Sie sind auf Seite 1von 71

Álgebra Linear na Internet

Página da Faculdade: http://www.fe.unl.pt


Licenciatura em Economia
Programas das Cadeiras
Álgebra Linear(1303)

Página da Cadeira:
http://docentes.fe.unl.pt/~pbarcia

Link para a pagina da disciplina de Algebra Linear do MIT:


http://web.mit.edu/18.06/www/index.html
Link para os videos das aulas do professor Gilbert Strang:
1
http://web mit edu/18 06/www/Video/video-fall-99 html
Qual é o problema?
Carpintaria...

Mesas Estantes Disponíveis

Trabalho 2 1 4

Madeira 1 2 5
2
Quadros cheios de números?

2 1 X =
4
“*”
1 2 y 5

x 4 2 1
= “/”
y 5 1 2

3
Quadros cheios de números!!

Matrizes

Vectores

Espaços Vectoriais

4
Espaços Vectoriais Reais
(a) Polinómios de grau <= n
(b) Coordenadas de pontos no plano
(c) Funções continuas
(d) Funções deriváveis
.
.
.
“Fechados” para a soma (de objectos) e para a multiplicação
(de objectos) por números reais.

5
Sub-espaços

Polinómios -> Funções Deriváveis -> Funções Continuas

Definição: Um sub-conjunto S de um espaço vectorial V


é um sub-espaço se ele próprio é um espaço vectorial,
isto é, se S é fechado para a soma e para a multiplicação
por números reais.

6
Factos sobre sub-espaços

-Todos os sub-espaços têm que conter o vector nulo.

-S={0}, o conjunto constituído só pelo vector nulo, é


o mais pequeno (para a inclusão) sub-espaço que
existe.

- A intercepção de sub-espaços é um sub-espaço.

7
Combinações lineares

Dado um espaço vectorial V e x, y ∈ V chamamos combinação linear


de x com y a todo o vector da forma αx + βy, onde α e β são números reais.

O conjunto de todas as combinações lineares de x com y formam


um sub - espaço de V chamado sub - espaço gerado por x e y,
e designado por span{x,y} .

8
Soma de Conjuntos

Definição : Dados dois conjuntos A ⊂ ℜ n e B ⊂ ℜ n chama - se


conjunto soma de A com B, designado por A + B, ao conjunto :

A + B = {x = a + b : a ∈ A, b ∈ B}
.

9
Exemplo de soma
y

A+B
B

x
A

10
Independência linear

Definição : O conjunto de vectores {x , x ,..., x } diz - se


1 2 n

linearmente dependente se existem números reais λ , λ 1 2

,..., λ , não todos nulos, tais que se tem a igualdade


n

∑ λ x =λ x + λ x + ... + λ x = 0
i=n
i =1 i i 1 1 2 2 n n

Caso tais números não existam, isto é, se a única solução


for λ = λ = ... = λ = 0, o conjunto {x , x ,..., x } diz - se
1 2 n 1 2 n

linearmente independen te.

11
Factos sobre a independência

Teorema : Se um conjunto é linearmente independente todos


os seus sub - conjuntos também o são.

Teorema : Se um conjunto é linearmente dependente todos


os seus "super - conjuntos" também o são.

12
Bases
Definição : Uma Base de um espaço vectorial V é um conjunto B de
vectores, linearmente independente e tal que span{B} = V .

Teorema : Qualquer vector x de um espaço vectorial V pode ser escrito,


de uma forma única, como combinação linear dos vectores de uma
base B. Os coeficientes que exprimem x como combinação linear única
de B designam - se por coordenadas de x na base B.
.

13
Coordenadas

a2
w

b2 a1

b1

14
Factos sobre Bases
Teorema : Todas as bases de um espaço vectorial têm o mesmo
número de vectores. Esse número é chamado a dimensão do
espaço.

Teorema : As bases de ℜn têm todas n vectores. Qualquer conjunto


linearmente independente de n vectores é base de ℜn.

Teorema : Qualquer conjunto de ℜn com m > n vectores é


linearmente dependente
.

15
Produto interno

Definição : Sejam x , y ∈ ℜ n com coordenada s, na base canónica,


(x 1 , x 2 ,..., x n ) e ( y1 , y 2 ,..., y n ) respectiva mente. Chamo produto

∑ i =1 x i y i .
i=n
interno de x por y ao escalar x , y = x ' y = x | y =

∑ i =1 i .
i=n
Norma (Euclidean a) de x : || x || = x, x = x 2

Angulo θ de x com y : cos (θ ) = x , y (|| x || . || y ||)

16
Ortogonalidade-Independência
x ortogonal a y ⇔ x, y = 0 x normado ⇔ x, x = 1

Teorema : Um conjunto de vectores mutuamente ortogonais e não


contendo o vector nulo é linearmente independente.

Corolário : Qualquer conjunto de n vectores não nulos de ℜ n mutuamente


ortogonais forma uma base.

17
Bases Ortonormadas
Seja v1 , v 2 ,..., v n uma base e x e y dois vectores de ℜn

x = a1v1 + a 2 v 2 + ... + a n v n logo (a1 , a 2 ,..., a n ) são as coordenadas de x


y = b1v1 + b 2 v 2 + ... + b n v n logo (b1 , b 2 ,..., b n ) são as coordenadas de y

As coordenadas de x + y são sempre (a1 + b1 , a 2 + b 2 ,..., a n + b n )


As coordenadas de kx, com k real, são sempre (ka1 , ka 2 ,..., ka n )

∑ ∑
i=n j= n
O valor de x, y é ab vi , v j e depende da base.
i =1 j=1 i j


i=n
Se v1 , v 2 ,..., v n for uma base ortonormada então x, y = ab
i =1 i i

18
Gram-Schmidt
Seja v , v ,..., v uma base arbitrária de ℜ e construa - se u , u ,..., u
1 2 n
n
1 2 n

u =v
1 1

u = v − ( v , u / || u || )u
2 2 2 1 1
2
1

...
u = v − ( v , u / || u || )u − ... − ( v , u
n n n 1 1
2
1 n n −1
/ || u || )u
n −1
2
n −1

Teorema : Os vectores u , u ,..., u construidos pelo processo anterior


1 2 n

são uma base ortogonal de ℜ . n

19
Geometria
Definição : Seja S ⊂ ℜ um sub - espaço. Ao conjunto dos vectores ortogonais a
n

todos os elementos de S chama - se complemento ortogonal de S , designado por S .


Teorema : Se S é um sub - espaço então S também o é.


Definição : Um plano (n - 1 dimensional) de ℜ é o conjunto dos pontos obtidos


n

somando um vector x a ( span{v}) , para um vector v de ℜ .


0
⊥ n

Equação do plano : x − x ,v = 0
0

| (x - y ), v |
Distância d de um ponto y ao plano : d = 0
.
|| v ||

20
Plano 1

v
x0

Plano P

21
Plano 2
x2
x1+x2=1 Span{v}
v

{x0}+(Span{v})*
x0
0 x1

(Span{v})*

22
Distância de y a P

y
v
a x0
d

Plano P

23
Matrizes
Definição : Chamamos Matriz (m × n) a um quadro rectangular
de números reais, com m linhas e n colunas :
 a11 a12 ... a1n 
a a 22 ... a 2 n 
A =  21  = (aij )i =1,..., m
 ... ... ... ...  j =1,..., n
a am 2 ... amn 
 m1
Definições :
Se m = 1 (n = 1 ) a matriz diz - se um vector linha (coluna)
Se m = n a matriz diz - se quadrada.
A matriz nula tem todos os elementos iguais a 0.

24
Matrizes quadradas especiais
Definições : Uma matriz quadrada (m × m) chama - se :

Matriz identidade se aij = 1 se i = j e aij = 0 caso contrário.


1 0 0
I 3×3 = I 3 = 0 1 0
 
0 0 1
Matriz diagonal se para i ≠ j aij = 0 .
Matriz triangular superior (inferior) se aij = 0 se i > j (i < j).
0 0 0  3 0 4 0 0 0 
D = 0 1 0  TS = 0 1 5 TI = 3 1 0
     
0 0 2 0 0 2 4 5 2

25
Operações sobre matrizes
Igualdade : Duas matrizes A e B são iguais se têm as mesmas dimensões
e aij = bij para todo os i = 1,..., m e j = 1,..., n.

Dadas duas matrizes A e B com as mesmas dimensões a sua Soma é


uma matriz C = A + B, com as mesmas dimensões das parcelas, tal
que cij = aij + bij para i = 1,...,m e j = 1,...,n. A soma de matrizes
" herda" as propriedades da soma de números reais.

Dada uma matriz A a sua multiplicação por um escalar α ∈ ℜ é uma


matriz B = αA, com as mesmas dimensões de A, tal que bij = αaij para
i = 1,...,m e j = 1,...,n. As propriedades desta operação decorrem das
propriedades das operações identicas sobre os reais. 26
Produto de matrizes
O Produto de uma matriz A (m × p) por uma matriz B (p × n) é uma
matriz C (m × n), C = AB, com cij = ∑ kk ==1p aik bkj para todo os indíces
i = 1,...,m e j = 1,...,n.

O produto C = AB só está definido se o número de colunas de A for igual


ao número de linhas de B. Nesse caso cada elemento cij de C é o produto
interno da linha i de A pela coluna j de B.

Este produto não é comutativo, mesmo no caso particular m = n = p.

O seu elemento neutro é a Identidade de dimensão apropriada.

27
Produto 2
A B = C
(mxq) (qxn) (mxn)

Coluna j
cij=<Ai,Bj>

Bj =
Ai

Linha i
28
Multiplicação por blocos

29
Transposição
A Transposta de uma matriz A (m × n) é uma matriz AT (n × m) tal
que AT = (a )T = (a ) para todos os indíces i = 1,...,n e j = 1,...,m.
ij ji
Notas : Também se usa a notação A' = AT para a transposta de A.
A transposta de A, AT , obtem - se trocando o papel das linhas e das
colunas de A.

Teorema :
T
(i)  AT  = A
 
(ii) ( AB )T = BT AT (repare na ordem)
30
Inversa
A Inversa de uma matriz quadrada A (n × n) é, caso exista, uma matriz
A − 1(n × n) tal que A − 1 A = AA− 1 = I .
n

Teorema :
(i) A inversa, quando existe, é única.
−1
(ii)  AT  = (A −1 )T
 
(iii) ( AB )− 1 = B − 1 A− 1 (repare na ordem)

31
Transformações elementares
Transformações elementares sobre linhas :
(i) Trocar duas linhas.
(ii) Multiplicar uma linha por uma constante λ ≠ 0
(iii) Somar a uma linha um múltiplo de outra.

Teorema : Operar uma transformação elementar nas linhas de A é


equivalente a pré - multiplicar A por uma matriz E obtida da identidade
efectuando a transformação desejada.

1 2 1 2   1 0 1 2
A=  , Ã =   ⇒ Ã =     = EA
3 4 13 24 10 1 3 4
32
Eliminação de Gauss
Eliminação de Gauss : Pode transformar - se uma matriz quadrada
e inversivel A (n × n) na matriz identidade I n efectuando operações
elementares sobre as linhas de A.

E k E k −1 ...E1 A = I n
Então :
A −1 = E k E k −1 ...E1
Cálculo de A −1 :

[A In ] ... → ... [I n A −1 ]
Elim. de Gauss
33
Existe inversa?Caso (2x2)
Sem perda de generalidade suponha a ≠ 0

a b 1 0 a b 1 0
→ 0 d − b c c
 c d 0 1
   − 1
a a 

c
Existe inversa sse d − b ≠0
a

Determinante de uma matriz quadrada ( 2 × 2 ) é o escalar :


δ = ad-bc.
Existe inversa sse δ ≠ 0

34
Determinantes
Termo de uma matriz quadrada (n × n) é o produto de n elementos
da matriz com um e um só factor por linha e um e um só factor por
coluna. Existem n! termos.

Sinal de um termo de uma matriz quadrada é uma potência de (-1 )


cujo expoente é a soma do número de inversões (relativamente à
ordem natural) dos indíces das linhas com o número de inversões
dos indíces das colunas.

Determinante de uma matriz quadrada (n × n) é um escalar igual à


soma dos seus n! termos afectados dos respectivos sinais.

35
Factos sobre Determinantes 1
F1 : Uma matriz com uma fila de zeros tem o determinante nulo

F2 : Multiplica ndo uma fila de uma matriz por λ o determinante


vem multiplica do por λ.

F3 : O determinante de uma matriz é igual ao da sua transposta.

F4 : A troca de duas filas troca o sinal do determinante mas


mantem o seu módulo.

F5 : Uma matriz com duas filas proporcionais tem o determinante


nulo. 36
Factos sobre Determinantes 2
F6 : Uma matriz em que uma fila é a soma de dois vectores tem
o determinante igual à soma dos determinantes das matrizes em
que essa fila é substituida por cada um dos vectores parcelas.
... a1 + b1 ... ... a1 ... ... b1 ...
... ... ... = ... ... ... + ... ... ...
... a n + bn ... ... an ... ... bn ...

F7 : Se numa matriz somar a uma fila uma combinação linear


de outras filas paralelas o determinante não se altera.

F8 : O determinante de uma matriz triangular é igual ao produto


dos seus elementos diagonais. 37
Factos sobre Determinantes 3

F9 : As linhas (colunas) de uma matriz são linearmente dependentes


se e só se o seu determinante é nulo.

F10 : Uma matriz quadrada tem inversa se e só se o seu determinante


for diferente de zero.

F11 : Se A e B forem matrizes quadradas da mesma ordem AB = A × B

1
F12 : Se existe A −1 então A −1 = .
A
38
Desenvolvimentos de Laplace

Definição : Chama - se menor complementar do elemento aij , designado


por Aij , ao determinante da matriz que se obtem de A suprimindo a
linha i e a coluna j.

Desenvolvimentos de Laplace : O determinante de A (n × n) pode ser


escrito sob qualquer das seguintes (entre outras...) formas :

A = ∑ii ==1n(−1) i + j aij Aij j = 1,..., n

A = ∑ jj ==1n(−1) i + j aij Aij i = 1,..., n


39
Co-factor de um elemento

40
Sinal de uma posição

41
Desenvolvimentos de Laplace

42
Matriz Adjunta
Definição : Chama - se cofactor do elemento aij de A ao número
à ij = (− 1)
i+ j
Aij . A matriz dos cofactores de A chama - se matriz
Adjunta de A e designa - se por Adj(A).

Teorema : Se existe a inversa de A tem - se a igualdade :

A −1
=
[ Adj ( A)]
T

43
Matriz Adjunta

44
Caracteristica (rank)

Definição : Chama - se caracteristica (rank) de uma matriz A (n × n)


ao número máximo de linhas linearmente independentes de A.

Teorema : A caracteristica de A é também igual ao número máximo


de colunas linearmente independentes de A e à ordem do determinante
não nulo de maior ordem que se pode " extrair" de A.

45
Forma em escada por linhas
P x x x x x x x
0 0 P x x x x x
0 0 0 0 P x x x
0 0 0 0 0 0 P x
0 0 0 0 0 0 0 P
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
46
Forma reduzida em escada
1 x 0 x 0 x 0 0
0 0 1 x 0 x 0 0
0 0 0 0 1 x 0 0
0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
47
Sistemas de equações lineares
Ax = b, A(m × n), x ∈ ℜ n , b ∈ ℜ m

Teorema : Se um sistema de equações lineares, Ax = b, tem mais


do que uma solução então tem uma infinidade de soluções.

Teorema : As soluções de um sistema de equações lineares


homogéneo, Ax = 0, formam um espaço vectorial, o espaço
nulo da matriz A.

48
Regra de Cramer
rank(A) = m = n
Existe A -1 . O sistema é possivel e determinado. x = A -1b

coluna j

a11 ... b1 ... a1n
... ... ... ... ...
a n1 ... bn ... a nn
xj =
a11 ... a1 j ... a1n
... ... ... ... ...
a n1 ... a nj ... ann
49
Soluções básicas

(ii) rank(A) = m < n


O sistema é possivel mas indeterminado.
Existe uma sub - matriz de A, B (m × m), com inversa B -1

 xB 
Ax = [B N ]  = b
xN 

x B = B −1b − B −1 Nx N

50
Caso geral 1
Ax = A1 x1 + A 2 x2 + ... + A n xn = b

O Sistema tem soluções sse b ∈ span{A1 ,A 2 ,...,A n }

Para que o sistema tenha solução para qualquer b as colunas de A


têm que gerar ℜ m , ou seja, temos que ter rank(A) = m.

51
Caso geral 2

Matriz aumentada Ab = [ A b]

(i) Se rank(A) < rank(Ab ) [= rank(A) + 1]


O sistema é impossivel.

(ii) Se rank(A) = rank(Ab )


O sistema é possivel.

52
Caso geral 3

A existência de soluções não depende de se ter rank(A) = min {m,n}.

 A b ←k
Ab =  
 A b ← m − k

Se rank(A) = rank(Ab ) = k < m


Existem m-k equações redundantes.

53
Caso geral 4
A existência de soluções não depende de se ter rank(A) = min {m,n}.

k n-k
↓ ↓
Ab = [ A A b]

Se rank(A) = rank(Ab ) = k < n


n-k variáveis podem ser fixadas.

54
Teoremas

Teorema (Solução geral) : A solução geral do sistema Ax = b


obtem - se somando a qualquer solução particular x0 o espaço
vectorial das soluções do sistema homogéneo Ax = 0.

Teorema (da alternativa) : Uma, e uma só, das seguintes afirmações


é verdadeira :
(i) O sistema Ax = b tem soluções.
(ii) Existe y ∈ ℜ m tal que y T A = 0 e y T b ≠ 0.

55
Ilustração geométrica
x2

x1+x2=1
1
x1+x2=0 x0+N(A)
x0
-1 0 1 x1

N(A)

56
Teorema Fundamental da AL
Teorema Fundamenta l da Álgebra Linear : Seja A uma matriz
(m × n) e sejam :
(i) L(A) ⊆ ℜ n o sub - espaço gerado pelas linhas de A.
(ii) C(A) ⊆ ℜ m o sub - espaço gerado pelas colunas de A.
(iii) N(A) ⊆ ℜ n o espaço nulo da matriz A.

Então tem - se :

(iv) dim L(A) + dim N(A) = n


(v) dim C(A) + dim N(AT ) = m
(vi) L(A) e N(A) são complementos ortogonais.
57
Transformações lineares
Uma transformação T : x ∈ ℜ n → T ( x) ∈ ℜ m é dita Linear se :

T (αx + βy ) = αT ( x) + βT ( y )
para todos os vectores x, y ∈ ℜ n e todos os números α , β ∈ ℜ

Trata - se de transformações que respeitam a soma e a multiplicação


por números reais.

Teorema : As transformações lineares entre espaços vectoriais são


expressas por matrizes : T ( x) = Ax. As colunas de A são as imagens
dos vectores da base por T(.).
58
Factos sobre t. lineares
F1 : O contradominio de T(x) = Ax é o sub - espaço de ℜ m gerado
pelas colunas de A, C(A). A sua dimensão é rank(A).

F2 : Se A for inversivel a transformação linear por ela representada


é biunivoca.

F3 : A transformação composta de transformações lineares é linear.


A matriz que a representa é o produto das matrizes dos factores.

→ 
→
T

→
T1 T2
ℜ n → ℜ p → ℜm
A1(p × n) A2(m × p)
T(x) = T2 [T1 ( x)] = A2 A1 x 59
Mudanças de Base 1
Duas bases de ℜ n : u1 ,u 2 ,L ,u n e v1 ,v2 ,L ,vn
w ∈ ℜn w = α 1u1 + L + α n u n = β 1v1 + L + β n vn
Coordenadas de w :
α = (α 1 , L ,α n ) u1,u 2 ,L,u n β = ( β1 ,L , β n ) v1,v2 ,L,vn

U = [u1 | u 2 | L | u n ] V = [v1 | v2 | L | vn ]

Uα = Vβ
β = V −1Uα = Mα
α = U −1Vβ = M −1 β

60
Mudanças de Base 2

x ∈ ℜ n →
A
y ∈ ℜm
N↑ ↑M
M -1 AN
x´∈ ℜ  → y´∈ ℜ m
n

y = My´
x = Nx´
[
y´= M −1 AN x´ ]

61
Valores e vectores próprios

Definição : Dada uma transformação linear ℜ n 


→
T
ℜn , o
sub - espaço F ⊆ ℜ n diz - se invariante se T ( F ) ⊆ F .

Definição : Um vector x tal que T ( x) = λx diz - se um vector


próprio associado ao valor próprio λ da transformação linear T .

Teorema : Todos os vectores próprios associados ao mesmo valor


próprio λ formam o sub - espaço invariante associado a λ . A sua
dimensão designa - se por multiplicidade geométrica de λ .

62
Polinómio característico
ℜ 
→ ℜ
n T n

Numa certa base T ( x) = Ax, com A(n × n)


T ( x) = λx → Ax = λx → ( A − λI ) x = 0
∃ soluções não triviais se | A − λI |= 0

Definição : O valor do determinante | A − λI | é um polinómio de


grau n, o polinómio característico, cujas n raizes são os valores
próprios da transformação linear representada pela matriz A.

Teorema : O polinómio característico não depende da base em


relação à qual a matrix A representa a transformação linear T .

63
Factos sobre vectores próprios
F1 : Vectores próprios associados a valores próprios distintos são
linearmente independentes.

F2 : Existem n vectores próprios independentes para a transformação


linear T se e só se existe uma base de ℜ n na qual ela é representada
por uma matriz diagonal.

F3 : Uma matriz é diagonaliz ável se e só se a multiplicidade algébrica


de cada valor próprio é igual à sua multiplicidade geométrica.

D = B −1 AB
onde B é a matriz dos n vectores próprios independentes de A
64
Factos sobre valores próprios

F1 : Se λ1 , λ2 , L, λn forem os valores próprios de A então | A |= λ1λ2 L λn

F2 : Se λ é valor próprio de A então λk é valor próprio de A k , para


todo o inteiro k tal que A k exista.

F3 : As matrizes A e AT têm os mesmos valores próprios.

F4 : Dadas duas matrizes A e C ambas ( n × n) os dois produtos AC


e CA têm os mesmos valores próprios.

65
Matrizes reais e simétricas
F1 : Se A for real e simétrica a valores próprios distintos correspondem
vectores próprios ortogonais.

F2 : Se A for real e simétrica todos os seus valores próprios são reais.

Definição : Uma matriz Q diz - se ortogonal se Q -1 = Q T .

F3 : Se Q for ortogonal então A e à = Q T AQ têm os mesmos valores


próprios. Mais, se os vectores próprios de A são linearmente
independentes o mesmo se passa com os vectores próprios de à .
66
Diagonalização
Teorema : Se A for real e simétrica todos os valores próprios têm
a multiplicidade algébrica igual à multiplicidade geométrica, isto é,
as matrizes reais e simétricas são sempre diagonaliz áveis.

(1) Tomar os valores próprios λi de multiplicidade α i . (∑i =1α i = n)


i=k

(2) Determinar, para cada λi , α i vectores próprios ortonormados


u1i , u 2i , L , uαi i . Se necessário usar Gram - Schmidt.
[
(3) Formar a matriz ortogonal B = u11 , u 12 , L, uα1 1 LLu1k , u 2k ,L , uαk k ]

D = B T AB
67
Formas Quadráticas 1
Q( x1 , x2 ,..., xn ) = ∑i =1 ∑ j =i aij xi x j
i=n j =n

 a11 a12 / 2 L a1n / 2   x1 


a / 2 a22 L a 2 n / 2  x2 
Q( x1 , x2 ,..., xn ) = [x1 x2 L xn ] 12  
 M M O M  M 
a / 2 a / 2 L ann   xn 
 1n 2n

2 2 2
Q ( x1 , x2 , x3 ) = x1 − 2 x1 x2 + 3 x2 + 4 x2 x3 + 5 x3
 1 − 1 0  x1 
Q ( x1 , x2 , x3 ) = [x1 x2 x3 ]− 1 3 2  x2 
  
 0 2 5  x3 

68
Formas Quadráticas 2
Definição : A forma quadrática Q( x) = x T Ax, com A real e simétrica, diz - se :
(1) Definida positiva (negativa) se x T Ax > (<)0 para todo o x ≠ 0.
(2) Semi - definida positiva (negativa) se x T Ax ≥ (≤)0 para todo o x.
(3) Indefinida em todos os outros casos.

Teorema : A forma quadrática Q ( x) = x T Ax é :


(1) Definida positiva (negativa) se e só se os seus valores próprios são
todos estritamente positivos (negativos).
(2) Semi - definida positiva (negativa) se e só se os seus valores próprios são
todos não negativos (positivos).
(3) Indefinida em todos os outros casos.
69
Matrizes (semi)definidas 1
Teorema : Se a matriz real e simétrica A ( n × n) é definida positiva então :
(1) | A |> 0 , rank ( A) = n, A −1 é definida positiva.
(2) Se M (n × m) é tal que rank(M) = m ≤ n então M T AM é definida positiva.
(3) Existe uma matriz real (n × n) inversivel Q tal que A = Q T Q.

Teorema : Se a matriz real e simétrica A ( n × n) é semi - definida positiva então :


(1) | A |≥ 0 .
(2) Se M (n × m) então M T AM é semi - definida positiva.

70
Matrizes (semi)definidas 2

Teorema : Qualquer que seja a matriz real M (n × m), com m ≤ n,


a matriz M T M é semi - definida positiva. Se rank(M) = m então
M T M é definida positiva.

71

Das könnte Ihnen auch gefallen