Escolar Documentos
Profissional Documentos
Cultura Documentos
NDICE
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).
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
J(33) = 1 1 1
1 1 1
1 1 1
0(3) = 0 , (33) = = 0 0 0 .
0 0 0 0
0 0 0 0
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)
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)
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)
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
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
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~} }~
|~
|
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
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
| (| } )
| |
( } ) } }
= } | = = (2.27)
(| } )
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:
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)
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
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=
| }
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 .
A = 11
A A12
A 21 A 22
Para ilustrar, seja a matriz A(45) particionada como:
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:
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
6 2 3 4 17
Exemplo 5. Sejam A = 2 1 0 e b = 2, ento Ab = 10
4 3 2 1 20
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
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.
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).
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).
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.
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
~
1 2 3 1 0 7 / 6
0 1 11 / 12 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.
2 4 1 3 = 0 0
1 2 2 6 0 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.
A A| = A| A = I (2.45)
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
~
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
Importante: Se a matriz B singular ou retangular, ela no pode ser cancelada nos dois
lados da igualdade AB = CB.
CB
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)
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:
A =
1
(2.50)
A11
1 1
A11 A12 B 1A 21A11
1 1
A11 A12 B 1
B 1A 21A111
B 1
(B
B + cc)
cc = B
1 1
(2.53)
B 1cc' B 1
1 + c' B 1c
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!).
} =
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 > ?:.
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.
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).
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.
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.
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
Se > E, de tal forma que A tenha mais linhas que colunas (mais equaes do que in-
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.
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.
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.
4
x2
3
0
0 1 2 3 4 5
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
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.
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.
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.
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).
A =
0 0
1
onde as trs matrizes nulas so de dimenses apropriadas para que A seja E.
0 A 22
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 .
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.
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.
Teorema A5.
A5. Para cada matriz A (E) existe sempre uma e s uma matriz que satisfaz
as quatro condies de Moore-Penrose.
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).
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.
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:
}|
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
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)
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)
|}
Corolrio 1. Suponha A = || ou A = || onde || e }} so matrizes qua-
}| }} }}
dradas (mas no necessariamente de mesma dimenso). Ento:
A) = || = ||| ||}} |
(A (2.73)
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
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).
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)
2.12.1 Definio
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
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.
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 *
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).
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.
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.
A1/2A1/2 = (C
C D1/2 C)(C
C C D1/2 C)=
C CD1/2D1/2C = CDC = A (2.110)
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).
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).
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
tantes, ento:
() ()
= = = (2.112)
(Ver prova na pg. 56 do livro do Rencher).
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)
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).
=
(2.119)
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
=
z|
z} = z|(2z 2z )} = z|2z | yz
}
= = ()A| Xy
|
Esta soluo chamada de soluo de mnimos quadrados.
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
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)
1, < *
1. Escreva a matriz X = (yz{ ) de dimenso () em que yz{ = 0, = *
1, > *
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
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
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
15) Mostre que, dadas as matrizes A, B e C, conformes para a multiplicao e para a soma,
tem-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.
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
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.
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.
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.
ou 1 como resposta).
any(A)
any(A)
quadrada A.
eigen(A)
eigen(A)
ao valor especificado.
J(n,p,valor)
J( )
Imprime a matriz A.
No calcula o posto (7) de A, mas retorna uma matriz com o
print(A)
print(A)
seu trao.
trace(A)
trace(A)
vecdiag(A)
vecdiag(A) Cria um vetor com os elementos da diagonal da matriz A.