Professional Documents
Culture Documents
1 Matrizes
1.1 Conceitos Básicos
Exemplos:
(1) Considere a tabela abaixo:
⎡1, 70 70 23⎤
⎢1, 75 60 45⎥⎥
⎢
⎢1, 60 52 25⎥
⎢ ⎥
⎣1,81 72 30 ⎦
(2) Os elementos de uma matriz podem ser números, funções etc, como nas
matrizes abaixo:
⎡ x2 1⎤ ⎡0⎤
⎢ ⎥ ⎢ e3 ⎥
⎢ x 2⎥ [5 sen x −2] ⎢ ⎥
⎢ x + 1 3⎥ ⎢⎣3x ⎥⎦
⎣ ⎦
1
Representamos uma matriz de m linhas e n colunas por
Definição: Duas matrizes Am×n = ⎡⎣ aij ⎤⎦ e Br×s = ⎡⎣bij ⎤⎦ são iguais, ou seja, A = B , se elas
m×n r ×s
Exemplo:
⎡ 22 ln1 sen 90o ⎤ ⎡ 4 0 1⎤
⎢ ⎥
⎢ 3 0 9 ⎥ = ⎢⎢ 3 0 3⎥⎥
⎢ cos 900 −1 3 ⎥⎥ ⎢⎣ 0 −1 3⎥⎦
⎢⎣ ⎦
Seja Am×n uma matriz com m linhas e n colunas. Alguns tipos importantes de matrizes
são os seguintes:
⎡ 2 0 −9 ⎤
⎢ 4 −8 −7 ⎥
⎢ ⎥ [ 4]1×1
⎢⎣ 2 8 6 ⎥⎦ 3×3
2
(b) Nula: aij = 0 ∀i, j .
⎡0 0 0 0⎤
⎢0 0 ⎥⎥
⎡0 0 ⎤ ⎢ 0 0
⎢0 0 ⎥ ⎢0 0⎥
⎣ ⎦ 0 0
⎢ ⎥
⎣0 0 0 0⎦
(c) Coluna: n = 1 .
⎡6⎤
⎡1⎤ ⎢0⎥
⎢4⎥ ⎢ ⎥
⎢ ⎥ ⎢ −8 ⎥
⎣⎢ −3⎦⎥ ⎢ ⎥
⎣ −7 ⎦
(d) Linha: m = 1 .
[3 −7 −4] [6 4 1 −8]
⎡2 0 0 ⎤
⎢0 1 0 ⎥
⎢ ⎥
⎢⎣ 0 0 −4 ⎥⎦
(f) Identidade: É uma matriz diagonal onde todos os elementos da diagonal são
iguais a 1, ou seja, aii = 1 e aij = 0 ∀i ≠ j .
3
⎡1 0 0 ⎤
⎢0 1 0⎥
⎢ ⎥
⎢⎣0 0 1 ⎥⎦
(g) Triangular Superior: É uma matriz quadrada onde todos os elementos abaixo
da diagonal são nulos, isto é, aij = 0 ∀i > j .
⎡ 4 −3 −2 9 ⎤
⎢ 0 −1 0 1 ⎥
⎢ ⎥
⎢ 0 0 3 −4 ⎥
⎢ ⎥
⎣0 0 0 1 ⎦
(h) Triangular Inferior: É uma matriz quadrada onde todos os elementos acima
da diagonal são iguais a zero, isto é, aij = 0 ∀i < j .
⎡2 0 0 0⎤
⎢ −3 −2 0 0 ⎥⎥
⎢
⎢ −3 −3 4 0⎥
⎢ ⎥
⎣ −2 4 8 9⎦
⎡ 1 2 −4 ⎤
⎢2 3 1⎥
⎢ ⎥
⎢⎣ −4 1 2 ⎥⎦
4
⎡1 −5⎤ ⎡ 0 −8⎤ ⎡ 1 −13⎤
Exemplo: ⎢⎢ 3 −3⎥⎥ + ⎢⎢ −7 1 ⎥⎥ = ⎢⎢ −4 −2 ⎥⎥
⎢⎣ 4 −2 ⎥⎦ ⎢⎣ 9 0 ⎥⎦ ⎢⎣13 −2 ⎥⎦
Demonstração: Exercício!
⎡ 0 −3⎤ ⎡ 0 −21⎤
Exemplo: 7 ⎢ ⎥=⎢ ⎥
⎣ 4 5 ⎦ ⎣ 28 35 ⎦
(ii) ( k1 + k2 ) A = k1 A + k2 A
(iii) 0. A = 0
(iv) k1 ( k2 A) = ( k1k2 ) A
Demonstração: Exercício!
Exemplos:
5
⎡ 3 −8⎤
⎡3 0 0⎤
A = ⎢⎢0 7 ⎥⎥ AT = ⎢ ⎥
⎢⎣0 3 ⎥⎦ ⎣ −8 7 3 ⎦
⎡4 2⎤ ⎡ 4 2⎤
B=⎢ ⎥ B T
= ⎢2 1⎥
⎣2 1⎦ ⎣ ⎦
Propriedades:
(i) Uma matriz é simétrica se, e somente se, ela é igual à sua transposta, ou seja, A = AT .
(A )
T
(ii) T
=A
( A + B)
T
(iii) = AT + BT
( kA)
T
(iv) = kAT
( AB )
T
(v) = BT AT
Demonstração: Exercício!
n
cuv = ∑ auk bkv = au1b1v + + aunbnv
k =1
seja, se o número de colunas da matriz que aparece pré-multiplicando for igual ao número
de linhas da matriz que aparece pós-multiplicando.
Exemplos:
6
⎡ 3 5 ⎤ ⎡ −1 0 ⎤ ⎡ ( 3)( −1) + ( 5 )( 4 ) ( 3)( 0 ) + ( 5 )( 7 ) ⎤ ⎡17 35 ⎤
⎢ 4 6 ⎥ ⎢ 4 7 ⎥ = ⎢ 4 −1 + 6 4 ⎥=⎢ ⎥
⎣ ⎦⎣ ⎦ ⎣( )( ) ( )( ) ( 4 )( 0 ) + ( 6 )( 7 ) ⎦ ⎣ 20 42 ⎦
⎡1 3⎤ ⎡ (1)( 5 ) + ( 3)( 9 ) ⎤ ⎡32 ⎤
⎢ 2 8 ⎥ ⎡5⎤ = ⎢ 2 5 + 8 9 ⎥ = ⎢82 ⎥
⎢ ⎥ ⎢9 ⎥ ⎢ ( )( ) ( )( ) ⎥ ⎢ ⎥
⎣ ⎦ ⎢ 4 5 + 0 9 ⎥ ⎢ 20 ⎥
⎣⎢ 4 0 ⎦⎥ ⎣( )( ) ( )( ) ⎦ ⎣ ⎦
⎡ 2 8 9⎤ ⎡ x1 ⎤ ⎡ 2 x1 + 8 x2 + 9 x3 ⎤
⎢ ⎥ ⎢ ⎥
A = ⎢ −3 9 0 ⎥ x = ⎢ x2 ⎥ Ax = ⎢⎢ −3 x1 + 9 x2 ⎥⎥
⎢⎣ −2 −1 3⎥⎦ ⎢⎣ x3 ⎥⎦ ⎢⎣ −2 x1 − x2 + 3 x3 ⎥⎦
Propriedades:
(i) Em geral, AB ≠ BA .
⎡ 1 −1 1 ⎤ ⎡ 1 2 3⎤
Exemplo: Se A = ⎢⎢ −3 2 −1⎥⎥ B = ⎢⎢ 2 4 6⎥⎥ , então
⎢⎣ −2 1 0 ⎥⎦ ⎢⎣1 2 3⎥⎦
⎡0 0 0⎤ ⎡ −11 6 −1⎤
AB = ⎢0 0 0 ⎥ e BA = ⎢⎢ −22 12 −2 ⎥⎥
⎢ ⎥
⎢⎣0 0 0 ⎥⎦ ⎢⎣ −11 6 −1⎥⎦
(iv) ( A + B ) C = AC + BC
(v) ( AB ) C = A ( BC )
( AB )
T
(vi) = BT AT
(vii) 0. A = 0 e A.0 = 0
7
1.4 Matriz Inversa
Definição: Seja A uma matriz quadrada. A matriz inversa de A, denotada por A−1 , é aquela
que satisfaz a condição AA−1 = A−1 A = I .
Obs.: (i) Nem toda matriz quadrada possui inversa. Se uma matriz quadrada possui
inversa, ela é chamada de não-singular. Se ela não possui inversa, é chamada de singular.
(ii) Se existe a matriz inversa, então ela é única.
⎡1 1⎤
⎢ − ⎥
⎡3 1 ⎤ 3 6
Exemplos: Se A = ⎢ ⎥ e B=⎢ ⎥ , então
⎣0 2⎦ ⎢0 1 ⎥
⎣⎢ 2 ⎥⎦
⎡ 3 1 ⎤ ⎡ 2 −1⎤ 1 ⎡ 6 0 ⎤ 1 ⎡1 0⎤
AB = ⎢ ⎥⎢ ⎥ =⎢ ⎥ =⎢ ⎥ = I.
⎣0 2⎦ ⎣0 3 ⎦ 6 ⎣0 6⎦ 6 ⎣0 1⎦
Podemos verificar facilmente que BA = I , de forma que B = A−1 e A = B −1 .
Propriedades:
(i) (A )
−1 −1
=A
( AB )
−1
(ii) = B −1 A − 1
8
(A ) = ( A−1 )
T −1 T
(iii)
onde A é a matriz dos coeficientes, x é o vetor das incógnitas e b é o vetor dos termos
independentes.
Outra matriz importante é a matriz ampliada do sistema:
9
⎧2 x1 + 3x2 − 5 x3 = 7
⎪
Exemplo: Considere o sistema ⎨− x1 + 7 x2 − x3 = 4 . A sua forma matricial é
⎪
⎩ x1 + 5 x2 + 9 x3 = −3
⎡ 2 3 −5⎤ ⎡ x1 ⎤ ⎡ 7 ⎤
⎢ −1 7 −1⎥ ⎢ x ⎥ = ⎢ 4 ⎥ .
⎢ ⎥⎢ 2⎥ ⎢ ⎥
⎢⎣ 1 5 9 ⎥⎦ ⎢⎣ x3 ⎥⎦ ⎢⎣ −3⎥⎦
Operações Elementares
Exemplo: L1 ↔ L2
⎡ 2 0 ⎤ ⎡ 4 −2 ⎤
⎢ 4 −2 ⎥ → ⎢ 2 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢⎣ −5 1 ⎥⎦ ⎢⎣ −5 1 ⎥⎦
(ii) Multiplicação da i-ésima linha por um escalar (número real) não nulo k ( Li → kLi )
Exemplo: L3 → −2 L3
⎡2 0 ⎤ ⎡2 0 ⎤
⎢ 4 −2 ⎥ → ⎢ 4 − 2 ⎥
⎢ ⎥ ⎢ ⎥
⎢⎣ −5 1 ⎥⎦ ⎢⎣10 −2 ⎥⎦
(iii) Substituição da i-ésima linha pela i-ésima linha mais k vezes a j-ésima linha
( Li → Li + kL j )
Exemplo: L2 → L2 + 3L1
⎡2 0 ⎤ ⎡ 2 0 ⎤
⎢ 4 −2 ⎥ → ⎢10 −2 ⎥
⎢ ⎥ ⎢ ⎥
⎢⎣ −5 1 ⎥⎦ ⎢⎣ −5 1 ⎥⎦
10
Se A e B são matrizes mxn, dizemos que B é linha-equivalente a A se B pode ser
obtida de A através de um número finito de operações elementares sobre as linhas de A. A
notação para isso é A → B ou A ∼ B .
⎡ 1 0 ⎤ ⎡1 0 ⎤
Exemplo: ⎢ 4 −1⎥ → ⎢ 0 1 ⎥ , pois
⎢ ⎥ ⎢ ⎥
⎢⎣ −3 4 ⎥⎦ ⎢⎣ 0 0 ⎥⎦
⎡1 0 ⎤ ⎡1 0 ⎤ ⎡1 0 ⎤
⎢ 4 −1⎥ ⎯⎯⎯⎯⎯ → ⎢ ⎥ ⎯⎯⎯⎯→ ⎢ ⎥
⎢ ⎥ L2 → L2 − 4 L1 ⎢0 −1⎥ L3 → L3 +3 L1 ⎢ 0 −1⎥
⎣⎢ −3 4 ⎥⎦ ⎣⎢ −3 4 ⎦⎥ ⎣⎢ 0 4 ⎥⎦
⎡1 0 ⎤ ⎡1 0 ⎤
⎯⎯⎯⎯ ⎢
→ 0 1 ⎯⎯⎯⎯⎥ ⎯→⎢ ⎥
L2 →− L2 ⎢ ⎥ L3 → L3 − 4 L2 ⎢ 0 1 ⎥
⎣⎢0 4 ⎦⎥ ⎣⎢0 0 ⎦⎥
Teorema: Dois sistemas que possuem matrizes ampliadas equivalentes são equivalentes, ou
seja, toda solução de um dos sistemas também é solução do outro.
Demonstração: Não será apresentada.
Forma Escada
Exemplos:
11
⎡1 −4 0 ⎤
(1) A matriz ⎢⎢0 0 0 ⎥⎥ não satisfaz as condições (b) e (c).
⎢⎣0 1 0 ⎥⎦
⎡0 3 0 ⎤
(2) A matriz ⎢⎢1 0 −2 ⎥⎥ não satisfaz as condições (a), (b) e (d).
⎢⎣0 0 1 ⎥⎦
⎡0 1 0 −2 2⎤
(3) A matriz ⎢⎢ 0 0 1 0 3 ⎥⎥ está na forma escada.
⎢⎣ 0 0 0 0 0 ⎥⎦
Teorema: Toda matriz Am×n é linha-equivalente a uma única matriz linha-reduzida à forma
escada.
Dem.: Não será apresentada.
Definição: Dada uma matriz Am×n , seja Bm×n a matriz linha-reduzida à forma escada
equivalente a A. O posto de A, denotado por p, é o número de linhas não nulas de B. A
nulidade de A é igual ao número n-p.
⎡1 2 1 0⎤
Exemplo: Considere a matriz A = ⎢⎢ −1 0 3 5 ⎥⎥ . Efetuamos as seguintes operações:
⎢⎣ 1 −2 1 1 ⎥⎦
⎡1 2 1 0⎤ ⎡1 2 1 0⎤ ⎡1 2 1 0 ⎤
⎢ −1 0 3 ⎥
5 ⎥ ⎯⎯⎯⎯ → ⎢⎢0 2 4 ⎥
5 ⎥ ⎯⎯⎯→ ⎢0 1 2 5 2 ⎥⎥
⎢ L2 → L2 + L1
L →L − L
L
L2 → 2 ⎢
⎢⎣ 1 −2 1 1 ⎥⎦ 3 3 1 ⎢⎣0 −4 0 1 ⎥⎦ 2
⎢⎣ 0 −4 0 1 ⎥⎦
⎡ 1 0 −3 −5 ⎤ ⎡ 1 0 − 3 −5 ⎤ ⎡1 0 0 − 7 8⎤
⎯⎯⎯⎯
L1 → L1 − 2 L2
→ ⎢⎢0 1 2
⎯ ⎥
5 2 ⎥ ⎯⎯⎯ ⎢
L → ⎢0
⎥
1 2 5 2 ⎥ ⎯⎯⎯⎯
L1 → L1 + 3 L3
→ ⎢⎢ 0 1 0
⎯ −1 4 ⎥⎥
L3 → 3
L3 → L3 + 4 L2 L → L −2 L
⎢⎣0 0 8 11 ⎥⎦ 8
⎢⎣0 0 1 11 8⎥⎦ 2 2 3 ⎢⎣ 0 0 1 11 8 ⎥⎦
12
Podemos interpretar a matriz A como sendo a matriz ampliada do seguinte sistema
linear:
⎧ x1 + 2 x2 + x3 = 0
⎪
⎨− x1 + 0 x2 + 3x3 = 5
⎪x − 2x + x = 1
⎩ 1 2 3
Pelo que foi demonstrado acima, esse sistema é equivalente ao seguinte sistema:
⎧ 7
⎪ x1 = − 8
⎪
⎪ 1
⎨ x2 = −
⎪ 4
⎪ 11
⎪ x3 = 8
⎩
Soluções de Sistemas de Equações Lineares
13
Teorema:
(i) Um sistema de m equações e n incógnitas admite solução se, e somente se, o posto da
matriz ampliada é igual ao posto da matriz de coeficientes;
(ii) Se as duas matrizes têm o mesmo posto p e p = n , a solução é única.
(iii) Se as duas matrizes têm o mesmo posto e p<n, podem ser escolhidas n-p incógnitas, e
as demais p incógnitas serão dadas em função destas.
Exemplos:
⎡1 0 0 5⎤
(1) O sistema com matriz ampliada ⎢⎢ 0 1 0 −1⎥⎥ tem solução única, dada por
⎢⎣0 0 1 −2 ⎥⎦
⎡1 0 8 −2 ⎤
(2) Para o sistema com matriz ampliada ⎢0 1 −2 5⎥ , temos
⎣ ⎦
pc = pa = 2, m = 2, n = 3, p = 2 , de maneira que há infinitas soluções, dadas por
x1 = −2 − 8 x3
x2 = 5 + 2 x3
⎡1 0 8 −2 ⎤
(3) O sistema com matriz ampliada ⎢⎢0 1 −2 5⎥⎥ é impossível, pois pc = 2, pa = 3.
⎢⎣0 0 0 3 ⎥⎦
⎧ x1 + 2 x2 + x3 + x4 = 0
(4) Considere o sistema ⎨ . A matriz ampliada do sistema pode ser
⎩ x1 + 3x2 − x3 + 2 x4 = 0
transformada na forma escada através das seguintes operações.
⎡1 2 1 1 0⎤ ⎡1 2 1 1 0⎤ ⎡1 0 5 −1 0 ⎤
⎢1 3 ⎥ ⎯⎯⎯⎯ →⎢ ⎥ ⎯⎯⎯⎯→ ⎢0
⎣ −1 2 0⎦ L2 → L2 − L1
⎣0 1 −2 1 0 ⎦ L1 → L1 − 2 L2
⎣ 1 −2 1 0⎥⎦
14
Podemos observar que pc = pa = 2, m = 2, n = 4 , de forma que há 2 graus de
2 Determinantes
2.1 Definição e propriedades básicas
⎧a11 x1 + a12 x2 = b1
Em um sistema 2x2 do tipo ⎨ , a solução é dada por
x +
⎩ 21 1 22 2
a a x = b 2
Perceba que os denominadores são iguais. Além disso, de maneira análoga ao caso de
uma equação e uma incógnita, os denominadores estão associados à matriz de coeficientes
do sistema, qual seja
⎡ a11 a12 ⎤
⎢a ⎥
⎣ 21 a22 ⎦
a11a22 a33 − a11a23 a32 − a12 a21a33 + a12 a23 a31 + a13 a21a32 − a13 a22 a31 ,
15
que também estão relacionados à matriz de coeficientes do sistema, dada por
⎡ a11 a12 a13 ⎤
⎢a a23 ⎥⎥
⎢ 21 a22
⎣⎢ a31 a32 a33 ⎦⎥
Definição: Dada uma permutação dos inteiros 1, 2,… , n , existe uma inversão quando um
inteiro precede outro menor do que ele.
que a soma ocorre sobre todas as permutações de (1, 2,… , n ) (existem n! permutações).
Obs.: (i) Em cada termo do somatório, existe um e apenas um elemento de cada linha e um,
e apenas um, elemento de cada coluna da matriz;
(ii) O determinante também pode ser definido através da fórmula
Exemplos:
(1) det [ a ] = a
⎡a a ⎤
(2) det ⎢ 11 12 ⎥ = a11a22 − a12 a21
⎣ a21 a22 ⎦
16
⎡ a11 a12 a13 ⎤
det ⎢⎢ a21 a22 a23 ⎥⎥ = a11a22 a33 − a11a23a32 − a12 a21a33
(3)
⎢⎣ a31 a32 a33 ⎥⎦
+ a12 a23a31 + a13a21a32 − a13a22 a31
Propriedades:
(1) Se todos os elementos de uma linha ou coluna de uma matriz A são nulos, então
det A = 0 .
Dem.: Segue-se imediatamente da observação (i).
(2) det A = det AT .
= ∑ ( −1) a j11a j2 2 … a jn n
J
= det ⎡⎣ aij ⎤⎦ ,
17
(5) O determinante de uma matriz que tem duas linhas (ou colunas) iguais é zero.
Dem.: Quando as posições das linhas iguais são trocadas, o determinante troca
de sinal, pela propriedade (4). Por outro lado, a matriz que resulta da troca de
linhas (ou colunas) é a mesma de antes, o que significa que o determinante tem
que ser o mesmo. Portanto, a única possibilidade é que o determinante seja nulo.
(6) Se uma linha (ou coluna) é um múltiplo de outra linha (ou coluna), então o valor
do determinante é zero.
Dem.: Mesmo argumento utilizado acima, utilizando também a propriedade (3).
(7) O determinante não se altera se for somada a uma linha (ou coluna) outra linha
(ou coluna) multiplicada por uma constante.
a b a b
Exemplo: = a ( d + kb ) − b ( c + ka ) = ad − bc = .
c + ka d + kb c d
A = a11a22 a33 − a11a23 a32 − a12 a21a33 + a12 a23 a31 + a13 a21a32 − a13 a23 a31
= a11 ( a22 a33 − a23a32 ) − a12 ( a21a33 − a23 a31 ) + a13 ( a21a32 − a22 a31 )
a22 a23 a a23 a a22
= a11 − a12 21 + a13 21
a32 a33 a31 a33 a31 a32
= a11 A11 − a12 A12 + a13 A13 ,
onde Aij é a submatriz da matriz inicial que resulta da retirada da i-ésima linha e da j-ésima
coluna.
18
onde podemos observar que o determinante foi desenvolvido pela i-ésima linha. Uma
fórmula análoga vale para o desenvolvimento a partir de uma determinada coluna.
Exemplos:
(1)
1 −2 3
A= 2 1 −1 = ( −2 ) ∆12 + 1∆ 22 + ( −1) ∆ 32 = ( −2 )( −2 ) + (1)( 8 ) + ( −1)( 7 ) = 5,
−2 −1 2
2 −1 2+ 2 1 3 3+ 2 1 3
onde ∆12 = ( −1) = −2, ∆ 22 = ( −1) = 8 e ∆ 32 = ( −1)
1+ 2
.
−2 2 −2 2 2 −1
(2)
−1 2 3 −4 −5 2 3 −4
−5 3 −4
4 2 0 0 (7) 0 2 0 0
= 2 ( −1)
2+ 2
= −5 −3 0
−1 2 −3 0 C1 →C1 − 2 C2 −5 2 −3 0
−8 3 1
2 5 3 1 −8 5 3 1
5 −3 4 10 0 4
( 3) (7) 10 4
= ( −2 ) 5 3 0 = ( −2 ) 5 3 0 = ( −2 )( 3)( −1)
2+ 2
L1 → L1 + L2 13 −1
8 −3 −1 L3 → L3 + L2
13 0 −1
= ( −6 )( −10 − 52 ) = 372.
⎡ 2 1 0⎤
Exemplo: Considere a matriz A = ⎢⎢ −3 1 4 ⎥⎥ . Então
⎢⎣ 1 6 5 ⎥⎦
1 4 1+ 2 −3 4 1+ 3 −3 1
∆11 = ( −1) = −19, ∆12 = ( −1) = 19, ∆13 = ( −1)
1+1
= −19,
6 5 1 5 1 6
e assim por diante, de maneira que
19
⎡ −19 19 −19 ⎤
A = ⎢⎢ −5 10 −11⎥⎥ .
⎢⎣ 4 −8 5 ⎥⎦
Definição: Dada uma matriz quadrada A, definimos a matriz adjunta de A como sendo a
transposta da matriz dos cofatores de A.
onde
c11 = a11∆11 + a12 ∆12 + a13∆13 = det A
c12 = a11∆ 21 + a12 ∆ 22 + a13∆ 23 ,
e assim por diante. Podemos verificar que c12 corresponde ao desenvolvimento de Laplace
⎡det A 0 0 ⎤
⎢
A ( adj A ) = ⎢ 0 det A 0 ⎥⎥ = ( det A ) I 3 .
⎢⎣ 0 0 det A⎥⎦
Dada uma matriz quadrada A de ordem n que possua inversa, temos que
20
det ( AA−1 ) = ( det A ) ( det A−1 ) .
( det A ) ( det A−1 ) = 1 . Podemos então concluir que, se A tem inversa, então
(i) det A ≠ 0
1
(ii) det A−1 = ,
det A
ou seja, det A ≠ 0 é uma condição necessária para que A tenha inversa. Mas essa condição é
também suficiente, pois sabemos que AAT = ( det A) I , de forma que, se det A ≠ 0 , então
⎛ 1 ⎞ T −1 ⎛ 1 ⎞ T
A⎜ ⎟A =I eA =⎜ ⎟ A . Isso conduz ao seguinte resultado:
⎝ det A ⎠ ⎝ det A ⎠
Teorema: Uma matriz quadrada A admite inversa se, e somente se, det A ≠ 0 . Nesse caso,
1
A −1 = ( adj A ) .
det A
⎡ 4 1 −1⎤
Exemplo: Seja A = ⎢⎢ 0 3 2 ⎥⎥ . Então B = 99 ≠ 0 e a matriz de cofatores é
⎢⎣ 3 0 7 ⎥⎦
⎡ 3 2 0 2 0 3⎤
⎢ − ⎥
⎢ 0 7 3 7 3 0⎥
⎢ 1 ⎡ 21 6 −9 ⎤
−1 4 −1 4 1⎥ ⎢
⎢− ⎥ = −7 31 3 ⎥ .
⎢ 0 7 3 7 3 0⎥ ⎢ ⎥
⎢ ⎥ ⎣⎢ 5 −8 12 ⎥⎦
⎢ 1 −1 4 −1 4 1⎥
⎢⎣ 3 2 0 2 0 3 ⎥⎦
⎡ 21 −7 5 ⎤
Portanto, adj A = ⎢⎢ 6 31 −8⎥⎥ e
⎢⎣ −9 3 12 ⎥⎦
21
⎡ 21 −7 5 ⎤
A−1 = ⎢⎢ 6 31 −8⎥⎥
1
99
⎢⎣ −9 3 12 ⎥⎦
Teorema: O sistema acima tem uma única solução se, e somente se, det A ≠ 0 . Nesse caso,
a solução única é dada por
∆1 ∆ ∆
x1 = , x2 = 2 ,… , xn = n .
det A det A det A
É preciso enfatizar que a regra de Cramer só pode ser utilizada para resolver sistemas
de equações lineares com o mesmo número de equações e incógnitas e quando det A ≠ 0 .
Na verdade, se det A = 0 , o teorema não diz se o sistema tem solução ou não.
⎧2 x + 3 y − z = 1
⎪
Exemplo: Considere o sistema ⎨3x + 5 y + 2 z = 8 . O determinante da matriz de coeficientes
⎪ x − 2 y − 3z = −1
⎩
2 3 −1
desse sistema é det A = 3 5 2 = 22 . Além disso,
1 −2 −3
22
1 3 −1 2 1 −1 2 3 1
∆1 = 8 5 2 = 66, ∆ 2 = 3 8 2 = −22, ∆ 3 = 3 5 8 = 44.
−1 −2 −3 1 −1 −3 1 −2 −1
∆1 ∆ ∆
x= = 3, y = 2 = −1, z = 3 = 2.
det A det A det A
2.5.1 Economia
Considere uma economia com dois bens em que as funções de demanda e oferta são
lineares. Temos então as seguintes relações em um mercado competitivo:
Qd1 = a0 + a1 P1 + a2 P2
Qs1 = b0 + b1 P1 + b2 P2
Qd1 − Qs1 = 0
Qd2 = α 0 + α1 P1 + α 2 P2
Qs2 = β 0 + β1 P1 + β 2 P2
Qd2 − Qs2 = 0,
onde os ai′ s e b j′s são parâmetros das funções de demanda e oferta do bem 1 e os α i′ s e
⎧c1 P1 + c2 P2 = −c0
⎨ ,
⎩γ 1 P1 + γ 2 P2 = −γ 0
onde ci ≡ ai − bi , i = 0,1, 2 e γ i ≡ α i − βi , i = 1, 2,3 .
Podemos aplicar a regra de Cramer a esse sistema, desde que o determinante da
matriz de coeficientes seja diferente de zero. Suponha que c1γ 2 ≠ c2γ 1 . Então
23
c1 c2
det A = = c1γ 2 − c2γ 1 ≠ 0,
γ1 γ 2
e o método pode ser aplicado.
Os outros determinantes de que necessitamos são
−c0 c2
∆1 = = −c0γ 2 + c2γ 0
−γ 0 γ2
c1 −c0
∆2 = = −c1γ 0 + c0γ 1
γ 1 −γ 0
Para que os preços sejam positivos, é preciso que os numeradores tenham o mesmo
sinal que o denominador, o que introduz novas restrições sobre os parâmetros.
As quantidades de equilíbrio podem ser encontradas por substituição dos preços de
equilíbrio nas funções de oferta ou demanda.
Outra aplicação é a modelos de Teoria dos Jogos. O problema mais conhecido em
Teoria dos Jogos e o “Dilema dos Prisioneiros”, que pode ser representado pela matriz de
payoffs abaixo:
No jogo acima, “Confessar” (C) é uma estratégia dominante para ambos jogadores e o
perfil (C,C) é um equilíbrio de Nash.
O jogo abaixo está na forma extensiva e é conhecido como o Jogo da Cerveja-Quiche
(Beer-Quiche):
24
Natureza
Forte Fraco
1 1
s w s w
2 2
l r l rl r l r
25
Para entender melhor os payoffs da matriz, observe o perfil (ws,rf). O payoff do
jogador 1 pode ser recalculado como
( 0.9 )( −30 ) + ( 0.1)( −10 ) = −28,
enquanto o payoff do jogador 2 é
( 0.9 )( −10 ) + ( 0.1)( 0 ) = −9.
Os equilíbrios de Nash com estratégias puras são (ss,rf) e (ww,fr). Agora suponha que
estejamos interessados em encontrar os equilíbrios de Nash com estratégias mistas. Sejam
as estratégias mistas do jogador 1 representadas pelo vetor σ 1 = ( x1 , x2 , x3 , x4 ) e as do
jogador 2, por σ 2 = ( y1 , y2 , y3 , y4 ) .
por rr. Observe também que x3 = 0 em qualquer equilíbrio de Nash, pois ws não é
racionalizável.
Queremos determinar as condições sob as quais (ss,sw) pode fazer parte de um
equilíbrio de Nash com estratégias mista, isto é, onde x1 > 0 e x2 > 0 . Sabemos que para
− ( y1 + y2 ) − 21 y4 = −2 y1 − 18 y4 ⇒ y1 − y2 − 3 y4 = 0.
26
1 1
y1 = + λ , y2 = − 2λ .
2 2
Se λ = 1 10 , por exemplo, então y1 = 6 10 e y2 = 3 10 .
2.5.2 Econometria
O termo ε é o erro aleatório. Esse erro surge por diversas razões, sendo a principal o fato
de que não é possível captar todas as influências sobre uma determinada variável y. O
resultado líquido de todos os fatores omitidos está refletido no erro. Outro elemento
capturado pelo erro aleatório são os erros de medição, que estão presentes em qualquer
amostra.
Por exemplo, suponha que estejamos interessados em estudar o comportamento da
renda dos indivíduos e que tenhamos postulado o seguinte modelo de regressão simples:
renda = β 0 + β1educação + ε .
Esse modelo não leva em consideração que outros fatores além do nível de educação
podem afetar a renda do indivíduo, como idade e nível de educação dos pais. Portanto, o
erro aleatório ε refletirá a omissão dessas variáveis. Além disso, é bastante provável que a
variável educação esteja medida com erro, mesmo porque não há consenso sobre como ela
deve ser medida. Isso também é capturado pelo erro aleatório.
A equação de regressão na verdade é um conjunto de equações, uma para cada
observação:
y1 = β1 x11 + β 2 x12 + + β K x1K + ε1
y2 = β1 x21 + β 2 x22 + + β K x2 K + ε 2
−−−−−−−−−−−−−−−−−−−−−
yn = β1 xn1 + β 2 xn 2 + + β K xnK + ε n
27
Essas equações podem ser representadas na forma matricial como a seguir:
y = X β +ε,
onde
⎡ y1 ⎤ ⎡ x11 x12 x1K ⎤ ⎡ β1 ⎤ ⎡ ε1 ⎤
⎢y ⎥ ⎢x x22 ⎥
x2 K ⎥ ⎢ β ⎥ ⎢ε ⎥
y = ⎢ 2 ⎥ , X = ⎢ 21 , β = ⎢ 2 ⎥, ε = ⎢ 2⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣ yn ⎥⎦ ⎢⎣ xn1 xn 2 xnK ⎥⎦ ⎢⎣ β K ⎥⎦ ⎢⎣ε n ⎥⎦
∑e
i =1
2
i = eT e,
⎡ e1 ⎤
⎢e ⎥
onde e = ⎢ 2 ⎥ é o vetor de resíduos, sendo o resíduo da i-ésima observação definido por
⎢ ⎥
⎢ ⎥
⎢⎣en ⎥⎦
b = ( X T X ) X T y.
−1
e = y − Xb = y − X ( X T X ) X T y
−1
(
= I − X ( X T X ) X T y = My.
−1
)
A matriz M tem grande importância para a análise de regressão, e apresenta
propriedades interessantes. Além de ser simétrica, essa matriz é idempotente, o que
significa que M 2 = M . De fato,
28
M 2 = ⎡⎢ I − X ( X T X ) X T ⎤⎥ ⎡⎢ I − X ( X T X ) X T ⎤⎥
−1 −1
⎣ ⎦⎣ ⎦
= I − X (XT X ) XT − X (XT X ) XT + X (XT X ) XT X (XT X ) XT
−1 −1 −1 −1
= I − 2 X ( X T X ) X T + X ( X T X ) IX T
−1 −1
= I − 2X ( X T X ) X T + X ( X T X ) X T
−1 −1
= I − X (XT X ) XT = M
e
M T = ⎡I − X ( X T X ) X T ⎤ = I − ⎡ X ( X T X ) X T ⎤
−1 T −1 T
⎢⎣ ⎥⎦ ⎢⎣ ⎥⎦
−1
= I − ( X T ) ⎡⎢( X T X ) ⎤⎥ X T = I − X ⎡⎢( X T X ) ⎤⎥ X T
T −1 T T
⎣ ⎦ ⎣ ⎦
= I − X ( X T X ) X T = M.
−1
29