Revisão de Álgebra Matricial Profa. Patricia Maria Bortolon Fonte: BOLDRINI, C. e WETZLER, F.; Álgebra Linear. 3ª. ed. São Paulo. Editora Harbra, 1986 Álgebra Matricial • Da Matemática do 1º. Grau: y 2 x 4 (1) y x 1 ( 2) De (2) : y x 1 10 8 6 Em (1) : y=x+1 ( x 1) 2 x 4 4 3x 4 1 2 Eq2 Linear (Eq1) 3x 3 x 1 Em (2) : y x 1 y2 Eq1 Linear (Eq2) 0 -3 -2 -1 0 1 2 3 4 -2 y = -2x + 4 -4 Álgebra Matricial Indivíduo Altura (m) Peso (kg) Idade (anos) 1 1,70 70 23 2 1,75 60 45 3 1,60 52 25 4 1,81 72 30 • Após estudar 300 artigos teóricos e empíricos lanço a seguinte hipótese sobre a relação entre essas variáveis: Peso = β0 + β1Altura + β2Idade Álgebra Matricial • Posso escrever as seguintes equações com os dados das pessoas que tenho: 0 1 1,70 2 23 70 0 1 1,75 2 45 60 0 1 1,60 2 25 52 0 1 1,81 2 30 72 • As incógnitas são β0, β1,β2 • E se tivéssemos estudando o que afeta a rentabilidade sobre o PL das empresas? Álgebra Matricial • Suponha que após ler 300 artigos teóricos e empíricos você possa lançar a seguinte hipótese: ROE = β0 + β1Ativo + Β2D/E • Você escolhe 4 empresas para compor a amostra: Vale, Petro, BRFoods e Gol e utiliza os dados de 2010: Empresa ROE Ativo (milhões R$) D/E Vale 26,8 214.662 27,0 Petro 11,5 519.970 20,1 BRFoods 5,9 27.751 29,6 Gol 7,3 9.064 60,2 Álgebra Matricial • Posso escrever as seguintes equações com os dados que tenho: 0 214.6621 27 2 26,8 0 519.9701 20,1 2 11,5 0 27.7511 29,6 2 5,9 0 9.0641 60,2 2 7,3 Álgebra Matricial • Podemos representar esses dados dispondo-os em linhas e colunas. A isso chamamos matriz: 1 214.662 27,0 26,8 1 519.970 20,1 11,5 1 27.751 29,6 5,9 1 9.064 60,2 7,3 • Pode ser representada entre ( ); [ ]; ║ ║ Álgebra Matricial • Exemplos: 5 7 1 2 3 5 A 2X3 B 2X3 1 0 4 6 1 3 8 9 11 Amxn = m indica o no. de linhas e n o no. de colunas aij = é o elemento localizado na i-ésima linha e j-ésima coluna Na matriz A => a11=2 a23=3 Na matriz B => b23=4 b13=11 Álgebra Matricial • Escalar: no. real = matriz 1 x 1 = [k] • Tipos Especiais de Matrizes: – Matriz Quadrada: quando m = n 1 2 0 3 0 1 4 5 6 – Matriz Nula: quando aij = 0 i e j 0 0 0 0 Álgebra Matricial • Tipos Especiais de Matrizes: – Matriz Coluna: vetor coluna = Amx1 1 4 3 x y – Matriz Linha: Vetor linha = A1xn 3 0 1 0 0 Álgebra Matricial • Tipos Especiais de Matrizes: – Matriz Diagonal: aij = 0 i ≠ j em uma matriz quadrada nxn 1 0 0 0 2 0 0 0 6 – Matriz Identidade ou Unidade: quando em uma matriz quadrada aii = 1 e aij = 0 i ≠ j 1 0 0 0 1 0 0 0 1 Álgebra Matricial • Tipos Especiais de Matrizes: – Matriz Triangular Superior: aij = 0 quadrada 1 3 5 0 2 4 0 0 6 – Matriz Triangular Inferior: aij = 0 quadrada 1 0 0 8 4 0 1 3 6 p/ i > j em uma matriz p/ i < j em uma matriz Álgebra Matricial • Tipos Especiais de Matrizes: – Matriz Simétrica: quando m = n e aij = aji 5 1 3 3 2 4 5 4 6 Operações com Matrizes • Adição – As matrizes precisam ser de mesma ordem – Amxn = [aij] e Bmxn = [bij] – C = A + B = [aij + bij]mxn 0 1 3 1 e B 2 0 1 5 3 3 3 8 C 4 7 9 14 2 3 4 5 A 6 7 8 9 – Propriedades da soma: 1. Comutatividade: A + B = B + A 2. Associatividade: A + (B + C) = (A + B) + C 3. A + 0 = A, onde 0 é a matriz nula m x n Operações com Matrizes • Subtração – Segue o mesmo princípio da soma • Multiplicação por escalar: – Seja k um escalar e A = [aij]mxn – k . A = [k . aij]mxn – Exemplo: 2 10 k 2 e A 1 3 4 20 kA 2 6 – Propriedades: 1. k (A + B) = k A + k B 2. (k1 + k2) A = k1A + k2A 3. 0.A = 0 4. k1(k2A) = (k1k2)A Operações com Matrizes • Transposição – Uma matriz transposta é obtida trocando-se as linhas e colunas da matriz original. Uma matriz Amxn ficará Anxm. Denota-se A’ – Exemplo: 2 1 2 0 1 A 0 3 A ' 1 3 4 2 x3 1 4 3 x 2 1 3 1 3 B B' 3 2 3 2 1 C C' 1 2 2 Operações com Matrizes • Transposição – Propriedades: 1. Uma matriz é simétrica se, e somente se, A’ = A 2. A’’ = A 3. (A + B)’ = A’ + B’ 4. (kA)’ = kA’ 5. (AB)’ = B’A’ Exemplo de Aplicação • Suponha que você está tentando prever o retorno de uma carteira. Analistas fizeram as previsões de retorno de 3 ações para 3 estados da economia. Estado da Natureza Vale Petro Gol BOOM 5% 4% 6% ESTÁVEL 3% 3% 2% RECESSÃO 2% 1% 0% • Se você estiver planejando investir 30% em Vale, 30% em Petro e 40% em Gol, que retornos terá em cada estado? Exemplo de Aplicação • Retornos esperados: – BOOM: 30% x 5% + 30% x 4% + 40% x 6% = 5,1% – ESTÁVEL: 30% x 3% + 30% x 3% + 40% x 2% = 2,6% – RECESSÃO: 30% x 2% + 30% x 1% + 40% x 0% = 0,9% • O que fizemos foi uma multiplicação de matrizes: 5% 4% 6% 30% 5,1% 3% 3% 2% 30% 2,6% 2% 1% 0% 3 x 3 40% 3 x1 0,9% 3 x1 Multiplicação de Matrizes Amxn x Bnxp = Cmxp • Cada elemento cij é o somatório dos produtos dos elementos da i-ésima linha de A pela j-ésima coluna de B • O no. de colunas de A e o no. de linhas de B precisam ser iguais 2 1 2.1 1.0 2(1) 1.4 2 2 4 2 1 1 4.1 2.0 4(1) 2.4 4 4 0 4 2x2 5 3 3 x 2 5.1 3.0 5(1) 3.4 3 x 2 5 7 3 x 2 Multiplicação de Matrizes • Propriedades: 1. Em geral AB ≠ BA 1 Sejam A 3 2 0 Então AB 0 0 1 2 1 0 0 0 1 1 2 3 1 e B 2 4 6 1 2 3 0 0 11 6 1 0 e BA 22 12 2 11 6 1 0 Note, ainda, que AB = 0, sem que A = 0 ou B = 0 2. AI = IA = A (o que justifica o nome da matriz identidade) 3. A(B+C) = AB + AC (distributividade à esquerda) Multiplicação de Matrizes • Propriedades: 4. 5. 6. 7. (A+B)C = AC + BC (distributividade à direita) (AB)C = A(BC) (associatividade) (AB)’ = B’A’ (observe a ordem) 0.A = 0 e A.0 = 0 Representando algumas operações matemáticas na forma matricial • Somatório: n x i 1 i x1 x2 xn x1 1 x 1 x nx1 2 , 1nx1 x 1 n x1 x n 2 Então 1' x 1 1 1 x1 x2 xn xi i 1 xn 1 1 n Ou x'1 x1 x2 xn x1 x2 xn xi i 1 1 Representando algumas operações matemáticas na forma matricial • Somatório de quadrados: n 2 2 2 2 x x x x i 1 2 n i 1 Então x' x x1 x2 x1 x xn 2 xn n x12 x22 xn2 xi2 i 1 Representando algumas operações matemáticas na forma matricial • Somatório de produtos cruzados: n x y i 1 i i x1 y1 x2 y2 xn yn Então x' y x1 x2 y1 y 2 xn yn n x1 y1 x2 y2 xn yn xi yi i 1 y' x Sistemas de Equações Lineares • A cada sistema de equações que precisa ser resolvido podemos associar uma matriz x1 4 x2 3x3 1 (1) ( I ) 2 x1 5 x2 4 x3 4 (2) x 3x 2 x 5 (3) 2 3 1 3 1 1 4 2 5 4 4 1 3 2 5 (1). 2 (2) (2' ) (1). 1 (3) (3' ) x1 4 x2 3x3 1 (1' ) ( II ) 0 x1 3x2 2 x3 2 (2' ) 0 x 7 x 5 x 4 (3' ) 2 3 1 (2' ). 1 / 3 (2' ' ) 3 1 1 4 0 3 2 2 0 7 5 4 Sistemas de Equações Lineares • A cada sistema de equações que precisa ser resolvido podemos associar uma matriz (1' ' ) x1 4 x2 3x3 1 ( III ) 0 x1 x2 2 / 3x3 2 / 3 (2' ' ) 0 x 7 x 5x 4 (3' ' ) 1 2 3 (2' ' ). 4 (1' ' ) (1' ' ' ) 3 1 1 4 0 1 2 / 3 2 / 3 0 7 5 4 (2' ' ).7 (3' ' ) (3' ' ' ) x1 0 x2 1 / 3x3 11 / 3 (1' ' ' ) ( IV ) 0 x1 x2 2 / 3x3 2 / 3 (2' ' ' ) 0 x 0 x 1 / 3x 2 / 3 (3' ' ' ) 2 3 1 (3' ' ' ). 3 (3iv ) 1 0 1 / 3 11 / 3 0 1 2 / 3 2 / 3 0 0 1 / 3 2 / 3 Sistemas de Equações Lineares • A cada sistema de equações que precisa ser resolvido podemos associar uma matriz iv x1 0 x2 1 / 3x3 11 / 3 (1 ) 1 0 1 / 3 11 / 3 (V ) 0 x1 x2 2 / 3x3 2 / 3 (2iv ) 0 1 2 / 3 2 / 3 iv 0 x 0 x 1x 2 ( 3 ) 0 0 1 2 1 2 3 (3iv ). 1 / 3 (1iv ) (1v ) (3iv ). 2 / 3 (2iv ) (2v ) v x1 0 x2 0 x3 3 (1 ) (VI ) 0 x1 x2 0 x3 2 (2v ) 0 x 0 x 1x 2 (3v ) 2 3 1 1 0 0 3 0 1 0 2 0 0 1 2 Sistemas de Equações Lineares • Ou ainda: x1 3 x2 2 x 2 3 • Observações: – As operações realizadas preservam as igualdades – (x1, x2, x3) é solução do sistema I e também do II, III, IV, V e VI – Operações possíveis: • Multiplicar uma equação por no. ≠ 0 • Adicionar uma equação a outra • Permutar duas equações Sistemas de Equações Lineares • Conceitos: – Um sistema de equações lineares com m equações e n incógnitas é: a11x1 a12 x2 a1n xn b1 a x a x a x b 21 1 22 2 2n n 2 am1 x1 am 2 x2 amn xn bm – Com aij, 1 ≤ i ≤ m, 1 ≤ j ≤ n – Uma solução é uma n-upla de números (x1, x2, ..., xn) que satisfaça simultaneamente estas m equações Sistemas de Equações Lineares • Conceitos: – O sistema anterior pode ser escrito na forma matricial: a11 a12 a1n x1 b1 a x b a a 22 2n 2 2 21 am1 am 2 amn xn bm A x X = B Sistemas de Equações Lineares • Conceitos: – Matriz Ampliada: a11 a 21 am1 a12 a1n a22 a2 n am 2 amn b1 b2 bm – A matriz ampliada do sistema VI é: x1 0 x2 0 x3 3 0 x1 x2 0 x3 2 0 x 0 x 1x 2 2 3 1 1 0 0 3 0 1 0 2 0 0 1 2 Sistemas de Equações Lineares • Sistemas de equações lineares equivalentes: se toda solução de um sistema é também solução de outro • Para resolver o sistema inicial reduzimos a matriz ampliada a uma matriz-linha reduzida à forma escada. • Definição: a) 1º. elemento não nulo de uma linha não nula é 1 b) Cada coluna que contém o 1º. Elemento não nulo de alguma linha tem todos os seus outros elementos iguais a zero c) Toda linha nula ocorre abaixo de todas as linhas não nulas d) Se as linhas 1, ..., r são linhas não nulas, e se o 1º. elemento não nulo da linha i ocorre na coluna ki, então, k1 < k2 < ... < kr Sistemas de Equações Lineares • Posto: é o no. de linhas não nulas da matriz-linha reduzida à forma escada linha equivalente • Nulidade: é o no. n – p onde n é o no. de colunas. • Exemplos: 2 1 0 1 0 0 7 / 8 1 Posto 3 A 1 0 3 5 0 1 0 1 / 4 Nulidade 1 1 2 1 1 0 0 1 11 / 8 2 1 3 1 0 14 / 9 Posto 2 1 4 2 0 1 1 / 9 B Nulidade 1 1 5 1 0 0 0 há 2 equações redundantes 0 4 16 8 0 0 Sistemas de Equações Lineares 2 1 0 1 0 0 7 / 8 1 Posto 3 A 1 0 3 5 0 1 0 1 / 4 Nulidade 1 1 2 1 1 0 0 1 11 / 8 2 1 3 1 0 14 / 9 Posto 2 1 4 2 0 1 1 / 9 B Nulidade 1 1 5 1 0 0 0 há 2 equações redundantes 0 4 16 8 0 0 • Também dizemos que as duas primeiras equações são “independentes” e as demais “dependentes” • Uma linha é dependente de outra se ela puder ser escrita como soma de produtos destas outras linhas por constantes • O mesmo que dizer que esta linha é uma combinação linear das outras • POSTO = no. de equações independentes Sistemas de Equações Lineares Soluções de um sistema de equações lineares ax=b 1. a ≠ 0 => solução única => x = b/a 2. a = 0 e b = 0 => 0 x = 0 => qualquer no. real é solução 3. a = 0 e b ≠ 0 => 0 x = b => não existe solução Sistemas de Equações Lineares Soluções de um sistema de equações lineares Exemplo 1: 10 8 6 4 2 0 -4 -2 0 2 -2 2 x1 x 2 5 x1 3x 2 6 3 2 1 5 1 0 3 x1 1 3 6 0 1 1 x 2 1 -4 -6 Posto do sistema reduzido = 2 Posto da matriz ampliada = 2 4 6 8 10 Sistemas de Equações Lineares Soluções de um sistema de equações lineares Exemplo 2: 10 2 x1 x 2 5 6 x1 3 x 2 15 2 1 5 1 1 / 2 5 / 2 6 3 15 0 0 0 x1 1 / 2 x2 5 / 2 0 x1 0 x 2 0 8 6 4 2 0 -4 -2 -2 0 2 4 -4 -6 -8 Admite infinitas soluções. Conjunto de soluções definidos por pares x1 e x2 que satisfaçam x1 = 5/2 – ½ x2 O posto tanto da matriz de coeficientes quanto da matriz ampliada é 1. Grau de liberdade do sistema: é a nulidade da matriz de coeficientes. Neste caso 2 – 1 = 1 <= o sistema tem uma variável livre 6 Sistemas de Equações Lineares Soluções de um sistema de equações lineares Exemplo 3: 10 8 2 x1 x 2 5 6 x1 3 x 2 10 2 1 5 1 1 / 2 0 6 3 10 0 0 1 x1 1 / 2 x2 0 0 x1 0 x 2 1 6 4 2 0 -3 -2 -1 -2 0 1 2 -4 -6 -8 Não tem solução = incompatível = impossível O posto da matriz de coeficientes é 1 e o da matriz ampliada é 2. 3 4 5 Sistemas de Equações Lineares Soluções de um sistema de equações lineares • Então, um sistema pode admitir: 1. Uma única solução = possível = compatível = determinado 2. Infinitas soluções = possível = indeterminado 3. Nenhuma solução = impossível = incompatível Sistemas de Equações Lineares Soluções de um sistema de equações lineares • Teorema: 1. 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 2. Se além disso p = n, a solução será única 3. Se, entretanto, p < n , podemos escolher n – p incógnitas, e as outras p incógnitas serão dadas em função destas n – p = graus de liberdade Determinante e Matriz Inversa • a x = b => solução é x = b / a • Matriz 2 x 2 a11 a12 A a11a22 a12a21 A a21 a22 • Matriz 3 x 3 a11 a12 a13 A a21 a22 a23 a31 a32 a33 A a11a22a33 a13a21a32 a31a12a23 a13a22a31 a33a21a12 a11a23a32 Determinante e Matriz Inversa • Cada termo tem apenas um elemento de cada linha e coluna • Uma matriz N x N terá N! elementos no seu cálculo, assim, uma matriz 5 x 5 terá 5! = 5 x 4 x 3 x 2 x 1 = 120 termos em sua expansão • Se a matriz é 2 x 2 cada termo tem 2 elementos da matriz, se é 3 x 3 terá 3 elementos em cada termo, se é 5 x 5, 5 elementos • Para a regra para o sinal de cada termo ver pag. 66 e 67 do Boldrini Determinante e Matriz Inversa • Propriedades: 1. Se todos os elementos de uma linha ou coluna são nulos então det A = 0 2. Uma matriz com determinante igual a zero é chamada matriz singular, se ≠ 0 é uma matriz não singular 3. det A = det A’ 4. Se multiplicarmos uma linha da matriz por uma constante o det fica multiplicado por esta constante 5. Trocadas as posições de duas linhas o determinante troca de sinal 6. Se duas linhas da matriz são dependentes o determinante é nulo 7. det (A.B) = det A . det B Determinante e Matriz Inversa • Menor: o menor do elemento aij é o determinante da submatriz resultante da retirada da linha i e da coluna j a11 a12 A a21 a22 a31 a32 a13 a23 a33 o menor de a11 é M 11 a22 a23 a32 a33 a22a33 a23a32 • Co-fator = é um menor sinalizado cij (1)i j M ij Determinante e Matriz Inversa • Matriz de Co-fatores: é a matriz onde cada elemento aij é substituído por seu co-fator, denotada por cof(A) ou A • Matriz Adjunta: é a transposta de uma matriz de cofatores adjA (cofA)' A' • Teorema: A.A' A.(adjA ) (detA)I n Determinante e Matriz Inversa • Matriz Inversa: dada uma matriz quadrada A de ordem n, a inversa de A é uma matriz B tal que A . B = B . A = In Onde In é a matriz identidade de ordem n. Escrevemos A-1 para a inversa de A. Observações: 1. Se A e B são quadradas de mesma ordem, ambas inversíveis, então A . B é inversível e (AB)-1 = B-1 . A-1 De fato: AB(B-1A-1) = A(BB-1)A-1 = AIA-1 = AA-1 = I (B-1A-1)(AB) = I Determinante e Matriz Inversa • Matriz Inversa: • Observações: 2. Nem toda matriz tem inversa 3. Se A tem inversa, podemos escrever: AA-1 = In det(A.A-1) = det (In) det A . det A-1 = 1 Se A tem inversa: i. det A ≠ 0 1 ii. det A-1 = det A Determinante e Matriz Inversa • Matriz Inversa: • Observações: 4. (A-1)’ = (A’)-1, isto é, a transposta da inversa de A é a inversa da transposta Teorema: Uma matriz quadrada A admite uma inversa se, e somente se det A ≠ 0 Neste caso: 1 A (adjA ) detA 1 Exemplo: pag. 744 Gujarati Determinante e Matriz Inversa • A inversa e a resolução de sistemas lineares: • Se o no. de equações é igual ao no. de incógnitas: a11x1 a12 x2 a1n xn b1 a x a x a x b 21 1 22 2 2n n 2 am1 x1 am 2 x2 amn xn bm a11 a12 a1n x1 b1 a x b a a 22 2n 2 21 2 a a a bm m1 m2 mn xn Matriz de coeficientes A x X = B Matriz de incógnitas Matriz de termos independentes Determinante e Matriz Inversa • A inversa e a resolução de sistemas lineares: • Supondo det A ≠ 0 e portanto, que exista A-1: A-1(AX) = A-1B (AA-1)X=A-1B InX = A-1B X = A-1B x1 a11 x a 2 21 xn am1 a12 a22 am 2 a1n a2 n amn 1 b1 b 2 bm Valor Esperado • Variável Aleatória Discreta E ( X ) xf ( x) x • Variável Aleatória Contínua • Propriedades E ( X ) xf ( x)dx E (b) b E (aX b) aE ( X ) b Se X e Y são independentes : E ( XY ) E ( X ).E (Y ) Variância • Variável Aleatória Discreta var( X ) E ( X ) f ( x) 2 x 2 x • Variável Aleatória Contínua var( X ) ( X ) f ( x)dx 2 Variância • Propriedades E( X )2 E( X 2 ) 2 var(b) 0 Se a e b são constantes, então : var(aX b) a 2 var( X ) Se X e Y são independentes, então : var( X Y ) var( X ) var(Y ) var( X Y ) var( X ) var(Y ) var(aX bY ) a 2 var( X ) b 2 var(Y ) Se X e Y não são independentes, então : var( X Y ) var( X ) var(Y ) cov( X , Y ) Retorno e Variância de Carteiras na Forma Matricial • Exemplo com 3 ativos • Seja Ri o retornos dos ativos i = A, B, C e assuma que os retornos R1, R2 e R3 são normalmente distribuídos com 2 i ERi , i var( Ri ) , cov( Ri , R j ) ij • Carteira x xi % do capital investido no ativo i x A xB xC 1 • Retorno da carteira Rp, x xA RA xB RB xC RC Retorno e Variância de Carteiras na Forma Matricial • Retorno esperado da carteira p, x ERp, x xA A xB B xC C • Variância da carteira 2 p, x var R p , x x x x 2 A 2 A 2 B 2 B 2 C 2 C 2 x A xB AB 2 x A xC AC 2 xB xC BC • Distribuição de probabilidade da carteira Rp, x ~ N ( p, x , p2, x ) Retorno e Variância de Carteiras na Forma Matricial • Representação Matricial RA A 1 R RB , μ B , 1 1 R 1 C C A2 xA x xB , AB x C AC AB AC B2 BC BC C2 Retorno e Variância de Carteiras na Forma Matricial • Sobre a matriz de covariâncias – Usando álgebra matricial a matriz de covariâncias do vetor de retornos R é definida a partir de: cov(R) E R μ R μ ' – Se R tem N elementos, então será uma matriz N x N 12 12 2 12 2 1n 2 n 1n 2n n2 Retorno e Variância de Carteiras na Forma Matricial • Para o caso em que N = 2: R1 1 . R1 1 E R 2 x1 μ R 2 x1 μ E R2 2 ' 2 R1 1 E R2 2 R1 1 R1 1 R2 2 2 R2 2 2 E R1 1 E R1 1 R2 2 2 E R R E R 2 2 1 1 2 2 cov( R1 , R2 ) 12 12 var( R1 ) 2 var( R2 ) 12 2 cov( R2 , R1 ) R2 2 Retorno e Variância de Carteiras na Forma Matricial • Retorno da carteira: R p , x x' R ( x A xB RA xC ) RB R C x A RA xB RB xC RC R' x • Retorno esperado da carteira: p , x x' μ ( x A xB A xC ) B C x A A xB B xC C μ' x Retorno e Variância de Carteiras na Forma Matricial • Variância da carteira: p2 , x var(x' R ) E x' (R μ)(R μ)' x x' E (R μ)(R μ)'x x' x A2 AB x A xB xC AB B2 AC BC 2 2 2 2 2 2 x A A xB B xC C AC x A BC xB 2 C xC 2 x A xB AB 2 x A xC AC 2 xB xB BC