Você está na página 1de 323

Teoria de Sistemas Lineares

Prof. Reinaldo Martinez Palhares


Contato: Sala 2605 (BLOCO 1) mailto: palhares@cpdee.ufmg.br
www.ppgee.ufmg.br/palhares/TeoriaSistemasLineares.html
Quintas-Feiras 07h30 a 09h10 09h25 a 11h05
Aspectos Burocraticos
Bibliograa Basica
Chi-Tsong Chen, Linear System Theory and Design, 3rd ed., Oxford University Press,
1999.
Extras
Joao P. Hespanha, Linear Systems Theory, Prentice University Press, 2009.
William L. Brogan, Modern Control Theory, 3rd ed., Prentice Hall, 1991.
Gene F. Franklin, J. David Powell and Michael Workman, Digital Control of Dynamic
Systems, 3rd ed., Addison Wesley Longman, 1997.
Allan D. Kraus, Matrices for Engineers, Oxford University Press, 2002.
Artigos em periodicos, material didatico de outros cursos na Web semelhantes.
c Reinaldo M. Palhares
pag.2
Teoria de Sistemas Lineares Aula 0
Aspectos Burocraticos
Avaliacoes
Tres provas de 32 pontos cada Datas?
Exerccios em Sala 4 pontos
(Pre-)Requisitos Desejaveis
No c oes de controle classico e moderno (+ para moderno)
Conceitos iniciais de Sinais e Sistemas
c Reinaldo M. Palhares
pag.3
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Sistema: e um ajuntamento ou conjunto de elementos combinados, pela
natureza ou pelo homem, de modo a formar um todo integrado e complexo.

E
uma deni cao que acontece em varias disciplinas como: engenharia, biologia,
medicina, direito, sociologia, antropologia, historia, ciencias polticas, informatica,
administra cao, economia & nan cas; na natureza como um todo, etc.
Teoria de Sistemas: e o estudo das intera coes e comportamento de tal conjunto
de elementos quando sujeito a certas condi coes ou entradas. A natureza abstrata
da teoria de sistemas e devido ao fato que esta relacionado com propriedades
matematicas mais do que com a formafsica ou conceitual das partes que o
compoem
c Reinaldo M. Palhares
pag.4
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Estudo de sistemas fsicos descritos por modelos lineares
Muitos sistemas fsicos sao lineares em determinadas faixas de opera cao
O estudo pode ser sistematizado (algebra linear) Computacionalmente
bastante ecientes Extens oes para sistemas fsicos nao lineares?
Aspectos qualitativos e quantitativos
c Reinaldo M. Palhares
pag.5
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Especicamente...
Dado um modelo linear do sistema a ser avaliado e um conjunto de
especica coes, encontrar uma a cao adequada para alterar o desempenho do
mesmo de forma satisfatoria
Aplicacoes
Engenharias de Sistemas, Mecanica e Civil; Comunica coes, Processamento de
Sinais, Economia e Finan cas, Aeronautica, Sistemas de Controle Automatico,
Analise, Simula cao e Projeto de Circuitos, Navega cao
c Reinaldo M. Palhares
pag.6
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Metodos Empricos
Aplica cao de varias entradas e observa cao das sadas experiencia do
projetista sistemas grandes ou complexos?
c Reinaldo M. Palhares
pag.7
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Estudo Analtico
Modelagem
Descri cao Matematica
Analise do Modelo
Projeto
c Reinaldo M. Palhares
pag.8
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Modelagem
Distin cao entre sistemas fsicos e modelos
Resistor linear com resistencia constante (modelo valido dentro de certos
limites de potencia); indutor com indutancia constante e um modelo (a indutancia
pode variar com a corrente)
Um sistema fsico pode ter modelos diferentes (dependendo do contexto)
Um mesmo sistema fsico pode ser modelado diferentemente (um satelite pode
ser tratado como um corpo rgido ou corpo exvel)
c Reinaldo M. Palhares
pag.9
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Descricao Matematica
Uma vez denido um modelo para um sistema fsico, aplicam-se as leis da
fsica para se obter uma descri cao matematica do sistema
Modelagem Fsica: baseada nas Leis de Newton (sistemas mecanicos), Leis de
Kirchho (tensao e corrente em cirtuitos eletricos), leis da Termodinamica, etc.
Modelagem Experimental: baseada em rela coes entrada-sada (modelos por
series temporais: modelos autoregressivos, media movel, ARMA ...)
c Reinaldo M. Palhares
pag.10
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Considere o sistema massa-mola com atrito viscoso:
m
1
m
2
x
u
b
k
z
As equa coes do movimento podem ser obtidas pela Lei de Newton: F = ma
F: resultante das for cas que agem sobre o corpo; a: acelera cao relativa a uma
referencia inercial ; m
i
: massa dos corpos
c Reinaldo M. Palhares
pag.11
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Sistema de equacoes diferenciais:
x +
b
m
1
( x z) +
k
m
1
(x z) =
u
m
1
z +
b
m
2
( z x) +
k
m
2
(z x) = 0
Molas e amortecedores modelados como elementos lineares
Com as equa coes, pode-se determinar o comportamento do sistema (isto e, as
posi coes x, z e as velocidades x, z) para qualquer for ca externa u aplicada
c Reinaldo M. Palhares
pag.12
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Descricao por Variaveis de Estado:
Denem-se: x
1
= x, x
2
= x, z
1
= z e z
2
= z, obtendo-se as equa coes
lineares vetoriais de primeira ordem:

x
1
x
2
z
1
z
2


x(t)
=

0 1 0 0

k
m
1

b
m
1
k
m
1
b
m
1
0 0 0 1
k
m
2
b
m
2

k
m
2

b
m
2

x
1
x
2
z
1
z
2


x(t)
+

0
1
m
1
0
0


B
u
c Reinaldo M. Palhares
pag.13
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Descricao por Funcao de Transferencia
Aplicando a Transformada de Laplace (com condi coes iniciais nulas) tem-se:
s
2
X(s) +
b
m
1
s(X(s) Z(s)) +
k
m
1
(X(s) Z(s)) =
1
m
1
U(s)
s
2
Z(s) +
b
m
2
s(Z(s) X(s)) +
k
m
2
(Z(s) X(s)) = 0
e obtem-se as rela coes
X(s)
U(s)
e
Z(s)
U(s)
c Reinaldo M. Palhares
pag.14
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Analise do Modelo
Quantitativo: calculo das respostas para determinadas entradas; verica cao da
acuidade do modelo
Qualitativo: propriedades gerais do sistema como estabilidade, controlabilidade e
observabilidade; permite o desenvolvimento de tecnicas de projeto
c Reinaldo M. Palhares
pag.15
Teoria de Sistemas Lineares Aula 0
Motivacao e Contexto
Projeto
Se o comportamento do sistema, embora el ao modelo descrito, e
insatisfatorio tendo em vista certas especica coes de desempenho desejadas, e
necessario projetar uma a cao que leve o sistema a apresentar as caractersticas
desejadas.
c Reinaldo M. Palhares
pag.16
Teoria de Sistemas Lineares Aula 0
Topicos Principais


Algebra linear
Sistemas lineares com entradas e sadas; espa co de estado
Estabilidade, controlabilidade e observabilidade
Controle e Estima cao
c Reinaldo M. Palhares
pag.17
Teoria de Sistemas Lineares Aula 0
Ferramentas Computacionais
Control System Toolbox
c Reinaldo M. Palhares
pag.18
Teoria de Sistemas Lineares Aula 0
Matrizes e Linearidade
1. Revisitando Matrizes
1.1. Tra co, Simetria, Determinante
1.2. Inversa
2. Sistema de Equa coes Lineares
3. Equa cao Caracterstica
3.1. Autovalor & Autovetor
4. Polin omios Coprimos
5. Fun cao Linear
6. Sistemas Dinamicos Lineares & Nao-Lineares
c Reinaldo M. Palhares
pag.1
Teoria de Sistemas Lineares Aula 1
Matrizes e Vetores
A
mn
=
_

_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_

_
; x =
_

_
x
1
x
2
.
.
.
x
n
_

_
A R
mn
: matriz real, A C
mn
: matriz complexa
x R
n
(real), x C
n
(complexo)
c Reinaldo M. Palhares
pag.2
Teoria de Sistemas Lineares Aula 1
Matrizes e Vetores
Transposicao:
A

=
2
6
6
6
6
6
6
4
a
11
a
21
a
m1
a
12
a
22
a
m2
.
.
.
.
.
.
.
.
.
a
1n
a
2n
a
mn
3
7
7
7
7
7
7
5
; x

=
h
x
1
x
2
x
n
i
(A + B)

= A

+ B

; (AB)

= B

Traco: soma dos elementos da diagonal de uma matriz quadrada


A
nn
Tr (A) =
n
X
i=1
a
ii
; Tr(AB) = Tr(BA) ; Tr(A+B) = Tr(A)+Tr(B)
c Reinaldo M. Palhares
pag.3
Teoria de Sistemas Lineares Aula 1
Matrizes
Matriz conjugada

A (A C
mn
)
A =
_

_
1 1 + j 0
3 3j j 1 5j
0 4j 1 + j
_

_
;

A =
_

_
1 1 j 0
3 + 3j j 1 + 5j
0 4j 1 j
_

_
Matriz conjugada transposta A

=
_

_
1 3 + 3j 0
1 j j 4j
0 1 + 5j 1 j
_

_
(A + B)

= A

+ B

; (AB)

= B

; c C (cA)

= cA

c Reinaldo M. Palhares
pag.4
Teoria de Sistemas Lineares Aula 1
Matrizes
Simetria: A = A

(a
ij
= a
ji
) Anti-simetria: A = A

(a
ij
= a
ji
)
Se A R
nn
, entao A + A

e simetrica ; AA

e anti-simetrica
Se A R
mn
, entao A

A e simetrica ; AA

e simetrica
Hermitiana: A = A

(a
ij
= a
ji
) Anti-hermitiana: A

= A
Toda matriz quadrada A pode ser expressa de maneira unica como
A = X + jY ; X =
1
2
(A + A

) ; Y =
1
2j
(AA

)
X, Y : hermitianas
c Reinaldo M. Palhares
pag.5
Teoria de Sistemas Lineares Aula 1
Determinantes
det(A) e o determinante da matriz quadrada A
nn
, fun cao escalar que
pode ser computada a partir de uma linha arbitraria k da matriz
det(A) =
n

j=1
a
kj
C
kj
ou ainda a partir de uma coluna l qualquer
det(A) =
n

i=1
a
il
C
il
sendo C
pq
os cofatores dados por
C
pq
= (1)
p+q
M
pq
e M
pq
os menores associados aos elementos a
pq
da matriz A
nn
. O menor
M
pq
e o determinante da matriz de dimensao (n 1) (n 1) obtida a partir
da elimina cao da linha p e da coluna q da matriz A
c Reinaldo M. Palhares
pag.6
Teoria de Sistemas Lineares Aula 1
Determinantes
Determinantes de A
nn
, para n = 1, 2 e 3:
A =
h
a
11
i
det(A) = a
11
A =
2
4
a
11
a
12
a
21
a
22
3
5
det(A) = a
11
a
22
a
12
a
21
A =
2
6
6
4
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
3
7
7
5
det(A) = a
11
a
22
a
33
+ a
12
a
23
a
31
+ a
13
a
21
a
32
a
13
a
22
a
31
a
12
a
21
a
33
a
11
a
32
a
23
c Reinaldo M. Palhares
pag.7
Teoria de Sistemas Lineares Aula 1
Propriedade dos Determinantes
Se duas linhas (colunas) sao trocadas, troca-se o sinal
Se uma matriz tem duas linhas (colunas) identicas o determinante e nulo
det(A

) = det(A) ; det(A

) = det(

A)
det(AB) = det(A) det(B)
det(A) =
n
det(A) (A R
nn
)
det
_
_
_
_
A B
0 D
_
_
_
_
= det
_
_
_
_
A 0
C D
_
_
_
_
= det(A) det(D)
c Reinaldo M. Palhares
pag.8
Teoria de Sistemas Lineares Aula 1
+ sobre Matrizes
Ortogonal: A R
nn
, A

A = AA

= I
Unitaria: A C
nn
, A

A = AA

= I
Note que o determinante de uma matriz hermitiana e sempre real
det(A) = det(A

) = det(

A

) = det(

A)
Se det(A) = 0 a matriz A e chamada singular
c Reinaldo M. Palhares
pag.9
Teoria de Sistemas Lineares Aula 1
Inversa de Matrizes
A
nn
possui uma inversa B
nn
= A
1
se AB = BA = I
nn
A inversa de uma matriz e dada por A
1
=
1
det(A)
Adj (A), sendo
Adj (A) a matriz adjunta da matriz A, denida como Adj (A) = [Co (A)]

e
Co (A) e a matriz cofatora de A, composta pelos cofatores C
ij
da matriz A
Relembrando, Cofator:
C
ij
= (1)
i+j
|M|
ij
|M|
ij
o menor, do det(A), formado quando se remove a i-esima linha e
j-esima coluna do det(A)
c Reinaldo M. Palhares
pag.10
Teoria de Sistemas Lineares Aula 1
Inversa de Matrizes
Uma identidade matricial AB = C pode ser particionada de varias maneiras:
2
4
A
1
A
2
3
5
h
B
1
B
2
i
=
2
4
A
1
B
1
A
1
B
2
A
2
B
1
A
2
B
2
3
5
=
2
4
C
1
C
2
C
3
C
4
3
5
2
4
A
1
A
2
A
3
A
4
3
5
2
4
B
1
B
2
3
5
=
2
4
A
1
B
1
+ A
2
B
2
A
3
B
1
+ A
4
B
2
3
5
=
2
4
C
1
C
2
3
5
2
4
A
1
A
2
A
3
A
4
3
5
2
4
B
1
B
2
B
3
B
4
3
5
=
2
4
A
1
B
1
+ A
2
B
3
A
1
B
2
+ A
2
B
4
A
3
B
1
+ A
4
B
3
A
3
B
2
+ A
4
B
4
3
5
=
2
4
C
1
C
2
C
3
C
4
3
5
c Reinaldo M. Palhares
pag.11
Teoria de Sistemas Lineares Aula 1
Inversa de Matrizes
A inversa de uma matriz ortogonal e igual `a sua transposta
A
1
= A

A inversa de uma matriz unitaria e igual `a sua conjugada transposta:


A
1
= A

Inversa de uma matriz A R


22
_
_
a b
c d
_
_
1
=
1
ad bc
_
_
d b
c a
_
_
c Reinaldo M. Palhares
pag.12
Teoria de Sistemas Lineares Aula 1
Formulas para Matrizes Invertveis
Para uma matriz quadrada A =
_
_
A
11
A
12
A
21
A
22
_
_
com A
11
e A
22
quadradas
Se A
11
e nao-singular
_
_
A
11
A
12
A
21
A
22
_
_
=
_
_
I 0
A
21
A
1
11
I
_
_
_
_
A
11
0
0
_
_
_
_
I A
1
11
A
12
0 I
_
_
A
22
A
21
A
1
11
A
12
; A e nao-singular sse e nao-singular
c Reinaldo M. Palhares
pag.13
Teoria de Sistemas Lineares Aula 1
Formulas para Matrizes Invertveis
Se A
22
e nao-singular
_
_
A
11
A
12
A
21
A
22
_
_
=
_
_
I A
12
A
1
22
0 I
_
_
_
_

0
0 A
22
_
_
_
_
I 0
A
1
22
A
21
I
_
_

A
11
A
12
A
1
22
A
21
; A e nao-singular sse

e nao singular
(

) e chamado de complemento de Schur de A


11
(A
22
)
c Reinaldo M. Palhares
pag.14
Teoria de Sistemas Lineares Aula 1
Formulas para Matrizes Invertveis
Se A e nao singular
_
_
A
11
A
12
A
21
A
22
_
_
1
=
_
_
A
1
11
+ A
1
11
A
12

1
A
21
A
1
11
A
1
11
A
12

1
A
21
A
1
11

1
_
_
_
_
A
11
A
12
A
21
A
22
_
_
1
=
_
_

1
A
12
A
1
22
A
1
22
A
21

1
A
1
22
+ A
1
22
A
21

1
A
12
A
1
22
_
_
(A
11
A
12
A
1
22
A
21
)
1
= A
1
11
+A
1
11
A
12
(A
22
A
21
A
1
11
A
12
)
1
A
21
A
1
11
(A
22
A
21
A
1
11
A
12
)
1
= A
1
22
+A
1
22
A
21
(A
11
A
12
A
1
22
A
21
)
1
A
12
A
1
22
c Reinaldo M. Palhares
pag.15
Teoria de Sistemas Lineares Aula 1
Formulas para Matrizes Invertveis
Para A bloco-triangular
_
_
A
11
0
A
21
A
22
_
_
1
=
_
_
A
1
11
0
A
1
22
A
21
A
1
11
A
1
22
_
_
_
_
A
11
A
12
0 A
22
_
_
1
=
_
_
A
1
11
A
1
11
A
12
A
1
22
0 A
1
22
_
_
c Reinaldo M. Palhares
pag.16
Teoria de Sistemas Lineares Aula 1
Formulas para Matrizes Invertveis
Se A
11
e nao-singular
det(A) = det(A
11
) det(A
22
A
21
A
1
11
A
12
)
Se A
22
e nao-singular
det(A) = det(A
22
) det(A
11
A
12
A
1
22
A
21
)
Para matrizes quaisquer B C
mn
e C C
nm
det
_
_
I
m
B
C I
n
_
_
= det(I
n
+ CB) = det(I
m
+ BC)
Para quaisquer x, y C
n
det(I
n
+ xy

) = 1 + y

x
c Reinaldo M. Palhares
pag.17
Teoria de Sistemas Lineares Aula 1
Sistema de Equacoes Lineares
y
1
= a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
y
2
= a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
.
.
.
y
m
= a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
Escrito na forma matricial: y = Ax
y =
2
6
6
6
6
6
6
4
y
1
y
2
.
.
.
y
m
3
7
7
7
7
7
7
5
; A =
2
6
6
6
6
6
6
4
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
3
7
7
7
7
7
7
5
; x =
2
6
6
6
6
6
6
4
x
1
x
2
.
.
.
x
n
3
7
7
7
7
7
7
5
Interpretacao: y e a medida (ou valor observado) e x e a incognita; ou y e a sada
(resultado) e x e a entrada (ou a acao); y = Ax dene um mapeamento (funcao ou
transformacao) que leva x R
n
y R
m
c Reinaldo M. Palhares
pag.18
Teoria de Sistemas Lineares Aula 1
Equacao Caracterstica
Considere a equa cao linear x = Ax ( um escalar), reescrita da forma
(I A)x = 0
um solu cao x = 0 sse det (I A) = 0, ie, (I A) e singular
Se A R
nn
, a expansao fornece uma equa cao polinomial de ordem n, com n
razes caractersticas
i
, i = 1, . . . , n chamadas de autovalores da matriz A.

i
x
i
= Ax
i
; i = 1, . . . , n
x
i
: autovetor associado `a raiz caracterstica (autovalor)
i
Equa cao Caracterstica: det(I A) = 0
A R
nn
= C e x C
n
c Reinaldo M. Palhares
pag.19
Teoria de Sistemas Lineares Aula 1
Polinomios Coprimos
Sao polin omios que nao possuem fator comum. Dados dois polinomios p
0
e
p
1
, com o grau de p
1
menor ou igual ao grau de p
0
, pode-se usar o algoritmo de
Euclides para determinar se p
0
e p
1
possuem ou nao um fator comum
Determine os polin omios p
2
, . . . , p
k
tais que p
i+1
seja o resto da divisao de
p
i1
por p
i
Dessa forma, garante-se que os polinomios p
i
possuem grau estritamente
decrescente e que existem polin omios q
i
, i = 1, . . . , k tais que
p
i1
= q
i
p
i
+ p
i+1
A seq uencia termina quando encontra-se um p
k
que divide p
k1
, ou, se p
0
e
p
1
nao possuem fator comum, a seq uencia termina com p
k
igual a uma constante
nao nula. Se houver um fator comum, o maior denominador comum entre p
0
e
p
1
e dado pelo p
k
que divide p
k1
c Reinaldo M. Palhares
pag.20
Teoria de Sistemas Lineares Aula 1
Polinomios Coprimos
Exemplo: Considere p
0
= s
3
6s
2
+ 11s 6 e p
1
= s
2
5s + 4
p
0
= (s 1)
. .
q
1
p
1
+ (2s 2)
. .
p
2
p
1
= (0.5s 2)
. .
q
2
p
2
+ 0
..
p
3
p
2
= 2(s 1) e o maior denominador comum
Exemplo: p
0
= s
3
+ 4s
2
2s + 1 e p
1
= s
2
+ 2s 1
p
0
= (s + 2)p
1
+ (5s + 3)
p
1
= (0.2s 0.52)p
2
+ 0.56
= nao possuem fator comum
c Reinaldo M. Palhares
pag.21
Teoria de Sistemas Lineares Aula 1
Polinomios Coprimos
A matriz de Sylvester pode ser usada para se determinar se dois polinomios sao ou
nao coprimos. Considere, por exemplo, os polinomios
p(s) = p
0
+ p
1
s + p
2
s
2
+ p
3
s
3
q(s) = q
0
+ q
1
s + q
2
s
2
+ q
3
s
3
A existencia de um fator comum implica que existem polinomios
a(s) = a
0
+ a
1
s + a
2
s
2
; b(s) = b
0
+ b
1
s + b
2
s
2
tais que
p(s)
q(s)
=
a(s)
b(s)
= p(s)b(s) + q(s)(a(s)) = 0
c Reinaldo M. Palhares
pag.22
Teoria de Sistemas Lineares Aula 1
Polinomios Coprimos
Agrupando as incognitas (coecientes de a(s) e b(s)) em um vetor da forma:
x =
h
a
0
b
0
a
1
b
1
a
2
b
2
i

e de forma correspondente os coecientes de p(s) e q(s) em uma matriz, obtem-se:


Sx
2
6
6
6
6
6
6
6
6
6
6
6
4
q
0
p
0
0 0 0 0
q
1
p
1
q
0
p
0
0 0
q
2
p
2
q
1
p
1
q
0
p
0
q
3
p
3
q
2
p
2
q
1
p
1
0 0 q
3
p
3
q
2
p
2
0 0 0 0 q
3
p
3
3
7
7
7
7
7
7
7
7
7
7
7
5
x = 0, x = 0 sse det(S) = 0...
S e denominada matriz de Sylvester associada aos polinomios p(s) e q(s), podendo ser
construda de diversas maneiras equivalentes, dependendo do empilhamento escolhido
para o vetor x
Os polinomios sao coprimos sse det(S) = 0
c Reinaldo M. Palhares
pag.23
Teoria de Sistemas Lineares Aula 1
Funcao Linear
Uma funcao f : R
n
R
m
e linear
se:
f(x + y) = f(x) + f(y),
x, y R
n
f(x) = f(x), x R
n
,
R
ie, verica-se o princpio da super-
posicao
x
y
x + y
f(x)
f(y)
f(x + y)
Exemplo: f(x) = Ax, A R
mn
Qualquer funcao linear f : R
n
R
m
pode ser escrita na forma f(x) = Ax
c Reinaldo M. Palhares
pag.24
Teoria de Sistemas Lineares Aula 1
Funcoes
Linear
x
y = f(x)
Am
x
y = f(x) + k
k
Linear por partes
x
y = f(x)
c Reinaldo M. Palhares
pag.25
Teoria de Sistemas Lineares Aula 1
Transformacao Linear Interpretacao
y = Ax y
i
=
n

j=1
a
ij
x
j
; i = 1 m
a
ij
: fator de ganho da j-esima entrada x
j
para a i-esima sada y
i
i-esima linha de A se relaciona com a i-esima sada
j-esima coluna de A se relaciona com a j-esima entrada
a
ij
= 0 implica que a i-esima sada nao depende da j-esima entrada
c Reinaldo M. Palhares
pag.26
Teoria de Sistemas Lineares Aula 1
Exemplo Circuito Linear
x
j
sao as tensoes das fontes independentes e y
i
as variaveis (tensao ou corrente):
x
1
x
2

y
1
y
2
y
3
R
1 R
2
R
3
+ +
+
+

_
y
1
R
1
+
y
2
R
2
+ y
3
= 0
y
1
= x
1
+ y
2
y
2
= R
3
y
3
+ x
2
2
6
6
4
1/R
1
1/R
2
1
1 1 0
0 1 R
3
3
7
7
5
| {z }
M
2
6
6
4
y
1
y
2
y
3
3
7
7
5
=
2
6
6
4
0
x
1
x
2
3
7
7
5
= Solu cao?
2
6
6
4
y
1
y
2
y
3
3
7
7
5
| {z }
y
= M
1
| {z }
transforma cao
2
6
6
4
0
x
1
x
2
3
7
7
5
| {z }
x
c Reinaldo M. Palhares
pag.27
Teoria de Sistemas Lineares Aula 1
Exemplo Circuito Linear
M
1
=
1
det(M)
Adj (M) =
1
R
1
R
2
+R
1
R
3
+R
2
R
3
R
1
R
2
Adj (M)
sendo Adj (A) a transposta da matriz cofatora:
Adj (A) = [Co (A)]

Cofatores: C
11
= R
3
, C
12
= R
3
, C
13
= 1, C
21
=

R
3
R
2
1

=
(R
2
+R
3
)
R
2
,
C
22
=
R
3
R
1
, C
23
=
1
R
1
, C
31
= 1, C
32
= 1, C
33
=
1
R
1

1
R
2
=
(R
1
+R
2
)
R1R2
Adj (A) =
2
6
6
4
R
3
(R
2
+R
3
)
R
2
1
R
3

R
3
R
1
1
1
1
R
1

(R
1
+R
2
)
R
1
R
2
3
7
7
5
entao...
c Reinaldo M. Palhares
pag.28
Teoria de Sistemas Lineares Aula 1
Exemplo Circuito Linear
2
6
6
4
y
1
y
2
y
3
3
7
7
5
| {z }
y
=
1
R
1
R
2
+R
1
R
3
+R
2
R
3
R
1
R
2
2
6
6
4
R
3
(R
2
+R
3
)
R
2
1
R
3

R
3
R
1
1
1
1
R
1

(R
1
+R
2
)
R
1
R
2
3
7
7
5
2
6
6
4
0
x
1
x
2
3
7
7
5
| {z }
x
ou, reduzindo...
2
6
6
4
y
1
y
2
y
3
3
7
7
5
| {z }
y
=
1
R
1
R
2
+R
1
R
3
+R
2
R
3
2
6
6
4
R
1
(R
2
+R
3
) R
1
R
2
R
2
R
3
R
1
R
2
R
2
(R
1
+R
2
)
3
7
7
5
| {z }
Atransforma cao
2
4
x
1
x
2
3
5
| {z }
x
c Reinaldo M. Palhares
pag.29
Teoria de Sistemas Lineares Aula 1
Linearizacao
Fun coes nao-lineares f : R
n
R
m
diferenciaveis em x
0
R
n
Para x pr oximo de x
0
, f(x) aproxima-se de f(x
0
) + Df(x
0
)(x x
0
)
Df(x
0
)
ij
=
f
i
x
j

x
0
Matriz Jacobiana
Se y = f(x), y
0
= f(x
0
), denem-se: x x x
0
(varia cao da entrada)
e y y y
0
(varia cao da sada)

y Df(x
0
)x
Para pequenas varia coes em torno de x
0
aproximadamente linear
c Reinaldo M. Palhares
pag.30
Teoria de Sistemas Lineares Aula 1
Sistemas Dinamicos Lineares
Considere o sistema dinamico linear:
_

_
x(t) =
_
_
0 2
1 3
_
_
. .
A
x(t) +
_
_
2
0
_
_
..
B
u(t)
y(t) =
_
1 1
_
. .
C
x(t) +
_
0
_
..
D
u(t)
condi coes iniciais: x
1
(0) =
_
_
1
1
_
_
ou x
2
(0) =
_
_
2
2
_
_
c Reinaldo M. Palhares
pag.31
Teoria de Sistemas Lineares Aula 1
Sistemas Dinamicos Lineares
Sistema autonomo com entrada nula (u = 0) e condi cao inicial x
1
(0):
0 0.5 1 1.5
0
0.2
0.4
0.6
0.8
1
time [sec]
x
1
0 0.5 1 1.5
0
0.2
0.4
0.6
0.8
1
time [sec]
x
2
c Reinaldo M. Palhares
pag.32
Teoria de Sistemas Lineares Aula 1
Sistemas Dinamicos Lineares
Sistema autonomo com entrada nula (u = 0) e condi cao inicial x
2
(0):
0 0.5 1 1.5
0
0.5
1
1.5
2
time [sec]
x
1
0 0.5 1 1.5
0
0.5
1
1.5
2
time [sec]
x
2
c Reinaldo M. Palhares
pag.33
Teoria de Sistemas Lineares Aula 1
Sistemas Dinamicos Lineares
O sistema podeser comandadoatraves da entrada u (note a escala Tempo):
25
20
15
10
5
0
5
T
o
:

O
u
t
(
1
)
0 0.05 0.1 0.15
0
0.2
0.4
0.6
0.8
1
T
o
:

O
u
t
(
2
)
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
c Reinaldo M. Palhares
pag.34
Teoria de Sistemas Lineares Aula 1
Sistemas Nao-Lineares PCCHUA
c Reinaldo M. Palhares
pag.35
Teoria de Sistemas Lineares Aula 1
Resistor nao-linear g Diodo de CHUA
+ +
+
-
acements
u
1
(t) u
2
(t)
u
3
(t)
C
1
C
2
g
R
L
i
d
(t) = x
3

v
C
1
(t) = x
1
v
C
2
(t) = x
2
c Reinaldo M. Palhares
pag.36
Teoria de Sistemas Lineares Aula 1
Modelo?
_

_
dv
C
1
(t)
dt
= x
1
(t) =
1
C
1
_
x
2
(t)
R

x
1
(t)
R
g(x
1
(t))
_
dv
C
2
(t)
dt
= x
2
(t) =
1
C
2
_
x
1
(t)
R

x
2
(t)
R
+ x
3
(t)
_
di
d
(t)
dt
= x
3
(t) =
x
2
(t)
L

R
0
L
x
3
(t)
c Reinaldo M. Palhares
pag.37
Teoria de Sistemas Lineares Aula 1
Sistemas Nao-Lineares
depende da condi cao inicial, x(0) =
_
0.1 0.1 0.1
_

5
0
5
1
0
1
6
4
2
0
2
4
6
c Reinaldo M. Palhares
pag.38
Teoria de Sistemas Lineares Aula 1
Sistemas Nao-Lineares
Ainda com condi cao inicial: x(0) =
_
0.1 0.1 0.1
_

0 2000 4000 6000 8000 10000


10
0
10
x
1
0 2000 4000 6000 8000 10000
2
0
2
x
2
0 2000 4000 6000 8000 10000
10
0
10
x
3
Tempo( 10
2
s)
c Reinaldo M. Palhares
pag.39
Teoria de Sistemas Lineares Aula 1
Sistemas Nao-Lineares
Outra condi cao inicial, x(0) =
_
0.3 0.2 0.3
_

5
0
5
1
0
1
6
4
2
0
2
4
6
c Reinaldo M. Palhares
pag.40
Teoria de Sistemas Lineares Aula 1
Sistemas Nao-Lineares
Ainda com a outra condi cao inicial, x(0) =
_
0.3 0.2 0.3
_

0 2000 4000 6000 8000 10000


10
0
10
x
1
0 2000 4000 6000 8000 10000
2
0
2
x
2
0 2000 4000 6000 8000 10000
10
0
10
x
3
Tempo( 10
2
s)
c Reinaldo M. Palhares
pag.41
Teoria de Sistemas Lineares Aula 1
O sistema pode ser comandado?
for car, eg, x
1
ir para zeroentre 25s e 35s:
10 15 20 25 30 35 40 45 50
5
0
5
Tempo (s)
x
1
(
t
)
c Reinaldo M. Palhares
pag.42
Teoria de Sistemas Lineares Aula 1
MATLAB
det(A) determinante de uma matriz quadrada A
inv(A) inversa de uma matriz quadrada A
A conjugada transposta de uma matriz A
eig(A) retorna os autovalores de uma matriz quadrada A
[V,D]=eig(A) retorna duas matrizes: V corresponde ao autovetores de A e
D (diagonal) corresponde aos autovalores de A
lsim simula a resposta temporal de um modelo linear e invariante no tempo
para entradas arbitrarias
c Reinaldo M. Palhares
pag.43
Teoria de Sistemas Lineares Aula 1
Generalidades...
1. Tipicando Sistemas
2. Equa coes Diferenciais
3. Equa coes a Diferen ca
c Reinaldo M. Palhares
pag.1
Teoria de Sistemas Lineares Aula 2
Tipicando Sistemas
Parametro Distribudo descri cao por equa coes diferenciais parciais . . .
Parametro Concentrado descri cao por equa coes diferenciais ordinarias ou
mesmo por equa coes puramente algebricas n umero de variaveis e nito

Tempo contnuo todas as equa coes fundamentaissao denidas t


(equa coes diferenciais)

Tempo discreto se alguma equa caofundamentale denida apenas em


instantes discretos no tempo (equa coes a diferen ca)

Mem oria sem mem oria no primeiro caso, a sada pode depender de
entradas em instantes de tempo diversas

c Reinaldo M. Palhares
pag.2
Teoria de Sistemas Lineares Aula 2
Tipicando Sistemas
Causalidade a sada depende de entradas em instantes passado ou corrente
Vamos revisitar o conceito de estado para ajudar ainstrumentalizaresta
informa cao:
O estado x(t
0
) de um sistema no instante t
0
e a informacao
no instante t
0
que, conjuntamente com a entrada u(t), para t t
0
,
determina unicamente a sada y(t) t t
0
usando o estado em t
0
, pode-se exprimir a entrada e sada de um sistema:
x(t
0
)
u(t), t t
0
_
_
_
y(t), t t
0
c Reinaldo M. Palhares
pag.3
Teoria de Sistemas Lineares Aula 2
Tipicando Sistemas
Neste contexto, pode-se descrever sistemas lineares usando o Princpio da
Superposi cao:
x
1
(t
0
) + x
2
(t
0
)
u
1
(t) + u
2
(t), t t
0
_
_
_
y
1
(t) + y
2
(t), t t
0
(Aditividade)
+
x
1
(t
0
)
u
1
(t), t t
0
_
_
_
y
1
(t), t t
0
(Homogeneidade)

1
x
1
(t
0
) +
2
x
2
(t
0
)

1
u
1
(t) +
2
u
2
(t), t t
0
_
_
_

1
y
1
(t) +
2
y
2
(t), t t
0
c Reinaldo M. Palhares
pag.4
Teoria de Sistemas Lineares Aula 2
Tipicando Sistemas
Invariante no Tempo para:
x(t
0
)
u(t), t t
0
_
_
_
y(t), t t
0
Se o estado inicial e deslocado para t
0
+ T e a mesma entrada u(t) e aplicada a
partir de t
0
+ T:

x(t
0
+ T)
u(t T), t t
0
+ T
_
_
_
y(t T), t t
0
+ T
c Reinaldo M. Palhares
pag.5
Teoria de Sistemas Lineares Aula 2
Tipicando Sistemas
Exerccio 2.3 Chen, pg. 38 Considere um sistema, denominado operador de
truncamento, cuja entrada u e sada y sao relacionadas por:
y(t) = (P

u) (t)
_
_
_
u(t) para t
0 para t >
sendo uma constante xa.
O sistema e linear? Causal? Invariante no tempo?
Por inspe cao: Sim, Sim, Nao...
c Reinaldo M. Palhares
pag.6
Teoria de Sistemas Lineares Aula 2
Tipicando Sistemas
Exerccio 2.4 Chen, pg. 38 Considere um sistema relaxado (x(t
0
) = 0),
denotado por y = Hu (H um operador matematico). Mostre que se o sistema e
causal, entao com a transforma cao:
P

y = P

Hu = P

HP

u
sendo P

o operador truncamento.
Por hip otese, o sistema e causal, entao a sada em :
y
(,]
= Hu
(,)
= Hu
(,]
= HP

u
(,)
P

y = P

Hu = P

HP

u

c Reinaldo M. Palhares
pag.7
Teoria de Sistemas Lineares Aula 2
Equacoes Diferenciais
Os sistemas lineares invariantes no tempo (LIT) podem ser descritos por
equa coes diferenciais ordinarias a coecientes constantes. Em geral, a ordem da
equa cao esta associada ao n umero de armazenadores de energia
Sistema Aut onomo 1
a
ordem: x + x = 0, sendo a constante de tempo
Modo pr oprio: x(t) = Ke
t
; EC: +
1

= 0, x(t) = Ke
t/
2
a
ordem: x+2 x+
2
0
x = 0 (: amortecimento;
0
: freq uencia natural)
Dois modos pr oprios do tipo: x(t) = Ke
t
; EC:
2
+ 2 +
2
0
= 0
Se
1
=
2
: x(t) = K
1
e

1
t
+ K
2
e

2
t
Se
1
=
2
= : x(t) = K
1
e
t
+ K
2
te
t
c Reinaldo M. Palhares
pag.8
Teoria de Sistemas Lineares Aula 2
Equacoes Diferenciais
Sistemas Nao Autonomos Metodo dos Coecientes a Determinar (ordem n):
x(t) =
n
X
i=1
c
i
p
i
(t) +
m
X
j=0
b
j
f
j
(t)

transitoria forcada
A solucao e uma combinacao linear dos n modos proprios p
i
(t) e das m + 1 derivadas
linearmente independentes f
j
(t) da entrada (por denicao, f
0
(t) = f(t))
Os coecientes b
j
sao calculados substituindo-se o termoforcadona equacao, e os
coecientes c
i
sao determinados ajustando-se a solucao `as condicoes iniciais
Modos Proprios: Conjunto de n funcoes linearmente independentes que constituem uma
base para a solucao da equacao homogenea de um sistema linear com n armazenadores
de energia
c Reinaldo M. Palhares
pag.9
Teoria de Sistemas Lineares Aula 2
Equacoes Diferenciais
Passos
1. Obtenha os modos pr oprios, razes da equa cao caracterstica
2. Substituir a componente for cada na equa cao para obter os seus coecientes
3. A partir das condi coes iniciais, obter os demais coecientes
c Reinaldo M. Palhares
pag.10
Teoria de Sistemas Lineares Aula 2
Exemplo
Para 5 x + x = t + 10, com x(0) = 10
Passo 1: 5 + 1 = 0 = 0.2
Passo 2: x
f
= k
1
t + k k
1
t +k + 5k
1
= t + 10;
8
<
:
k
1
= 1
k = 5
x
f
= t + 5
Passo 3: x(t) = k
0
e
0.2t
+ t + 5; p/ x(0) = 10 k
0
= 15
x(t) = 15e
0.2t
+ t + 5
0 2 4 6 8 10 12 14 16 18 20
10
5
0
5
10
15
20
25
x(t)
x
f
t
c Reinaldo M. Palhares
pag.11
Teoria de Sistemas Lineares Aula 2
Generalidades Funcao Degrau Unitario u(t)
t
1
u

(t)

(t)
8
>
>
>
>
>
>
>
<
>
>
>
>
>
>
>
:
0 , t < 0
(1/)t , 0 < t <
1 , t >
u(t)
1
t
u(t) lim
0
+
u

(t)
c Reinaldo M. Palhares
pag.12
Teoria de Sistemas Lineares Aula 2
Generalidades Funcao Impulso Unitario (t)
t
1/

(t)

(t)
d
dt
u

(t) =
8
>
>
>
>
>
>
>
<
>
>
>
>
>
>
>
:
0 , t < 0
1/ , 0 < t <
0 , t >
t
1
(t)
(t) lim
0
+

(t) ; (t) =
d
dt
u(t)
c Reinaldo M. Palhares
pag.13
Teoria de Sistemas Lineares Aula 2
Generalidades
Propriedade:
Z
+

f(t)(t)dt = f(0) , f(t) contnua em t = 0


Demonstracao:
Z
+

f(t)(t)dt = lim
0
+
Z
+

f(t)

(t)dt = lim
0
+
Z

0
1

f(t)dt
Usando o Teorema do Valor Medio:
Z
b
a
f(t)dt = f(y)(b a) , y (a, b)
lim
0
+
Z

0
1

f(t)dt = lim
0
+
1

f(y)(0) , y (0, ) lim


0
+
y (0, )
f(y) = f(0)
c Reinaldo M. Palhares
pag.14
Teoria de Sistemas Lineares Aula 2
Generalidades
Estendendo:
_
+

f(t)(t a)dt = f(a)


Corolario: para f(t) = 1,
_
+

(t)dt = 1

Area Unitaria
Propriedade: (t) e uma fun cao par, ie, (t) =
c Reinaldo M. Palhares
pag.15
Teoria de Sistemas Lineares Aula 2
Resposta a Entrada em Degrau ...
acements
e
R
i
C
+
+

v
C
e(t) = Eu(t) =
_
_
_
E , t > 0
0 , t < 0
Como a fun cao degrau e nula em (, 0), e o circuito e dissipativo, a
tensao no capacitor em t = 0 e nula
a resposta `a entrada em degrau pode ser estudada a partir da resposta a uma
entrada constante E com condi coes iniciais nulas
c Reinaldo M. Palhares
pag.16
Teoria de Sistemas Lineares Aula 2
Resposta a Entrada em Degrau ...
Kirchho:
e(t) v
C
(t)
R
= C v
C
(t) RC
..

v
C
+ v
C
(t) = e(t)
Metodo dos coecientes a determinar: v
C
f
(t) = kE, t > 0

v
C
f
+ v
C
f
= e kE = E k = 1 v
C
(t) = Ke

+ E

como v
C
(0) = 0, entao K = E, e:
_
_
_
v
C
(t) = E
_
1 e

_
, t > 0
v
C
(t) = 0 , t < 0
c Reinaldo M. Palhares
pag.17
Teoria de Sistemas Lineares Aula 2
Resposta a Entrada em Degrau ...
v
C
(t) = E
_
1 e

_
u(t)
v
C
(t)
E

t
c Reinaldo M. Palhares
pag.18
Teoria de Sistemas Lineares Aula 2
Curiosidade
Veja que:
dv
C
dt
=
E

u(t) + E
_
1 e

_
(t)
Como o impulso tem um carater amostrador, interessa o valor da fun cao que o
multiplica em t = 0 tal que:
_
+

f(t)(t)dt = f(0)
Note que em t = 0, E
_
1 e

_
= 0
dv
C
dt
=
E

u(t)
e em t = 0
+
,
dv
C
dt
(0
+
) =
E

c Reinaldo M. Palhares
pag.19
Teoria de Sistemas Lineares Aula 2
Resposta ao Impulso ?
A resposta ao impulso h(t) de um sistema LIT causal e a sada quando a entrada
e um impulso unitario (t) e condi coes iniciais nulas, ou ainda:
(t)
d
dt
u(t) ; h(t) =
d
dt
y
(t)
resposta ao degrau
Entao considerando o exemplo: h(t) =
d
dt
__
1 e

_
u(t)
_
h(t) =
1

u(t) +
_
1 e

_
(t), em t = 0,
_
1 e

_
= 0
h(t) =
1

u(t)
c Reinaldo M. Palhares
pag.20
Teoria de Sistemas Lineares Aula 2
Transformada de Laplace
Considere f(t) contnua e nula para t < 0
F(s)
_

0
f(t)e
st
dt; s + j
Simbologia: F(s) = L[f(t)]
L[

f(t)] = sF(s) f(0); L[

f(t)] = s
2
F(s) sf(0)

f(0)
Aplica-se na solu cao de equa coes integro-diferenciais com coecientes
constantes:
Torna algebricas as equa coes diferenciais
Simplica o calculo da resposta impulsiva
c Reinaldo M. Palhares
pag.21
Teoria de Sistemas Lineares Aula 2
Tabela de Transformadas de Laplace
Funcao no Tempo Transformada
(t) 1
u(t)
1
s
e
at
u(t)
1
s+a
t
n
n!
e
at
u(t)
1
(s+a)
n+1
cos(t)u(t)
s
s
2
+
2
sin(t)u(t)

s
2
+
2
e
at
cos(t)u(t)
s+a
(s+a)
2
+
2
e
at
sin(t)u(t)

(s+a)
2
+
2
c Reinaldo M. Palhares
pag.22
Teoria de Sistemas Lineares Aula 2
Expansao em Fracoes Parciais. Por que ?
Considere uma fun cao racional em s descrita por N(s)/D(s)
Caso 1) D(s) nao tem razes repetidas
s + 1
s
3
+ s
2
6s
=
s + 1
s(s 2)(s + 3)
=
k
1
s
+
k
2
s 2
+
k
3
s + 3
k
1
= s
N(s)
D(s)

s = 0
=
1
6
k
2
= (s 2)
N(s)
D(s)

s = 2
=
3
10
k
3
= (s + 3)
N(s)
D(s)

s = 3
=
2
15
c Reinaldo M. Palhares
pag.23
Teoria de Sistemas Lineares Aula 2
Caso 2) D(s) com razes repetidas
s
2
+ 2s + 16
[(s + 2)
2
+ 4] s(s + 2)
=
k
1
s + k
2
(s + 2)
2
+ 4
+
k
3
s
+
k
4
(s + 2)
k
3
= s
N(s)
D(s)

s = 0
=
16
2(8)
= 1
k
4
= (s + 2)
N(s)
D(s)

s = 2
=
(2)
2
(2)(2) + 16
(2)(4)
= 2
Reescrevendo o fator inicial do lado direito sob um denominador comum e equacionando
o numerador:
s
2
+2s+16 = (k
1
s+k
2
)s(s+2)+k
3

(s + 2)
2
+ 4

(s+2)+k
4

(s + 2)
2
+ 4

s
Igualando as potencias:
8
<
:
s
3
2s
3
+ k
1
s
3
= 0
6s
2
8s
2
+ (k
2
+ 2k
1
)s
2
= s
2

8
<
:
k
1
= 1
k
2
= 1
c Reinaldo M. Palhares
pag.24
Teoria de Sistemas Lineares Aula 2
Exemplo
Para: x + 2 x + 2x = 0 ; x(0) = 5 , x(0) = 2
(s
2
+2s+2)X(s) = (s+2)x(0)+ x(0) X(s) =
5(s + 2)
s
2
+ 2s + 2
+
2
s
2
+ 2s + 2
Fracoes Parciais: X(s) =
2.5 j2.5
s + 1 j
+
2.5 + j2.5
s + 1 + j
+
j
s + 1 j
+
j
s + 1 + j
L
1
[X(s)] x(t) = (2.5 j1.5)e
(1+j)t
+ (2.5 + j1.5)e
(1j)t
0 1 2 3 4 5 6
1
0
1
2
3
4
5
x(t)
t
c Reinaldo M. Palhares
pag.25
Teoria de Sistemas Lineares Aula 2
Exemplo Resposta ao Impulso
Para: x + 2 x + 2x = (t) ; x(0) = x(0) = 0
(s
2
+ 2s + 2)X(s) = 1 X(s) =
1
s
2
+ 2s + 2
=
j0.5
s + 1 j
+
j0.5
s + 1 + j
L
1
[X(s)] x(t) = j0.5e
(1+j)t
+ j0.5e
(1j)t
0 1 2 3 4 5 6
0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
x(t)
t
c Reinaldo M. Palhares
pag.26
Teoria de Sistemas Lineares Aula 2
Equacao a Diferencas
1
a
ordem x(k + 1) = ax(k), x(0) = 1
modo proprio: x(k) = c
k
c
k+1
= ca
k
= a
x(0) = 1 c = 1 x(k) = a
k
Transformada Z Z[y(k)] =

X
k=0
y(k)z
k
pulso (k m) =
8
<
:
1 se k = m
0 se k = m
Z [(k m)] = z
m
c Reinaldo M. Palhares
pag.27
Teoria de Sistemas Lineares Aula 2
Exemplo 2.16 - Chen, pg. 36
Considere uma conta de investimentos. Se a taxa de retorno depende do montande do
dinheiro na conta, tem-se um sistema nao linear. Se a taxa de retorno e a mesma
independentemente do montante de dinheiro na conta, entao o sistema e linear. A conta
e um sistema variante no tempo se a taxa de retorno muda com o tempo, ou um sistema
invariante no tempo se a taxa de retorno e xa. Considere o caso linear e invariante no
tempo com taxa de retorno r = 0, 015% ao dia e reajustado diariamente. A entrada
u(k) e a quantidade de dinheiro depositada na conta no k-esimo dia e a sada y(k) e o
volume total de dinheiro na conta ao nal do k-esimo dia. Se alguma parte do montante
e sacado, entao u(k) e negativo
Se um cliente deposita R$ 1, 00 no primeiro dia (isto e, u(0) = 1) e nada mais
(u(k) = 0, k = 1, 2, 3, . . .) entao y(0) = u(0) = 1 e:
y(1) = 1 + 0, 00015 = 1, 00015
c Reinaldo M. Palhares
pag.28
Teoria de Sistemas Lineares Aula 2
Exemplo 2.16 - Chen, pg. 36
Como o dinheiro e reajustado diariamente, obtem-se
y(2) = y(1) + y(1) 0, 00015 = 1, 00015 y(1) = (1, 00015)
2
. . .
y(k) = (1, 00015)
k
Sendo a entrada (1, 0, 0, . . .) uma seq uencia pulso, a sada e, por denicao, a seq uencia
da resposta ao pulso ou
g(k) = (1, 00015)
k
e a descricao entrada-sada da conta e
y(k) =
k
X
m=0
g(k m)u(m) =
k
X
m=0
(1, 00015)
km
u(m)
c Reinaldo M. Palhares
pag.29
Teoria de Sistemas Lineares Aula 2
Exemplo 2.16 - Chen, pg. 36
1. Funcao de transferencia considerando que o estado inicial e nulo, ou simplesmente
nao existe dinheiro na conta no momento inicial da aplicacao?
Z [g(k)] =

X
k=0
(1, 00015)
k
z
k
=

X
k=0
(1, 00015z
1
)
k
=
1
1 1, 00015z
1
=
z
z 1, 00015
2. Equacao em espaco de estado?
Suponha que y(k) e o volume total de dinheiro ao nal do k-esimo dia tal que:
y(k + 1) = y(k) + 0, 00015 y(k) + u(k + 1)
= 1, 00015 y(k) + u(k + 1) (1)
Dena o estado: x(k) = y(k) u(k), entao y(k + 1) = x(k +1) +u(k + 1):
8
<
:
x(k + 1) = 1, 00015x(k) + 1, 00015u(k)
y(k) = x(k) + u(k)
c Reinaldo M. Palhares
pag.30
Teoria de Sistemas Lineares Aula 2
MATLAB
tf descricao para FT ou conversao de um modelo LIT para FT
Como? sys = tf(num,den) (ems) sys = tf(num,den,Ts) (emz)
Se: sys = ss(A,B,C,D), entao a FT=tf(sys)
Ainda: tfdata extrai o numerador e denominador da FT
ss descricao para um modelo em espaco de estados ou conversao de um modelo
LIT para espaco de estados
Como? sys = ss(A,B,C,D) (contnuo) sys = ss(A,B,C,D,Ts) (discreto)
Conversao de TF para espaco de estados: sys= ss(tf(num,den))
Ainda: ssdata extrai as matrizes A, B, C e D do modelo de espaco de estados
c Reinaldo M. Palhares
pag.31
Teoria de Sistemas Lineares Aula 2
Modelagem Matematica de Sistemas
1. Descri cao Matematica de Sistemas
2. Descri cao Entrada-Sada
3. Exemplos
c Reinaldo M. Palhares
pag.1
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
Sistema
u(t)
y(t)
Para a representa cao do sistema tendo entradas e sadas como acima;
assume-se que para uma certa excita cao u(t) (entrada) obtem-se uma unica
resposta y(t) (sada)
Ja sabemos: 1 entrada/1 sada: monovariavel ou SISO (Single input - single
output)
+1 entrada/+1 sada: multivariavel ou MIMO (Multiple input - multiple
output)
c Reinaldo M. Palhares
pag.2
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas


u
1
u
2
u
p
y
1
y
2
y
q
u

=
_
u
1
u
2
u
p
_
; y

=
_
y
1
y
2
y
q
_
Sistemas Contnuos no Tempo
u = u(t) ; y = y(t) : fun coes do tempo t (, )
Sistemas Discretos no Tempo
u = u(k) ; y = y(k) : seq uencias k Z
c Reinaldo M. Palhares
pag.3
Teoria de Sistemas Lineares Aula 3
Relembrando...
Sistemas com parametros concentrados: n umero nito de variaveis de estado
Sistemas com parametros distribudos. Eg, sistema com atraso unitario:
y(t) = u(t1)
u(t)
y(t)
0
t
0
1 t
Estado: {u(t), t
0
1 t < t
0
} (innitos pontos)
c Reinaldo M. Palhares
pag.4
Teoria de Sistemas Lineares Aula 3
Relembrando...
Se u(t) 0, t t
0
: resposta `a entrada nula
Se x(t
0
) = 0: resposta ao estado nulo
x(t
0
)
u(t) 0, t t
0
_
_
_
y
ent. nula
(t), t t
0
x(t
0
) = 0
u(t), t t
0
_
_
_
y
est. nulo
(t), t t
0
c Reinaldo M. Palhares
pag.5
Teoria de Sistemas Lineares Aula 3
Relembrando... Descricao Entrada-Sada
Sistemas SISO Funcao Pulso
t
1
t
1
+

t
1/

(tt
1
) =
_

_
0 , t < t
1
1/ , t
1
t < t
1
+
0 , t t
1
+
(t t
1
) lim
0

(t t
1
) : fun cao pulso ou Delta de Dirac
Propriedades
Z
+

(t t
1
)dt =
Z
t
1
+
t
1

(t t
1
)dt = 1 , > 0
Z
+

f(t)(t t
1
)dt = f(t
1
) , f(t) contnua em t
1
c Reinaldo M. Palhares
pag.6
Teoria de Sistemas Lineares Aula 3
Relembrando... Descricao Entrada-Sada
t
i
u(t
i
)
u(t
i
)

(t t
i
)
t
u(t)
Entrada: u(t)

i
u(t
i
)

(t t
i
)
c Reinaldo M. Palhares
pag.7
Teoria de Sistemas Lineares Aula 3
Descricao Entrada-Sada
Considere g

(t, t
i
) a sada no instante t do sistema excitado pelo pulso
u(t) =

(t t
i
) aplicado no instante t
i
. Entao

(t t
i
)
gera
g

(t, t
i
)

(t t
i
)u(t
i
)
gera
g

(t, t
i
)u(t
i
) (homogeneidade)

(t t
i
)u(t
i
)
gera

i
g

(t, t
i
)u(t
i
)
. .
Sada: y(t)
(aditividade)
Quando 0 o pulso

(t t
i
) tende ao impulso aplicado em t
i
,
denotado (t t
i
), e a sada correspondente e dada por g(t, t
i
)
c Reinaldo M. Palhares
pag.8
Teoria de Sistemas Lineares Aula 3
Descricao Entrada-Sada
Resposta ao Impulso
y(t) =
_
+

g(t, )u()d
Sistema Causal g(t, ) = 0 para t <
Sistema Relaxado em t
0
x(t
0
) = 0
Sistemas causais e relaxados em t
0
y(t) =
_
t
t
0
g(t, )u()d
c Reinaldo M. Palhares
pag.9
Teoria de Sistemas Lineares Aula 3
Descricao Entrada-Sada
Se o sistema linear e invariante no tempo e relaxado em t = 0, entao:
g(t, ) = g(t + T, + T)
. .
deslocado...
= g(t , 0)
. .
instante inicial nulo
= g(t )
Integral de Convolucao
y(t) =
_
t
0
g(t )u()d =
_
t
0
g()u(t )d
g(t): resposta ao impulso aplicado em t = 0
Sistema causal invariante no tempo: g(t) = 0 para t < 0
c Reinaldo M. Palhares
pag.10
Teoria de Sistemas Lineares Aula 3
Descricao Entrada-Sada
Sistema MIMO
y(t) =
_
t
t
0
G(t, )u()d
G
qp
(t, ) =
_

_
g
11
(t, ) g
12
(t, ) g
1p
(t, )
g
21
(t, ) g
22
(t, ) g
2p
(t, )
.
.
.
.
.
.
.
.
.
g
q1
(t, ) g
q2
(t, ) g
qp
(t, )
_

_
Sistema com p entradas e q sadas
g
ij
(t, ) : resposta no instante t na i-esima sada devida ao im-
pulso aplicado no instante na j-esima entrada
G(, ) : matriz de resposta ao impulso
c Reinaldo M. Palhares
pag.11
Teoria de Sistemas Lineares Aula 3
Descricao Entrada-Sada
Matriz Funcao de Transferencia
As integrais de convolu cao sao substitudas por equa coes algebricas via Laplace...
Y (s) =
_

0
_
_

0
G(t )u()d
_
e
st
dt
=
_

0
_
_

0
G(t )e
s(t )
dt
_
u()e
s
d
=
_

0
G(v)e
sv
dv
_

0
u()e
s
d
G(s)U(s)
G(s): Transformada de Laplace da matriz resposta ao impulso G(t)
Se p = q = 1 (SISO) Fun cao de Transferencia
Exige que o sistema esteja relaxado em t = 0
c Reinaldo M. Palhares
pag.12
Teoria de Sistemas Lineares Aula 3
Descricao Entrada-Sada
Exemplo Circuito RLC serie com R = 3, L = 1H, C = 0.5F
u(t)
R
i
L
C
+
+

y(t)
8
>
>
<
>
>
:
u(t) = Ri(t) + L
di(t)
dt
+ y(t)
C
dy(t)
dt
= i(t)
Relaxado: ie, condi coes iniciais nulas (y(0) = y(0) = 0):
LCs
2
Y (s) + RCsY (s) + Y (s) = U(s)
Y (s)
U(s)
=
1
LCs
2
+ RCs + 1
Y (s)
U(s)
=
2
(s + 1)(s + 2)
=
2
s + 1

2
(s + 2)
= G(s)
c Reinaldo M. Palhares
pag.13
Teoria de Sistemas Lineares Aula 3
Descricao Entrada-Sada
Resposta ao Impulso:
g(t) = 2e
t
2e
2t
, t 0
Para uma entrada qualquer tem-se
y(t) =
_
t
0

g(t )u()d +
_
t
t
0
g(t )u()d , t t
0
e
Z
t
0

g(t )u()d = 2e
t
Z
t
0

u()d 2e
2t
Z
t
0

e
2
u()d
= 2e
t
c
1
2e
2t
c
2
, t t
0
Determina cao de c
1
e c
2
?
c Reinaldo M. Palhares
pag.14
Teoria de Sistemas Lineares Aula 3
Descricao Entrada-Sada
Determina cao de c
1
e c
2
_
_
_
y(t
0
) = 2e
t
0
c
1
2e
2t
0
c
2
y(t
0
) = 2e
t
0
c
1
+ 4e
2t
0
c
2
Se y(t
0
) (tensao no capacitor) e C y(t
0
) (corrente no indutor) forem
conhecidas, entao a sada pode ser unicamente determinada para t t
0
mesmo
que o sistema nao esteja relaxado em t
0
{y(t
0
), y(t
0
)} , {c
1
, c
2
} Estado do Circuito em t
0
Note que a informa cao (estado) necessaria para determinar unicamente a
resposta do sistema nao e unica, e que pode haver redundancia....
c Reinaldo M. Palhares
pag.15
Teoria de Sistemas Lineares Aula 3
Funcoes Racionais em s
Para G(s) =
N(s)
D(s)
G(s) e estritamente propria grau de D(s) > grau de N(s) G() = 0
G(s) e propria grau de D(s) = grau de N(s) G() = constante = 0
G(s) e impropria grau de D(s) < grau de N(s) | G() | =
p C e um polo de G(s) =
N(s)
D(s)
se | G(p) | =
z C e um zero de G(s) =
N(s)
D(s)
se | G(z) | = 0
c Reinaldo M. Palhares
pag.16
Teoria de Sistemas Lineares Aula 3
Funcoes Racionais em s
Se D(s) e N(s) sao coprimos (isto e, nao possuem fatores comuns de grau
1 ou maior), todas as razes de N(s) sao zeros de G(s) e todas as razes de
D(s) sao p olos de G(s):
G(s) = k
(s z
1
)(s z
2
) (s z
m
)
(s p
1
)(s p
2
) (s p
n
)
Pr opria se G(s) = constante, Estritamente Pr opria se G(s) = 0, Bipr opria
se G(s) quadrada com G(s) e G(s)
1
pr oprias
c Reinaldo M. Palhares
pag.17
Teoria de Sistemas Lineares Aula 3
Linearizacao
via Jacobiano
A lineariza cao nem sempre se aplica: para alguns sistemas nao lineares, uma
diferen ca innitesimal nas condi coes iniciais pode gerar solu coes completamente
diferentes (hipersensibilidade `as condi coes iniciais, caos)...
Exemplo Mola
For ca
rompimento
y
y
y = 0
y
1
y
2
Comportamento linear para deslocamentos no intervalo [y
1
, y
2
]
c Reinaldo M. Palhares
pag.18
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
Sistema Massa-Mola
u
1
u
2
y
1
y
2
k
1
k
2
k
3
m
1
m
2
Assumindo que nao ha atrito:
m
1
y
1
= u
1
k
1
y
1
k
2
(y
1
y
2
)
m
2
y
2
= u
2
k
3
y
2
k
2
(y
2
y
1
)
c Reinaldo M. Palhares
pag.19
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
Combinando:
_
_
m
1
0
0 m
2
_
_
_
_
y
1
y
2
_
_
+
_
_
k
1
+ k
2
k
2
k
2
k
2
+ k
3
_
_
_
_
y
1
y
2
_
_
=
_
_
u
1
u
2
_
_
Espa co de Estado denem-se x
1
y
1
, x
2
y
1
, x
3
y
2
, x
4
y
2
:
x
_
x
1
x
2
x
3
x
4
_

c Reinaldo M. Palhares
pag.20
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
x =
2
6
6
6
6
6
4
0 1 0 0
(k
1
+ k
2
)/m
1
0 k
2
/m
1
0
0 0 0 1
k
2
/m
2
0 (k
3
+ k
2
)/m
2
0
3
7
7
7
7
7
5
x +
2
6
6
6
6
6
4
0 0
1/m
1
0
0 0
0 1/m
2
3
7
7
7
7
7
5
2
4
u
1
u
2
3
5
y
2
4
y
1
y
2
3
5
=
2
4
1 0 0 0
0 0 1 0
3
5
x
Duas entradas, duas sadas...
c Reinaldo M. Palhares
pag.21
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
Descri cao Entrada Sada Aplicando a Transformada de Laplace (condi coes
iniciais nulas):
m
1
s
2
Y
1
(s) + k
1
Y
1
(s) + k
2
(Y
1
(s) Y
2
(s)) = U
1
(s)
m
2
s
2
Y
2
(s) + k
3
Y
2
(s) + k
2
(Y
2
(s) Y
1
(s)) = U
2
(s)
Matriz de Transferencia:
2
6
4
Y
1
(s)
Y
2
(s)
3
7
5
=
2
6
6
4
m
2
s
2
+ k
3
+ k
2
d(s)
k
2
d(s)
k
2
d(s)
m
1
s
2
+ k
1
+ k
2
d(s)
3
7
7
5
2
6
4
U
1
(s)
U
2
(s)
3
7
5
com
d(s) (m
1
s
2
+ k
1
+ k
2
)(m
2
s
2
+ k
3
+ k
2
) k
2
2
c Reinaldo M. Palhares
pag.22
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
Se k
2
= 0 dois sistemas desacoplados com matriz de transferencia
bloco-diagonal:
Y
1
(s) =
1
m
1
s
2
+ k
1
U
1
(s) ; Y
2
(s) =
1
m
2
s
2
+ k
2
U
2
(s)
A matriz de transferencia pode ser obtida elemento a elemento, fazendo-se
inicialmente U
1
(s) = 0 e depois U
2
(s) = 0 para sistemas lineares basta
considerar o princpio da superposi cao...
c Reinaldo M. Palhares
pag.23
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
Exemplo Carrinho com Pendulo Invertido
H
V

u
y
l
M
m
mg
Assume-se que o movimento se da no plano e desprezam-se o atrito e a massa da haste.
O objetivo e manter o pendulo na posicao vertical (modelo simplicado do lancamento
de um foguete espacial)
c Reinaldo M. Palhares
pag.24
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
H, V : forcas horizontal e vertical exercidas pelo carro no pendulo
Em relacao a M: M
d
2
y
dt
2
+ H = u M
d
2
y
dt
2
= u H
Em relacao a m:
8
>
<
>
:
m
d
2
dt
2
(y + l sin()) = H : Horizontal
mg = m
d
2
dt
2
(l cos()) + V : Vertical
H = m y + ml

cos ml

2
sin
mg V = ml

sin ml

2
cos
Movimento rotacional da massa m:
ml
2

= mglsin + V lsin Hlcos


c Reinaldo M. Palhares
pag.25
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
Note que as equa coes sao nao-lineares. Porem para pequenas varia coes de
angulo, pode-se assumir que e

sao pequenos (pendulo na posi cao vertical):
sin

=
; cos

=
1 ;
2
,

2
,

,

0
V = mg ; H = m y + ml

M y = u m y ml

ml
2

= mgl + mgl
_
m y + ml

_
l
Re-escrevendo (e cancelando m e l na 2a. eq.):
_
_
_
(M + m) y + ml

= u
2l

2g + y = 0
c Reinaldo M. Palhares
pag.26
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
Transformada de Laplace (condi coes iniciais nulas):
_
_
_
(M + m) s
2
Y (s) + mls
2
(s) = U(s)
_
2ls
2
2g
_
(s) + s
2
Y (s) = 0
G
yu
(s) =
Y (s)
U(s)
=
2ls
2
2g
s
2
_
(2M + m)ls
2
2g(M + m)
_
G
u
(s) =
(s)
U(s)
=
1
(2M + m)ls
2
2g(M + m)
c Reinaldo M. Palhares
pag.27
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
Denindo x
1
= y, x
2
= y, x
3
= , x
4
=

x
_
x
1
x
2
x
3
x
4
_

Resolvendo as equa coes para y e



:
y =
2gm
2M + m
+
2
2M + m
u

=
2g(M + m)
(2M + m)l

1
(2M + m)l
u
c Reinaldo M. Palhares
pag.28
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
Equa c oes de Estado
x =
_

_
0 1 0 0
0 0
2mg
2M + m
0
0 0 0 1
0 0
2g(M + m)
(2M + m)l
0
_

_
x +
_

_
0
2
2M + m
0
1
(2M + m)l
_

_
u
y =
_
1 0 0 0
_
x
c Reinaldo M. Palhares
pag.29
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
Conexao em paralelo:
+
u
u
1
u
2
S
1
S
2
y
1
y
2
y = y
1
+y
2
c Reinaldo M. Palhares
pag.30
Teoria de Sistemas Lineares Aula 3
Descricao Matematica de Sistemas
Conexao em cascata:
S
1
S
2
u
1
y
2
y
1
= u
2
Conexao com realimentacao:
S
1
S
2
u
1
y
1
y
2
y
+

u
u
2
c Reinaldo M. Palhares
pag.31
Teoria de Sistemas Lineares Aula 3
Representacao em Espaco de Estados
S
1
_
_
_
x
1
= A
1
x
1
+ B
1
u
1
y
1
= C
1
x
1
+ E
1
u
1
S
2
_
_
_
x
2
= A
2
x
2
+ B
2
u
2
y
2
= C
2
x
2
+ E
2
u
2
Conexao em paralelo:
_

_
_
_
x
1
x
2
_
_
=
_
_
A
1
0
0 A
2
_
_
_
_
x
1
x
2
_
_
+
_
_
B
1
B
2
_
_
u
y =
_
C
1
C
2
_
_
_
x
1
x
2
_
_
+ (E
1
+ E
2
)u
c Reinaldo M. Palhares
pag.32
Teoria de Sistemas Lineares Aula 3
Representacao em Espaco de Estados
Conexao em cascata:
_

_
_
_
x
1
x
2
_
_
=
_
_
A
1
0
B
2
C
1
A
2
_
_
_
_
x
1
x
2
_
_
+
_
_
B
1
B
2
E
1
_
_
u
y =
_
E
2
C
1
C
2
_
_
_
x
1
x
2
_
_
+ E
2
E
1
u
c Reinaldo M. Palhares
pag.33
Teoria de Sistemas Lineares Aula 3
Representacao em Espaco de Estados
Conexao com realimentacao:
Escreva as relacoes entrada-sada... Veja:
u
1
= uy
2
= uC
2
x
2
E
2
u
2
= u C
2
x
2
E
2
y
1
= u C
2
x
2
E
2
[C
1
x
1
+ E
1
u
1
]
= u C
2
x
2
E
2
C
1
x
1
E
2
E
1
u
1
ou
(I + E
2
E
1
) u
1
= u C
2
x
2
E
2
C
1
x
1
, dene-se: L
1
(I + E
2
E
1
)
1
u
1
= L
1
u L
1
C
2
x
2
L
1
E
2
C
1
x
1
c Reinaldo M. Palhares
pag.34
Teoria de Sistemas Lineares Aula 3
Representacao em Espaco de Estados
Entao substituindo u
1
:
x
1
= A
1
x
1
+ B
1
L
1
u B
1
L
1
C
2
x
2
B
1
L
1
E
2
C
1
x
1
= (A
1
B
1
L
1
E
2
C
1
) x
1
B
1
L
1
C
2
x
2
+ B
1
L
1
u
c Reinaldo M. Palhares
pag.35
Teoria de Sistemas Lineares Aula 3
Representacao em Espaco de Estados
Repetindo os mesmos passos para u
2
:
u
2
= y
1
= C
1
x
1
+ E
1
u
1
= C
1
x
1
+ E
1
(u y
2
)
= C
1
x
1
+ E
1
(u C
2
x
2
E
2
u
2
)
= C
1
x
1
+ E
1
u E
1
C
2
x
2
E
1
E
2
u
2
ou
(I + E
1
E
2
) u
2
= C
1
x
1
+ E
1
u E
1
C
2
x
2
, dene-se: L
2
(I + E
1
E
2
)
1
u
2
= L
2
C
1
x
1
+ L
2
E
1
u L
2
E
1
C
2
x
2
c Reinaldo M. Palhares
pag.36
Teoria de Sistemas Lineares Aula 3
Representacao em Espaco de Estados
Entao substituindo u
2
:
x
2
= A
2
x
2
+ B
2
L
2
C
1
x
1
+ B
2
L
2
E
1
u B
2
L
2
E
1
C
2
x
2
= (A
2
B
2
L
2
E
1
C
2
) x
2
+ B
2
L
2
C
1
x
1
+ B
2
L
2
E
1
u
em relacao a y:
y = y
1
= C
1
x
1
+ E
1
(u y
2
)
= C
1
x
1
+ E
1
u E
1
C
2
x
2
E
1
E
2
y
(I + E
1
E
2
) y = C
1
x
1
+ E
1
u E
1
C
2
x
2
y = L
2
C
1
x
1
+ L
2
E
1
u L
2
E
1
C
2
x
2
c Reinaldo M. Palhares
pag.37
Teoria de Sistemas Lineares Aula 3
Representacao em Espaco de Estados
Conexao com realimentacao:
8
>
>
>
>
>
>
>
>
<
>
>
>
>
>
>
>
>
:
2
4
x
1
x
2
3
5
=
2
4
A
1
B
1
L
1
E
2
C
1
B
1
L
1
C
2
B
2
L
2
C
1
A
2
B
2
L
2
E
1
C
2
3
5
2
4
x
1
x
2
3
5
+
2
4
B
1
L
1
B
2
L
2
E
1
3
5
u
y =
h
L
2
C
1
L
2
E
1
C
2
i
2
4
x
1
x
2
3
5
+ L
2
E
1
u
L
1
(I + E
2
E
1
)
1
; L
2
(I + E
1
E
2
)
1
, L
1
e L
2
devem existir
c Reinaldo M. Palhares
pag.38
Teoria de Sistemas Lineares Aula 3
Representacao na Freq uencia
Fa ca: G
1
(s) S
1
e G
2
(s) S
2
Conexao em paralelo: G
1
(s) + G
2
(s)
Conexao em cascata: G
2
(s)G
1
(s)
Conexao com realimentacao: Sejam G
1
(s) e G
2
(s) matrizes racionais pr oprias
de S
1
e de S
2
. Entao, se det(I
q
+ G
1
G
2
) = 0 (condi cao necessaria para a
conexao)
G(s) = G
1
(s)(I
p
+ G
2
(s)G
1
(s))
1
= (I
q
+ G
1
(s)G
2
(s))
1
G
1
(s)
c Reinaldo M. Palhares
pag.39
Teoria de Sistemas Lineares Aula 3
Modelagem Matematica de Sistemas
1. + de modelagem com Circuitos Eletricos
2. Sistematica para Obten cao de Equa coes de Estado
c Reinaldo M. Palhares
pag.1
Teoria de Sistemas Lineares Aula 4
Descricao Matematica de Sistemas
Exemplo Circuito eletrico
u(t)
R
i
L
C
1
C
2
v
1
(t)
v
2
(t)
+
+
+
+

y(t)
Um bipolo (dispositivo contendo 2 terminais condutores) se caracteriza pela
rela cao tensao-corrente
c Reinaldo M. Palhares
pag.2
Teoria de Sistemas Lineares Aula 4
Circuito eletrico
Resistor, Capacitor e Indutor lineares (conven cao de receptor):
i
R
i
C
i
L
+ +
+

v
R
v
C
v
L
R
L
C
v
R
= Ri
R
v
L
= L
di
L
dt
i
C
= C
dv
C
dt
c Reinaldo M. Palhares
pag.3
Teoria de Sistemas Lineares Aula 4
Circuito eletrico
Fontes de Tensao e de Corrente (conven cao de gerador):
i i
v v
+
+
+

u
v
(t) u
i
(t)
v = u
v
(t) i = u
i
(t)
c Reinaldo M. Palhares
pag.4
Teoria de Sistemas Lineares Aula 4
Circuito eletrico
Convencao em geral, a convencao de receptor e utilizada para os bipolos passivos e a
de gerador para as fontes
No: Um ponto de ligacao entre 2 ou mais bipolos
Lei das Correntes ou 1
a
Lei de Kirchho: a soma algebrica das correntes que saem
de um no e nula
Laco: Qualquer percurso fechado formado por bipolos que nao passe duas vezes pelo
mesmo no
Lei das Tensoes ou 2
a
Lei de Kirchho: a soma algebrica das tensoes nos bipolos
pertencentes a um laco e nula
Em um circuito com b bipolos e n nos tem-se 2b variaveis (tensoes e correntes nos
bipolos)
c Reinaldo M. Palhares
pag.5
Teoria de Sistemas Lineares Aula 4
Circuito eletrico
u(t)
R
i = C
2
v
2
(uv
1
)/R
C
1
v
1
L
N
C
1
C
2
v
1
v
2
+
+
+
+

y = v
L
= L
di
dt
N o N:
u v
1
R
= C
1
v
1
+ C
2
v
2
= C
1
v
1
+ i
La co da direita: v
1
= v
2
+ L
di
dt
c Reinaldo M. Palhares
pag.6
Teoria de Sistemas Lineares Aula 4
Circuito eletrico
Denindo x
1
= v
1
, x
2
= v
2
e x
3
= i obtem-se as equa coes de estado:
_

_
x
1
=
1
RC
1
x
1

1
C
1
x
3
+
1
RC
1
u
x
2
=
1
C
2
x
3
x
3
=
1
L
(x
1
x
2
)
Equa cao de sada: y = L x
3
= x
1
x
2
_

_
x =
_

_
1/RC
1
0 1/C
1
0 0 1/C
2
1/L 1/L 0
_

_
x +
_

_
1/RC
1
0
0
_

_
u
y =
_
1 1 0
_
x
c Reinaldo M. Palhares
pag.7
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
Grafo Conexo: Grafo no qual existe sempre um caminho constitudo por ramos
entre dois n os quaisquer
1
2
4
3
5
2
3
1 4
5
Grafo Conexo
1
2
4
3
5
2
3
1 4
5
Grafo Nao Conexo
Subgrafo: conjunto qualquer de ramos e n os de um grafo
Corte: conjuntos de ramos que, eliminados, deixam dois subgrafos conexos
c Reinaldo M. Palhares
pag.8
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
Laco: caminho fechado formado por ramos e nao passando mais de uma vez por
nenhum n o

Arvore: subgrafo conexo contendo todos os n os do grafo e nenhum la co.


Escolhida uma arvore para um grafo, os demais ramos (nao pertencentes `a arvore)
sao chamados de ramos de liga cao
Corte Fundamental: constitudo por um unico ramo da arvore e ramos de
liga cao
Laco Fundamental: constitudo por um unico ramo de liga cao e ramos da
arvore
c Reinaldo M. Palhares
pag.9
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
Exemplo
R
2
R
1
0
1 2 3
C
L
+

e(t)
Grafo:
1
2
3 4
5
1
2
3
0
c Reinaldo M. Palhares
pag.10
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado

Arvores:
2
3
5
1
2
3
0
1
2
4
1
2
3
0
La cos:
1
2
4
5
1
2
3
0
3 4
3
0
c Reinaldo M. Palhares
pag.11
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado

Arvore Pr opria: e uma arvore com todos os capacitores e fontes de tensao do


circuito, sem indutores e sem fontes de corrente
e(t)
R
1
R
2
i
L
C
+
+

v
1
4
5
1
2
3
0
Cada capacitor dene um corte fundamental, constitudo pelo capacitor e por
ramos de liga cao
Cada indutor dene um la co fundamental, constitudo pelo indutor e ramos da
arvore
c Reinaldo M. Palhares
pag.12
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
Partindo de cada capacitor e do corte fundamental apropriado (que nao inclui
fontes de tensao pois a ideia e escrever equa cao de correntes), obtem-se
Corte Fundamental
2
3 4
2
3
0
i = C v +
v
R
2
c Reinaldo M. Palhares
pag.13
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
Partindo de cada indutor e do la co fundamental apropriado (que nao inclui
fontes de corrente pois a ideia e escrever equa cao de tensoes), obtem-se:
La co Fundamental
1
2
4
5
1
2
3
0
e(t) = R
1
i + L
di
dt
+ v
As equa coes de estado sao obtidas a partir das equa coes de correntes para os
cortes fundamentais e das equa coes de tensoes para os la cos fundamentais...
c Reinaldo M. Palhares
pag.14
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
Exemplo
rep
R
2R
C C
+ +
+
L

x
v
1
v
2
e(t)

Arvore Pr opria:
c Reinaldo M. Palhares
pag.15
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
Cortes Fundamentais:
e(t) v
1
R
= C
dv
1
dt
+ x , x = C
dv
2
dt
+
v
2
2R
La co Fundamental:
v
1
= L x + v
2
(nao tem fonte de tensao...)
c Reinaldo M. Palhares
pag.16
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
Exemplo
e(t)
R
R
R
R
i
L
C
+
+

v
i
R

Arvore Pr opria:
c Reinaldo M. Palhares
pag.17
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
Corte Fundamental:
i +
L
R
di
dt
= C v
. .
corrente i
RC
em RC
+
v + RC v
R
. .
corrente s o em R:
v
R
+
Ri
RC
R
c Reinaldo M. Palhares
pag.18
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
La co Fundamental:
e(t) = Ri
R
+ L
di
dt
+ v + RC v
As equa c oes obtidas dependem da corrente i
R
(que nao e variavel de estado).
Uma equa cao auxiliar e necessaria...
c Reinaldo M. Palhares
pag.19
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
Equacao Auxiliar: Equacao de correntes para o corte fundamental denido pelo resistor
(se este estiver na arvore propria) ou equacao das tensoes para o laco fundamental
denido pelo resistor (se for um ramo de ligacao)
Corte Fundamental:
i
R
=
L
R
di
dt
+ i
Equacoes de Estado:
8
>
>
>
<
>
>
>
:
RC v + v + 2L
di
dt
+ Ri = e(t)
2RC v + v Ri L
di
dt
= 0
c Reinaldo M. Palhares
pag.20
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
Passando para a forma padrao (isolando os termos com derivada v e
di
dt
)
_

_
dv
dt
=
3
5RC
v +
1
5C
i +
1
5RC
e(t)
di
dt
=
1
5L
v
3R
5L
i +
2
5L
e(t)
Denindo-se x
_
_
v
i
_
_
e a sada y(t) v(t)...
c Reinaldo M. Palhares
pag.21
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
_

_
x(t) =
_

3
5RC
1
5C

1
5L

3R
5L
_

_
. .
A
x(t) +
_

_
1
5RC
2
5L
_

_
. .
B
e(t)
y(t) =
_
1 0
_
. .
C
x(t)
Para R = L = C = 1,
A =
_
_
0.6 0.2
0.2 0.6
_
_
, B =
_
_
0.2
0.4
_
_
c Reinaldo M. Palhares
pag.22
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
Descri cao por Fun cao de Transferencia
T(s) = C (sI A)
1
B + D. Calculando (sI A)
1
:
_
_
s + 0.6 0.2
0.2 s + 0.6
_
_
1
=
1
s
2
+ 1.2s + 0.4
_
_
s + 0.6 0.2
0.2 s + 0.6
_
_
T(s) =
_
1 0
_
_

_
s + 0.6
s
2
+ 1.2s + 0.4
0.2
s
2
+ 1.2s + 0.4
0.2
s
2
+ 1.2s + 0.4
s + 0.6
s
2
+ 1.2s + 0.4
_

_
_
_
0.2
0.4
_
_
c Reinaldo M. Palhares
pag.23
Teoria de Sistemas Lineares Aula 4
Sistematica para Obtencao de Equacoes de Estado
T(s) =
_
1 0
_
_

_
0.2s + 0.2
s
2
+ 1.2s + 0.4
0.4s + 0.2
s
2
+ 1.2s + 0.4
_

_
=
0.2s + 0.2
s
2
+ 1.2s + 0.4

N(s)
D(s)
Veja que:
0.2s + 0.2
s
2
+ 1.2s + 0.4
e a FT de e(t) para a sada igual a v(t)
0.4s + 0.2
s
2
+ 1.2s + 0.4
e a FT de e(t) para a sada igual a i(t)
c Reinaldo M. Palhares
pag.24
Teoria de Sistemas Lineares Aula 4
MATLAB
A=[-0.6 0.2; -0.2 -0.6]; B= [0.2;0.4]; C=[1 0];
>> sys=ss(A,B,C,0)
a =
x1 x2
x1 -0.6 0.2
x2 -0.2 -0.6
b =
u1
x1 0.2
x2 0.4
c =
x1 x2
y1 1 0
d =
u1
y1 0
c Reinaldo M. Palhares
pag.25
Teoria de Sistemas Lineares Aula 4
MATLAB
>> FT=tf(sys)
Transfer function:
0.2 s + 0.2
-----------------
s^2 + 1.2 s + 0.4
Suponha que v(t) e i(t) sejam medidos... Apenas C se modica
C=eye(2);
>> sys=ss(A,B,C,[0; 0])
a =
x1 x2
x1 -0.6 0.2
x2 -0.2 -0.6
b =
u1
x1 0.2
x2 0.4
c =
c Reinaldo M. Palhares
pag.26
Teoria de Sistemas Lineares Aula 4
MATLAB
x1 x2
y1 1 0
y2 0 1
d =
u1
y1 0
y2 0
>> FT=tf(sys)
Transfer function from input to output...
0.2 s + 0.2
#1: -----------------
s^2 + 1.2 s + 0.4
0.4 s + 0.2
#2: -----------------
s^2 + 1.2 s + 0.4
c Reinaldo M. Palhares
pag.27
Teoria de Sistemas Lineares Aula 4
Algebra Linear
1. Espa cos Vetoriais Lineares
2. Coordenadas em Espa cos Lineares
3. Operadores Lineares
4. Transforma cao de Similaridade
5. Matriz como Operador
6. Norma de Vetores e Produto Interno
c Reinaldo M. Palhares
pag.1
Teoria de Sistemas Lineares Aula 5
Espacos Vetoriais Lineares
Denicao Considere um corpo F. Um espaco linear vetorial X e caracterizado por um
conjunto de elementos (vetores) com duas operacoes
x, y X x + y X (adicao)
F, x X x X (multiplicacao por escalar)
tais que satisfazem as seguintes propriedades
1. x + y = y + x
2. x + (y + z) = (x + y) + z
3. 0 X x + 0 = x
4. x X, x X x + (x) = 0
5. (x + y) = x + y, ( + )x = x + x
6. ()x = (x)
7. 0, 1 F 0x = 0, 1x = x
c Reinaldo M. Palhares
pag.2
Teoria de Sistemas Lineares Aula 5
Espacos Vetoriais Lineares
Exemplos
R, x R
n
; C, x C
n
R, x R
nm
; C, x C
nm
Espa cos X = R
n
, X = C
n
... com as opera coes de adi cao vetorial e
multiplica cao por escalar denidas de maneira convencional
X = {0} , 0 R
n
X = H(a, b), conjunto das fun coes reais contnuas no intervalo (a, b)
c Reinaldo M. Palhares
pag.3
Teoria de Sistemas Lineares Aula 5
Espacos Vetoriais Lineares
W =
_
f : R
+
R
n
, f diferenciavel
_
(f
1
+ f
2
)(t) = f
1
(t) + f
2
(t) (soma)
(f)(t) = f(t) (multiplica cao por escalar)
Um elemento neste espa co W e uma trajet oria no R
n
V =
_
x W : x = Ax
_
Os elementos neste espa co V sao trajet orias do R
n
solu coes do sistema linear
x = Ax
Espa co dos polin omios em s de grau menor ou igual a n
c Reinaldo M. Palhares
pag.4
Teoria de Sistemas Lineares Aula 5
Espacos Vetoriais Lineares
Subespaco Vetorial Um subconjunto M = de um espa co vetorial linear X e
denominado um subespa co de X, se x, y M e F
1. x + y M
2. x M
Exemplos V e um subespa co de W
x R
2
: x =
_
_
x
1
x
1
_
_
e um subespa co do R
2
S {A X = R
nn
| A = A
T
}, pois (i) 0 = 0
T
e portanto
pertence a S, e (ii) A = A
T
, B = B
T
A + B = (A + B)
T
c Reinaldo M. Palhares
pag.5
Teoria de Sistemas Lineares Aula 5
Manipulacoes
No livro do Chen os parametros considerados sao n umeros reais (a menos que
seja especicado diferentemente)
Matrizes: A (n m), B (mr), C (l n), D (r p)
Seja a
i
a i-esima coluna de A e b
j
a j-esima linha de B:
AB =
_
a
1
a
2
a
m
_
_

_
b
1
b
2
.
.
.
b
m
_

_
= a
1
b
1
+ a
2
b
2
+ + a
m
b
m
a
i
b
i
: matriz n por r (vetor n 1 multiplicado por vetor 1 r)
b
i
a
i
: s o esta denido para n = r (escalar)
c Reinaldo M. Palhares
pag.6
Teoria de Sistemas Lineares Aula 5
Manipulacoes
CA = C
h
a
1
a
2
a
m
i
=
h
Ca
1
Ca
2
Ca
m
i
BD =
2
6
6
6
6
6
6
4
b
1
b
2
.
.
.
b
m
3
7
7
7
7
7
7
5
D =
2
6
6
6
6
6
6
4
b
1
D
b
2
D
.
.
.
b
m
D
3
7
7
7
7
7
7
5
Espaco real de dimensao n: R
n
. Cada vetor x R
n
e uma enupla de n umeros reais:
x =
2
6
6
6
6
6
6
4
x
1
x
2
.
.
.
x
n
3
7
7
7
7
7
7
5
=
h
x
1
x
2
x
n
i

c Reinaldo M. Palhares
pag.7
Teoria de Sistemas Lineares Aula 5
Coordenadas em Espacos Lineares
Dependencia Linear Um conjunto de vetores {x
1
, x
2
, . . . , x
k
}, x
i
R
n
, e
linearmente dependente (LD) sse existem escalares
1
,
2
, . . . ,
k
, nao todos
nulos tais que
k

i=1

i
x
i
=
1
x
1
+
2
x
2
+ +
k
x
k
= 0
Se a igualdade for verdadeira apenas para
1
=
2
= =
k
= 0, diz-se
entao que o conjunto {x
1
, x
2
, . . . , x
k
} e linearmente independente (LI)
Veja que pode-se representar:

k
i=1

i
x
i
= X
sendo X [
x
1
x
2
x
k
], [

1

2

k
]

c Reinaldo M. Palhares
pag.8
Teoria de Sistemas Lineares Aula 5
Coordenadas em Espacos Lineares
Se um conjunto de vetores {x
1
, x
2
, . . . , x
n
} e linearmente dependente,
existe pelo menos um
i
diferente de zero e (eg, se
1
= 0)
x
1
=
1

1
[
2
x
2
+
3
x
3
+
n
x
n
]
isto e, um dos vetores (mas nao necessariamente qualquer um) pode ser escrito
como uma combina cao linear dos demais
Equivalentemente, os vetores sao LI se

1
x
1
+
2
x
2
+ +
n
x
n
=
1
x
1
+
2
x
2
+ +
n
x
n
=
1
=
1
;
2
=
2
; ;
n
=
n
Ou ainda, se nenhum vetor x
i
puder ser expresso como combina cao linear dos
demais
c Reinaldo M. Palhares
pag.9
Teoria de Sistemas Lineares Aula 5
Coordenadas em Espacos Lineares
O conceito de dependencia linear depende tambem do corpo (F) considerado
Considere o conjunto das fun coes racionais em s
_
s
s + 1
,
1
s + 2
_
Nao existem escalares reais
1
,
2
nao todos nulos tais que

1
s
s + 1
+
2
1
s + 2
= 0
No entanto, para escalares pertencentes ao corpo das fun coes racionais em s, a
igualdade vale se

1
=
1
s + 2
;
2
=
s
s + 1
c Reinaldo M. Palhares
pag.10
Teoria de Sistemas Lineares Aula 5
Coordenadas em Espacos Lineares
Denicao a dimensao de um espa co vetorial X e o n umero maximo de vetores
LI desse espa co
Portanto no R
n
ha no maximo n vetores LI
A dimensao de um espa co vetorial pode ser innita: considere o espa co das
fun c oes contnuas no intervalo [a, b]. Em particular, as fun coes t, t
2
, t
3
, . . .

i=1

i
t
i
= 0
1
=
2
= = 0
Proposicao Um conjunto de vetores LI do R
n
e uma base se qualquer vetor
x R
n
puder ser expresso de forma unica como uma combina cao linear destes
vetores.
c Reinaldo M. Palhares
pag.11
Teoria de Sistemas Lineares Aula 5
Coordenadas em Espacos Lineares
Em um espaco de dimensao n, qualquer conjunto de n vetores LI forma uma base
Quaisquer duas bases de um espaco n-dimensional possuem o mesmo n umero de
elementos
Se {q
1
, q
2
, . . . , q
n
} forma uma base para o R
n
, entao qualquer vetor x R
n
pode ser escrito de maneira unica como: x =
1
q
1
+
2
q
2
+ +
n
q
n
Denindo a matriz quadrada Q (n n), Q
h
q
1
q
2
q
n
i
x = Q
2
6
6
6
6
6
6
4

2
.
.
.

n
3
7
7
7
7
7
7
5
= Q

h

1

2

n
i

e a representacao de x na base {q
1
, q
2
, . . . , q
n
}
c Reinaldo M. Palhares
pag.12
Teoria de Sistemas Lineares Aula 5
Coordenadas em Espacos Lineares
A qualquer vetor x R
n
, pode-se associar a base ortonormal
e
1
=
2
6
6
6
6
6
6
6
6
6
6
6
6
4
1
0
0
.
.
.
0
0
3
7
7
7
7
7
7
7
7
7
7
7
7
5
, e
2
=
2
6
6
6
6
6
6
6
6
6
6
6
6
4
0
1
0
.
.
.
0
0
3
7
7
7
7
7
7
7
7
7
7
7
7
5
, e
3
=
2
6
6
6
6
6
6
6
6
6
6
6
6
4
0
0
1
.
.
.
0
0
3
7
7
7
7
7
7
7
7
7
7
7
7
5
, . . . , e
n1
=
2
6
6
6
6
6
6
6
6
6
6
6
6
4
0
0
0
.
.
.
1
0
3
7
7
7
7
7
7
7
7
7
7
7
7
5
, e
n
=
2
6
6
6
6
6
6
6
6
6
6
6
6
4
0
0
0
.
.
.
0
1
3
7
7
7
7
7
7
7
7
7
7
7
7
5
Um vetor x na base ortonormal {e
1
, e
2
, . . . , e
n
} se escreve
x =
2
6
6
6
6
6
6
4
x
1
x
2
.
.
.
x
n
3
7
7
7
7
7
7
5
= x
1
e
1
+ x
2
e
2
+ + x
n
e
n
= I
n
2
6
6
6
6
6
6
4
x
1
x
2
.
.
.
x
n
3
7
7
7
7
7
7
5
se confunde com sua representacao
c Reinaldo M. Palhares
pag.13
Teoria de Sistemas Lineares Aula 5
Coordenadas em Espacos Lineares
Exemplo: Considere o conjunto dos polinomios de grau menor do que 4
Escolha a Base: e
1
= s
3
; e
2
= s
2
; e
3
= s; e
4
= 1
Suponha que x = s
3
+ 4s
2
4s + 10, entao:
x =
_
e
1
e
2
e
3
e
4
_
_

_
1
4
4
10
_

_
e
_
1 4 4 10
_

e a representa cao de x na base escolhida


c Reinaldo M. Palhares
pag.14
Teoria de Sistemas Lineares Aula 5
Coordenadas em Espacos Lineares
Mudanca de Base Se e

sao as representacoes de um vetor x R
n
em relacao
`as bases {e
1
, e
2
, . . . , e
n
} e { e
1
, e
2
, . . . , e
n
}, entao
x =
h
e
1
e
2
e
n
i
=
h
e
1
e
2
e
n
i

representar e
i
em termos de { e
1
, e
2
, . . . , e
n
} ou vice-versa?
Considere p
i
=
2
6
6
6
6
6
6
4
p
1i
p
2i
.
.
.
p
ni
3
7
7
7
7
7
7
5
a representacao de e
i
na base { e
1
, e
2
, . . . , e
n
}:
e
i
=
h
e
1
e
2
e
n
i
2
6
6
6
6
6
6
4
p
1i
p
2i
.
.
.
p
ni
3
7
7
7
7
7
7
5
Ep
i
, i = 1, 2, . . . , n
c Reinaldo M. Palhares
pag.15
Teoria de Sistemas Lineares Aula 5
Coordenadas em Espacos Lineares
Usando notacao matricial
h
e
1
e
2
e
n
i
=
h
Ep
1
Ep
2
Ep
n
i
= E
h
p
1
p
2
p
n
i
=
h
e
1
e
2
e
n
i
2
6
6
6
6
6
6
4
p
11
p
12
p
1n
p
21
p
22
p
2n
.
.
.
.
.
.
.
.
.
.
.
.
p
n1
p
n2
p
nn
3
7
7
7
7
7
7
5

h
e
1
e
2
e
n
i
P
c Reinaldo M. Palhares
pag.16
Teoria de Sistemas Lineares Aula 5
Coordenadas em Espacos Lineares
x =
h
e
1
e
2
e
n
i
P =
h
e
1
e
2
e
n
i

Como a representacao e unica entao



= P
Analogamente, representando e
i
na base {e
1
, e
2
, . . . , e
n
}, obtem-se
= Q

Veja que conhecida a representacao de um vetor numa base, a representacao em


outra base pode ser automaticamente determinada:

= P = PQ

PQ = I P = Q
1
c Reinaldo M. Palhares
pag.17
Teoria de Sistemas Lineares Aula 5
Coordenadas em Espacos Lineares
Exemplo polin omios de grau menor do que 4
Escolhendo a base: e
1
= s
3
s; e
2
= s
2
s; e
3
= s 1; e
4
= 1
Se x = s
3
+ 4s
2
4s + 10, entao
x =
_
e
1
e
2
e
3
e
4
_
_

_
1
4
1
11
_

_
c Reinaldo M. Palhares
pag.18
Teoria de Sistemas Lineares Aula 5
Operadores Lineares
Denicao Qualquer fun cao f : X Y, com X e Y espa cos lineares sobre o
mesmo corpo F, e denominada operador linear sse
f(
1
x
1
+
2
x
2
) =
1
f(x
1
) +
2
f(x
2
)
para quaisquer x
1
, x
2
X, f(x
1
), f(x
2
) Y, e
1
,
2
F
y = f(x) ; x X (domnio) , y Y (range)
Exemplo: Considere g uma fun cao contnua sobre [0, T]. A transforma cao
y(t) =
_
T
0
g(t )x()d
e linear, levando do espa co das fun coes contnuas no intervalo [0, T] para o
mesmo espa co
c Reinaldo M. Palhares
pag.19
Teoria de Sistemas Lineares Aula 5
Operadores Lineares
Teorema Sejam X e Y espa cos lineares de dimensao n e m, respectivamente.
Sejam {x
1
, x
2
, . . . , x
n
} vetores LI de X. Entao, o operador linear
L : X Y e unicamente determinado pelos n pares y
i
= L(x
i
),
i = 1, 2, . . . , n. Alem disso, com rela cao `a base {x
1
, x
2
, . . . , x
n
} de X e `a
base {u
1
, u
2
, . . . , u
m
} de Y, L pode ser representado por uma matriz A
mn. A i-esima coluna de A e a representa cao de y
i
na base
{u
1
, u
2
, . . . , u
m
}
Demonstracao: Por hip otese, L e linear:
L(x) = L(
1
x
1
+
2
x
2
+ +
n
x
n
)
=
1
L(x
1
) +
2
L(x
2
) + +
n
L(x
n
)
=
1
y
1
+
2
y
2
+ +
n
y
n
c Reinaldo M. Palhares
pag.20
Teoria de Sistemas Lineares Aula 5
Operadores Lineares
Seja
_

_
a
1i
a
2i
.
.
.
a
mi
_

_
a representa cao de y
i
na base dada por {u
1
, u
2
, . . . , u
m
}:
y
i
=
_
u
1
u
2
u
m
_
_

_
a
1i
a
2i
.
.
.
a
mi
_

_
, i = 1, 2, . . . , n
c Reinaldo M. Palhares
pag.21
Teoria de Sistemas Lineares Aula 5
Operadores Lineares
Neste caso,
L
h
x
1
x
2
x
n
i
=
h
y
1
y
2
y
n
i
=
h
u
1
u
2
u
m
i
2
6
6
6
6
6
6
4
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
3
7
7
7
7
7
7
5

h
u
1
u
2
u
m
i
A
c Reinaldo M. Palhares
pag.22
Teoria de Sistemas Lineares Aula 5
Operadores Lineares
Em rela cao `as bases {x
1
, x
2
, . . . , x
n
} e {u
1
, u
2
, . . . , u
m
},
y = L(x)
_
u
1
u
2
u
m
_
= L
_
_
x
1
x
2
x
n
_
. .

u
1
u
2
u
m

_
= A
Para se descrever a transforma cao, nao ha diferen ca entre especicar x, y ou ,
. Porem A (representa cao da transforma cao linear) depende das bases escolhidas
c Reinaldo M. Palhares
pag.23
Teoria de Sistemas Lineares Aula 5
Transformacao de Similaridade
Considere a transformacao linear L : X Y, com a mesma base para X e Y
{e
1
, e
2
, . . . , e
n
} A , { e
1
, e
2
, . . . , e
n
}

A
x
L
y (= L(x))
h
e
1
e
2
e
n
i

h
e
1
e
2
e
n
i

(= A)

(=

A )
A

A
P
P
Q Q = P
1


=

A ;

= P = PA = PAP
1


A = PAP
1
,

A = PAP
1
= Q
1
AQ ; A = P
1

AP = Q

AQ
1
Q = P
1
c Reinaldo M. Palhares
pag.24
Teoria de Sistemas Lineares Aula 5
Transformacao de Similaridade
A,

A : matrizes similares
PAP
1
, P
1

AP : Transforma coes de Similaridade
Todas as representa coes de um operador linear sao similares. Uma matriz
A R
nn
pode ser vista como a representa cao de um operador linear ou como
o operador linear propriamente dito
c Reinaldo M. Palhares
pag.25
Teoria de Sistemas Lineares Aula 5
Transformacao de Similaridade
Exemplo de transformacao linear A transformacao que rotaciona um ponto no plano
de 90
o
no sentido anti-horario
x
1
= (1, 0)
x
2
= y
1
= (0, 1)
x
3
= (1.5,
1
2
)
y
2
y
3
Em relacao `a base {x
1
, x
2
}
y
1
= L(x
1
) =
h
x
1
x
2
i
2
4
0
1
3
5
, y
2
= L(x
2
) =
h
x
1
x
2
i
2
4
1
0
3
5
c Reinaldo M. Palhares
pag.26
Teoria de Sistemas Lineares Aula 5
Transformacao de Similaridade
Entao
A =
2
4
0 1
1 0
3
5
Veja que a representacao de x
3
na base {x
1
, x
2
} e dada por
2
4
1.5
0.5
3
5
Portanto a representacao de y
3
em relacao `a base {x
1
, x
2
} e obtida de:
= A
=
2
4
0 1
1 0
3
5
2
4
1.5
0.5
3
5
=
2
4
0.5
1.5
3
5
c Reinaldo M. Palhares
pag.27
Teoria de Sistemas Lineares Aula 5
Matriz como Operador Linear
Seja a fun cao linear L : R
n
R
n
descrita pela matriz A R
nn
y = L(x)
= A(
1
x
1
+
2
x
2
+ +
n
x
n
)
=
1
Ax
1
+
2
Ax
2
+ +
n
Ax
n
y
i
= Ax
i
, i = 1 n
Na base ortonormal, x
i
= e
i
e, portanto, y
i
= Ae
i
= a
i
(i-esima coluna
de A) que coincide com sua representa cao na base ortonormal unitaria
(representa cao de A = A)
c Reinaldo M. Palhares
pag.28
Teoria de Sistemas Lineares Aula 5
Matriz como Operador Linear
Exemplo A =
_

_
3 2 1
2 1 0
4 3 1
_

_
; b =
_

_
0
0
1
_

_
Considere os vetores LI {b, Ab, A
2
b} que formam uma base no R
3
Ab =
_

_
1
0
1
_

_
; A
2
b =
_

_
4
2
3
_

_
Particularmente: A
3
b =
_

_
5
10
13
_

_
c Reinaldo M. Palhares
pag.29
Teoria de Sistemas Lineares Aula 5
Matriz como Operador Linear


A e a representa cao de A na base {b, Ab, A
2
b}:
A(b) =
_
b Ab A
2
b
_
_

_
0
1
0
_

_
; A(Ab) =
_
b Ab A
2
b
_
_

_
0
0
1
_

_
A(A
2
b) =
_
b Ab A
2
b
_
_

_
17
15
5
_

_
=

A =
_

_
0 0 17
1 0 15
0 1 5
_

_
(Forma Companheira)
c Reinaldo M. Palhares
pag.30
Teoria de Sistemas Lineares Aula 5
Matriz como Operador Linear
Representa cao de A R
nn
na base {q
1
, q
2
, . . . , q
n
}

A = Q
1
AQ ; Q
_
q
1
q
2
q
n
_
Veja

A = Q
1
AQ Q

A = AQ
ou ainda:
_
q
1
q
2
q
n
_

A =
_
Aq
1
Aq
2
Aq
n
_
a
i
e a i-esima coluna de

A, representa cao de Aq
i
na base {q
1
, . . . , q
n
}.
Escolhas adequadas da base {q
1
, q
2
, . . . , q
n
} leva a diferentes representa coes
c Reinaldo M. Palhares
pag.31
Teoria de Sistemas Lineares Aula 5
Matriz como Operador Linear
Considere A R
nn
. Se existir um vetor b R
n1
tal que o conjunto de n
vetores {b, Ab, A
2
b, . . . , A
n1
b} e LI e se
A
n
b =
1
b +
2
Ab + +
n
A
n1
b
entao a representacao de A na base {b, Ab, A
2
b, . . . , A
n1
b} e dada pela forma
companheira:

A =
2
6
6
6
6
6
6
6
6
6
6
6
6
4
0 0 0
1
1 0 0
2
0 1 0
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
n1
0 0 1
n
3
7
7
7
7
7
7
7
7
7
7
7
7
5
c Reinaldo M. Palhares
pag.32
Teoria de Sistemas Lineares Aula 5
Norma de vetores
Denicao Qualquer funcao real representada por x pode ser denida como uma
norma se para qualquer x R
n
e para qualquer escalar R
1. x 0 ; x = 0 x = 0
2. x = | | x
3. x
1
+ x
2
x
1
+x
2
(Desigualdade Triangular)
Normas usuais para vetores
Norma-r x
r

n
X
i=1
|x
i
|
r
!1
r
, 1 r <
Norma- x

max
1in
|x
i
|
c Reinaldo M. Palhares
pag.33
Teoria de Sistemas Lineares Aula 5
Norma de vetores
Norma-2 ou Norma Euclidiana x
2

x =

n
X
i=1
|x
i
|
2
!1
2
Exemplo
x
a
b
x
1
=| a | + | b | ; x
2
=

a
2
+ b
2
; x

= max{| a |, | b |}
c Reinaldo M. Palhares
pag.34
Teoria de Sistemas Lineares Aula 5
Produto Interno
A fun cao x, y : X X R e um produto interno se satisfaz:
1. x, y = y, x, x, y = y, x

2. x + y, z = x, z +y, z
3. x, x 0 e x, x = 0 x = 0
Representacao usual para vetores do R
n
x, y =
n

i=1
x
i
y
i
= x
1
y
1
+ x
2
y
2
+ + x
n
y
n
= x

y (um escalar!)
Vetores ortogonais x y x, y = 0
Norma-2 x
2

x
T
x =
_
x, x x, x = x
2
2
c Reinaldo M. Palhares
pag.35
Teoria de Sistemas Lineares Aula 5
Produto Interno
Desigualdade de Cauchy-Schwarz
Para x =
_
x, x. Entao, | x, y | xy
Identidade do paralelogramo
x + y
2
+x y
2
= 2(x
2
+y
2
)
x
y
x + y
x y
c Reinaldo M. Palhares
pag.36
Teoria de Sistemas Lineares Aula 5
MATLAB
norm(x,1) norma-1
norm(x,2) ou norm(x) norma-2
norm(x,inf) norma-
c Reinaldo M. Palhares
pag.37
Teoria de Sistemas Lineares Aula 5
Algebra Linear
1. Ortonormaliza cao
2. Sistema de Equa coes Lineares
c Reinaldo M. Palhares
pag.1
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Um vetor x e dito estar normalizado se sua norma Euclidiana e igual a 1, ie,
x

x = {x, x) = 1
Dois vetores x
1
e x
2
sao ortogonais se x

1
x
2
= x

2
x
1
= 0
Um conjunto de vetores |x
1
, x
2
, . . . , x
n
| e ortonormal se
x

i
x
j
=
_
_
_
0 se i ,= j
1 se i = j
c Reinaldo M. Palhares
pag.2
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Dado um conjunto de vetores LI |e
1
, e
2
, . . . , e
n
|, pode-se obter um
conjunto de vetores ortonormais usando o procedimento de ortonormaliza cao de
Schmidt:
u
1
e
1
q
1
u
1
/]u
1
]
u
2
e
2
(q

1
e
2
)q
1
q
2
u
2
/]u
2
]
.
.
.
.
.
.
u
n
x
n

n1

k=1
(q

k
e
n
)q
k
q
n
u
n
/]u
n
]
A primeira equa cao apenas normaliza o vetor e
1
, tal que q

1
q
1
= 1
c Reinaldo M. Palhares
pag.3
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Na segunda equa cao, (q

1
e
2
)q
1
e a proje cao do vetor e
2
ao longo de q
1
, e
para u
2
= e
2
(q

1
e
2
)q
1
, q
2
= u
2
/]u
2
] e ortogonal ao vetor q
1
e
1
= u
1
e
2
q
1
q
2
u
2
c Reinaldo M. Palhares
pag.4
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Se um conjunto de vetores u
1
, u
2
, . . . , u
n
e ortonormal entao
U
_
u
1
u
2
u
n
_
; U

U = I
n
Propriedade: Se y = Ux, entao
n

i=1
y
2
i
=
n

i=1
x
2
i
, ou
]y]
2
= ]Ux]
2
= (Ux)

(Ux) = x

Ux = x

x = ]x]
2
O mapeamento, y = Ux e uma isometria (nao altera a norma)
Propriedade: Se y = Ux e y = U x entao {y, y) = {x, x) (a multiplica cao
por U nao altera o produto interno) pois
{y, y) = {Ux, U x) = (Ux)

(U x) = x

Ux = {x, x)
e tambem nao altera o angulo {y, y) = {x, x)
c Reinaldo M. Palhares
pag.5
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Exemplos: Transforma coes de rota cao ou reexao de vetores via matriz ortogonal
A transforma cao que rotaciona um vetor no sentido anti-horario de no R
2
e:
y = U

x ; U

=
_
_
cos sin
sin cos
_
_
x
1
x
2
y
1
y
2

c Reinaldo M. Palhares
pag.6
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
O procedimento de ortonormaliza cao pode ser descrito como uma
transforma cao linear. Considere a matriz X formada por n vetores LI,
|x
1
, x
2
, . . . , x
n
|, da forma: X =
_
x
1
x
2
x
n
_
Deseja-se determinar uma matriz F tal que
XF = Q
_
q
1
q
2
q
n
_
A condi cao de que os vetores |q
1
, q
2
, . . . , q
n
| sejam ortonormais pode ser
escrita na forma
Q

Q = I = F

RF = I ; R X

X
Sistema com n(n + 1)/2 restri coes e n
2
incognitas (n(n 1)/2 elementos de
F sao arbitrarios). Solu cao ? ...
c Reinaldo M. Palhares
pag.7
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Uma solu cao particular pode ser obtida pela fatoriza cao de Cholesky da
matriz R, que produz uma matriz triangular superior L tal que R = L

L:
F

RF = I = F

LF = (LF)

(LF)
e por inspe cao uma solu cao e dada por F = L
1
A fatoriza cao de Schur aplicada `a matriz R produz uma matriz unitaria V e
uma matriz diagonal composta pelos autovalores de R tal que R = V V

,
sugerindo como solu cao
F

RF = I = F

V V

F = (V
0.5
V

F)

_
V
0.5
V

F
_
F = V
0.5
V

R
0.5
c Reinaldo M. Palhares
pag.8
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
A escolha da transforma cao F que ortonormaliza X pode ser orientada por
algum criterio especco, descrito por problemas de otimiza cao restritos. Por
exemplo, considere encontrar Q solu cao para:
_
_
_
min
Q
Tr |(X Q)

(X Q)|
sujeito a Q

Q = I
ie, minimiza a norma ao quadrado de x
i
q
i
, i = 1, . . . , n. Esta transforma cao
procura preservar o maximo possvel os vetores originais. Note que Tr(X Q) e
uma fun cao linear dos elementos da matriz Q...
Re-escrevendo em termos de F...
c Reinaldo M. Palhares
pag.9
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Re-escrevendo em termos de F
_
_
_
min
F
Tr |(X XF)

(X XF)|
sujeito a F

XF = I

_
_
_
min
F
Tr(X

X +F

XF F

X X

XF)
sujeito a F

XF = I
Substituindo a restri cao e lembrando que os termos constantes na fun cao objetivo
(X

X + I) nao inuenciam na solu cao F:


_
_
_
min
F
Tr (F

XX

XF) = max Tr (2X

XF)
sujeito a F

XF = I ... e, solucao?
c Reinaldo M. Palhares
pag.10
Teoria de Sistemas Lineares Aula 6
Derivadas
Considere X [x
ij
], X C
mn
e F(X) uma fun cao escalar (real ou
complexa) de X. Entao

X
F(X)
_

x
ij
F(X)
_
Considere A e B matrizes complexas:

X
Tr(AXB) = A

X
Tr(AX

B) = BA

X
Tr(AXBX) = A

+B

X
Tr(AXBX

) = A

XB

+AXB
c Reinaldo M. Palhares
pag.11
Teoria de Sistemas Lineares Aula 6
Derivadas

X
Tr(AX
1
B) = (X
1
BAX
1
)

X
log det(X) = (X

)
1
A() C
mn
e C,
d
d
A
_
da
ij
d
_
. Entao
d
d
AB =
dA
d
B +A
dB
d
d
d
A
1
= A
1
dA
d
A
1
c Reinaldo M. Palhares
pag.12
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Para obter uma solu cao, escreva o Lagrangeano L (F, ) ( e a variavel
dual simetrica associada `a restri cao original do problema: F

XF = I):
L (F, ) = Tr [2X

XF + (F

XF I)]
As condi coes necessarias de otimalidade sao dadas por:
L
F
= 2(X

X +X

XF) = 2X

X(I +F) = 0
L

= (F

XF I) = 0
c Reinaldo M. Palhares
pag.13
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Note que X e nao singular... Portanto resolvendo em termos de F e de em
2X

X(I +F) = 0, 2X

X ,= 0 e:
F =
1
= (
1
)X

X(
1
) = I = X

X =
2
=
_
_
_
+(X

X)
0.5
(X

X)
0.5
= F =
_
_
_
(X

X)
0.5
+(X

X)
0.5
Veja que o custo inicial e dado por:
min Tr (2X

XF) = max Tr (2X

XF)
e a solucao otima e obtida para F = (X

X)
0.5
Note que a solucao F = (X

X)
0.5
fornece a mesma base ortonormalizada Q
(apenas trocando o sinal dos vetores) e pode ser interpretada como a transformacao F
que maximiza a diferenca entre as normas (ao quadrado) dos vetores de cada base
c Reinaldo M. Palhares
pag.14
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Exemplo Considere X
_
x
1
x
2
x
3
_
, formada pelos vetores LI
x
1
=
_
1 1 1
_

, x
2
=
_
1 2 3
_

, x
3
=
_
0 1 1
_

Algoritmo: u
1
= x
1
; q
1
=
u
1
]u
1
]
=
1

3
_

_
1
1
1
_

_
=
_

_
0.5774
0.5774
0.5774
_

_
u
2
= x
2
(q

1
x
2
)q
1
; q
2
=
u
2
]u
2
]
=
_
0.7071 0 0.7071
_

u
3
= x
3
(q

2
x
3
)q
2
(q

1
x
3
)q
1
; q
3
=
u
3
]u
3
]
=
_
0.4082 0.8165 0.4082
_

c Reinaldo M. Palhares
pag.15
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Aplicando Cholesky na matriz R = X

X (MATLAB
c
):
L = chol(R) =
_

_
1.7321 3.4641 0
0 1.4142 0.7071
0 0 1.2247
_

_
L

L = R
Q = XL
1
=
_
u
1
u
2
u
3
_
. .
U
, Q

Q = I
_

_
[Q, L] = qr(X)
(decomposicao triangular
ortonormal)
c Reinaldo M. Palhares
pag.16
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Veja:
Q = X inv(L) =
_

_
0.5774 0.7071 0.4082
0.5774 0.0000 0.8165
0.5774 0.7071 0.4082
_

_
Q

Q =
_

_
1.0002 0 0.0001
0 1.0000 0
0.0001 0 0.9999
_

_
[Q1, L1] = qr(X) observe o sinal...
Q1 =
_

_
0.5774 0.7071 0.4082
0.5774 0.0000 0.8165
0.5774 0.7071 0.4082
_

_
; L1 =
_

_
1.7321 3.4641 0
0 1.4142 0.7071
0 0 1.2247
_

_
c Reinaldo M. Palhares
pag.17
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Usando Schur: [V, Omega] = schur(R)
V =
_

_
0.8850 0.2376 0.4005
0.4035 0.0381 0.9142
0.2325 0.9706 0.0622
_

_
; Omega =
_

_
0.2643 0 0
0 2.0392 0
0 0 16.6965
_

_
R
0.5
= V
0.5
V

RR = V sqrt(inv(Omega)) V

Q
2
= XR
0.5
= X RR =
_

_
0.9908 0.0890 0.1021
0.1348 0.5758 0.8064
0.0130 0.8127 0.5825
_

_
, Q

2
Q
2
= I
c Reinaldo M. Palhares
pag.18
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
Exemplo Considere dois vetores LI no plano R
2
:
X =
_
x
1
x
2
_
=
_
_
1 2
3 0.5
_
_
Schmidt: Q =
_
q
1
q
2
_
=
_
_
0.32 0.95
0.95 0.32
_
_
Schur: U =
_
u
1
u
2
_
=
_
_
0.1 1
1 0.1
_
_
c Reinaldo M. Palhares
pag.19
Teoria de Sistemas Lineares Aula 6
Ortonormalizacao
x
1
x
2
q
1
q
2
u
1
u
2
u
1
u
2
c Reinaldo M. Palhares
pag.20
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
_

_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_

_
. .
A
_

_
x
1
x
2
.
.
.
x
n
_

_
. .
x
=
_

_
y
1
y
2
.
.
.
y
m
_

_
. .
y
a
ij
, y
i
R : dados do sistema; x
i
R : incognitas
Solu cao para Ax = y quando m > n, m = n ou m < n
Problema: dados A e y
1. x : Ax = y?
2. Se existe solu cao, qual o n umero de solu coes LI?
c Reinaldo M. Palhares
pag.21
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
Denicao O espa co Range da matriz A e o espa co gerado pelas colunas de A,
ie:
7(A)
_
y = Ax : x R
n
_
R
m
Exemplo y =
_
1 1
_
T
esta no 7(A), com
A =
_
_
1 1 3
0 10 0
_
_
?
Em outras palavras, y = Ax, para algum x? Resposta positiva, pois as colunas
de A geram todo o espa co 2-dimensional
c Reinaldo M. Palhares
pag.22
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
Rank (ou posto) da matriz A R
mn
e denido como a dimensao do range de
A (ou, equivalentemente, como o n umero de colunas LI em A) e denotado (A)
posto de colunas de A e a dimensao do 7(A)
posto de linhas de A e a dimensao do 7(A

)
dim7(A) = dim7(A

) = r = posto(A) ou rank(A)
c Reinaldo M. Palhares
pag.23
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
Denicao O espaco nulo de A e o espaco gerado por todos os vetores x satisfazendo
Ax = 0, ie:
A(A) |x R
n
: Ax = 0|
Exemplo x =
_
1 10 0
_
T
esta no espaco A(A) com A =
_
_
1 1 3
0 10 0
_
_
?
Em outras palavras, Ax = 0? Como
_
_
1 1 3
0 10 0
_
_
_

_
1
10
0
_

_
=
_
_
9
100
_
_
,=
_
_
0
0
_
_
portanto, a resposta e negativa
A dimensao do espaco nulo e chamada de nulidade da matriz A e denotada (A)
c Reinaldo M. Palhares
pag.24
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
Note que y = Ax pode ser escrito como y = x
1
a
1
+x
2
a
2
+ +x
n
a
n
e
portanto x
i
R, i = 1, . . . , n sao as pondera coes das colunas de A
Propriedades
Para A R
mn
(A) = n (A)
rank A = n umero de colunas LI de A
= n umero de linhas LI de A
min (n, m)
c Reinaldo M. Palhares
pag.25
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
A(A) e 7(A) sao espa cos lineares; (A(A) e um subespa co do R
n
e
7(A) e um subespa co do R
m
)
Se (A) = 0, A(A) = |0|, as seguintes arma coes sao equivalentes:
x pode ser determinado de maneira unica de y = Ax
colunas de A sao LI
det(A

A) ,= 0
Se (A) = k, Ax = 0 possui k solu coes LI
c Reinaldo M. Palhares
pag.26
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
Exemplo: Considere a matriz A R
35
dada por
A =
_

_
0 1 1 2 1
1 2 3 4 1
2 0 2 0 2
_

_
=
_
a
1
a
2
a
3
a
4
a
5
_
Ax = x
1
_

_
0
1
2
_

_
+ x
2
_

_
1
2
0
_

_
+x
3
_

_
1
3
2
_

_
+x
4
_

_
2
4
0
_

_
+x
5
_

_
1
1
2
_

_
a
3
= a
1
+a
2
; a
4
= 2a
2
; a
5
= a
3
a
4
= a
1
+a
2
2a
2
= a
1
a
2
Ax = (x
1
+x
3
+x
5
)a
1
+ (x
2
+x
3
+ 2x
4
x
5
)a
2
Como a
1
e a
2
sao LI (A) = 2
c Reinaldo M. Palhares
pag.27
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
Ax = 0
_
_
_
x
1
+x
3
+x
5
= 0
x
2
+x
3
+ 2x
4
x
5
= 0
N umero de Equacoes = (A) = 2
N umero de Incognitas = 5
N umero de Graus de Liberdade = 3
Possveis solucoes LI:
v
1
=
_

_
1
1
1
0
0
_

_
; v
2
=
_

_
0
2
0
1
0
_

_
, v
3
=
_

_
1
1
0
0
1
_

_
|v
1
, v
2
, v
3
| formam uma base de A(A) ; (A) = 3
c Reinaldo M. Palhares
pag.28
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
Teorema
1. Dada uma matriz A R
mn
e um vetor y R
m1
, existe uma solu cao
x R
n1
da equa cao y = Ax se e somente se y 7(A) ou,
equivalentemente,
(A) =
__
A y
__
2. Dada uma matriz A, uma solu cao x de y = Ax existe para todo y se e
somente se (A) = m (rank completo de linhas)
c Reinaldo M. Palhares
pag.29
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
Teorema (Parametriza cao de todas as solu coes)
Dada uma matriz A R
mn
e um vetor y R
m1
, seja x
p
uma solu cao
x R
n1
da equa cao y = Ax e seja k = n (A) = (A) a nulidade de
A. Se (A) = n (rank completo de colunas) a solu cao x
p
e unica. Se k > 0,
entao para todo
i
R, i = 1, . . . , k o vetor
x = x
p
+
1
n
1
+
2
n
2
+ +
k
n
k
e uma solu cao de Ax = y, sendo |n
1
, . . . , n
k
| uma base de A(A)
De fato,
Ax
p
+
k

i=1

i
An
i
= Ax
p
+ 0 = y
c Reinaldo M. Palhares
pag.30
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
Seja A R
mn
. Entao (AC) = (A) e (DA) = (A), para
quaisquer matrizes C R
nn
e D R
mm
nao singulares
O rank de uma matriz nao se altera ao ser pre ou pos-multiplicada por uma
matriz nao singular...
Seja A C
mn
e A

sua conjugada transposta. Entao,


(A) = n (A

A) = n ; det(A

A) ,= 0
(A) = m (AA

) = m ; det(AA

) ,= 0
Observe que (A) = n implica:
n m
A = 0 = 0
c Reinaldo M. Palhares
pag.31
Teoria de Sistemas Lineares Aula 6
Inversa
Para uma matriz quadrada A R
nn
, A e invertvel ou nao-singular se
det(A) ,= 0 ou equivalentemente:
as colunas de A formam uma base para o R
n
as linhas de A formam uma base para o R
n
a equa cao y = Ax tem uma solu cao unica x = A
1
y para todo y R
n
.
Em particular, a unica solu cao de Ax = 0 e x = 0
AA
1
= A
1
A = I
A(A) = |0|
7(A) = R
n
det(A

A) = det(AA

) ,= 0
c Reinaldo M. Palhares
pag.32
Teoria de Sistemas Lineares Aula 6
Inversa
A
1
=
1
det(A)
Adj (A)
Adj (A): matriz adjunta da matriz A
Adj (A) = [Co (A)]

Co (A): matriz cofatora de A, composta pelos cofatores C


ij
da matriz A
c Reinaldo M. Palhares
pag.33
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
Considere o sistema y = Ax com A R
mn
e m > n, ie, ha mais
equa coes do que inc ognitas (pode nao ter solu cao)...
Aproxima cao dene-se um erro e = Ax y (otimo se e 0...) e busca-se
x

que minimiza ]e]. A solu cao x

gera o ponto no 7(A) que esta mais


pr oximo de y, ou seja, Ax
a
e a proje cao de y no 7(A)
f(x) = min
x
]e]
2
= min
x
e

e = min
x
(Ax y)

(Ax y)
Condi cao de Otimalidade derivando em rela cao a x: 2x

A2y

A = 0
Assumindo que A tem posto completo (e portanto A

A e invertvel)
x

= (A

A)
1
A

y
Note que x

e uma fun cao linear de y, e x

= A
1
y se A e quadrada
c Reinaldo M. Palhares
pag.34
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
x

e a solu cao exata de y = Ax se y 7(A)


A

(A

A)
1
A

e chamada de pseudo-inversa de A
A proje cao de y no 7(A) e linear, dada por Ax

= A(A

A)
1
A

y e
A(A

A)
1
A

e chamada matriz de proje cao


O erro: e = Ax

y =
_
A(A

A)
1
A

I
_
y e ortogonal ao 7(A), ie,
{e, Ax) = y

_
A(A

A)
1
A

Ax = 0
c Reinaldo M. Palhares
pag.35
Teoria de Sistemas Lineares Aula 6
Estimador Mnimos Quadrados
Varios problemas em engenharia envolvendo reconstru cao de informa cao,
inversao ou estima cao podem ser colocados na forma y = Ax + , sendo x o
vetor a ser estimado ou reconstrudo; y o vetor de informa coes ou medidas e o
vetor de rudos, erros de medida ou incerteza nao modelada
Problema Obter a estimativa x que minimiza a diferen ca entre os valores
medidos y e o que deveria ser obtido se = 0
Solu cao: x = (A

A)
1
A

y
c Reinaldo M. Palhares
pag.36
Teoria de Sistemas Lineares Aula 6
Estimador Mnimos Quadrados
O mesmo resultado poderia ser obtido com multiplicadores de Lagrange
_
_
_
min x

x
sujeito a Ax = y
Introduzindo o multiplicador de Lagrange e escrevendo o Lagrangeano
L (x, ) = x

x +

(Ax y)
As condi coes de otimalidade sao:
L
x
= 2x

A = 0
L

= (Ax y)

= 0
x = A

/2 ; = 2(AA

)
1
y x = A

(AA

)
1
y
c Reinaldo M. Palhares
pag.37
Teoria de Sistemas Lineares Aula 6
MATLAB
trace(A) tra co de uma matriz quadrada A
rank(A) posto de uma matriz A
chol(A) fatora cao de Cholesky de uma matriz A
qr(A) fatora cao QR de uma matriz A
null(A) retorna uma base ortonormal para o espa co nulo de A
orth(A) retorna uma base ortonormal para o range de A
pinv(A) retorna uma matriz X com mesma dimensoes de A tal que
A

A = A ; X

X = X
e A

X e X

A sao matrizes Hermitianas


c Reinaldo M. Palhares
pag.38
Teoria de Sistemas Lineares Aula 6
Algebra Linear
1. Revisitando autovalores e autovetores
2. Forma Diagonal e Forma de Jordan
2.1 Autovalores distintos
2.2 Autovalores complexos
2.3 Nem todos autovalores distintos
3. Autovalores e autovetores de matriz simetrica
c Reinaldo M. Palhares
pag.1
Teoria de Sistemas Lineares Aula 7
Revisitando Autovalores & Autovalores
C e um autovalor de A R
nn
se existe um vetor 0 = x C
n
tal
que Ax = x; e x C e chamado de autovetor (`a direita) de A associado a
x C
n
, x = 0 (AI)x = 0 det(AI) = 0
Polin omio caracterstico: () det(I A)
Equa cao caracterstica: () = 0
Exemplo A =
_
_
a
11
a
12
a
21
a
22
_
_
; AI =
_
_
a
11
a
12
a
21
a
22

_
_
() = (a
11
)(a
22
) a
12
a
21
=
2
(a
11
+ a
22
) + (a
11
a
22
a
12
a
21
)
c Reinaldo M. Palhares
pag.2
Teoria de Sistemas Lineares Aula 7
Revisitando Autovalores & Autovalores
Nota A condi cao () = det(I A) = 0 e equivalente `a existencia de
y C:
y

A = y

= y

(I A) = 0
e qualquer y que satisfa ca a rela cao acima e chamado de autovetor `a esquerda
de A
Se v C
n
e um autovetor associado a C, entao v (complexo conjugado
de v) e um autovetor associado a

Se v e um autovetor de A, a transforma cao linear A aplicada sobre v produz


um escalonamento de na dire cao v ...
c Reinaldo M. Palhares
pag.3
Teoria de Sistemas Lineares Aula 7
Forma Companheira
_

_
0 0 0
4
1 0 0
3
0 1 0
2
0 0 1
1
_

_
ou
_

1

2

3

4
1 0 0 0
0 1 0 0
0 0 1 0
_

_
e suas transpostas tem o mesmo polinomio caracterstico:
() =
4
+
1

3
+
2

2
+
3
+
4
c Reinaldo M. Palhares
pag.4
Teoria de Sistemas Lineares Aula 7
Forma Diagonal Autovalores distintos
Teorema Suponha
1
,
2
, . . . ,
n
autovalores distintos de A e v
i
um
autovetor de A associado ao autovalor
i
, i = 1, 2, . . . , n. Entao, o conjunto
de autovetores {v
1
, v
2
, . . . , v
n
} e LI
Demonstracao Veja que (A
j
I)v
i
= Av
i

j
v
i
=
i
v
i

j
v
i
, ou
(A
j
I)v
i
=
_
_
_
(
i

j
)v
i
, j = i
0 , j = i
Supondo (por absurdo) que {v
1
, v
2
, . . . , v
n
} e LD, existem escalares

1
,
2
, . . . ,
n
nao todos nulos tais que
n

i=1

i
v
i
= 0
c Reinaldo M. Palhares
pag.5
Teoria de Sistemas Lineares Aula 7
Forma Diagonal Autovalores distintos
Sem perda de generalidade, assuma
1
= 0. Entao,
(A
n
I)
n

i=1

i
v
i
=
n1

i=1

i
(
i

n
)v
i
(A
n1
I)(A
n
I)
n

i=1

i
v
i
=
n2

i=1

i
(
i

n
)(
i

n1
)v
i

1
(
1

n
)(
1

n1
) (
1

3
)(
1

2
)v
1
=
n

i=1

i
v
i
= 0
Como
i
=
j
, j = 2, 3, . . . , n,
1
= 0, o que contradiz a hip otese inicial.
Portanto:
{v
1
, v
2
, . . . , v
n
} LI Base do C
n
c Reinaldo M. Palhares
pag.6
Teoria de Sistemas Lineares Aula 7
Forma Diagonal Autovalores distintos
Suponha que

A seja a representacao de A na base formada pelos autovetores
{v
1
, v
2
, . . . , v
n
} e seja a i-esima coluna de

A a representacao de Av
i
=
i
v
i
na base
{v
1
, v
2
, . . . , v
n
}. Portanto:
Av
i
=
h
v
1
v
2
v
i
v
n
i
2
6
6
6
6
6
6
6
6
6
6
6
6
4
0
0
.
.
.

i
.
.
.
0
3
7
7
7
7
7
7
7
7
7
7
7
7
5

A =
2
6
6
6
6
6
6
4

1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
3
7
7
7
7
7
7
5
= Q
1
AQ , Q =
h
v
1
v
2
v
n
i
c Reinaldo M. Palhares
pag.7
Teoria de Sistemas Lineares Aula 7
Forma Diagonal Autovalores distintos
Existe uma representa cao diagonal se todos os autovalores de A sao distintos
Q dene uma transforma cao de similaridade que diagonaliza a matriz A
Portanto, se Q =
_
v
1
v
2
v
n
_
e tal que

A = Q
1
AQ e uma
matriz diagonal, entao
AQ = Q

A = Av
i
=
i
v
i
, i = 1 n
e {v
1
, v
2
, . . . v
n
} sao autovetores LI de A
c Reinaldo M. Palhares
pag.8
Teoria de Sistemas Lineares Aula 7
Forma Diagonal Autovalores distintos
Exemplo A =
_

_
1 0 1
0 2 0
0 0 3
_

_
,
1
= 1,
2
= 2,
3
= 3
(A
1
I)v
1
= 0
_

_
0 0 1
0 1 0
0 0 2
_

_
_

_
v
11
v
21
v
31
_

_
= 0
_

_
v
31
= 0
v
21
= 0
2v
31
= 0
v
1
=
_

_
1
0
0
_

_
c Reinaldo M. Palhares
pag.9
Teoria de Sistemas Lineares Aula 7
Forma Diagonal Autovalores distintos
(A
2
I)v
2
= 0
_

_
1 0 1
0 0 0
0 0 1
_

_
_

_
v
12
v
22
v
32
_

_
= 0
_

_
v
12
v
32
= 0
. . .
v
32
= 0
v
2
=
_

_
0
1
0
_

_
(A
3
I)v
3
= 0
_

_
2 0 1
0 1 0
0 0 0
_

_
_

_
v
13
v
23
v
33
_

_
= 0
_

_
2v
13
v
33
= 0
v
23
= 0
. . .
v
13
= 0.5v
33
; v
3
=
_

_
0.5
0
1
_

_
c Reinaldo M. Palhares
pag.10
Teoria de Sistemas Lineares Aula 7
Forma Diagonal Autovalores distintos
Portanto, {v
1
, v
2
, v
3
} sao LI:

A =
_

_
1 0 0
0 2 0
0 0 3
_

_
e Q =
_
v
1
v
2
v
3
_
c Reinaldo M. Palhares
pag.11
Teoria de Sistemas Lineares Aula 7
Forma Diagonal Autovalores distintos
Exemplo A =
_

_
1 0 1
0 1 0
0 0 2
_

_
,
1
=
2
= 1,
3
= 2
(A
1
I)v
1
= 0
_

_
0 0 1
0 0 0
0 0 1
_

_
_

_
v
11
v
21
v
31
_

_
= 0, Solu coes LI v
1
=
_

_
1
0
0
_

_
, v
2
=
_

_
0
1
0
_

_
(A
3
I)v
3
= 0
_

_
1 0 1
0 1 0
0 0 0
_

_
_

_
v
13
v
23
v
33
_

_
= 0 ; v
3
=
_

_
1
0
1
_

_
; Q =
_
v
1
v
2
v
3
_
c Reinaldo M. Palhares
pag.12
Teoria de Sistemas Lineares Aula 7
Forma Diagonal Autovalores distintos
Multiplicidade Geometrica (MG) de
1
: 2 (n umero de solu coes LI
associadas ao autovalor)
No caso geral, tem-se: Multiplicidade Geometrica (MG) Multiplicidade
Algebrica (MA)
Se a Multiplicidade Geometrica for menor que a Multiplicidade Algebrica, nao
e possvel determinar autovetores {v
1
, v
2
, v
3
} LI
c Reinaldo M. Palhares
pag.13
Teoria de Sistemas Lineares Aula 7
Forma Diagonal Autovalores complexos
Considere a matriz A =
2
6
6
4
1 1 1
0 4 13
0 1 0
3
7
7
5
Autovalores: 1, 2 + j3 e 2 j3
Autovetores:
2
6
6
4
1
0
0
3
7
7
5
;
2
6
6
4
j
3 + j2
j
3
7
7
5
;
2
6
6
4
j
3 j2
j
3
7
7
5
Q =
2
6
6
4
1 j j
0 3 + j2 3 j2
0 j j
3
7
7
5
;

A =
2
6
6
4
1 0 0
0 2 + j3 0
0 0 2 j3
3
7
7
5
c Reinaldo M. Palhares
pag.14
Teoria de Sistemas Lineares Aula 7
Forma Diagonal Autovalores nao Distintos
Para autovalores nao distintos, nem sempre e possvel obter

A na forma
diagonal. Eg:
A =
_
_
5 1
0 5
_
_
,
1
=
2
= 5 , MA = 2
(A
1
I)v
1
= 0
_
_
0 1
0 0
_
_
_
_
v
11
v
21
_
_
= 0 ; v
1
=
_
_
1
0
_
_
; MG = 1
c Reinaldo M. Palhares
pag.15
Teoria de Sistemas Lineares Aula 7
Forma Canonica de Jordan
Dene-se como J
k
() o bloco de Jordan de dimensao k k associado ao
autovalor com multiplicidade maior que 1, dado por:
J
k
() =
2
6
6
6
6
6
6
6
6
6
4
1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
0 0 0
3
7
7
7
7
7
7
7
7
7
5
C
kk
Para qualquer matriz A R
nn
existe uma matriz nao singular Q tal que

A = Q
1
AQ =
2
6
6
6
6
6
6
4
J
k
1
(
1
)
J
k
2
(
2
)
.
.
.
J
k
r
(
r
)
3
7
7
7
7
7
7
5
, k
1
+ + k
r
= n
sendo que A tem r autovalores distintos
1
, . . . ,
r
entre n possveis
c Reinaldo M. Palhares
pag.16
Teoria de Sistemas Lineares Aula 7
Forma Canonica de Jordan
Associados aos r autovalores distintos, pode-se determinar r autovetores LI
{v
1
, v
2
, . . . , v
r
} via:
(A
i
I)v
i
= 0 , i = 1, 2, . . . , r
Se ha n blocos de Jordan de tamanho k = 1, entao

A e uma matriz
diagonal, porem no geral isso nao ocorre
A forma de Jordan e unica para uma dada matriz A (eventualmente pode
haver permuta coes entre os blocos)
Pode haver m ultiplos blocos associados ao mesmo autovalor
c Reinaldo M. Palhares
pag.17
Teoria de Sistemas Lineares Aula 7
Forma Canonica de Jordan
A pergunta e: como obter uma base para a transforma cao?
Os autovetores associados ao bloco de Jordan J
k
i
(
i
) sao determinados de:
_
v
i1
v
i2
v
ik
i
_
_

i
1 0 0
0
i
1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
0 0 0
i
_

_
= A
_
v
i1
v
i2
v
ik
i
_
Deni-se v
i1
v
i
como sendo o autovetor associado ao autovalor
i
c Reinaldo M. Palhares
pag.18
Teoria de Sistemas Lineares Aula 7
Forma Canonica de Jordan
Tal que:

i
v
i1
= Av
i1
= (A
i
I)v
i1
= 0
v
i1
+
i
v
i2
= Av
i2
= (A
i
I)v
i2
= v
i1
.
.
.
v
i(k
i
1)
+
i
v
ik
i
= Av
ik
i
= (A
i
I)v
ik
i
= v
i(k
i
1)
Da deni cao de autovetor: v
i1
= 0 tal que (A
i
I)v
i1
= 0
c Reinaldo M. Palhares
pag.19
Teoria de Sistemas Lineares Aula 7
Forma Canonica de Jordan
Da equa cao que dene v
i2
, pode-se escrever:
(A
i
I)(A
i
I)v
i2
= (A
i
I)v
i1
= 0
_
_
_
(A
i
I)
2
v
i2
= 0
(A
i
I)v
i2
= 0
Autovetor Generalizado de
i
v e um autovetor generalizado de grau de A associado ao autovalor se
(AI)

v = 0
(AI)
1
v = 0
c Reinaldo M. Palhares
pag.20
Teoria de Sistemas Lineares Aula 7
Forma Canonica de Jordan
Se o autovetor generalizado v e de grau 1 entao:
(AI)v = 0; v = 0
e portanto e um autovetor
O n umero de blocos de Jordan associados ao autovalor e dado pela
nulidade de:
(AI)
A forma canonica de Jordan e util do ponto de vista conceitual, nao sendo
usada para calculos computacionais
c Reinaldo M. Palhares
pag.21
Teoria de Sistemas Lineares Aula 7
Forma Canonica de Jordan
Exemplo A =
_

_
0 6 5
1 0 2
3 2 4
_

_

1
= 2,
2
=
3
= 1
Autovetor associado ao autovalor
1
= 2:
(A2I)v
1
=
_

_
2 6 5
1 2 2
3 2 2
_

_
_

_
v
1a
v
1b
v
1c
_

_
= 0 ; v
1
=
_

_
2
1
2
_

_
c Reinaldo M. Palhares
pag.22
Teoria de Sistemas Lineares Aula 7
Forma Canonica de Jordan
Para
2
= 1 (A1I)v
2
=
_

_
1 6 5
1 1 2
3 2 3
_

_
v
2
= 0
Veja l
3
= l
1
+ 4l
2
, rank(Aeye(3)) = 2 (A1I) = 1
existe 1 bloco de Jordan associado ao autovalor = 1, sendo a forma de
Jordan dada por:

A = Q
1
AQ =
_

_
2 0 0
0 1 1
0 0 1
_

_
c Reinaldo M. Palhares
pag.23
Teoria de Sistemas Lineares Aula 7
Forma Canonica de Jordan
Mas pode-se tambem obter a transformacao Q que gera a forma de Jordan. Veja que
(A 1I)v
2
= 0, pode-se obter
v
2
=
2
6
6
4
1
3/7
5/7
3
7
7
5
Denindo-se v
21
v
2
, determina-se o autovetor generalizado v
22
(A 1I)v
22
= v
21
; v
22
=
2
6
6
4
1
22/49
46/49
3
7
7
5
Portanto a transformacao que produz e dada por Q =
h
v
1
v
21
v
22
i
jordan(A)
c Reinaldo M. Palhares
pag.24
Teoria de Sistemas Lineares Aula 7
Forma Canonica de Jordan
Considere A R
44
com um autovalor de multiplicidade algebrica 4. Assuma
que (A I) = 1. Portanto (A I)v = 0 possui apenas uma solucao LI v. Para
formar uma base no R
4
, e necessarios mais tres vetores LI (autovetores generalizados)
v
2
, v
3
e v
4
satisfazendo:
(A I)
2
v
2
= 0
(A I)
3
v
3
= 0
(A I)
4
v
4
= 0
A partir de um vetor v, a cadeia de autovetores generalizados de tamanho 4 pode
ser gerada da forma:
v
4
v
v
3
(A I)v
4
= (A I)v
v
2
(A I)v
3
= (A I)
2
v
v
1
(A I)v
2
= (A I)
3
v
c Reinaldo M. Palhares
pag.25
Teoria de Sistemas Lineares Aula 7
Forma Canonica de Jordan
Propriedades: (A I)v
1
= 0, (A I)
2
v
2
= 0, (A I)
3
v
3
= 0 e
(A I)
4
v
4
= 0
Os vetores gerados dessa maneira sao LI, e:
Av
1
= v
1
Av
2
= v
1
+ v
2
Av
3
= v
2
+ v
3
Av
4
= v
3
+ v
4
Forma de Jordan (representacao na base {v
1
, v
2
, v
3
, v
4
}):

A =
2
6
6
6
6
6
4
1 0 0
0 1 0
0 0 1
0 0 0
3
7
7
7
7
7
5
c Reinaldo M. Palhares
pag.26
Teoria de Sistemas Lineares Aula 7
Forma Canonica de Jordan
Agora suponha que A R
44
tem um autovalor de multiplicidade
algebrica 4, porem (AI) = 2. Portanto (AI)v = 0, possui 2 solu coes
LI. Sendo necessario 2 autovetores generalizados
A partir de cada um dos autovetores, gera-se uma cadeia de autovetores
generalizados. As possveis formas de Jordan neste caso sao:

A
1
=
_

_
1 0 0
0 1 0
0 0 0
0 0 0
_

_
;

A
2
=
_

_
1 0 0
0 0 0
0 0 1
0 0 0
_

_
c Reinaldo M. Palhares
pag.27
Teoria de Sistemas Lineares Aula 7
Exemplo
A =
2
6
6
6
6
6
6
6
6
6
6
6
4
3 1 1 1 0 0
1 1 1 1 0 0
0 0 2 0 1 1
0 0 0 2 1 1
0 0 0 0 1 1
0 0 0 0 1 1
3
7
7
7
7
7
7
7
7
7
7
7
5
Lembre: det
2
4
A B
0 C
3
5
= det Adet C
det(A I) = [(3 )(1 ) + 1](2 )
2

(1 )
2
1

= (2 )
2
(2 )
2
(2 )
= (2 )
5

c Reinaldo M. Palhares
pag.28
Teoria de Sistemas Lineares Aula 7
Exemplo
Autovalores:
1
= 2, MA= 5 ;
2
= 0, MA= 1
(A2I) =
_

_
1 1 1 1 0 0
1 1 1 1 0 0
0 0 0 0 1 1
0 0 0 0 1 1
0 0 0 0 1 1
0 0 0 0 1 1
_

_
rank(A2 eye(6)) = 4
1
= (A2I) = 6 4 = 2 MG = 2
A forma de Jordan tem dois blocos associados ao autovalor
1
= 2
c Reinaldo M. Palhares
pag.29
Teoria de Sistemas Lineares Aula 7
Exemplo
Veja que a transforma cao e dada por:
Q =
_

_
0 2 2 1 0 0
0 2 0 0 0 0
0 0 1 1 2 1
0 0 1 0 2 1
0.5 0 0 0.5 0 1
0.5 0 0 0.5 0 1
_

_
=
_
x v
1
v
2
v
3
u
1
u
2
_
sendo x, v
1
e u
1
autovetores e v
2
, v
3
e u
2
autovetores generalizados
c Reinaldo M. Palhares
pag.30
Teoria de Sistemas Lineares Aula 7
Exemplo
Forma de Jordan:

A = Q
1
AQ =
_

_
0 0 0 0 0 0
0 2 1 0 0 0
0 0 2 1 0 0
0 0 0 2 0 0
0 0 0 0 2 1
0 0 0 0 0 2
_

_
c Reinaldo M. Palhares
pag.31
Teoria de Sistemas Lineares Aula 7
Autovalores e Autovetores de Matriz Simetrica
Suponha que os autovalores uma matriz simetrica A R
nn
sejam dados
por:
1
,
2
, . . . ,
n
Curiosidades

i
R, i = 1, . . . , n, ie, os autovalores sao reais?
Veja que se C e um autovalor e v C
n
e um autovetor generico de A,
entao Av = v, v = 0, ou ainda poderia escrever:
v

Av = v

v
cujo conjugado transposto e dado por (v

Av)

= (v

Av) =

v

v. Como
A = A

, fazendo v

Av (v

Av)

= v

(AA

)v = 0, tem-se:
0 = (

) v

v
..
v=0
=

R
c Reinaldo M. Palhares
pag.32
Teoria de Sistemas Lineares Aula 7
Autovalores e Autovetores de Matriz Simetrica
Autovetores v
i
, v
j
associados a autovalores distintos
i
=
j
sao
ortogonais, ie, v
i
, v
j
= v

i
v
j
= 0 ?
Veja que para autovalores distintos:
Av
i
=
i
v
i
v

j
Av
i
=
i
v

j
v
i
Av
j
=
j
v
j
v

i
Av
j
=
j
v

i
v
j
Como o lado esquerdo das expressoes acima e igual (A = A

), subtraindo
0 = (
i

j
) v
i
, v
j
v
i
v
j
se
i
=
j
c Reinaldo M. Palhares
pag.33
Teoria de Sistemas Lineares Aula 7
Autovalores e Autovetores de Matriz Simetrica
A forma de Jordan de uma matriz simetrica A R
nn
e diagonal
Se A = A

,

A =

A

e uma matriz diagonal (com os autovalores reais na


diagonal) e a base formada pelos autovetores e tal que
Q

Q = I (base ortonormal)
(Q
1
AQ)

= Q

AQ
1
= Q
1
AQ Q
1
= Q

c Reinaldo M. Palhares
pag.34
Teoria de Sistemas Lineares Aula 7
Algebra Linear
1. Fun c oes de Matriz Quadrada
1.1. Teorema de Cayley-Hamilton
c Reinaldo M. Palhares
pag.1
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Considere A R
nn
associada a transforma cao linear f : R
n
R
n
Polinomios de matriz quadrada Para k positivo e k Z, dena:
A
0
= I ; A
k
= AA A (k vezes)
Seja f() um polin omio em de grau nito como, eg:
f() =
2
+ 8 + 15 = ( + 3)( + 5)
Uma fun cao f(A) e denida da forma:
f(A) A
2
+ 8A + 15I = (A + 3I)(A + 5I)
c Reinaldo M. Palhares
pag.2
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Se A assume a forma bloco diagonal
A =
_
_
A
1
0
0 A
2
_
_
com A
1
e A
2
matrizes quadradas de qualquer ordem, tem-se
A
k
=
_
_
A
k
1
0
0 A
k
2
_
_
; f(A) =
_
_
f(A
1
) 0
0 f(A
2
)
_
_
c Reinaldo M. Palhares
pag.3
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Como e sempre possvel escrever

A = Q
1
AQ ou A = Q

AQ
1
, sendo

A a
representa cao de A na Forma Canonica de Jordan, entao:
f(A) = f(Q

AQ
1
)
=
_
Q

AQ
1
_
2
. .
(Q

AQ
1
)(Q

AQ
1
)
+8Q

AQ
1
+ 15I
= Q
_

A
2
+ 8

A + 15I
_
Q
1
= Qf(

A)Q
1
ou f(

A) = Q
1
f(A)Q
c Reinaldo M. Palhares
pag.4
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Denicao O polin omio mnimo de A e o polinomio monico (o coeciente do
termo de grau mais alto e 1) () de menor grau tal que (A) = 0
Note que f(A) = 0 se e somente se f(

A) = 0 (matrizes similares tem o
mesmo polin omio mnimo...)
Obter o polin omio mnimo diretamente de A nao e tao trivial, porem o
polin omio mnimo de uma matriz na forma de Jordan pode ser obtido por
inspe cao...
Se
i
e um autovalor de A com multiplicidade n
i
, o polinomio caracterstico de
A e dado por
() = det(I A) =

i
(
i
)
n
i
c Reinaldo M. Palhares
pag.5
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Suponha que a forma de Jordan de A e conhecida, dene-se como o ndice de
i
,
dado por n
i
, a maior ordem de todos os blocos de Jordan associados a
i
. Por exemplo,

1
tem multiplicidade 4 nas quatro matrizes abaixo:

A
1
=
2
6
6
6
6
6
4

1
0 0 0
0
1
0 0
0 0
1
0
0 0 0
1
3
7
7
7
7
7
5
;

A
2
=
2
6
6
6
6
6
4

1
1 0 0
0
1
0 0
0 0
1
0
0 0 0
1
3
7
7
7
7
7
5

A
3
=
2
6
6
6
6
6
4

1
1 0 0
0
1
1 0
0 0
1
0
0 0 0
1
3
7
7
7
7
7
5
;

A
4
=
2
6
6
6
6
6
4

1
1 0 0
0
1
1 0
0 0
1
1
0 0 0
1
3
7
7
7
7
7
5
os ndices do autovalor
1
sao, respectivamente, n
i
= 1, 2, 3 e 4
c Reinaldo M. Palhares
pag.6
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Usando os ndices n
i
de todos os autovalores
i
, o polinomio mnimo pode
ser expresso da forma:
() =

i
(
i
)
n
i
com grau n =

n
i

n
i
= n = dimensao de A
Nas matrizes acima, os polin omios mnimos sao:

1
= (
1
) ;
2
= (
1
)
2
;
3
= (
1
)
3
;
4
= (
1
)
4
Porem note que o polin omio caracterstico e sempre () = (
1
)
4
O polin omio mnimo e um fator do polin omio caracterstico, porem, se os
autovalores sao todos distintos, os dois polinomios sao iguais...
c Reinaldo M. Palhares
pag.7
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Exemplo Para a matriz na forma de Jordan

A =
_

_
1 0 0
0 1 0
0 0 1
0 0 0
_

_
, n
i
= 4
Compute:
(

AI) =
_

_
0 1 0 0
0 0 1 0
0 0 0 1
0 0 0 0
_

_
; (

AI)
2
=
_

_
0 0 1 0
0 0 0 1
0 0 0 0
0 0 0 0
_

_
c Reinaldo M. Palhares
pag.8
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
(

AI)
3
=
_

_
0 0 0 1
0 0 0 0
0 0 0 0
0 0 0 0
_

_
; (

AI)
k
= 0 para k 4
Veja que n
i
= 4...
Note ainda que
4
= (
1
)
4
Portanto, (A) = 0 e nenhum outro polinomio de grau menor verica a
condi cao
c Reinaldo M. Palhares
pag.9
Teoria de Sistemas Lineares Aula 8
Teorema de Cayley-Hamilton
Teorema Seja
() = det(I A) =
n
+
1

n1
+ +
n1
+
n
o polin omio caracterstico de A. Entao,
(A) = A
n
+
1
A
n1
+ +
n1
A +
n
I = 0
isto e, toda matriz A R
nn
satisfaz sua equa cao caracterstica
Como n
i
n
i
, o polin omio caracterstico contem o polinomio mnimo como um
fator, ou seja, para algum polin omio h()
() = ()h()
Como (A) = 0, (A) = (A)h(A) = 0 h(A) = 0
c Reinaldo M. Palhares
pag.10
Teoria de Sistemas Lineares Aula 8
Teorema de Cayley-Hamilton
Pelo Teorema, A
n
pode ser escrito como uma combina cao linear de
{I, A, . . . , A
n1
}, ie, multiplicando-se (A) = 0 por A tem-se:
A
n+1
+
1
A
n
+ +
n1
A
2
+
n
A = 0
tal que A
n+1
pode ser escrito como combina cao linear de {A, A
2
. . . , A
n
},
que por sua vez pode se escrever como combina cao linear de {I, A, . . . , A
n1
},
e assim sucessivamente...
Para qualquer polin omio f(), independentemente do grau, e valores
apropriados de
i
, f(A) pode ser expresso na forma
f(A) =
0
I +
1
A + +
n1
A
n1
Se o polin omio mnimo (grau n) de A e conhecido, A pode ser expressa
como combina cao linear de {I, A, . . . , A
n1
}
c Reinaldo M. Palhares
pag.11
Teoria de Sistemas Lineares Aula 8
Teorema de Cayley-Hamilton
Expressando um polin omio qualquer f() na forma:
f() = q()() + h()
q(): quociente da divisao por ()
h(): resto da divisao (grau menor que n)
Obtem-se:
f(A) = q(A)(A) + h(A) = q(A) 0 + h(A) = h(A)
c Reinaldo M. Palhares
pag.12
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Uma alternativa `a divisao de polin omios em f() e dada a seguir. Dena:
h() =
0
+
1
+ +
n1

n1
sendo
i
, i = 0, . . . , n 1: n inc ognitas a serem obtidas
Se os n autovalores de A sao distintos,
i
podem ser obtidos diretamente
das n equa coes
f(
i
) = q(
i
)(
i
) + h(
i
) = h(
i
) , i = 1, 2, . . . , n
Se A tem autovalores com multiplicidade maior do que 1, a expressao acima
tem que ser diferenciada (em rela cao a ) para fornecer novas equa coes como a
seguir...
c Reinaldo M. Palhares
pag.13
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Teorema Seja f() uma funcao dada e A R
nn
com o polinomio caracterstico:
() =
m
Y
i=1
(
i
)
n
i
; n =
m
X
i=1
n
i
Dena o polinomio de grau n 1 (com n coecientes a determinar):
h() =
0
+
1
+ +
n1

n1
Os n coecientes
i
podem ser obtidos do conjunto de n equacoes dadas por
f
()
(
i
) = h
()
(
i
)
8
<
:
= 0, 1, . . . , n
i
1
i = 1, 2, . . . , m
sendo que f
()
(
i
)
d

f()
d

=
i
; h
()
(
i
)
d

h()
d

=
i
Entao f(A) = h(A) e diz-se que h() e igual a f() no espectro (conjunto dos
autovalores) de A
c Reinaldo M. Palhares
pag.14
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Exemplo Obtenha A
100
, sendo A =
_
_
1 2
0 1
_
_
e () = ( 1)
2
Fa ca: h() =
0
+
1
, ie, ate n 1 ...
Espectro de A: = 1 , f() =
100
f(1) = h(1) 1
100
=
0
+
1
d
d
f(1) =
d
d
h(1) 100(1
99
) =
1
_

_
=
1
= 100 e
0
= 99
A
100
= f(A) = h(A) =
0
I +
1
A =
_
_
1 200
0 1
_
_
c Reinaldo M. Palhares
pag.15
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Exemplo Para A =
_

_
0 0 2
0 1 0
1 0 3
_

_
, com
_
_
_
() = ( 1)
2
( 2)
n
1
= 2, n
2
= 1
Obtenha e
At
, ie, se f() = e
t
, encontre f(A). Considere:
h() =
0
+
1
+
2

2
; h(A) = f(A) =
0
I +
1
A +
2
A
2
Entao
f(1) = h(1) e
t
=
0
+
1
+
2
f

(1) = h

(1) te
t
=
1
+ 2
2
f(2) = h(2) e
2t
=
0
+ 2
1
+ 4
2
e...
c Reinaldo M. Palhares
pag.16
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
e...

0
= 2te
t
+ e
2t
;
1
= 3te
t
+ 2e
t
2e
2t
;
2
= e
2t
e
t
te
t
e
At
= f(A) = h(A)
_

_
2e
t
e
2t
0 2e
t
2e
2t
0 e
t
0
e
t
+ e
2t
0 2e
2t
e
t
_

_
c Reinaldo M. Palhares
pag.17
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Pode-se tambem obter f(

A) generica, para

A na forma de Jordan, e
posteriormente ajustar a uma escolha para f()...
Exemplo Considere o bloco de Jordan:

A =
_

1
1 0 0
0
1
1 0
0 0
1
1
0 0 0
1
_

_
() = (
1
)
4
. Escolhendo (de maneira conveniente):
h() =
0
+
1
(
1
) +
2
(
1
)
2
+
3
(
1
)
3
A condi cao f() = h() no espectro de

A fornece

0
= f(
1
) ;
1
=
f

(
1
)
1!
;
2
=
f

(
1
)
2!
;
3
=
f
(3)
(
1
)
3!
c Reinaldo M. Palhares
pag.18
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Portanto
f(

A) = f(
1
)I+
f

(
1
)
1!
(

A
1
I)+
f

(
1
)
2!
(

A
1
I)
2
+
f
(3)
(
1
)
3!
(

A
1
I)
3
Usando as propriedades de (

AI)
k
(e para k 4, (

AI)
k
= 0):
f(

A) =
_

_
f(
1
) f

(
1
)/1! f

(
1
)/2! f
(3)
(
1
)/3!
0 f(
1
) f

(
1
)/1! f

(
1
)/2!
0 0 f(
1
) f

(
1
)/1!
0 0 0 f(
1
)
_

_
c Reinaldo M. Palhares
pag.19
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Por exemplo, escolhendo: f() = e
t
e

At
=
_

_
e

1
t
te

1
t
t
2
e

1
t
2!
t
3
e

1
t
3!
0 e

1
t
te

1
t
t
2
e

1
t
2!
0 0 e

1
t
te

1
t
0 0 0 e

1
t
_

_
c Reinaldo M. Palhares
pag.20
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Exemplo Considere a matriz (com dois blocos de Jordan)
A =
_

1
1 0 0 0
0
1
1 0 0
0 0
1
0 0
0 0 0
2
1
0 0 0 0
2
_

_
Se f() = e
t
, entao
e
At
=
_

_
e

1
t
te

1
t
t
2
e

1
t
/2! 0 0
0 e

1
t
te

1
t
0 0
0 0 e

1
t
0 0
0 0 0 e

2
t
te

2
t
0 0 0 0 e

2
t
_

_
c Reinaldo M. Palhares
pag.21
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
Se f() = (s )
1
, entao
(sIA)
1
=
_

_
1
(s
1
)
1
(s
1
)
2
1
(s
1
)
3
0 0
0
1
(s
1
)
1
(s
1
)
2
0 0
0 0
1
(s
1
)
0 0
0 0 0
1
(s
2
)
1
(s
2
)
2
0 0 0 0
1
(s
2
)
_

_
c Reinaldo M. Palhares
pag.22
Teoria de Sistemas Lineares Aula 8
Funcoes de Matriz Quadrada
O teorema de Cayley-Hamilton fornece uma f ormula explcita para o calculo
da matriz inversa, ja que uma matriz deve satisfazer seu pr oprio polinomio
caracterstico. De fato multiplicando (A) por A
1
:
A
1
(A) = A
1
_
A
n
+
1
A
n1
+ +
n1
A +
n
I
_
= 0
_
A
n1
+
1
A
n2
+ +
n1
I +
n
A
1
_
= 0
ou
A
1
=
1

n
_
A
n1
+
1
A
n2
+ +
n1
I
_
Veja que a inversa de A e expressao de ate n 1 potencias de A
c Reinaldo M. Palhares
pag.23
Teoria de Sistemas Lineares Aula 8
Algebra Linear
1. + sobre Fun coes de Matriz Quadrada
2. Equa cao de Sylvester
3. Formas Quadraticas
4. Sinais de Matrizes
5. Normas de Matrizes
c Reinaldo M. Palhares
pag.1
Teoria de Sistemas Lineares Aula 9
Funcoes de Matriz Quadrada
Fun cao de matriz denida como serie de potencia innita...
Suponha que f() possa ser denida como:
f() =

i=0

i
com raio de convergencia . Se todos os autovalores de A tem magnitude menor
do que , entao f(A) pode ser denida como:
f(A) =

i=0

i
A
i
c Reinaldo M. Palhares
pag.2
Teoria de Sistemas Lineares Aula 9
Funcoes de Matriz Quadrada
Exemplo Considere uma matriz

A na forma de Jordan e seja
f() = f(
1
) +
f

(
1
)
1!
(
1
) +
f

(
1
)
2!
(
1
)
2
+
Entao
f(

A) = f(
1
)I +
f

(
1
)
1!
(

A
1
I) + +
f
(n1)
(
1
)
(n 1)!
(

A
1
I)
n1
+
Como sabemos que (

A
1
I)
k
= 0 para k n, a serie innita pode ser truncada...
Eg, considere um unico bloco de Jordan de ordem 4, entao f(

A) reduz-se a:
f(

A) =
_

_
f(
1
) f

(
1
)/1! f

(
1
)/2! f
(3)
(
1
)/3!
0 f(
1
) f

(
1
)/1! f

(
1
)/2!
0 0 f(
1
) f

(
1
)/1!
0 0 0 f(
1
)
_

_
c Reinaldo M. Palhares
pag.3
Teoria de Sistemas Lineares Aula 9
Funcoes de Matriz Quadrada
Note que e
At
pode ser descrita via a serie de Taylor por:
e
t
= 1 +t +

2
t
2
2!
+ +

n
t
n
n!
+
que converge para todo e t nitos. Entao,
e
At
= I +At +
t
2
2!
A
2
+ +
t
n
n!
A
n
+ =

k=0
1
k!
t
k
A
k
Note que pode-se usar a descri cao por serie como metodo numerico para
computar exponenciais de matrizes...
MATLAB computo de exponencial de matriz, aproxima cao de Pade: expm ou
expmdemo1
c Reinaldo M. Palhares
pag.4
Teoria de Sistemas Lineares Aula 9
Computacao Simbolica no MATLAB com exmp
Remeta-se ao Exemplo da pag. 16 - Aula 8 - A =
_

_
0 0 2
0 1 0
1 0 3
_

_
>> A=[0 0 -2;0 1 0;1 0 3];
>> syms t ;
>> Ab = expm(A*t)
Ab =
[ 2*exp(t) - exp(2*t), 0, 2*exp(t) - 2*exp(2*t)]
[ 0, exp(t), 0 ]
[ exp(2*t) - exp(t), 0, 2*exp(2*t) - exp(t)]
c Reinaldo M. Palhares
pag.5
Teoria de Sistemas Lineares Aula 9
Funcoes de Matriz Quadrada
Propriedades de e
At
e
At
= I +At +
t
2
2!
A
2
+ +
t
n
n!
A
n
+ =

k=0
1
k!
t
k
A
k
e
0
= I
e
A(t
1
+t
2
)
= e
At
1
e
At
2
Veja que para t
2
= t
1
:
e
At
1
e
At
1
= e
A0
= I e
At
1
= I/e
At
1

_
e
At

1
= e
At
c Reinaldo M. Palhares
pag.6
Teoria de Sistemas Lineares Aula 9
Funcoes de Matriz Quadrada
d
dt
e
At
=

k=1
1
(k 1)!
t
k1
A
k
= A
_

k=0
1
k!
t
k
A
k
_
=
_

k=0
1
k!
t
k
A
k
_
A
Portanto,
d
dt
e
At
= Ae
At
= e
At
A
Note que e
(A+B)t
= e
At
e
Bt
a menos se AB = BA
Rela cao de Euler: e
Ai
= cosA+isenA
c Reinaldo M. Palhares
pag.7
Teoria de Sistemas Lineares Aula 9
Funcoes de Matriz Quadrada
Relembrando a Transformada de Laplace de f(t)
F(s) = L[f(t)]
_

0
f(t)e
st
dt
Particularmente a Transformada abaixo e de interesse:
L
_
t
k
k!
_
= s
(k+1)
Portanto
L
_
e
At

k=0
s
(k+1)
A
k
= s
1

k=0
s
k
A
k
= s
1

k=0
_
s
1
A
_
k
c Reinaldo M. Palhares
pag.8
Teoria de Sistemas Lineares Aula 9
Funcoes de Matriz Quadrada
Como a serie innita

k=0
(s
1
)
k
= 1 +s
1
+s
2

2
+ = (1 s
1
)
1
converge para | s
1
|< 1, conclui-se que
s
1

k=0
(s
1
A)
k
= s
1
I +s
2
A+s
3
A
2
+
= s
1
(I s
1
A)
1
= [s(I s
1
A)]
1
= (sI A)
1
L
_
e
At

= (sI A)
1
c Reinaldo M. Palhares
pag.9
Teoria de Sistemas Lineares Aula 9
Funcoes de Matriz Quadrada
Embora se tenha usado o fato de que os autovalores de s
1
A tem que ter
modulo menor do que 1, L
_
e
At

= (sI A)
1
vale para todo s exceto s
igual a um autovalor de A...
Pode-se obter o mesmo resultado aplicando-se Laplace em
d
dt
e
At
= Ae
At
:
L
_
d
dt
e
At
_
= L
_
Ae
At

sL
_
e
At

e
0
= AL
_
e
At

ou
(sI A)L
_
e
At

= I L
_
e
At

= (sI A)
1
c Reinaldo M. Palhares
pag.10
Teoria de Sistemas Lineares Aula 9
Equacao de Sylvester
A equa cao abaixo e denominada Equa cao de Sylvester:
AM +MB = C
Matrizes dadas: A R
nn
, B R
mm
, C R
nm
Matriz inc ognita: M R
nm
Deni-se: S(M) AM +MB
c Reinaldo M. Palhares
pag.11
Teoria de Sistemas Lineares Aula 9
Equacao de Sylvester
Pode-se reescrever a Eq. de Sylvester como um conjunto de equacoes lineares. Eg,
para n = 3, m = 2
_

_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_

_
_

_
m
11
m
12
m
21
m
22
m
31
m
32
_

_
+
_

_
m
11
m
12
m
21
m
22
m
31
m
32
_

_
_
_
b
11
b
12
b
21
b
22
_
_
=
_

_
c
11
c
12
c
21
c
22
c
31
c
32
_

_
_

_
a
11
+ b
11
a
12
a
13
b
21
0 0
a
21
a
22
+ b
11
a
23
0 b
21
0
a
31
a
32
a
33
+ b
11
0 0 b
21
b
12
0 0 a
11
+ b
22
a
12
a
13
0 b
12
0 a
21
a
22
+ b
22
a
23
0 0 b
12
a
31
a
32
a
33
+ b
22
_

_
. .
Quadrada n m!!
_

_
m
11
m
21
m
31
m
12
m
22
m
32
_

_
=
_

_
c
11
c
21
c
31
c
12
c
22
c
32
_

_
De maneira generica, a equacao de Sylvester pode ser escrita como S(M) = C,
mapeamento R
nm
R
nm
...
c Reinaldo M. Palhares
pag.12
Teoria de Sistemas Lineares Aula 9
Equacao de Sylvester
Um autovalor de S pode ser denido como um escalar se M = 0 tal que
S(M) = M
Considerando S como uma matriz quadrada de ordem nm, ha nm autovalores
k
,
k = 1, 2, . . . , nm, dados por

k
=
i
+
j
, i = 1, 2, . . . , n ; j = 1, 2, . . . , m
sendo
i
, i = 1, 2, . . . , n autovalores de A e
j
, j = 1, 2, . . . , m autovalores de B
De fato, considerando u R
n1
um autovetor `a direita de A associado a
i
, e
v R
1m
um autovetor `a esquerda de B associado a
j
, tem-se:
Au =
i
u ; vB = v
j
Aplicando a transformacao S na matriz uv R
nm
tem-se
S(uv) = Auv +uvB =
i
uv +uv
j
= (
i
+
j
)uv
c Reinaldo M. Palhares
pag.13
Teoria de Sistemas Lineares Aula 9
Equacao de Sylvester
Como o determinante de uma matriz e igual ao produto de todos os seus
autovalores; uma matriz e nao singular se e somente se nenhum autovalor e igual
a zero
Se nao existe nenhum i e j tais que
i
+
j
= 0, entao a matriz quadrada
de ordem nm denida por S e nao singular e, para cada C, a solu cao M da
equa cao de Sylvester e unica
Se
i
+
j
= 0 para algum i e j, dado C a solu cao pode existir ou nao. Se
C pertence ao range de S, existem m ultiplas solu coes
Se B = A

, entao AM +MA

= C e denominada Equa cao de Lyapunov


com C, M R
nn
. Se C = C

entao M = M

MATLAB M = lyap(A, B, C)
c Reinaldo M. Palhares
pag.14
Teoria de Sistemas Lineares Aula 9
Formas Quadraticas
n

i=1
n

j=1
m
ij
x
i
x
j
= x

M
1
x R , m
ij
C
Como x

M
1
x R, (x

M
1
x)

= (x

1
x) = (x

M
1
x)
x

M
1
x x

1
x = 0 , x

(M
1
M

1
)x = 0
Por outro lado pode-se escrever:
x

M
1
x = x

_
1
2
_
M
1
+M

1
_
_
x x

Mx
M =
1
2
_
M
1
+M

1
_
M = M

Toda forma Hermitiana pode ser escrita como x

Mx, com M = M

c Reinaldo M. Palhares
pag.15
Teoria de Sistemas Lineares Aula 9
Exemplos
Exemplo M =
_
_
2 3
3 4
_
_
, considerando x =
_
_
1 j
2 + 2j
_
_
x

Mx =
_
1 +j 2 2j
_
_
_
2 3
3 4
_
_
_
_
1 j
2 + 2j
_
_
= 36
de fato, para todo 0 = x C
2
obtem-se:
x

Mx = 2x

1
x
1
+ 3x

1
x
2
+ 3x

2
x
1
. .
(tem sinal contrario!)
+4x

2
x
2
= 2x
1
+ 4x
2

c Reinaldo M. Palhares
pag.16
Teoria de Sistemas Lineares Aula 9
Exemplos
Exemplo M =
_
_
1 1
1 2
_
_
, x R
2
x

Mx = x
2
1
2x
1
x
2
+ 2x
2
2
> 0 x
1
, x
2
= 0
Exemplos Bx
2
= x

Bx;

n
i=2
(x
i+1
x
i
)
2
; Fx
2
Gx
2
Unicidade da forma quadratica Se x

Ax = x

Bx para todo x R
n
e as
matrizes A e B sao simetricas, entao A = B
c Reinaldo M. Palhares
pag.17
Teoria de Sistemas Lineares Aula 9
Formas Quadraticas
Suponha que a matriz simetrica A foi decomposta na forma A = QDQ

, com
D diagonal contendo os autovalores reais de A ordenados:

max
=
1

2

n1

n
=
min
e Q

= Q
1
uma matriz ortogonal. Entao
x

Ax = x

QDQ

x = (Q

x)

D(Q

x) =
n

i=1

i
(q

i
x)
2

1
n

i=1
(q

i
x)
2
=
1
x
2
Similarmente, x

Ax
n
x
2
. Portanto

min
x

x x

Ax
max
x

x
c Reinaldo M. Palhares
pag.18
Teoria de Sistemas Lineares Aula 9
Formas Quadraticas
Propriedades de Matrizes Hermitianas M = M

ou M = M

se M R
n
Autovalores reais
Forma de Jordan diagonal
Autovetores correspondentes a autovalores distintos ortogonais
Toda matriz Hermitiana M pode ser transformada por uma matriz unitaria
P (isto e, P
1
= P

) em uma matriz diagonal com elementos reais:

M = PMP

c Reinaldo M. Palhares
pag.19
Teoria de Sistemas Lineares Aula 9
Sinais de Matrizes
Uma matriz M e denida positiva sse x

Mx > 0, x = 0, x C
n
.
Simbologia: M > 0
Uma matriz M e semidenida positiva sse x

Mx 0, x C
n
. Simbologia:
M 0
Uma matriz M e denida negativa se M e (semi)denida positiva. Simbologia:
M < 0
Teorema Uma matriz hermitiana n n M e denida positiva (semidenida positiva)
sse qualquer uma das condicoes abaixo e satisfeita:
Todos os autovalores de M sao positivos (nao negativos)
Todos os menores principais lderes de M sao positivos (todos os menores principais
de M sao nao negativos)
Existe uma matriz nao singular n n N (uma matriz singular n n N ou uma
matriz m n com m < n) tal que M = N

N
c Reinaldo M. Palhares
pag.20
Teoria de Sistemas Lineares Aula 9
Sinais de Matrizes
Suponha que N nao singular tal que M = N

N. Entao
x

Mx = x

Nx = (Nx)

(Nx) = Nx
2
2
0
para qualquer x. Se N e nao-singular, Nx = 0 x = 0, e portanto M e
denida positiva. Se N e singular, existe x = 0 tal que Nx = 0 e M e
semidenida positiva
N pode ser obtida por fatora cao de Cholesky (de fato, Cholesky e aplicavel a
matrizes denidas positivas...)
c Reinaldo M. Palhares
pag.21
Teoria de Sistemas Lineares Aula 9
Sinais de Matrizes
Menores Principais de uma Matriz Considere
M =
_

_
m
11
m
12
m
13
m
21
m
22
m
23
m
31
m
32
m
33
_

_
Menores Principais (determinantes de todas as submatrizes de M cujas diagonais
coincidem ou fazem parte da diagonal de M):
m
11
, m
22
, m
33
det
_
_
_
_
m
11
m
12
m
21
m
22
_
_
_
_
, det
_
_
_
_
m
11
m
13
m
31
m
33
_
_
_
_
, det
_
_
_
_
m
22
m
23
m
32
m
33
_
_
_
_
e
det(M)
c Reinaldo M. Palhares
pag.22
Teoria de Sistemas Lineares Aula 9
Sinais de Matrizes
Menores Principais Lderes determinantes das submatrizes de M obtidas ao
eliminarem-se as ultimas k colunas e k linhas, k = 2, 1, 0:
m
11
, det
_
_
_
_
m
11
m
12
m
21
m
22
_
_
_
_
, det(M)
todos os menores principais lderes positivos implica em menores principais
positivos
c Reinaldo M. Palhares
pag.23
Teoria de Sistemas Lineares Aula 9
Sinais de Matrizes
No entanto, todos os menores principais lderes nao negativos nao implica que
todos os menores sao nao negativos
Exemplo Considere M =
_

_
0 0 1
0 0 0
1 0 2
_

_
Veja
m
11
= 0 , det
_
_
0 0
0 0
_
_
= 0 , det(M) = 0
No entanto
m
22
= 0, m
33
= 2, det
_
_
0 1
1 2
_
_
= 1, det
_
_
0 0
0 2
_
_
= 0
c Reinaldo M. Palhares
pag.24
Teoria de Sistemas Lineares Aula 9
Sinais de Matrizes
Exemplo M =
_
_
1 1
1 2
_
_
e denida positiva, pois
m
11
= 1 > 0 ; det(M) = 1 > 0
Autovalores de M:
1
= 0.3820 ;
2
= 2.6180
M = N

N ; N = chol(M) =
_
_
1 1
0 1
_
_
; det(N) = 1 = 0
c Reinaldo M. Palhares
pag.25
Teoria de Sistemas Lineares Aula 9
Sinais de Matrizes
Nota Dada uma matriz H, sabemos que H

H ou HH

e simetrica...
A matriz simetrica H

H e sempre semidenida positiva; sera denida


positiva se H

H for nao singular. O mesmo vale para HH

Como H

H e HH

sao matrizes simetricas semidenidas positivas, seus


autovalores sao reais e nao negativos
Se H R
mn
, entao H

H tem n autovalores e HH

tem m autovalores
Se H R
mn
tem posto completo de colunas n, entao H

H e denida
positiva
Se H R
mn
tem posto completo de linhas m, entao HH

e denida
positiva
c Reinaldo M. Palhares
pag.26
Teoria de Sistemas Lineares Aula 9
Decomposicao em Valores Singulares
Seja H R
mn
e dena M = H

H (simetrica, n n e semidenida
positiva). Entao todos os autovalores de M sao reais e nao negativos (zero ou
positivos). Seja r o n umero de autovalores positivos ( M tem posto r)
Os autovalores de M = H

H podem ser arranjados na forma

2
1

2
2

2
r
> 0 =
r+1
=
r+2
= =
n

2
i
, i = 1, 2, . . . , n : autovalores de H

H

i
, i = 1, 2, . . . , n : valores singulares de H
sendo n min{n, m}
c Reinaldo M. Palhares
pag.27
Teoria de Sistemas Lineares Aula 9
Decomposicao em Valores Singulares
Exemplo H =
_
_
1 1 0
1 1 1
_
_
e M = H

H =
_

_
2 2 1
2 2 1
1 1 1
_

_
Autovalores de M: 4.5616, 0.4384, 0
Valores singulares de H: 2.1358 =

4.5616, 0.6622 =

0.4384
Autovalores de HH

: 4.5616, 0.4384
Valores singulares de H

: 2.1358 =

4.5616, 0.6622 =

0.4384
Note que os autovalores de H

H diferem dos de HH

apenas no n umero de
zeros, e H e H

tem os mesmos valores singulares


c Reinaldo M. Palhares
pag.28
Teoria de Sistemas Lineares Aula 9
Decomposicao em Valores Singulares
Teorema Decomposi cao em Valores Singulares Toda matriz H mn pode
ser escrita na forma
H = RSQ

com R

R = RR

= I
m
, Q

Q = QQ

= I
n
e S uma matriz mn com os
valores singulares de H na diagonal
As colunas de Q (R) sao autovetores ortonormais de H

H (HH

). O posto de
H e igual ao n umero de valores singulares diferentes de zero. Se o posto de H e
r, as r primeiras colunas de R formam uma base ortonormal para o range de H,
e as ultimas (n r) colunas de Q formam uma base para o espa co nulo de H
MATLAB [R,S,Q]=svd(H)
c Reinaldo M. Palhares
pag.29
Teoria de Sistemas Lineares Aula 9
Norma de Matrizes
A
r
sup
x=0
Ax
r
x
r
= sup
x
r
=1
Ax
r
sendo sup o supremo ou o menor limitante superior
A
r
e denominada norma matricial induzida por uma norma vetorial r.
Para diferentes x, tem-se diferentes A
1. A
1
= max
j
m

i=1
|a
ij
| A maior soma absoluta das colunas
2. A
2
= (
max
(A

A))
1
2
Valor singular maximo de A
3. A

= max
i
m

j=1
|a
ij
| A maior soma absoluta das linhas
c Reinaldo M. Palhares
pag.30
Teoria de Sistemas Lineares Aula 9
Norma de Matrizes
Exemplo Normas 1, 2 e de A =
_
_
3 2
1 0
_
_
?
A
1
= max {3 +| 1|; 2 + 0} = 4
A
2
= 3.7
A

= max {3 + 2; | 1| + 0} = 5
MATLAB norm(A,r), r = 1, 2 ou r =inf
c Reinaldo M. Palhares
pag.31
Teoria de Sistemas Lineares Aula 9
Norma Matricial
Interpretacao graca ? Considere por exemplo a norma A
1
. Note que y = Ax e
x
1
= 1 x
1
=
n

i=1
|x
i
|
portanto
y
1
= Ax =
_
_
3 2
1 0
_
_
_
_
1
0
_
_
=
_
_
3
1
_
_
, y
2
= Ax =
_
_
3 2
1 0
_
_
_
_
0
1
_
_
=
_
_
2
0
_
_
y
3
= Ax =
_
_
3 2
1 0
_
_
_
_
1
0
_
_
=
_
_
3
1
_
_
, y
4
= Ax =
_
_
3 2
1 0
_
_
_
_
0
1
_
_
=
_
_
2
0
_
_
c Reinaldo M. Palhares
pag.32
Teoria de Sistemas Lineares Aula 9
Norma Matricial
4 3 2 1 0 1 2 3 4
2
1.5
1
0.5
0
0.5
1
1.5
2
x
1
= 1
A
1
= 3 + 1 = 4
c Reinaldo M. Palhares
pag.33
Teoria de Sistemas Lineares Aula 9

Você também pode gostar