Vous êtes sur la page 1sur 36

Projecto de Investigao

Autor: Antnio Moreira Monteiro


Dep. Cincia & Tecnologia
Universidade de Cabo Verde
Supervisor: Adilson de Jesus Martins da Silva
Universidade de Cabo Verde
July 4, 2015

Contents
1 Reviso Elementar da lgebra Matricial

1.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2

Definies e Notao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3

Matriz Adio e Multiplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4

A Transposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.5

O Trao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.6

O Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.7

A Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11

1.8

Matrizes Particionado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14

1.9

A fila de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

1.10 matrizes ortogonais

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

1.11 Forma Quadrtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

2 Espaos Vectoriais

20

2.1

Independncia e Dependncia Linear . . . . . . . . . . . . . . . . . . . . . . . . .

22

2.2

Bases e Dimenso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

2.3

Bases e Dimenso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

2.4

Matriz Linha e Independncia Linear . . . . . . . . . . . . . . . . . . . . . . . . .

25

2.5

Bases ortonormais e Projees . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

2.6

Matrizes de Projeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

2.7

Interseo e Soma de Espaos Vectoriais . . . . . . . . . . . . . . . . . . . . . . .

28

3 Inversa Generalizado

29

3.1

A inversa Generalizado de Moore - Penrose . . . . . . . . . . . . . . . . . . . . .

29

3.2

Algumas Propriedades Bsicas da inversa de Moore - Penrose . . . . . . . . . . .

30

3.3

A inversa de Moore - Penrose da Matriz Produto . . . . . . . . . . . . . . . . . .

31

3.4

A inversa de Moore - Penrose da Matriz Soma . . . . . . . . . . . . . . . . . . . .

32

3.5

A Continuidade da inversa Moore - Inverse

. . . . . . . . . . . . . . . . . . . . .

33

3.6

Outras inversas Generalizas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34

4 Matrizes Especiais e Matrizes Operadores


4.1

O produto de Kronecker . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35
36

Resume

O presente artigo tem como pressuposto fundamental a anlise e reflexo concernente importncia da lgebra em Estatstica na formao profissional do pedagogo e alguns aspectos que
consideramos vitais, tais como a Estatstica no mundo contemporneo e o seu ensino nos cursos de Pedagogia. Para isto, faz-se necessrio relatar a importncia das anlises quantitativas
versos qualitativas na pesquisa e no ambiente educacional, buscando subsdios para a captao
da relao entre a Estattica e a Educao, e do aprofundamento da discusso a respeito da
Estatstica aplicada a Educao.

Palavras chaves: A importncia da Estatstica para os Pedagogos, Contribuies da Estatstica


na educao, Ensino da Estatstica nos cursos de Pedagogia.

1
1.1

Reviso Elementar da lgebra Matricial


Introduo

1.2

Definies e Notao

Definio 1.1.: Sejam K um corpo, m e n nmeros inteiros positivos, designam - se por matriz
sobre K, cujos elementos se designam - se por escalares, a todo o quadro de elementos de K
dispostos em m linhas e n colunas.

K em particular, pode ser o conjunto dos nmeros reais,R neste caso, as matrizes dizem - se
reais. Uma matriz A de dimenso m n, uma matriz rectangular dado por:

a11

a12

a21 a22
A = (aij ) =
..
..
.
.

am1 am2

a1n
a2n
..
.

(1)

amn

onde, (i,j) o elemento de A, isto , aij = (A)ij . A uma matriz quadrada de ordem m se
m = n, enquanto que uma matriz m 1 e 1 n so chamados vector coluna e vector linha,
respectivamente representado por

a=

a=

a1

a2

..
.

am

a11 a12

(2)

a1n

(3)

Os elementos da diagonal m n da matriz A so a11 , a22 a1n . Se todos os outros elementos


de A igual a zero, A chamado da matriz diagonal, representado por

A = diag(a11 , , amm ) =

a11
0
..
.
0

onde aij = 0 e i 6= j.

a22
..
.

0
..
.

amn

(4)

Se a adio, aii = 1 para i = 1 m, logo


A = diag(1, , 1)

(5)

ento a matriz A chamado de matriz identidade de ordem m e escreve - se


A = I = Im

(6)

Se A = diag(a1 , , am ) e b um escalar, ento vamos usar Ab para chamar matriz diagonal, ou


seja
Ab = diag(ab1 , abm )

(7)

Para quaisquer m m da matriz A,DA chamamos a matriz diagonal com elementos diagonais
iguais aos elementos diagonais de A e, para algum m 1 vector a, Da chamamos da matriz
diagonal com elementos diagonais igual aos componentes de A, isto DA = diag(a11 , , amm )
e Da = diag(a1 , , am ).
Uma matriz tringular inferior uma matriz quadrada em que so nulos todos os elementos
acima da diagonal principal,representado por

a11

a21 a22
A=
..
..
.
.

an1 an2

0
0
..
.

(8)

amm

onde i < j e aij = 0.


Uma matriz tringular superior, todos os elementos abaixo da diagonal principal igual a zero,
representado por

A=

a11 a12
0
..
.
0

a1n

a22
..
.

a2n
..
.

amm

(9)

onde i > j e aij = 0.


A matriz escalar em que aij = 0, i 6= j, aij = 1, i = j, diag1, 1, ..., 1 representa - se por ei ou In
ou simplesmente I, chamamos de matriz unidade ou identidade.
5

O zero escalar escrito 0, enquanto que o vector zero, chamado de vector nulo, e a matriz cujos
elementos so todos nulos a matriz nulo, denota-se por (0).

1.3

Matriz Adio e Multiplicao

Discutem - se nesta seco as principais operaes com matrizes:adio de matrizes, multiplicao de uma matriz por um escalar e multiplicao de matrizes.

Definio 1.2.: Sejam A = [aij ], B = [bij ] M m n(K). Define-se A + B matriz C = [cij ],


tal que cij = aij + bij , { (ij) {1, , m} {1, , n}}
Nota 1.1.: Se as matrizes A e B no forem do mesmo tipo, isto, se no tiverem as mesmas
dimenses e / ou o corpo subjacente no for igual, no possvel determinar A + B, pelo que a
soma de A com B diz-se indefinida.
Definio 1.3.: Seja A = [aij ] Mmn (K) e K um escalar. Define-se o produto de
por A e denota-se por .A matriz B = [bij ] Mmn (K) tal que bij = aij , (ij)
{1, . . . , m} {1, . . . , n}

Se A dado por m p e B dado por p n, ento C = AB,m n, onde o elemento, cij , dado por

cij = (A)i .(B)j =

p
X

aik bbj

(10)

k=1

Geralmente o produto AB = BA, nem sempre so iguais e se A2 = A, A neste caso diz-se uma
matriz Idempotente.
Teorema 1.1.: Sejam as matrizes A, B e C, com e os escalares, as seguintes propriedades
so verificadas.

1. A + B = B + A
2. (A + B) + C = A + (B + C)
3. (A + B) = A + B
4. ( + )A = A + A
6

5. A A = A + (A) = (0)
6. A(B + C) = AB + AC
7. (A + B)C = AC + BC
8. (AB)C = A(BC)

1.4

A Transposta

Definio 1.4.: Denomina-se matriz transposta trocando ordenadamente linhas por colunas,
ou seja a transposta de uma matriz A, representa-se por A0 ,obtido trocando as linhas e colunas
de A.
Se A m p e B dado por p m, ento o elemento (i, j) da matriz (AB)0 se escreve
((AB)0 )ij = (A)j .(B).i =

Pp

k=1 ajk bki

= (B 0 )i .(A0 ).j = (B 0 A0 )ij

Teorema 1.2.: Sejam os escalares e e as matrizes A e , define-se

(a) (A)0 = A0 .
(b) (A0 )0 = A.
(c) (A + B)0 = A0 + B 0 .
(d) (AB)0 = B 0 A0 .
A uma matriz quadrada m m, se A = A0 , ento A0 tambm m m, conclui -se que
A uma matriz simtrica;
A uma matriz anti - simtrica se A = A.
Se Eij = ei e0j , geralmente, ei,m e0j,m produz uma matrix m n, tendo 1 como nico elemento
diferente de zero na posio (i, j), e se A uma matriz m n, ento

A=

m X
n
X
i=1 j=1

aij ei,m e0j,n

(11)

1.5

O Trao

Definio 1.5.: Definida apenas em matriz quadrada. Seja uma matriz A m m, o trao de
A, tr(A), definido como sendo a soma dos elementos da diagonal de A, ou seja

tr(A) =

m
X

aii

(12)

i=1

Se A uma matriz m n e B n m, logo AB uma matriz m m e


tra(AB) =

m
X

(AB)ii =

i=1

m
X

(A)i .(B).i =

i=1

m X
m
X

aij bj,i bji =

i=1 i=1

m X
n
X

bji aij

(13)

i=1 j=1

Teorema 1.3.: Sejam as matrizes A e B e um escalar, temos as seguintes operaes.


(i) tr(A0 ) = T r(A);
(ii) tr(A) = tr(A);
(iii) tr(A + B) = tr(A) + tr(B);
(iv) tr(AB) = tr(B);
(v) tr(A0 A) = 0; se e somente se A = (0)

1.6

O Determinante

O determinante uma outra funo definida pela matriz quadrada. Se A uma matriz m m,
ento o determinanate denominado por | A |, dado por
P
(1)f (i1 ,...,im ) a1i1 a2i2 . . . amim
P
= (1)f (i1 ,...,im ) ai1 1 ai2 2 . . . aim m

| A |=

A soma de todas as permutaes, (i1 , . . . , im ) do conjunto dos nmeros inteiros (1, . . . , m) e da


funo f (i1 , . . . , im ) igual ao nmero de transposio necessria para mudar i1 , . . . , im ) para
(1, . . . , m)
A transposio a troca de dois inteiros. O determinante produz todos os produtos de m termos
dos elementos da matriz A, um elemento selecionado apartir de cada linha e de cada coluna de
A.
8

| A | pode ser lido apartir dos cofactores. O menor elemento de aij , dado por mij , o determinante de (m 1) (m 1) obtida aps de removido a linha e a coluna de A.
O cofactor de aij dado por Aij = (1)i+j mij . Para algum i, . . . , m o determinanate de A pode
ser obtido expandindo o nmero de linhas,
| A |=

m
X

aij Aij

(14)

aij Aij

(15)

j=1

ou o nmero de colunas
| A |=

m
X
i=1

Por outro lado, se os cofactores de uma linha ou coluna so combinados com elementos de uma
linha ou coluna diferente, reduz a zero, isto , se k 6= i, ento
m
X
j=1

aij Akj =

m
X

aji Akj = 0

(16)

j=1

As propriedades de determinante so bastante simples para verificar utilizando a definio de


um determinanate ou a frmula da expanso dado em (14) e (15).
Teorema 1.4.: Se um escalar e A uma matriz mm, ento temos as seguintes propriedades:
(a) | A0 |=| A |
(b) | A0 |= m | A |.
(c) Se A uma matriz diagonal, ento | A0 |= a11 . . . amm = m
j=1 aii
(d) Se todos os elementos da linha ou coluna de A so zeros, | A0 |= 0.
(e) Se duas filas ou colunas de A so proporcionais ao outro, | A |= 0.
(f ) O intercmbio de duas linhas ou colunas muda o sinal de | A |.
(g) Se todos os elementos ou colunas de A so multiplicados por , ento o determinante
multiplicado por .
(h) O determinante de A alterado quando um mltiplo de uma linha ou coluna adicionado
a outra linha ou coluna.
Considere uma matriz C, m m cujas colunas so fornecidas pelos vectores c1 , . . . , cm , isto ,
podemos escrever, C = (c1 , . . . , cm ). Suponhamos que por algum vector b = (b1 , . . . , bm )0 e matriz
9

A = (a1 , . . . , am ), temos
ci = Ab =

Pm

i=1 bi ai

Ento, se encontrar o determinante de C por expanso ao longo da primeira coluna C, obtemos


|A| =

m
X

cj1 Cj1

j=1
m X
m
X
=
(
bi aji )Cj1

j=1 i=1
m
m
X
X

bi (

i=1

m
X

aji Cj1 )

j=1

bi | (ai , c2 , . . . , cm ) |

(17)

i=1

de modo que o determinante de C uma combinao linear de m determinantes. Se B uma


matriz m m e definimos C = AB, em se seguida, atravs da aplicao da derivao acima, em
cada coluna de C,vemos
|C| = |(

m
X

...

i1 =1

bi1 1 ai1 , . . . ,

i1 =1
m
X

m
X

bim m aim ) |

im =1
m
X

bi1 1 . . . bim m | (ai1 , . . . , aim ) |

im =1

bi1 1 . . . bim m | ai1 m, . . . , aim ) |

(18)

onde esta soma final sobre toda permutao de (1, . . . , m), deste teorema (e)que implica
| (ai1 , . . . , aim ) |= 0
se ij = ik para algum j 6= k. Finalmente reordenar as colunas em | (ai1 , . . . , aim ) |= 0 e usando
o teorema 1.4(f ), temos
| C |=

bi1 1 , . . . , bim m (1)f (i1 ,...,im ) | (ai1 , . . . , aim ) |=| B || A |

Este resultado muito til resumido abaixo.

Teorema 1.5.: Se A e B so matrizes da mesma ordem, ento, | AB |=| A || B |

10

1.7

A Inversa

Uma matriz A m m para os quais | A |6= 0 diz - se uma matriz no singular. Neste caso, existe
uma matriz no singular denominado por A1 e chama-se a inversa de A, tal que
AA1 = A1 A = Im

(19)

Esta inversa nica desde que, se B outra matriz m m satisfazendo a inversa da frmula
(19) para A, ento BA = Im , assim
B = BIm = BAA1 = Im A1 = A1
As seguintes propriedades bsicas da matriz inversapode ser facilmente verificada usando a frmula (19).
Teorema 1.6.: Se um escalar diferente de zero e m m matriz no singular de A e B, ento:
(a) (A)1 = 1 A1 ,
(b) (A0 )1 = (A1 )0 ,
(c) (A1 )1 = A,
(d) | A1 |=| A |1 ,
1
(e) Se A = diag(a11 , . . . , amm ), ento A1 = diag(a1
11 , . . . , amm ),

(f ) Se A = A0 , ento A1 = (A1 )0 ,
(g) (AB)1 = B 1 A1
Tal como acontece com o determinante de A, a inversa de A pode ser inversa pode expressa em
termos em termos de cofactores de A. Seja A# , chamado de adjunto de A ser a transposio da
matriz de cofactores de A, isto , os elementos de A# (i, j), Aji , o cofactor de aji . Ento
AA# (i, j) = A# (i, j)A = diag(| A |, . . . , | A |) =| A | Im
desde que (A)i .(A# ).i = (A# ).i (A)i . =| A | resulta (14) e (15), e (A)i .(A# ).j = (A# )i .(A).j = 0,
para i 6= j resulta (16). A equao acima proporciona a relao
A1 =| A |1 A#
11

A relao entre o inverso do produto de uma matriz e o produto da inversa, dado pelo teorema
1.6(g) uma propriedade muito til. Infelismente, um relacionamento to bom no existe entre
o inverso de uma soma e soma dos inversos, temos no entanto, o seguinte resultado, que as vezes
til.
Teorema 1.7.: Supondo que A e B so matrizes no singulares, com A m m e B ser n n.
Para qualquer matriz C m n e algum matriz D n m segue-se que se A + CBD singular,
ento
(A + CBD)1 = A1 A1 C(B 1 + DA1 C)1 A1
Proof. A prova envolve simplesmente verificar que (A + CBD)(A + CBD)1 = Im para (A +
CBD)1 dado anteriormente, neste caso temos
(A + CBD)A1 A1 C(B 1 + DA1 C)1 DA1 =
Im C(B 1 + DA1 C)1 DA1 + CBDA1 CBDA1 C(B 1 + DA1 C)1 DA1 =
Im C(B 1 + DA1 C)1 B + BDA1 C(B 1 + DA1 C)1 DA1 =
Im CB(B 1 + DA1 C)(B 1 + DA1 C)1 BDA1 = Im CB BDA1 = Im
Se m = n e C e D So matrizes identicas, ento obtm-se o seguinte caso especial do teorema
1.7.
Suponha que A e B e A + B so todas matrizes no singular m m, ento
(A + B)1 = A1 A1 (B 1 + A1 )1 A1
Obtemos outro caso especial do teorema 1.7 quando n = 1
Corolrio 1.7.2. Seja A ser uma matriz no singular m m. Se c e d so vectores m 1 e
A + Cd0 o singular, ento
(A + cd0 )1 = A1 A1 cd0 /(1 + d0 A1 c)
Exemplo 1.2: Teorema 1.7 pode ser particularmente til quando m maior que n e a inversa
de A bastante fcil de calcular. Por exemplo, suponha temos A = Is .

B=

1 1
1 2

12

C = 1

0
D = 0

apartir do qual obtemos

1 1 1 0

1 6 4

G = A + CBD = 1 2 2

2 6 4

1 4 3

3 1

0 1

3 2

2 2

um pouco entediante para calcular o inverso dessa matriz directamente 5 5.


No entanto, os clculo do teorema 1.7 so bastante simples. Claramente A1 = IS e

B 1 =

de modo que

(B 1 + DA1 C) =

2
1

1
1

2 0
3 4

(B 1 + DA1 C)1 =

Assim, descobrimos que

13

2.5 0.5
1

0 1
2

G1

1.8

1.5

0.5 2.5

3
3
1
4
3

= IS C(B 1 + DA1 C)1 A 3 2.5 1.5


3.5
3 =

2
2
0
3
2

1
0.5 0.5 1.5 2

Matrizes Particionado

Ocasionalmente, til particionar uma dada matriz em submatrizes. Por exemplo, suponha que
A m m inteiros positivos m1 , m2 , n2 , n2 tais que que m = m1 + m2 e n = n1 + n2 . Uma
maneira de particionar uma matriz

A=

A11 A12
A21 A22

Onde A11 m1 n1 ; A12 m1 n2 ; A21 m2 n1 e A22 m2 n2 .Isto todas a matriz que


consiste nas primeiras linhas e colunas m1 , n1 de A , A12 a matriz que consiste de primeiras filas
m1 e ltimas colunas de n2 de A, e assim por diante. Operaes de matrizes pode ser expressa
em clulas de submatrizes da matriz particionado. Por exemplo, suponha que B uma matriz
n p particionado como

B=

B11 B12
B21 B22

onde B1 1 n1 p1 , B12 n1 p2 , B21 n2 p1 , B22 n2 p2 , e p1 + p2 = p. Ento a


premultiplicao de B de A pode ser expresso na forma particionado

A11 B11 + A12 B21 A11 B12 + A12 B22

AB =
A21 B11 + A22 B21 A21 B12 + A22 B22
As matrizes podem ser particionado em submatrizes em outras maneiras, alm de particionamento 2 2 dado anteriormente. Por exemplo, poderamosparticionar apenas as colunas de A,
obtendo - se a expresso.
A = [A1

A2 ]

Onde A1 uma matriz m n1 e A2 m n2 . Uma situao mais geral aquele em que as


linhas de A so divididas em grupos de r e as colunas de A so divididas (particionado) dentro
do grupo c de modo que pode ser escrito como
14

A11 A12 . . . A1c

A21 A22
A=
..
..
.
.

Ar1 Ar2

A2c
..
.

Arc

Onde a submatriz Aij mi nj e m1 , . . . , mr e n1 , . . . nc so inteiros tal que


Pr

i=1 mi

Pc

=m e

j=1 nj

=n

A matriz A acima dito ser em bloco diagonal se r = c, Aii uma matriz quadrada para cada i
e Aij uma matriz nula para qualquer i e j com i 6= j. Neste caso poderemos escrever:
A = diag(A11 , . . . , Arr ),
isto

A11

(0)

(0)
A = diag(A11 , . . . , Arr ) =
..
.

(0)

...

(0)

A22 . . .
..
.

(0)
..
.

(0)

. . . Arr

Exemplo 1.3: Suponha que queremos calcular o produto da da transposta de AA0 da matriz
(5 5) dado por

1 1

0
1
0

A= 0
0
0

1 1 1

1 1 1

1 1

1 1

2 0

0 2

O clculo pode ser simplificado pela observao de que A pode ser escrito

A=

I3

13 12
0

12 13

2I2

Como resultado, temos:

AA0 =

I3

13 12
0

12 13

2I2
15

13 12

I3
0

12 13

2I2

12 13 + 212 13 12 13 13 12 + 4I2

I3 + 213 13
0

13 12
0

12 13

312 12 + 4I2

3 2 2 1 1

2 3 2

= 2 2 3

1 1 1

1 1 1

1.9

13 12 + 213 12

I3 + 13 12 12 13

1 1

1 1

7 3

3 7

A fila de uma matriz

A nossa definio inicial de patente de uma matriz A m n dado em males de uma matriz. Em
geral, alguma matriz formado pela eliminao da linha ou coluna de A chamado de submariz
de A. O determinante de uma submatriz de A r r chamado de menor ordem r. Por exemplo,
para uma matriz A m m, j definimos e chamamos a menor de aij , isto , um exemplo de
ordem menor m 1. A classificao de uma matriz A no nula m n r, escrito rank(A) = r,
pelo menos um dos seus menores de ordem r diferente de zero, enquanto que todas menores de
ordem r + 1 so. Se A uma matriz nula, ento rank(A) = 0.
A fila de uma matriz A inalterada por qualquer das seguintes operaes, chamado transformaes elementares.
(a) O intercncio de duas filas ou colunas.
(b) A multiplicao de uma linha ou coluna de A por um escalar diferente de zero.
(c) A adio de um mltiplo de uma linha ou coluna de A para outra linha ou coluna de A.
Qualquer transformao fundamental de A pode ser expressa como a multiplicao de A por uma
matriz referida como uma matriz de transformao fundamental. Uma transformao elementar das linhas de A vai ser dada pela prmultiplicao de A por uma matriz de transformao
fundamental, enquanto que uma transformao fundamental da colunas correspondente a uma
fila de multiplicao. Matrizes de transformaes elementares no so singulares e qualquer matriz no singular pode ser expressa como o produto de matrizes de transformaes elementares.
16

Consequentimente, temos o seguintes resultado muito til.

Teorema 1.8.: Seja A uma matriz m n, B uma matriz m m e C uma matriz n n. Ento
se B e C so matrizes no singulares, segue - se que
rank(BAC) = rank(BA) = rank(AC) = rank(A)
Usando a transformao elementar das matrizes, qualquer matriz A pode ser transformada em
outra matriz de forma mais simples com a mesma fila de A.
Teorema 1.9.: Se A uma matriz m n de fila r > o, ento existe uma matriz no singular
m m e uma matriz B n n e C, tal que H = BAC e A = B 1 HC 1 , onde H dado por:
(a) Ir se r = m = n;
(b) [Ir

(c)

(d)

(0)] se r = m < n;

Ir

(0)
Ir

se r = n < m;

(0)

(0) (0)

se r < m, r < n

O que se segue uma consequencia do teorema Teorema 1.9.


Corolrio 1.9.1.: Seja A uma matriz m n com rank(A) = r > 0. Ento existe uma matriz F
m n e uma matriz G r n tal que
rank(F ) = rank(G) = r e A = F.G

1.10

matrizes ortogonais

Um vector P m chamado de vector normalizado ou vector unitrio se P 0 P = 1.


0

O vector P1 , . . . , Pn (m 1 ), onde n m so referidos como sendo ortogonal se, pi = 0 para


qualquer i 6= j. Se alm disso, cada pi um vector normalizado, os vectores referidos dizem - se
ortogonais. Uma matriz P m m cujas colunas formam um conjunto de vectores ortogonais e
chamado matriz ortogonal.
Segue - se imediatamente o seguinte
P 0P = I
17

Tomando odeterminante de ambos os lados, vemos que


| P 0 P |=| P 0 || P |=| P |2 =| I |= 1
Assim, | P |= +1 ou 1, de modo que P no singular, P 1 = P 0 , e P P 0 = I na adio para
P 0 P = I, isto , as linhas de P na forma de um conjunto ortogonal do vector m 1. Algumas
propriedades de matrizes ortogonais encontram - se resumido no seguinte teorema.
Teorema 1.10.: Sejam P e Q matrizes ortogonais m m e A ser uma matriz m m. Ento
(a) | P |= 1
(b) | P 0 AP |=| A |
(c) PQ uma matriz ortogonal
Uma matriz P m m chamado de matriz de permutao se cada linha e cada coluna de P
tem um nico elemento 1,enquanto todos os restantes elementos so zeros. Como resultado, as
colunas de P, ser e1 , . . . , em as c olunas de Im , em alguma ordem. Observe que , em seguida,
0

o (h, h)th elementos de P 0 P ser ei ej = 0 para algum i 6= j se h 6= l, isto uma matriz de


permutao matriz ortogonal especial. Desde que existe o m! meios de permutar as colunas de
Im existe m! permutao diferente da matriz de ordem m. Se A tambm uma matriz m m
ento PA cria uma matriz m m pela permutao da linha de A, e AP produz uma matriz pela
permutao das colunas de A.

1.11

Forma Quadrtica

Seja x um vector m 1, y um vector n 1 e A uma matriz m n. Ento a funo de x e y dado


por
x0 Ay =

Pm Pn

j=1 xi yj aij

i=1

as vezes chamado a forma bilinear em x e y. Estaremos mais interessos no caso especial em


que m = n, no entanto A uma matriz m n e x = y. Neste caso a funo acima reduz - se na
funo de x,
f (x) = x0 Ax =

Pm Pn
i=1

18

j=1 xi xj aij

que chamado de funo quadrtica em x; A referido como a matriz da forma quadrtica.


Vamos assumir sempre que A uma matriz simtrica, j que se no , A pode ser substituido
por B = 21 (A + A0 ) que simtrica, sem alterar f (x), isto
x0 Bx = 21 x0 (A + A0 )x = 12 (x0 Ax + x0 A0 x) = 12 (x0 Ax + x0 Ax) = x0 Ax
Desde que x0 A0 x = (x0 A0 x)0 = x0 Ax.
Cada matriz simtrica A e a sua quadrtica associada classificada em uma das seguintes cinco
categorias.
(a) Se x0 Ax > 0, qualquer que seja x 6= 0, ento A definida positiva.
(b) Se x0 Ax 0 qualquer que seja x 6= 0 e x0 Ax = 0, para algum x 6= 0, ento semidefinida
positiva.
(c) Se x0 Ax < 0, qualquer que seja x 6= 0, ento A definida negativa.
(d) Se Se x0 Ax 0 qualquer que seja x 6= 0 e x0 Ax = 0, para algum x 6= 0, ento semidefinida
negativa.
(e) Se x0 Ax > 0, para algum x e x0 Ax < 0 ento A indefinida.
Note - se que a matriz nulo, na verdade, tanto semidefinida positiva e semidefinida negativa.
Matrizes definidas positivas e negativas so no singulares, onde as matrizes semidefinidas positiva e negativas so singulares.Por vezes o termo definida no negativa ser utilizado para se
referir a uma matriz simtrica, isto positiva ou semidefinada positiva. Uma matriz B m m
chamado de raiz quadrada definida no negativa da matriz A se A = BB 0 . As vezes denominaremos tal matriz um B como A1/2 . Se B tambm simtrico, de modo que A = B 2 , ento B
chamado a raiz quadrada simtrica de A.

19

Espaos Vectoriais

Em estatstica, observaes tipicamente tomam a forma de vectores de valores de diferentes


variveis, por exemplo, para cada sujeito, numa amostra , pode registrar uma altura, peso, idade
e assim por diante. Em situaes de estimao e testes de hipteses, estamos normalmente
interessados em inferncias sobre sobre um vector de parmetros. Como resultado, o tema deste
captulo, espaos vectoriais, tem importantes aplicaes em estatstica. Na adio o conceito de
vectores linearmente independentes e dependentes, que discutimos na seco 3, muito til no
intendimento e determinao na fila de uma matriz.
Um espao vectorial uma coleo de vectores qe satisfazem algumas propriedades especiais.
Em particular a coleo fechado sob a adio de vectores sob a multiplicao de um vector por
um escalar.
Definio 2.1.: Seja S ser uma coleo de vectores m 1 satisfazendo o seguinte:
(a) Se x1 S e x2 S, ento x1 + x2 S
(b) xS e , algum escalar real, ento xS
Ento S chamado um espao vectorial em espao de m - dimensional. Se S um subconjunto de
T, que um outro espao vectorial em espao m - dimensional, ento S chamado um subespao
vectorial de T. Isso ser indicado pela escrita S T.
A escolha de = 0 na definio 2.1(b) implica que o vector nulo 0S, isto , cada espao vectorial
deve conter vector nulo. De facto, o conjunto S = 0, consistido que o vector nulo nica e em si
um espao vectorial. Note - se tambm que as duas condies (a) e (b) so equivalentes a
` uma
condio que diz se x1 S, X2 S e 1 e 2 so quaisquer escalares reais, ento (1 x1 + 2 x2 )S.
Isto pode ser facilmente generalizado para mais do que dois, digamos n, vectores, isto , se
1 , . . . , n so escalares reais e x1 , . . . , xn vectores tais que xi S, para qualquer i, ento para S
ser um espao vectorial devemos ter
n
X

i xi  S

(20)

i=1

O lado esquerdo da equao (20) chamado de combinao linear de vectores x1 , . . . , xn . Uma


vez que um espao vectorial fechado sob a formao de combinaes lineares , espao so por
vezes tambm referida como espaos lineares.
Exemplo 2.1: Considere os conjuntos de vectores dados por
20

S1 = (a, 0, a)0 : < a <

21

2.1

Independncia e Dependncia Linear

22

2.2

Bases e Dimenso

23

2.3

Bases e Dimenso

24

2.4

Matriz Linha e Independncia Linear

25

2.5

Bases ortonormais e Projees

26

2.6

Matrizes de Projeo

27

2.7

Interseo e Soma de Espaos Vectoriais

28

3
3.1

Inversa Generalizado
A inversa Generalizado de Moore - Penrose

29

3.2

Algumas Propriedades Bsicas da inversa de Moore - Penrose

30

3.3

A inversa de Moore - Penrose da Matriz Produto

31

3.4

A inversa de Moore - Penrose da Matriz Soma

32

3.5

A Continuidade da inversa Moore - Inverse

33

3.6

Outras inversas Generalizas

34

Matrizes Especiais e Matrizes Operadores

35

4.1

O produto de Kronecker

36