalores de A no so nega-
tivos, ns podemos calcular z na decomposio espectral de A em (2.103), para obter:
A1/2 = CD1/2 C (2.109)
com D1/2 = B(| , } , , ). A matriz A1/2 simtrica e tem a propriedade:

A1/2A1/2 = (C
C D1/2 C)(C
C C D1/2 C)=
C CD1/2D1/2C = CDC = A (2.110)

2.13. MATRIZES IDEMPOTENTES

Uma matriz quadrada A dita ?E   se A2 = 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 A
idempotncia de A ou de um produto envolvendo A ser usada para estabelecer que yAy
(ou um mltiplo de yAy)
yAy tem distribuio quiquadrado.

Teorema 2.13a
2.13a. A nica matriz no singular idempotente a matriz identidade.
(Prova: ver pg. 54 do livro do Rencher).

Teorema 2.13b
2.13b. Se A singular, simtrica e idempotente ento A positiva semidefinida.
(Prova: ver pg. 54 do livro do Rencher).

2.13c. Se A uma matriz , simtrica, idempotente e de posto , ento A tem

Teorema 2.13c
 autovalores iguais a 1 e   autovalores iguais a 0.
(Prova: ver pg. 54 do livro do Rencher).

2.13d. Se A , simtrica, idempotente e de posto , ento posto(A

Teorema 2.13d A) =  =
(A
A).
(Prova: ver pg. 55 do livro do Rencher).

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

  EE E 9:. $ (>  ?

 46

2.13f. Seja A uma matriz E de posto , seja A qualquer inversa generalizada

Teorema 2.13f
de A e seja (AA
AA)
AA uma inversa generalizada de AA.
AA Ento AA, AA e A(AA
AA)
AA A so todas
idempotentes.

Teorema 2.13g
2.13g. Supondo que a matriz simtrica A () possa ser escrita como A =
z| z para algum 7, onde cada z uma matriz simtrica . Ento, quaisquer duas das

seguintes condies implicam na terceira condio:

1. A idempotente.
2. Cada | , } , , idempotente.
3. z { = 0 para  *.

Teorema 2.13h2.13h. Se I = z| z , onde cada matriz z  simtrica e de posto z e se  =

z| z , ento so verdadeiras as seguintes afirmaes:
1. Cada | , } ,, idempotente.
2. z { = 0 para  *.

2.14 CLCULO VETORIAL E MATRICIAL

2.14.1. Derivadas de funes

funes de vetores e matrizes
Seja D = :() uma funo das variveis y| , y} , , y em = y| , y} , , y e sejam
Dy| , Dy} , , Dy as derivadas parciais. Ns definimos D como:
Dy|
Dy}
=v w (2.111)

Dy

Duas funes especficas de interesse so D = e D = 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 D resolvendo D = 0.

2.14a. Se D = = = z| z yz , onde = | , } ,,  um vetor de cons-

Teorema 2.14a

tantes, ento:
() ()
= = = (2.112)

(Ver prova na pg. 56 do livro do Rencher).

  EE E 9:. $ (>  ?

 47

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

(Ver prova na pg. 57 do livro do Rencher).

Seja D = :() uma funo das variveis y|| , y|} , , y em uma matriz (EE) e
sejam Dy|| , Dy|} ,, Dy as derivadas parciais. De forma similar a (2.111) ns
definimos D como:

=

(2.114)




Duas funes de interesse deste tipo so D = () e D = || para uma matriz positiva
definida X.

Teorema 2.14c. Seja D = (), onde X uma matriz EE positiva definida e A uma
matriz EE de constantes. Ento

=
()
= A + A B() (2.115)

(Prova: ver pg. 58 do livro do Rencher).

Teorema 2.14d.
2.14d. Seja D = ||, onde X uma matriz EE positiva definida. Ento
||
= = 2 A| B( A| ) (2.116)

2.14.2. Derivadas envolvendo inversa de matrizes e determinantes

Seja A uma matriz  no singular com elementos z{ que so funes de um escalar y.
Ns definimos y como uma matriz  com elementos z{ y. Em muitas situaes
(estimao de parmetros, por exemplo) de interesse o clculo das derivadas relativas a
A| y e B||y.

2.14e. Seja A uma matriz no singular de ordem  com derivada y . Ento

Teorema 2.14e

= A| A| (2.117)

(Prova: ver pg. 58 do livro do Rencher).

  EE E 9:. $ (>  ?

 48

Teorema
Teorema 2.14f
2.14f. Seja A uma matriz positiva definida de ordem  . Ento
||
=  A| (2.118)
y
(Prova: ver pg. 59 do livro do Rencher).

2.14.3. Maximizao ou minimizao de uma funo de um vetor

Considere uma funo D = :() das E variveis em .. Em muitas situaes ns podemos
encontrar um mximo ou mnimo de D resolvendo o sistema de E equaes:

=


(2.119)

Ocasionalmente a situao requer a maximizao ou minimizao da funo D, sujeita a
restries sobre .. Ns denotamos as restries como | () = 0, } () = 0, , () = 0,
ou de forma mais sucinta, () =
.
A maximizao ou minimizao de D 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 = . Ento queremos
> = D +  ().
O mximo ou mnimo de D sujeita a () =
obtido resolvendo as equaes

=



ou, equivalentemente
+

 = 0 e () =
(2.120)

onde

 


=


 

Exemplo 24. Admitamos o modelo de regresso linear 2z =  + | yz +

z para  = 1,, ,
Exemplo 24
expresso matricialmente como y = X + , onde:
2| 1 y|
|
2} 1 y} 
}
v w=v w +v w
|
2 1 y

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

dos  valores observados de 2 em relao aos valores preditos y :

  EE E 9:. $ (>  ?

 49

z|
z} = z|(2z 2z )} = z|2z  | yz
}

Matricialmente, ns temos que:

z|
z} =   = (y )(y
y X ) = yy 2
y X Xy + 
XX
XX
Numa analogia com (2.111), temos que  corresponde ao vetor de variveis ..
 que minimiza , calculamos a derivada de  em relao a 
Para encontrar  e
igualamos a um vetor de zeros. Observando que:

 =0


 Xy com = 
 e = 2Xy
 2= 2Xy

2Xy em (2.112), D = 2 Xy
Xy

  XX XX
em (2.113), D = XX, = 
 e A = XX
  = 2XX

XX XX

Resumindo, temos que:



XX 
 = 2Xy
2Xy + 2XX

Igualando o resultado a um vetor de zeros, obtemos o sistema de equaes normais:

XX = Xy
XX
Como XX no singular, a soluo do sistema nica e obtida por:

 
 = = ()A| Xy
|
Esta soluo chamada de soluo de mnimos quadrados.

Exerccio 25. Os resultados experimentais apresentados na tabela seguinte foram obtidos

de um ensaio de irrigao onde se estudou 2: produo de alfafa (t/ha) como uma funo
de y: quantidade de gua aplicada (ml/cm2).
y: gua 12 18 24 30 36 42 48
2: 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 1 12
|
5,68 1 18
}


6,25 1 24 
~
7,21 = 1 30 | + 
8,02 1 36

8,71 1 42

8,42 1 48

  EE E 9:. $ (>  ?
 50

O sistema de equaes lineares correspondente fica:

7 210  49,56
s t =
210 7308 | 1590,48

Ento:
 7 210 A| 49,56 1,03571 0,0298 49,56 3,9943
= s t = =s t
| 210 7308 1590,48 0,0298 0,00099 1590,48 0,1029

A equao da reta (de mnimos quadrados) ajustada fica: 2z = 3,9943 + 0,1029yz

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

Figura 2.5.
2.5. Produo de alfafa (t/ha) em funo da quantidade de gua (ml/cm2)

  EE E 9:. $ (>  ?

 51

2.15. Referncias citadas no

no 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 adicionais disponveis online:

Brookes, M., The Matrix Reference Manual,

Manual 2011.
http://www.ee.ic.ac.uk/hp/staff/dmb/matrix/intro.html

Matrix Algebra and R

http://www.aps.uoguelph.ca/~lrs/ABModels/NOTES/MATRIXR.pdf

Petersen, K., B.; Pedersen, M., S., The Matrix Cookbook,

Cookbook 2012.
http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=3274

Revelle, W., Matrix Algebra in R,

R 2007.
http://personality-project.org/r/sem.appendix.1.pdf

SAS Institute Inc. 2011. SAS/IML 9.3 Users Guide.

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., Anlise

Anlise 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 A Minimal Introduction,

Introduction 2009.
http://www.statpower.net/Content/313/Lecture%20Notes/RMatrixIntro.pdf

  EE E 9:. $ (>  ?

 52

2.16. Exerccios propostos

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

2. Escreva a matriz A = (z{ ) de dimenso 54, em que z{ dado por:

a) o mnimo mltiplo comum de  e *.
b) o mximo divisor comum de  e *.

3) Sejam A = (z{ ), B = (Fz{ ), C = (!z{ ) e D = (z{ ) as matrizes:

1 1
2 3 4 1 0 1 0 2 4 8
1 1
A = 3 4 5, B = = 0 1 0 1, C = v w e D = 2 4 8
1 1
4 5 6 1 0 1 0 2 4 8
1 1
Determine uma expresso geral para z{ , Fz{ , !z{ e z{ .

7 3 18
4) Dada a matriz A = 2 6 11, determine a matriz B = (Fz{ ) que um mltiplo esca-
15 17 13
lar de A (ou seja, B = A) e tal que F|~ =6

5) Dadas as matrizes A e B de dimenses  , resolva a equao matricial

1 3
3  +  = 5  .
2 4

6) Sejam as matrizes:
1
1 2 3 2 0 1
A=s t, B = s t, C = 2 e D = 2 1
2 1 1 3 0 1
4
Calcule:
a) A+B b) AC c) BC d) CD e) DA f) DB

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

8) Qual o valor de !}~ na multiplicao das matrizes?

1 2 !|| !|} !|~ !|
5 2 5 1 5 4 !}| !}} !}~ !}
v ws t = v! !~} !~~ !~ w
4 4 2 5 2 2 ~|
1 2 !| !} !~ !

  EE E 9:. $ (>  ?

 53

9) Seja A = s 2 y } t. Qual o valor de y para que tenhamos = A?

2y 1 0

10) Falso ou Verdadeiro? Justifique.

2 1 4 1
a) Se A = s t ento } =s t.
3 2 9 4
b) (A+B
A+B)
A+B t = Bt +A
At.
c) Se AB = 0 ento A = 0 ou B = 0.
d) Se AB = 0 ento BA = 0.
e) (A)(B) = (AB
AB).
AB

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?

1 3  F
12) Mostre que uma matriz B !?D  com A = s t se e somente se B = s t, com  e
0 1 0 
F nmeros reais. Definio:
Definio: Duas matrizes A e B comutam se AB = BA
BA

13) Encontre todas as matrizes que comutam com a matriz A, sendo:

1 0 0
1 2 1 1
a) A = s t b) A = s t c) A = 0 1 0
1 1 0 1
3 1 2

14) Sabendo-se que as matrizes A e B comutam, prove que:

a)(A+B
A+B)
A+B 2 = A2 +2AB
AB + B2 b) A2B2 = (A
AB)(A+B
A+B)
A+B
c) as matrizes e tambm comutam.

  EE E 9:. $ (>  ?

 54

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

16) Sejam A e B duas matrizes tais

1 2 3
A + B =4 5 6
7 8 9
Determine A e B, supondo que A antissimtrica e que B simtrica. Defi
Definio:
Definio: Uma
matriz A dita antissimtrica se = .

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

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

19) Resolva, caso sejam possveis, os seguintes sistemas de equaes:

2y + 2 + 5 = 1
y + 22 = 1
3y 22 + 2 35 = 2
a) y 2 + 2 = 0 b) 
5y + 2 + 25 = 1
y + 2 + 2 = 1
2y 2 + 35 = 4
y+2+ =1 2 +5 =4
y 2 + = 0 y + 2 + 2 + 5 = 1
c)  d) 
2 + 2 = 1 y + + 25 = 2
2y + 2 + 4 = 2 2y + 2 + 7 5 = 3

20) Determine os valores de , F, ! para os quais a parbola 2 = y } + Fy + ! passa pelos

20)
pontos (1, 1), (0, 2) e (1, 3).

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

  EE E 9:. $ (>  ?

 55

22) Resolva as seguintes equaes matriciais, considerando as matrizes reais:

2 5 y|| y|} 4 6
a) s t sy y t=s t
1 3 }| }} 2 1
y|| y|} y|~ 1 1 1 1 1 3
b) y}| y}} y}~ 2 1 0 = 4 3 2
y~| y~} y~~ 1 1 1 1 2 5

4 2 2 y| 20
23) Seja o sistema escrito na forma matricial A = , ou 2 2 0 y} = 12.
2 0 2 y~ 8
a) Verifique que o sistema consistente, mas no tem soluo nica.
b) Encontre uma inversa generalizada simtrica de A.
c) Encontre uma inversa generalizada no simtrica de A.
d) Encontre duas solues do sistema, = A , 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 AA idempotente.

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

4 2 2
25)
25) Seja a matriz singular A = 2 2 0.
2 0 2
a) Encontre os autovalores (| , } , ~ ) e os respectivos autovetores normalizados (| ,
} , ~ ) .
b) A matriz A positiva definida? Por qu?
c) Mostre que (A
A) = | + } + ~ e que  (A
A) = | } ~
d) Mostre que a matriz diagonal que exibe os autovalores de A pode ser obtida por D =
B(| , } , ~ ) = CAC,
CAC onde C = | , } , ~ a matriz formada pelos autovetores
normalizados de A.
e) Se a matriz A for positiva definida ou positiva semidefinida, obtenha a sua raiz qua-
drada, calculada como A1/2 = CD1/2C,
C onde D = B(| , } , ~ ) a matriz diagonal
que exibe os autovalores de A e C = | , } , ~ a matriz formada pelos autovetores
normalizados de A.

  EE E 9:. $ (>  ?

 56

26. Os resultados experimentais apresentados na tabela a seguir foram obtidos de um

ensaio de irrigao onde se estudou 2: produo de alfafa (t/ha) como uma funo de y:
quantidade de gua aplicada (ml/cm2).
y: gua 12 18 24 30 36 42 48
2: produo 5,27 5,68 6,25 7,21 8,02 8,71 8,42
a) Construa um grfico de disperso 2 (produo) versus y (gua) para visualizar o re-
lacionamento linear entre as variveis.
b) Escreva o modelo de regresso linear 2z =  + Fyz +
z para os dados experimen-
tais.
c) Escreva o modelo de regresso linear na forma matricial,  = + , identificando
cada uma das matrizes.
d) Verifique que E X X = 2 e que E (XXXX)
XX = 2 , ou seja, que XX no singular.

e) Calcule = s  t = (XX
XX)
XX 11Xy,
Xy y = X e = y y .
F
f) Verifique que particionando a matriz X = | } y = | + F } .
g) Verifique que o vetor ortogonal a y e a cada uma das colunas da matriz X.
h) Verifique que || y ||2 = || y ||2 + || ||2.

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 (2) e o ano (y).
b) Ajuste um polinmio de 2 grau, 2z =  + Fyz + !yz} +
z , utilizando o mtodo dos
mnimos quadrados desenvolvido anteriormente para o ajuste de uma reta.
c) Verifique que || y ||2 = || y ||2 + || ||2.

28. 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)
1 2 3 4
35 40 39 27
19 35 27 12
31 46 20 13
15 41 29 28
30 33 45 30

  EE E 9:. $ (>  ?

 57

Com base nesses dados, pede-se:

a) Escrever o modelo 2z{ = ! + z +
z{ para todos os valores observados, onde 2z{ o
ganho de peso do *-simo leito que recebeu o -simo tratamento; ! uma constan-
te comum a todas as unidades experimentais; z o efeito do -simo tratamento e
z{
o erro associado parcela 2z{ , para  = 1, 2, 3, 4 e * = 1, 2, 3, 4, 5.
b) Construir a matriz do delineamento X e escrever o modelo na sua forma matricial, y =
X + , onde = !, | , } , ~ ,  .
c) Escrever o sistema de equaes normais XX = Xy e calcular duas solues (diferen-
tes!) do sistema, utilizando = (X
X)
X A Xy,
Xy onde (X
X)
X A uma inversa generalizada de
XX.
d) Calcular y = X = X(X
X)
X A 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 I J y, SQTrat = y X(X' X ) X' J y,

1 1
20 20
SQRes = y [I X(X' X ) X' ] y.
f) Construir um quadro de ANOVA, sabendo que o nmero de graus de liberdade asso-
ciados a uma SQ igual ao E  da matriz ncleo da forma quadrtica correspon-
dente.
g) Confira os resultados da ANOVA usando, por exemplo, o E! B? do SAS.

  EE E 9:. $ (>  ?

 58

APNDICE: INTRODU
AP NTRODUO AO USO DO PROC IML
INTRODU

ASPECTOS GERAIS

O software SAS/IML ($ ! >  y BDB) 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 E!D do SAS.
Os resultados dos comandos podem ser vistos imediatamente ou armazenados para
posterior utilizao em outras E!D.
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

A+B Soma as matrizes A e B

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

  EE E 9:. $ (>  ?

 59

ALGUMAS FUNES IMPORTANTES:

Calcula o valor absoluto ou mdulo dos elementos da matriz A

Verifica se os elementos da matriz A so nulos.
abs(A)
abs(A)

Verifica se algum elemento de A diferente de zero, (retorna 0

all(A)
all(A)

ou 1 como resposta).
any(A)
any(A)

Cria uma matriz de delineamento de posto coluna incompleto a

partir do vetor indicado.
design(
design(vetor)
)

Cria uma matriz de delineamento de posto coluna completo

(rank full) a partir do vetor fornecido.
designf
designf(vetor)
)

Calcula o determinante da matriz quadrada A

Cria uma matriz diagonal quando o argumento um vetor, ou
det(A)
det(A)

cria uma matriz com os elementos da diagonal quando o

argumento uma matriz.
diag(
diag(argumento)
)

Reduz a matriz A forma normal de Echelon.

Calcula os autovalores e os autovetores normalizados da matriz
echelon(A)
echelon(A)

quadrada A.
eigen(A)
eigen(A)

Calcula os autovalores da matriz A e os coloca num vetor.

Calcula autovetores normalizados da matriz A e os coloca nas
eigval(A)
eigval(A)

colunas de uma matriz.

eigvec(A)
eigvec(A)

Calcula a inversa generalizada de Moore-Penrose da matriz A.

Calcula a ortonormalizao de Gram-Schmidt de A.
ginv(A)
ginv(A)

Reduz a matriz A forma normal de Hermite.

gsorth(A)
gsorth(A)

Cria uma matriz identidade com a dimenso especificada.

hermite(A)
hermite(A)

Calcula a inversa da matriz no singular, A.

I(dimenso)
I( )

Cria uma matriz A com  linhas e E colunas de valores idnticos

inv(A)
inv(A)

ao valor especificado.
J(n,p,valor)
J( )

Encontra o maior elemento da matriz A.

Encontra o menor elemento da matriz A.
max(A)
max(A)

Encontra o nmero de colunas da matriz A.

min(A)
min(A)

Encontra o nmero de linhas da matriz A.

ncol(A)
ncol(A)

Calcula os coeficientes de polinmios ortogonais de graus 0, 1,

nrow(A)

,  a partir do vetor indicado.

orpol(
orpol(vetor,r)
)

Imprime a matriz A.
No calcula o posto (7) de A, mas retorna uma matriz com o
print(A)
print(A)

posto dos elementos dentro da matriz A.

rank(A)
rank(A)

read L observaes de um arquivo de dados (data set).

  EE E 9:. $ (>  ?

 60

Executa a decomposio de Cholesky (A A = UU,

UU onde U uma
matriz triangular superior) da matriz A
root(A)
root(A)

Resolve o sistema de equaes lineares AX = B, onde A uma

matriz quadrada e no singular.
solve(A,B)
solve(A,B)

Calcula a matriz transposta de A.

Calcula a soma dos elementos da diagonal da matriz A, isto , o
t(A)

seu trao.
trace(A)
trace(A)

vecdiag(A)
vecdiag(A) Cria um vetor com os elementos da diagonal da matriz 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

  EE E 9:. $ (>  ?