Escolar Documentos
Profissional Documentos
Cultura Documentos
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
_
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
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
(
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
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
_
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
_
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 = 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
(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
=
; 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
_
=
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
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
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
_
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
= 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
XX
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)
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
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)]
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
= A
1
y se A e quadrada
c Reinaldo M. Palhares
pag.34
Teoria de Sistemas Lineares Aula 6
Sistema de Equacoes Lineares
x
(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
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 = 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
_
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
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
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
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
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
Como H
H e HH
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
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
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