Escolar Documentos
Profissional Documentos
Cultura Documentos
Apostila Matrizes PDF
Apostila Matrizes PDF
DE
MATRIZES
DCE/ESALQ USP
Fevereiro de 2007
1
NDICE
3 1
3 2 4 2 3 a sua transposta.
Por exemplo: Se A =
1 3 7 A =
4 7
A notao (aji) indica que o elemento da i-sima linha e j-sima coluna de A encon-
trado na j-sima linha e i-sima coluna de A. Se A np ento A pn.
A diagonal de uma matriz quadrada pAp= (aij) consiste dos elementos a11, a22,
, app, ou seja, diag(A) = (aii). No exemplo anterior, a diagonal da matriz A forma-
da pelos elementos 3, 10 e 9.
Se a matriz nAn contm zeros em todas as posies fora da diagonal ela uma
matriz diagonal, como por exemplo,
8 0 0 0
0 3 0 0
D=
0 0 0 0
0 0 0 4
que tambm pode ser denotada como
D = diag(8, 3, 0, 4)
Ns usamos a notao diag(A) para indicar a matriz diagonal com os mesmos ele-
mentos da diagonal de A, como por exemplo,
3 2 6 3 0 0
A = 2 10 7 diag(A) = 0 10 0
6 7 9 0 0 9
Uma matriz diagonal com o nmero 1 em cada posio da sua diagonal cha-
mada de matriz identidade e denotada por I, como por exemplo,
1 0 0
I(3) = diag(1, 1, 1) = 0 1 0
0 0 1
que igual soma dos produtos dos elementos da i-sima linha de A pelos elementos
da j-sima coluna de B. Assim, ns multiplicamos todas as linhas de A por todas as
colunas de B. Se A (nm) e B (mp) ento C = AB (np). Por exemplo,
1 4
2 1 3 2 6
A(23) = e B(32) =
4 6 5
3 8
Ento
(2)(1) + (1)(2) + (3)(3) (2)(4) + (1)(6) + (3)(8) 13 38
A B
2 2 = C
2 2 = (4)(1) + (6)(2) + (5)(3) (4)(4) + (6)(6) + (5)(8) = 31 92
18 25 23
3BA3 = 3D3 = 28 38 36
38 51 49
Se A nm e B mp, onde n p, ento o produto AB definido, mas BA no
definido. Se A np e B pn, ento AB nn e BA pp. Neste caso, certamen-
te, AB BA, como ilustrado no exemplo anterior. Se A e B so nn ento AB e BA
tm o mesmo tamanho, mas, em geral:
AB BA (2.12)
Desde que bc uma soma de produtos (um escalar!) tem-se que bc = cb:
bc = b1c1 + b2c2 + + bpcp
cb = c1b1 + c2b2 + + cpbp
bc = cb (2.16)
j a1 j
[i ai1 i ai 2 a
i aip ]
2 j
jA = L e Aj = j (2.23)
M
j anj
Assim, aj = ja a soma dos elementos em a, jA contem as somas das colunas de A
e Aj contem as somas das linhas de A. Note que em aj, o vetor j n1; em jA, o
vetor j n1 e em Aj, o vetor j p1.
Para ilustrar os passos dessa prova, vamos usar as matrizes A23 e B32:
b11 b12
a a a13 b
AB = 11 12 b22
a23
21
a21 a22 b31 b32
Exemplo 2. Seja y = [y1, y2, , yn] um vetor de pesos de n frangos de corte. Para
calcular a mdia e a varincia dos pesos desses frangos, ns usamos:
1 n 1 n
y = yi s2 = ( yi y )2
n i =1 n 1 i =1
1
Matricialmente, a mdia pode ser calculada por y = jy, onde j um vetor n1 de
n
1s e n = jj. Para calcular a varincia precisamos, primeiramente, calcular o vetor de
desvios:
1 1 1 1
y y = y j y = y j j' y = y jjy = y Jy = I J y
n n n n
Onde I a matriz identidade nn e J uma matriz nn de 1s. Para calcular a soma
de quadrados de desvios fazemos:
s2 =
1 n
( yi y )2 = 1 y' I 1 J y
n 1 i =1 n 1 n
Qualquer matriz A pode ser multiplicada pela sua transposta para formar AA
ou AA. Algumas propriedades desses produtos so dadas no prximo Teorema.
Vale notar que DA 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, (2.32) continua valendo, mas as identidades das duas igual-
dades so de dimenses diferentes.
10 11 15 0 0 0
AC= (Perceba que A+C = )
0 0 0 10 11 15
1 2 1 2
1 2 3 4
0 0 1 2
Ay = , y A =
3 4 3 4
3 4 0 0
0 0 0 0
Exemplo 5. Sejam:
6 2 3 4 17
A = 2 1 0 , b = 2 Ab = 10
4 3 2 1 20
Usando uma combinao linear de colunas de A como em (2.37), ns obtemos:
Ab = b1a1 + b2a2 + b3a3
6 2 3 24 4 3 17
= 4 2 + 2 1 + (1) 0 = 8 + 2 0 = 10
4 3 2 16 6 2 20
Pode-se mostrar que o nmero de colunas l.i. de qualquer matriz igual ao nmero de
linhas l.i. dessa matriz.
Se a matriz retangular A(np) de posto p, onde p < n, ento A tem o maior posto
possvel e dito ter posto coluna completo.
Em geral, o maior posto possvel de uma matriz A(np) o min(n, p). Assim, em
uma matriz retangular, as linhas, as colunas ou ambas so linearmente dependentes.
Ns ilustramos esse fato no prximo exemplo.
Nem sempre fcil perceber que uma linha (ou coluna) uma combinao li-
near de outras linhas (ou colunas). Nesses casos pode ser difcil calcular o posto de
uma matriz. Entretanto, se conseguirmos obter a forma escalonada cannica (f.e.c.)
da matriz, o seu posto corresponder ao nmero de linhas (ou colunas) que tenham o
nmero 1 como lder. A obteno da f.e.c. de uma matriz feita atravs de operaes
elementares em suas linhas (ou colunas).
Teorema: Uma matriz A equivalente por linhas a uma matriz B se B pode ser obti-
da de A aplicando-se uma seqncia de operaes elementares sobre as suas linhas.
Definio: Dizemos que uma matriz A(nm) est na sua forma escalonada cannica ou
reduzida 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 i +1 ocorre direita do piv da linha i (i = 1, 2, , n 1).
(d) todas as linhas nulas (formadas inteiramente por zeros) ocorrem abaixo das
linhas no nulas.
Definio: Dizemos que uma matriz est na forma escalonada se ela satisfaz as pro-
priedades (c) e (d), mas no necessariamente as propriedades (a) e (b).
Teorema. Dada uma matriz real A(np) sempre possvel obtermos a sua forma esca-
lonada cannica (f.e.c.) atravs de operaes elementares.
Definio: Dizemos que uma matriz quadrada est na forma de Hermite (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 apare-
ce o nmero um, so nulos.
Definio: Dizemos que uma matriz quadrada est na forma de Echelon (Graybill,
1969, p.286) se ela satisfaz as condies de uma forma de Hermite e apresenta as
linhas de zeros abaixo das linhas que no so nulas.
Teorema 2.4A.
(i) Se as matrizes A e B so conformes, ento rank(AB) rank(A) e rank(AB)
rank(B).
(ii) A multiplicao por uma matriz no-singular (ver Seo 2.5) no altera o posto
da matriz, isto , se B e C so no-singulares rank(AB) = rank(CA) = rank(A).
(iii) Para qualquer matriz A, rank(AA) = rank(AA) = rank(A) = rank(A).
Prova:
(i) Todas as colunas de AB so combinaes lineares das colunas de A (ver um co-
mentrio no Exemplo 2.3) conseqentemente, o nmero de colunas l.i. de AB
menor ou igual ao nmero de colunas l.i. de A, e rank(AB) rank(A). Similar-
mente, todas as linhas de AB so combinaes lineares das linhas de B [ver
comentrio em (2.38)] e da, rank(AB) rank(B).
(ii) Se B no singular, existe uma matriz B -1 tal que B B -1 = I [ver (2.45) a seguir].
Ento, de (i) ns temos que:
rank(A) = rank(AB B -1 ) rank(AB) rank(A).
Assim ambas as desigualdades tornam-se igualdades e rank(A) = rank(AB). Simi-
larmente, rank(A) = rank(CA) para C no-singular.
1 1
Exemplo 10. A varincia definida como s2 = y' I J y = yAy uma forma
n 1 n
quadrtica e a sua matriz ncleo simtrica:
1 1 1 1 1 1
1 n L
n n
n(n 1)
L
n(n 1)
n
1 1 1 1 1 1
1 1 L L
A= n n n = n(n 1) n n(n 1)
n 1
M M M M M M
1
1 1 1
L 1
1
L
1
n n n n(n 1) n(n 1) n
Teorema 2.6A.
(i) Se A positiva definida, ento todos os elementos aii da sua diagonal so posi-
tivos.
(ii) Se A positiva semidefinida, ento todos aii 0.
(Ver prova na pgina 23 do livro do Rencher)
Corolrio 1. Seja A(pp) uma matriz positiva definida e seja a matriz B(kp) de posto
k p. Ento a matriz BAB positiva definida.
Corolrio 2. Seja A(pp) uma matriz positiva definida e seja a matriz B(kp). Se k > p
ou se rank(B) = r, onde r < k e r < p, ento a matriz BAB positiva semidefinida.
2
Note que se B uma matriz quadrada, a matriz B = BB no necessariamente
positiva semidefinida. Por exemplo, seja a matriz:
1 2
B=
1 2
Ento:
1 2 2 4
B2 = , BB = 4
1 2 8
Neste caso, B2 no positiva semidefinida, mas BB positiva semidefinida, porque
2
yBBy = 2(y1 2y2) 0.
1
Teorema 2.6E. Se A positiva definida, ento A positiva definida.
Prova: Pelo Teorema 2.6C, A = PP, onde P no singular. Pelos Teoremas 2.5A e
1 1 1 1 1 1
2.5B, A = (PP) = P (P) = P (P ), que positiva definida pelo Teore-
ma 2.6C.
4
x2
3
0
0 1 2 3 4 5
x1
A Figura 2.1 mostra as trs linhas que representam as trs equaes do sistema.
Note que as trs linhas cruzam no ponto de coordenadas (2, 1), que a soluo nica
do sistema de trs equaes.
4
x2
3
0
0 1 2 x1 3 4 5
Toda matriz (quadrada ou retangular) tem uma inversa condicional. Isso ga-
rantido mesmo para vetores. Por exemplo:
1 ento x1 = [1, 0, 0, 0] uma inversa generalizada de x que
2
satisfaz (2.57). Outros exemplos so x 2 = [0, 1/2, 0, 0], x 3 = [0,
x=
3 0, 1/3, 0] e x 4 = [0, 0, 0, 1/4]. Para cada x i , ns temos que:
4 x xi x = x 1 = x, i = 1, 2, 3.
Nessa ilustrao, x um vetor coluna e x i um vetor linha. Esse modelo generali-
zado no seguinte teorema.
Material elaborado pelo Prof. Csar Gonalves de Lima
32
Teorema 2.8A. Se A np ento qualquer inversa generalizada A pn.
1 1 0
1 1 0
Exemplo 15. Calcular uma inversa generalizada (condicional) de X =
1 0 1
1 0 1
Usando o algoritmo de Searle (e lembrando que o posto da matriz X 2), escolhemos
convenientemente:
1 0 1 1 0 1 1 0
C= C = 0 1 (C ) = 0 1
0 1
0 0 0
0 0 0 0 0
1 0 0 1 0 0 uma inversa condicional de X
X =
0 0 1
0 0 1 0
0 0 0
Vale lembrar que escolhendo outras matrizes C e usando o algoritmo, podemos en-
contrar outras inversas condicionais de X.
Teorema 2.8C. Seja A (np) de posto r, seja A uma inversa generalizada de A e
seja (AA) uma inversa generalizada de AA. Ento:
(i) posto(AA) = posto(AA) = posto(A) = r.
(ii) (A) uma inversa generalizada de A; isto (A) = (A ).
(iii) A = A(AA) AA e A = AA(AA) A.
(iv) (AA) A uma inversa generalizada de A, isto , A = (AA) A.
(v) A(AA) A simtrica, rank[A(AA) A] = r e invariante escolha de
(AA) ; isto , A(AA) A permanece a mesma, para qualquer (AA) .
Material elaborado pelo Prof. Csar Gonalves de Lima
34
Uma inversa generalizada de uma matriz simtrica no necessariamente si-
mtrica. Entretanto, tambm verdade que uma inversa generalizada simtrica de
uma matriz simtrica, sempre pode ser encontrada; ver Problema 2.45. Neste livro,
ns assumimos que as inversas generalizadas de matrizes simtricas tambm so si-
mtricas.
Alm da inversa generalizada (condicional) definida em (2.57) existem outras,
mq +
como a inversa de mnimos quadrados (A ) e a inversa de Moore-Penrose (A ) que
muito til em demonstraes envolvendo modelos lineares.
Definio: Dada a matriz A(np) ento toda matriz A mq (pn) que satisfaz as duas
condies seguintes, uma inversa de mnimos quadrados da matriz A:
mq
(a) AA A = A
mq
(b) AA uma matriz simtrica
mq
Teorema. Toda matriz do tipo A = (AA) A uma inversa de mnimos qua-
drados de A [qualquer que seja a inversa condicional (AA) ].
1 1 0
1 1 0
Exemplo 16. Obter uma inversa de mnimos quadrados de X =
1 0 1
1 0 1
4 2 2
2 0
Primeiramente calculamos XX = 2 2 0 . Escolhendo C = 0 2 e usando o al-
2 0 2
goritmo de Searle, obtemos:
0 0 0
(XX) = 0 0,5 0
0 0 0,5
Ento uma inversa de mnimos quadrados de X igual a:
0 0 0 0
X
mq
= (XX) X = 0,5 0,5 0 0
0 0 0,5 0,5
Vale observar que escolhendo outras matrizes C e, correspondentemente, cal-
culando outras inversas condicionais de XX, podemos encontrar outras inversas de
mnimos quadrados da matriz X.
Material elaborado pelo Prof. Csar Gonalves de Lima
35
+
Definio: Dada a matriz A (np) de posto r, ento a matriz A (pn), de posto r, que
satisfaz s quatro condies seguintes, definida como a inversa generalizada de
Moore-Penrose da matriz A:
+
(a) AA A = A
+ + +
(b) A AA = A
+
(c) A A simtrica
+
(d) A A simtrica
+
Teorema 2. Para cada matriz A (np) existe sempre uma e s uma matriz A que
satisfaz as condies de Moore-Penrose.
Teorema 2.8D. Se o sistema de equaes Ax = c consistente e se A uma inversa
generalizada de A, ento x = A c uma soluo.
Ver prova na pg.32 do livro do Rencher.
Vale lembrar mais uma vez que diferentes escolhas de A , resultaro em diferentes
solues para Ax = c.
Uma condio necessria e suficiente para que o sistema Ax = c seja consistente pode
ser dado em termos de uma inversa generalizada (ver Graybill 1976, p.36).
Material elaborado pelo Prof. Csar Gonalves de Lima
36
Teorema 2.8F. O sistema de equaes Ax = c consistente se e somente se para
qualquer inversa generalizada A de A
AA c = c.
Ver prova na pg. 33 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 per-
mutao e nmero de inverses. Seja o conjunto dos cinco primeiros nmeros intei-
ros S = {1, 2, 3, 4, 5} arrumados em ordem crescente.
Qualquer outra ordem j1, j2, , j5 dos elementos de S chamada uma permu-
tao de S. Por exemplo: 32451, 45321, 32541, 12354 so permutaes de S.
O nmero de permutaes possveis com n objetos (ndices, neste caso) igual
a n! = n(n 1)(n 2)(2)(1). Por exemplo: com os ndices {1, 2, 3} conse-
guimos 3! = 6 permutaes, a saber, {123, 132, 213, 231, 312, 321}.
Uma permutao j1, j2, , j5 de S tem uma inverso se um nmero inteiro jr
precede um inteiro menor js. Por exemplo: a permutao 32451 tem 5 inverses
porque: o 3 antes do 2; o 3 antes do 1; o 2 antes do 1; o quatro antes do 1 e o 5
antes do 1.
Cada produto elementar do tipo pi = a1j1 a2j2 a3j3 anjn em que, nos ndices j1,
j2, , jn so colocados os nmeros de alguma permutao simples do conjunto
{1, 2, , n}.
Em cada produto pi existe somente um elemento de cada linha e coluna.
Cada produto elementar recebe o sinal + ou , conforme o nmero de inverses
envolvidas em pi seja par ou mpar, respectivamente.
Essa definio no muito til para calcular o determinante de uma matriz, exceto
para o caso de matrizes 22 ou 33. Para matrizes maiores, existem programas espe-
cficos (proc iml do SAS, Mapple e MathCad por exemplo) para calcular os deter-
minantes.
Material elaborado pelo Prof. Csar Gonalves de Lima
37
a11 a12 a13 2 0 1
Exemplo 17. Seja a matriz A = a 21 a 22 a 23 = 3 1 4
a31 a32 a33 5 6 7
Teorema 2.9A.
n
(i) Se D = diag(d1, d2, , dn) ento det(D) = di
i =1
Corolrio 1.
|AB| = |BA| (2.77)
Corolrio 2.
2 2
|A | = |A| (2.77)
4 1
Exemplo 18. Sejam os vetores a = e b = . Ento ab = 0 cos() = 0 o
2 2
ngulo formado entre eles de 90, ou seja, os vetores a e b so perpendiculares.
i=1 aii
n
tr(A) =
8 4 2
Por exemplo, se A = 2 3 6 , o trao de A igual a tr(A) = 8 + (3) + 9 = 14.
3 5 9
Teorema 2.11A.
(i) Se A e B so (nn) ento
tr(A B) = tr(A) tr( B) (2.85)
(ii) Se A (np) e B (pn), ento
tr(AB) = tr(BA) (2.86)
Note que em (2.86) n pode ser menor, igual ou maior que p
Material elaborado pelo Prof. Csar Gonalves de Lima
41
(iii) Se A (np)
p
tr(AA) = a tj a j (2.87)
j =1
2.12.1 Definio
2.12.3. Produtos
Similar ao comentrio feito aps a apresentao de (2.97), os autovalores de AB no
so produtos da forma AB. Entretanto, os autovalores de AB so os mesmos de BA.
Teorema A.5.2 Seja A uma matriz real e simtrica, nn, e D = diag(1, 2, ...,n) a
matriz diagonal que exibe as razes caractersticas de A. Ento:
a) i > 0, i A positiva definida.
b) i 0, i, i = 0 A positiva semi-definida.
c) i < 0, i A negativa definida.
Teorema 2.13G. Supondo que a matriz simtrica A nn possa ser escrita como A =
i=1 A i para algum k, onde cada Ai uma matriz simtrica nn. Ento, quaisquer
k
Searle, S. R. (1982). Matrix Algebra Useful for Statistics. New York: Wiley.
EXERCCIOS
Ver exerccios das pginas 52-61 do livro texto.
2 4 5
4 5
E = 0 1 4 e F=
3 2 3
2 1
1) Se as operaes forem possveis, calcule:
1 2
(a) C + E (b) AB e BA (c) D F (d) BC + A
3 5
a + b c + d 4 6
4) Se = , calcule os valores de a, b, c e d.
c d a b 10 2
1 1
6) Mostrar algebricamente que se A no singular ento (A) = (A ), usando a
a a12
matriz A = 11 .
21
a a `22
4 2 2 x1 20
9) Seja o sistema escrito na forma matricial Ax = b, ou 2 2 0 x2 = 12 .
2 0 2 x3 8
(a) Encontre uma inversa generalizada simtrica de A.
(b) Encontre uma inversa generalizada no simtrica de A.
(c) Encontre duas solues do sistema x = A b utilizando as inversas calculadas
nos itens anteriores e indique qual delas tem o menor comprimento.
(d) Mostre que a matriz AA idempotente.
ASPECTOS GERAIS