Revisão de Álgebra de Matrizes

Prof. Caio Azevedo

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
Revisão de álgebra de matrizes
Uma matriz é um arranjo retangular de elementos (números,
variáveis aleatórias, letras):
 
A11 A12 A13
A(2×3) =  
A21 A22 A23
Um vetor é uma matriz com somente uma linha (vetor linha) ou
somente uma coluna (vetor coluna).
 
A11
h i  
A(1×3) = ; A(3×1) =  A21
 
A11 A12 A13 
 
A31
Se a matriz tiver apenas uma linha e uma coluna teremos um escalar.
Prof. Caio Azevedo
Revisão de Álgebra de Matrizes
 Denotaremos uma matriz ou vetor por uma letra maiúscula ou
minúscula em negrito.
Uma matriz é dita ser quadrada se o número de linhas for igual ao
número de colunas.
 
A11 A12 A13
 
A(3×3) =  A21
 
A22 A23 
 
A31 A32 A33
Matriz diagonal: matriz quadrada em que todos os elementos fora
da diagonal principal são iguais à 0.
 
A11 0 0
 
A= 0
 
A22 0 
 
0 0 A33
Prof. Caio Azevedo
Revisão de Álgebra de Matrizes
 Matriz diagonal inferior: matriz quadrada em que todos os
elementos acima da diagonal principal são iguais à 0.
 
A11 0 0
 
A =  A12
 
A22 0 
 
A31 A32 A33
Matriz diagonal superior: matriz quadrada em que todos os
elementos abaixo da diagonal principal são iguais à 0.
 
A11 A12 A13
 
A= 0
 
A22 A23 
 
0 0 A33

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
 Matriz identidade: matriz diagonal cujos elementos da diagonal
principal são todos iguais à 1.
 
1 0 0
 
I= 0
 
1 0 
 
0 0 1
Matriz simétrica (Aij = Aji ), ∀i, j; i 6= j.
 
5 −2 3
 
A =  −2
 
7 1 
 
3 1 4

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
Operações com matrizes
Soma de matrizes :

     
A A12 B B12 A + B11 A12 + B12
 11   11   11 
 +  B21  =  A21 + B21
     
 A21 A22 B22 A22 + B22 
     
A31 A32 B31 B32 A31 + B31 A32 + B32

Multiplicação de matrizes:

   
A11 A12   A11 B11 + A12 B21 A11 B12 + A12 B22
  B B12  
11

 A21

A22   =
 A21 B11 + A22 B21

A21 B12 + A22 B22 
  B21 B22  
A31 A32 A31 B11 + A32 B21 A31 B12 + A32 B22

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
 Traço de uma matriz quadrada: é a soma dos elementos de sua
diagonal principal.
 
A11 A12 A13
 
tr (A) = tr  A21 A23  = A11 + A22 + A33
 
A22
 
A31 A32 A33
O operador vec cria um vetor coluna, a partir de uma matriz, pela
concatenação de suas colunas:
 
A11
 
 
   A21 
A A12  
 11   A31

  
vec(A) = vec  A21 =

A22 
  
 A12


A31 A32 



 A22 
 
A32
Prof. Caio Azevedo
Revisão de Álgebra de Matrizes
 Sejam A(n×p) e B(m×q) duas matrizes quaisquer. O produto de
Kronecker entre elas é definido por:

 
A11 B A12 B ... A1p B
 
 A21 B A22 B ... A2p B
 

A⊗B=
 .. .. .. ..


 . . . . 
 
An1 B An2 B ... Anp B
A resultante do produto de Kronecker será uma matriz C(nm×pq) .

O posto ou “rank” de uma matriz é o mı́nimo entre o número de

linhas (posto linha) ou colunas (posto coluna) linearmente
independentes.

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
 Matriz transposta (cada coluna da matriz original é transformada
em uma linha) :
 
1 2  
 
0 1 4 3
A= 4 −1  → A = 
  
  2 −1 2
3 2
Determinante de uma matriz quadrada: é uma função que associa
um escalar para uma dada matriz quadrada. Existem alguns
métodos para se calcular o determinante de uma matriz. Exemplo:
 
1 2
|A| = det(A) = det   = −1 − 8 = −9
4 −1

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
 Inversa de uma matriz : a inversa de uma matriz quadrada A
denotada por A−1 é tal que:

AA−1 = A−1 A = I

Existem diversos métodos para se obter (numericamente) a inversa

de uma matriz. A solução analı́tica é dada por:

1
A−1 = C
|A|
em que C é a matriz adjunta de A, ou seja, a transposta da matriz
que se obtem substituindo cada termo Aij pelo determinante da
matriz resultante ao se retirar de A a linha i e a coluna j
multiplicado por (−1)i+j . Naturalmente, se det(A) = 0 sua inversa
não existe.
Prof. Caio Azevedo
Revisão de Álgebra de Matrizes
 Inversa generalizada de uma matriz (não necessariamente quadrada),
é uma matriz A− tal que

AA− A = A

Em princı́pio, uma matriz pode ter infinitas inversas generalizadas.

Mesmo que o det(A) = 0 sua inversa generalizada pode ser obtida.

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
 Autovalores de uma matriz quadrada de dimensão n: são os n
números, digamos λ = (λ1 , λ2 , ..., λn )0 , que satisfazem:

|A − λI| = 0

Autovetores de uma matriz quadrada de dimensão n: são os n

vetores que satisfazem a seguinte relação:

Aei = λi ei ; i = 1, ..., n

Os autovalores e autovetores são de extrema importância na

decomposição e na verificação de certas propriedas de matrizes.

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
Tipos de matrizes

Uma matriz (quadrada) é dita ser idempotente se AA = A.

Uma matriz (quadrada) é dita ser ortogonal A−1 = A0 .

Uma matriz (quadrada) é dita ser:

Positiva definida: se λi > 0, ∀i.

Positiva semi-definida: se λi ≥ 0, ∀i e ∃ pelo menos um λi = 0.
Negativa semi-definida: se λi ≤ 0, ∀i e ∃ pelo menos um λi = 0.
Negativa definida: se λi < 0, ∀i.

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
Propriedades

Se todas as operações estiverem bem definidas, teremos:

(A0 )−1 = (A−1 )0 .

(AB)0 = B0 A0 .

(AB)−1 = B−1 A−1 .

tr (A + B) = tr (A) + tr (B).

tr (aA) = atr (A), a um escalar.

tr (AB) = tr (BA).

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
 det(A) = det(A0 ).
−1
det(A−1 ) = [det(A)] .

det(AB) = det(A)det(B) se A e B forem ambas quadradas.

A ⊗ (B ⊗ C) = (A ⊗ B) ⊗ C.

a ⊗ A = A ⊗ a = aA, a escalar.

aA ⊗ bB = ab(A ⊗ B).

(A ⊗ B)(C ⊗ D) = AC ⊗ BD.

(A ⊗ B)0 = (A0 ⊗ B0 ).

(A ⊗ B)−1 = (A−1 ⊗ B−1 ).

tr (A ⊗ B) = tr (A)tr (B).

Para A(m×m) e B(n×n) , temos que |A ⊗ B| = |A|m |B|n

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
Decomposição de Cholesky

Seja Σp×p , simétrica e positiva definida (todos os seus auto-valores

são positivos).

Exemplo: Matriz de covariâncias e matriz de correlações.

Definição: Dada uma matriz Σ existe uma matriz L, diagonal

inferior com os valores da diagonal estritamente positivos, Σ = LL0 .

Tal decomposição é única.

Existem alguns algoritmos que possibilitam a obtenção de L.

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
Exemplo

Exemplo:

 
3 1 0.5
 
Σ= 1
 
2 0.8 
 
0.5 0.8 4

 
1, 732 0 0
 
L ≈  0, 577 1, 291
 
0 
 
0, 289 0, 491 1, 917

Prof. Caio Azevedo

Revisão de Álgebra de Matrizes
 Seja Σp×p . Então, Σ pode ser fatorizada como

Σ = EΛE0

em que Λ = diag (λ1 , ....λp ) (autovalores) e as colunas da matriz E

são formadas pelos respectivos autovetores orto-normalizados.
A decomposição acima também vale se autovetores não estiverem
ortonormalizados, neste caso, ela é dada por:

Σ = EΛE−1

Exercı́cios: pesquisar sobre as propriedades do vec e também

sobre diferenciação matricial.
Observação: basicamente todas as operações e decomposições
matriciais apresentadas estão implementadas no programa R.
Prof. Caio Azevedo
Revisão de Álgebra de Matrizes