IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 1/16

Teorema de Cayley-Hamilton: mais uma prova

Seja () = det(I A) = n + 1n1 + + n1 + n o
polinomio caracterstico de A. Entao,
(A) = An + 1An1 + + n1 A + nI = 0
Considere a matriz Adj (A I) (matriz adjunta formada pelos
determinantes obtidos ao retirar-se de (A I) uma linha e uma
coluna), com elementos cuja maior potencia em e n1 . Assim,
pode-se escrever
Adj (A I) = B1n1 + B2n2 + + Bn1 + Bn
sendo Bi matrizes (n n) constantes (isto e, independentes de ) a
determinar. Usando a identidade
(A I)Adj (A I) = det(A I)I
e substituindo o lado esquerdo, tem-se
(A I)(B1n1 + B2n2 + + Bn1 + Bn) =
= det(A I)I
B1n + (AB1 B2)n1 + (AB2 B3)n2 +
+ (ABn1 Bn) + ABn = det(A I)I

e usando a equacao caracterstica do lado direito

B1n + (AB1 B2)n1 + (AB2 B3)n2 +

+ (ABn1 Bn) + ABn = nI + 1n1 I + + n1 I + nI
Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 2/16

Igualando os coeficientes de mesma potencia em :

B1
AB1 B2
AB2 B3
...
ABn1 Bn
ABn

= I
= 1 I
= 2 I
...
= n1 I
= n I

Multiplicando a primeira equacao por An, a segunda por An1 , e

assim por diante, e somando, do lado direito tem-se (A) (e, obrigatoriamente, do lado esquerdo tambem). Assim,
(AnB1 +AnB1)+(An1 B2 +An1B2)+(An2 B3 +An2 B3)+
+ ( A2Bn1 + A2Bn1 ) + ( ABn + ABn) = 0

Como conclusao, (A) = 0.

Funcao de matriz definida como serie de potencia

Suponha que f () possa ser definida
f () =

i i

i=0

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

i A i

i=0

Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 3/16

Exemplo: Considere uma matriz A na forma de Jordan e seja

f 00 (1)
f 0(1)
( 1) +
( 1)2 +
f () = f (1) +
1!
2!
Entao
f 0(1)
f (n1) (1)

f (A) = f (1)I+
(A1I)+ +
(A1I)n1 +
1!
(n 1)!
Como (A 1I)k = 0 para k n, a serie infinita pode ser truncada.

Calculando exp(At) por serie: a serie de Taylor

2 t2
n tn
exp(t) = 1 + t +
+ +
+
2!
n!
converge para todo e t finitos. Entao,

X 1
t2 2
tn n
exp(At) = I + At + A + + A + =
tk A k
2!
n!
k!
k=0

Pode ser usado como metodo numerico para computar exponenciais

de matrizes.
Matlab: varias rotinas para calculo de exponencial de matriz (serie,
aproximacao de Pade, forma de Jordan)
Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 4/16

Propriedades de exp(At)

X 1
t2 2
tn n
exp(At) = I + At + A + + A + =
tk A k
2!
n!
k!
k=0

exp(0) = I

exp[A(t1 + t2)] = exp(At1) exp(At2 )

Fazendo t2 = t1:

exp(At1) exp(At1) = exp[A0] = I

[exp(A(t))]1 = exp(At)

X
d
1
exp(At) =
tk1 Ak
dt
(k 1)!
k=1

X
1 k k X 1 k k
t A =
t A A
=A
k!
k!
k=0

k=0

Portanto,
d
exp(At) = A exp(At) = exp(At)A
dt
Note que
exp[(A + B)t] = exp(At) exp(Bt)

AB = BA
Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 5/16

Transformada de Laplace de f (t)

F (s) = L[f (t)] ,
Assim:

f (t) exp(st)dt

k
t
= s(k+1)
L
k!

L[exp(At)] =

s(k+1) Ak = s1

sk Ak

k=0

k=0

Como a serie infinita converge para | s1 |< 1

X
k=0

s1

(s1)k = 1 + s1 + s22 + = (1 s1)1

X
k=0

(s1 A)k = s1I + s2A + s3A2 +

= s1 (I s1A)1 = [s(I s1A)]1 = (sI A)1

=

L[exp(At)] = (sI A)1

Embora na demonstracao se tenha usado o fato de que os autovalores de s1A tem que ter modulo menor do que 1, a expressao acima
vale para todo s exceto s igual a um autovalor de A.
Pode tambem ser estabelecida aplicando-se Laplace em
d
exp(At) = A exp(At)
dt

(sI A)L[exp(At)] = I

sL[exp(At)]exp(0) = AL[exp(At)]
=

L[exp(At)] = (sI A)1

Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 6/16

Equac
ao de Sylvester
AM + M B = C
A Rnn, B Rmm , C Rnm sao matrizes constantes
M Rnm e a (matriz) incognita
Pode ser re-escrita como um conjunto de equacoes lineares
Por exemplo, para n = 2, m = 3

a11 a12 a13

m11 m12
m11 m12
c11 c12
a21 a22 a23 m21 m22 + m21 m22 b11 b12 = c21 c22
b21 b22
a31 a32 a33
m31 m32
m31 m32
c31 c32

a11 + b11
a12
a13
b21
0
0
a21
a22 + b11
a23
0
b21
0
a31
a32
a33 + b11
0
0
b21
b12
0
0
a11 + b22
a12
a13
0
b12
0
a21
a22 + b22
a23
0
0
b12
a31
a32
a33 + b22

c11
c21

c31

=
c12

c22
c32

m11
m21
m31
m12
m22
m32

De maneira generica, a equacao de Sylvester pode ser escrita como

S(M ) = C, definindo um mapeamento do espaco de dimensao nm
para o proprio espaco.
Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 7/16

Um autovalor de S pode ser definido como um escalar 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 Rn1 um autovetor a`
direita de A associado a i, e v R1m um autovetor a` esquerda de
B associado a j , tem-se:
Au = iu ;

vB = vj

Aplicando a transformacao S na matriz uv tem-se

S(uv) = Auv + uvB = iuv + uvj = (i + j )uv

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 definida por S e nao singular e, para cada
C, a solucao M da equacao de Sylvester e unica.
Se i + j = 0 para algum i e j, dado C a solucao pode existir ou
nao. Se C pertence ao range de S, existem multiplas solucoes.
Equacao de Lyapunov: A0P + P A + Q = 0, P = P 0
Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 8/16

Formas Quadr
aticas (Hermitianas)
Sao funcoes de n variaveis complexas da forma
n X
n
X
i=1 j=1

mij xixj = xM1x R , mij C

Como xM1x R, (x M1x) = (xM1x) = (xM1x)

xM1x xM1x = 0 ,

x(M1 M1)x = 0

Por outro lado,

x M1 x = x

M=

1
(M1 + M1) x , xM x
2

1
(M1 + M1) M = M
2

Toda forma Hermitiana pode ser escrita como

x M x
com M = M .

Exemplo: M =

5 1
1 8

x0M x = 5x21 2x1x2 + 8x22 > 0 x1, x2 6= 0

Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 9/16

Exemplos de formas quadr

aticas
2

kBxk = x B Bx ;

n
X
i=2

(xi+1 xi)2 ;

kF xk2 kGxk2

Se x0Ax = x0Bx para todo x Rn e as matrizes A e B sao simetricas, entao A = B (unicidade da forma quadratica)
Uma forma quadratica pode definir conjuntos:
{x : f (x) = c} (superfcie quadratica)
{x : f (x) c} (regiao quadratica)

Suponha que a matriz simetrica A foi decomposta na forma A =

QQ0, com diagonal contendo os autovalores reais de A ordenados
1 2 n. Entao
x0Ax = x0QQ0 x = (Q0x)0(Q0 x) =

n
X

i(qi0 x)2

i=1

n
X
i=1

(qi0 x)2 = 1kxk2

Similarmente, x0Ax nkxk2 . Assim,

nx0x x0Ax 1x0x
Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

Matrizes Hermitianas M = M

algebra5 10/16

(Simetricas se M e real)

Autovalores reais
Forma de Jordan diagonal
Autovetores correspondentes a autovalores distintos ortogonais
Toda matriz Hermitiana M pode ser transformada por uma matriz
unitaria P (isto e, P 1 = P ) em uma matriz diagonal com elementos reais:
= P MP
M
Positividade
Uma matriz M e definida positiva se e somente se xM x > 0,
x 6= 0, x Cn.
Uma matriz M e semidefinida positiva se e somente se xM x
0, x Cn.
Uma matriz M e (semi)definida negativa se M e (semi)definida
positiva.
Uma matriz hermitiana n n M e definida positiva (semidefinida
positiva) se e somente se qualquer das condicoes seguintes 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 .
Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 11/16

Considerando a ultima condicao, se M = N N , entao

xM x = xN N x = (N x)(N x) = kN xk22 0
para qualquer x. Se N e nao-singular, N x = 0 x = 0, e portanto
M e definida positiva. Se N e singular, existe x 6= 0 tal que N x = 0
e M e semidefinida positiva.
Menores Principais de uma Matriz
Seja

m11 m12 m13

M = m21 m22 m23
m31 m32 m33
Menores Principais (determinantes de todas as submatrizes de M
cujas diagonais coincidem ou fazem parte da diagonal de M ):

det

m11
m21

m11 , m22 , m33

m22 m23
m11 m13
m12
, det
, det
m32 m33
m31 m33
m22
det(M )

Menores Principais Lderes (determinantes das submatrizes de M

obtidas ao eliminarem-se as ultimas k colunas e k linhas, k = 2, 1, 0):

m11 m12
, det(M )
m11 , det
m21 m22
Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 12/16

todos os menores principais lderes positivos = menores principais positivos.

No entanto, todos os menores principais lderes nao negativos nao
implica que todos os menores sao nao negativos. Por exemplo,

0 0 1
M =0 0 0
1 0 2
m11 = 0 , det

0 0
0 0

= 0 , det(M ) = 0

Entretanto,

0 1
det
1 2

m22 = 0 , m33 = 2 ,

0 0
det
0 2

Exemplo: M =

5 1
1 8

= 1

=0

e definida positiva, pois

m11 = 5 > 0 ; det(M ) = 39 > 0

autovalores de M :

M = N 0N ; N =

1 = 4.6972 ; 2 = 8.3028

2.2273 0.1981
0.1981 2.8215

; det(N ) = 6.2450 6= 0
Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 13/16

Note que a matriz simetrica H 0H e sempre semidefinida positiva;

sera definida positiva se H 0H for nao singular. O mesmo vale para
HH 0.
Como H 0H e HH 0 sao matrizes simetricas semidefinidas positivas,
seus autovalores sao reais e nao negativos.
Se H Rmn , entao H 0H tem n autovalores e HH 0 tem m autovalores. Usando a propriedade de determinantes, para A Rmn e
B Rnm
sn det(sIm AB) = sm det(sIn BA)

tem-se
det(sIm HH 0) = smn det(sIn H 0H)

e portanto os polinomios caractersticos de H 0H e HH 0 diferem apenas em smn. Como conclusao, H 0H e HH 0 tem os mesmos autovalores positivos mas podem ter um numero diferente de autovalores
iguais a zero (no maximo igual a n
, min{n, m}).
Decomposic
ao em Valores Singulares
Seja H Rmn e defina M = H 0H (simetrica, n n e semidefinida
positiva). Assim, todos os autovalores de M sao reais e nao negativos (zero ou positivos). Seja r o numero de autovalores positivos
(portanto, M tem rank r).
Os autovalores de M = H 0H podem ser arranjados na forma
21 22 2r > 0 = r+1 = r+2 = = n
2i , i = 1, 2, . . . , n :

autovalores de H 0H

i , i = 1, 2, . . . , n
:

valores singulares de H
Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 14/16

Exemplo

1 2 3
H=
1 2 5

2 0 2
M = H 0H = 0 8 16
2 16 34
Autovalores de M : 41.6977, 2.3023, 0

Valores singulares de H: 6.4574 = 41.6977, 1.5173 = 2.3023

Autovalores de HH 0: 41.6977, 2.3023

0
Valores singulares de H : 6.4574 = 41.6977, 1.5173 = 2.3023
Portanto, os autovalores de H 0H diferem dos de HH 0 apenas no
numero de zeros, e H e H 0 tem os mesmos valores singulares.
Teorema: (Decomposicao em Valores Singulares)
Toda matriz H m n pode ser colocada na forma
H = RSQ0

com R0R = RR0 = Im, Q0Q = QQ0 = In e S uma matriz m n

com os valores singulares de H na diagonal.
As colunas de Q (R) sao autovetores ortonormais de H 0H (HH 0).
O rank de H e igual ao numero de valores singulares diferentes de
zero. Se o rank 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 espaco nulo de H.
Matlab: [R,S,Q]=svd(H)
Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 15/16

Elips
oides
Se A = A0 > 0, A Rnn, o conjunto
E = {x Rn : x0Ax 1}
e um elipsoide no espaco Rn centrado em 0

s2
s1

PSfrag replacements
E

1/2

Os semi-eixos sao dados por si = i

os tamanhos, autovetores as direcoes)

qi (autovalores determinam

Se q1 estp
a associado ao autovalor maximo max e qn ao mnimo min,
a razao max/min da a maior excentricidade.
Profs. Pedro/Ivanil

IA536 - Teoria de Sistemas Lineares - FEEC/UNICAMP

algebra5 16/16

Norma de Matrizes
kAk , sup
x6=0

kAxk
= sup kAxk
kxk
kxk=1

sendo sup o supremo ou o menor limitante superior. A norma kAk,

como e definida atraves da norma de x, e chamada norma induzida
pela norma de x. Para kxk diferentes, tem-se diferentes kAk.
kAk1 = max
j

n
X
i=1

| aij |
1

kAk2 = (max(AA)) 2
kAk = max
i

n
X
j=1

| aij |

Propriedades
kAxk kAkkxk
kA + Bk kAk + kBk
kABk kAkkBk
Decorrencia de
k(A + B)xk = kAx + Bxk kAxk + kBxk (kAk + kBk)kxk
kABxk kAkkBxk kAkkBkkxk
Exemplo: A =

3 2
1 0

kAk1 = 4 ; kAk2 = 3.7 ; kAk = 5

Profs. Pedro/Ivanil