Algebra Linear: Funções de Matrizes e Equação de Sylvester

Algebra Linear
1. + sobre Funções de Matriz Quadrada

2. Equação de Sylvester
3. Formas Quadráticas
4. Sinais de Matrizes
5. Normas de Matrizes
pag.1 Teoria de Sistemas Lineares – Aula 9

c Reinaldo M. Palhares
°
Funções de Matriz Quadrada
Ã Função de matriz definida como série de potência infinita...
Suponha que f (λ) possa ser definida como:

∞
X
f (λ) = βi λi
i=0
com raio de convergência ρ. Se todos os autovalores de A têm magnitude menor

do que ρ, então f (A) pode ser definida como:
∞
X
f (A) = βi Ai
i=0

°
Exemplo Considere uma matriz Â na forma de Jordan e seja
f 0 (λ1 ) f 00 (λ1 )
f (λ) = f (λ 1 ) + (λ − λ 1 ) + (λ − λ 1 )2 + · · ·
1! 2!
Então
f 0 (λ1 ) f (n−1) (λ1 )
f (Â) = f (λ1 )I + (Â − λ 1 I) + · · · + (Â − λ 1 I)n−1 + · · ·
1! (n − 1)!
Como sabemos que (Â − λ 1 I)k = 0 para k ≥ n, a série infinita pode ser truncada...
Eg, considere um único bloco de Jordan de ordem 4, então f (Â) reduz-se a:
2 3
0 00 (3)
f (λ1 ) f (λ1 )/1! f (λ1 )/2! f (λ1 )/3!
6 7
0 00
6 0 f (λ1 ) f (λ1 )/1! f (λ1 )/2! 7
f (Â) = 6
6 7
0
7
6
4 0 0 f (λ1 ) f (λ1 )/1! 7 5
0 0 0 f (λ1 )

°
Note que eAt pode ser descrita via a série de Taylor por:
λ2 t2 λn tn
eλt = 1 + λt + + ··· + + ···
2! n!
que converge para todo λ e t finitos. Então,

∞
t2 tn X 1
eAt = I + At + A2 + · · · + An + · · · = tk A k
2! n! k=0
k!
I Note que pode-se usar a descrição por série como método numérico para
computar exponenciais de matrizes...
MATLAB – há várias rotinas para o cômputo de exponencial de matriz (série:

expm2; aproximação de Padé: expm ou expm1; forma de Jordan: expm3)

°
Propriedades de eAt
∞
t2 tn X 1
eAt = I + At + A2 + · · · + An + · · · = tk A k
2! n! k=0
k!
e0 = I
eA(t1 +t2 ) = eAt1 eAt2
I Veja que para t2 = −t1 :
eAt1 e−At1 = eA·0 = I ⇒ e−At1 = I/eAt1
⇓
£ At ¤−1
e = e−At

°
∞
d At
X 1
e = tk−1 Ak
dt k=1
(k − 1)!
Ã ∞
! Ã ∞
!
X 1 k k
X 1
= A t A = tk A k A
k=0
k! k=0
k!
Portanto,
d At
dt
e = AeAt = eAt A
I Note que e(A+B)t 6= eAt eBt a menos se AB = BA
I Relação de Euler: eAi = cosA + isenA

°
Ã Relembrando a Transformada de Laplace de f (t)

Z ∞
F (s) = L[f (t)] , f (t)e−st dt
0
Particularmente a Transformada abaixo é de interesse:

" #
tk
L = s−(k+1)
k!
Portanto
∞
X ∞
X ∞
X
£ At ¤ −(k+1) k −1 −k k −1
¡ −1 ¢k
L e = s A =s s A =s s A
k=0 k=0 k=0

°
I Como a série infinita
∞
X
(s−1 λ)k = 1 + s−1 λ + s−2 λ2 + · · · = (1 − s−1 λ)−1
k=0
converge para | s−1 λ |< 1, conclui-se que

∞
X
s−1 (s−1 A)k = s−1 I + s−2 A + s−3 A2 + · · ·
k=0
= s−1 (I − s−1 A)−1

= [s(I − s−1 A)]−1
= (sI − A)−1
£ At ¤
∴ L e = (sI − A)−1

°
I Embora se tenha usado o fato de que os autovalores de s−1 A têm que ter
£ At ¤
módulo menor do que 1, L e = (sI − A)−1 vale para todo ‘s’ exceto ‘s’
igual a um autovalor de A...
d At
I Pode-se obter o mesmo resultado aplicando-se Laplace em dt
e = AeAt :
· ¸
d At £ At ¤
L e = L Ae
dt
£ At ¤ 0 £ At ¤
sL e −e = AL e
ou
£ At ¤ £ At ¤ −1
(sI − A)L e =I ⇒ L e = (sI − A)

°
Equação de Sylvester
A equação abaixo é denominada Equação de Sylvester:
AM + M B = C
I Matrizes dadas: A ∈ Rn×n , B ∈ Rm×m , C ∈ Rn×m
I Matriz incógnita: M ∈ Rn×m
I Defini-se: S(M ) , AM + M B

°
Ã Pode-se reescrever a Eq. de Sylvester como um conjunto de equações lineares. Eg,

para n = 3, m = 2
2 32 3 2 3 2 3
a11 a12 a13 m11 m12 m11 m12 2 3 c11 c12
b b12
7 4 11
6 76 7 6 7 6 7
6 a21 a22 a23 7 6 m21 m22 7+6 m21 m22 5 = 6 c21 c22 7
b21 b22
4 54 5 4 5 4 5
a31 a32 a33 m31 m32 m31 m32 c31 c32
2 32 3 2 3
a11 + b11 a12 a13 b21 0 0 m11 c11
6 76 7 6 7
6 a21 a22 + b11 a23 0 b21 0 76 m21 7 6 c21 7
6 76 7 6 7
6 a31 a32 a33 + b11 0 0 b21 76 7
m31 7 6 c 7
6 76 6 31 7
6 76 7=6 7
6
6 b12 0 0 a11 + b22 a12 a13 76
76 m12 7
7
6 c12
6
7
7
6 76 7 6 7
4 0 b12 0 a21 a22 + b22 a23 54 m22 5 4 c22 5
0 0 b12 a31 a32 a33 + b22 m32 c32
| {z }
Quadrada n × m!!
I De maneira genérica, a equação de Sylvester pode ser escrita como S(M ) = C,

mapeamento Rn×m 7→ Rn×m ...

°
Ã Um autovalor de S pode ser definido como um escalar η se ∃M 6= 0 tal que
S(M ) = ηM
Considerando S como uma matriz quadrada de ordem nm, há nm autovalores ηk ,

k = 1, 2, . . . , nm, dados por
ηk = λi + µj , i = 1, 2, . . . , n ; j = 1, 2, . . . , m
sendo λi , i = 1, 2, . . . , n autovalores de A e µj , j = 1, 2, . . . , m autovalores de B

I De fato, considerando u ∈ Rn×1 um autovetor à direita de A associado a λi , e
v ∈ R1×m um autovetor à esquerda de B associado a µj , tem-se:
Au = λi u ; vB = vµj
Aplicando a transformação S na matriz uv ∈ Rn×m tem-se
S(uv) = Auv + uvB = λi uv + uvµj = (λi + µj )uv

°
I Como o determinante de uma matriz é igual ao produto de todos os seus

autovalores; uma matriz é não singular se e somente se nenhum autovalor é igual
a zero
I Se não existe nenhum i e j tais que λi + µj = 0, então a matriz quadrada
de ordem nm definida por S é não singular e, para cada C, a solução M da
equação de Sylvester é única
I Se λi + µj = 0 para algum i e j, dado C a solução pode existir ou não. Se
C pertence ao range de S, existem múltiplas soluções
Ã Se B = A0 , então AM + M A0 = C é denominada Equação de Lyapunov

com C, M ∈ Rn×n . Se C = C 0 então M = M 0
MATLAB M = lyap(A, B, −C)

°
Formas Quadráticas
n X
X n
mij x̄i xj = x∗ M1 x ∈ R , mij ∈ C
i=1 j=1
Como x∗ M1 x ∈ R, (x∗ M1 x)∗ = (x∗ M1∗ x) = (x∗ M1 x)
x∗ M1 x − x∗ M1∗ x = 0 , x∗ (M1 − M1∗ )x = 0
I Por outro lado pode-se escrever:

µ ¶
∗ ∗ 1 ¡ ¢
x M1 x = x M1 + M1∗ x , x∗ M x
2
1¡ ¢
M = M1 + M1∗ ⇒ M = M∗
2
I Toda forma Hermitiana pode ser escrita como x∗ M x, com M = M ∗

°
Exemplos
   
2 3 1−j
Exemplo M =  , considerando x =  
3 4 2 + 2j
  
∗
h i 2 3 1−j
x Mx = 1+j 2 − 2j    = 36
3 4 2 + 2j
de fato, para todo 0 6= x ∈ C2 obtém-se:
x∗ M x = 2x∗1 x1 + 3x∗1 x2 + 3x∗2 x1 +4x∗2 x2 = 2kx1 k + 4kx2 k

| {z }
(têm sinal contrário!)

°
Exemplos
 
1 −1
Exemplo M =  , x ∈ R2
−1 2
x0 M x = x21 − 2x1 x2 + 2x22 > 0 ∀ x1 , x2 6= 0
2 0 0
Pn
Exemplos kBxk = x B Bx; i=2 (xi+1 − xi )2 ; kF xk2 − kGxk2
Unicidade da forma quadrática Se x0 Ax = x0 Bx para todo x ∈ Rn e as

matrizes A e B são simétricas, então A = B

°
Suponha que a matriz simétrica A foi decomposta na forma A = QDQ0 , com

D diagonal contendo os autovalores reais de A ordenados:
λmax = λ1 ≥ λ2 ≥ · · · ≥ λn−1 ≥ λn = λmin
e Q0 = Q−1 uma matriz ortogonal. Então

n
X
x0 Ax = x0 QDQ0 x = (Q0 x)0 D(Q0 x) = λi (qi0 x)2
i=1
n
X
≤ λ1 (qi0 x)2 = λ1 kxk2
i=1
Similarmente, x0 Ax ≥ λn kxk2 . Portanto
λmin x0 x ≤ x0 Ax ≤ λmax x0 x

°
Propriedades de Matrizes Hermitianas M = M ∗ ou M = M 0 se M ∈ Rn
I Autovalores reais
I Forma de Jordan diagonal
I Autovetores correspondentes a autovalores distintos ortogonais
I Toda matriz Hermitiana M pode ser transformada por uma matriz unitária
P (isto é, P −1 = P ∗ ) em uma matriz diagonal com elementos reais:
M̂ = P M P ∗

°
Sinais de Matrizes
Ã Uma matriz M é definida positiva sse x ∗ M x > 0, ∀ x 6= 0, x ∈ Cn .

Simbologia: M > 0
Ã Uma matriz M é semidefinida positiva sse x ∗ M x ≥ 0, ∀ x ∈ Cn . Simbologia:
M ≥0
Ã Uma matriz M é definida negativa se −M é (semi)definida positiva. Simbologia:
M <0
Teorema Uma matriz hermitiana n × n M é definida positiva (semidefinida positiva)

sse qualquer uma das condições abaixo é satisfeita:
I Todos os autovalores de M são positivos (não negativos)
I Todos os menores principais lı́deres de M são positivos (todos os menores principais
de M são não negativos)
I Existe uma matriz não singular n × n N (uma matriz singular n × n N ou uma
matriz m × n com m < n) tal que M = N ∗ N

°
Sinais de Matrizes
B Suponha que ∃N não singular tal que M = N ∗ N . Então
x∗ M x = x∗ N ∗ N x = (N x)∗ (N x) = kN xk22 ≥ 0
para qualquer x. Se N é não-singular, N x = 0 ⇒ x = 0, e portanto M é

definida positiva. Se N é singular, existe x 6= 0 tal que N x = 0 e M é
semidefinida positiva
I N pode ser obtida por fatoração de Cholesky (de fato, Cholesky é aplicável a
matrizes definidas positivas...)

°
Sinais de Matrizes
Menores Principais de uma Matriz Considere

2 3
m 11 m 12 m 13
6 7
M =6
4 m 21 m 22 m 23 7
5
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
02 31 02 31 02 31
m 11 m 12 m 11 m 13 m 22 m 23
det @4 5A , det @4 5A , det @4 5A
m 21 m 22 m 31 m 33 m 32 m 33
e
det(M )

°
Sinais de Matrizes
Menores Principais Lı́deres determinantes das submatrizes de M obtidas ao

eliminarem-se as últimas k colunas e k linhas, k = 2, 1, 0:
 
m11 m12
m11 , det   , det(M )
m21 m22
I todos os menores principais lı́deres positivos implica em menores principais

positivos

°
Sinais de Matrizes
B No entanto, todos os menores principais lı́deres não negativos não implica que
todos os menores são não negativos
 
0 0 1
 
Exemplo Considere M = 
 0 0 0 

1 0 2
Veja  
0 0
m11 = 0 , det  =0 , det(M ) = 0
0 0
No entanto
   
0 1 0 0
m22 = 0, m33 = 2, det   = −1, det  =0
1 2 0 2

°
Sinais de Matrizes
 
1 −1
Exemplo M =   é definida positiva, pois
−1 2
m11 = 1 > 0 ; det(M ) = 1 > 0
Autovalores de M : λ1 = 0.3820 ; λ2 = 2.6180
 
0 1 −1
M =N N ; N = chol(M ) =   ; det(N ) = 1 6= 0
0 1

°
Sinais de Matrizes
Nota Dada uma matriz H, sabemos que H 0 H ou HH 0 é simétrica...
I A matriz simétrica H 0 H é sempre semidefinida positiva; será definida

positiva se H 0 H for não singular. O mesmo vale para HH 0
I Como H 0 H e HH 0 são matrizes simétricas semidefinidas positivas, seus
autovalores são reais e não negativos
I Se H ∈ Rm×n , então H 0 H tem n autovalores e HH 0 tem m autovalores
I Se H ∈ Rm×n tem posto completo de colunas n, então H 0 H é definida
positiva
I Se H ∈ Rm×n tem posto completo de linhas m, então HH 0 é definida
positiva

°
Decomposição em Valores Singulares
Seja H ∈ Rm×n e defina M = H 0 H (simétrica, n × n e semidefinida

positiva). Então todos os autovalores de M são reais e não negativos (zero ou
positivos). Seja r o número de autovalores positivos (∴ M tem posto r)
Os autovalores de M = H 0 H podem ser arranjados na forma
λ21 ≥ λ22 ≥ · · · ≥ λ2r > 0 = λr+1 = λr+2 = · · · = λn
B λ2i , i = 1, 2, . . . , n : autovalores de H 0 H
B λi , i = 1, 2, . . . , n̄ : valores singulares de H
sendo n̄ , min{n, m}

°
 
  2 −2 1
−1 1 0  
Exemplo H =   e M = H 0 H =  −2 2 −1 
 
1 −1 1
1 −1 1
B Autovalores de M : 4.5616, 0.4384, 0

√ √
B Valores singulares de H: 2.1358 = 4.5616, 0.6622 = 0.4384
B Autovalores de HH 0 : 4.5616, 0.4384
0
√ √
B Valores singulares de H : 2.1358 = 4.5616, 0.6622 = 0.4384
Ã Note que os autovalores de H 0 H diferem dos de HH 0 apenas no número de

zeros, e H e H 0 têm os mesmos valores singulares

°
Teorema – Decomposição em Valores Singulares – Toda matriz H m × n pode

ser escrita na forma
H = RSQ0
com R0 R = RR0 = Im , Q0 Q = QQ0 = In e S uma matriz m × n com os

valores singulares de H na diagonal
As colunas de Q (R) são autovetores ortonormais de H 0 H (HH 0 ). O posto de

H é igual ao número de valores singulares diferentes de zero. Se o posto de H é
r, as r primeiras colunas de R formam uma base ortonormal para o range de H,
e as últimas (n − r) colunas de Q formam uma base para o espaço nulo de H
MATLAB [R,S,Q]=svd(H)

°
Norma de Matrizes
kAxkr
# kAkr , sup = sup kAxkr
x6=0 kxkr kxkr =1
sendo sup o supremo ou o menor limitante superior

Ã kAkr é denominada norma matricial induzida por uma norma vetorial r.
Para diferentes kxk, tem-se diferentes kAk
m
X
1. kAk1 = max |aij | ⇔ A maior soma absoluta das colunas
j
i=1
1
0
2. kAk2 = (λmax (A A)) 2
⇔ Valor singular máximo de A
m
X
3. kAk∞ = max |aij | ⇔ A maior soma absoluta das linhas
i
j=1

°
Norma de Matrizes
 
3 2
Exemplo Normas 1, 2 e ∞ de A =  ?
−1 0
kAk1 = max {3 + | − 1|; 2 + 0} = 4

kAk2 = 3.7
kAk∞ = max {3 + 2; | − 1| + 0} = 5
MATLAB norm(A,r), r = 1, 2 ou r =inf

°
Norma Matricial
Ã Interpretação gráfica ? Considere por exemplo a norma kAk 1 . Note que y = Ax e

n
X
kxk1 = 1 ⇒ kxk1 = |xi |
i=1
portanto 2 32 3 2 3 2 32 3 2 3
3 2 1 3 3 2 0 2
y1 = Ax = 4 54 5 = 4 5, y2 = Ax = 4 54 5 = 4 5
−1 0 0 −1 −1 0 1 0
2 32 3 2 3 2 32 3 2 3
3 2 −1 −3 3 2 0 −2
y3 = Ax = 4 54 5=4 5, y4 = Ax = 4 54 5=4 5
−1 0 0 1 −1 0 −1 0

°
Norma Matricial
1.5
1 kxk1 = 1
0.5
−0.5
−1
−1.5
kAk1 = 3 + 1 = 4
−2
−4 −3 −2 −1 0 1 2 3 4

°

Algebra Linear: Funções de Matrizes e Equação de Sylvester

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Algebra Linear: Funções de Matrizes e Equação de Sylvester

Enviado por

Direitos autorais:

Formatos disponíveis

Algebra Linear

1. + sobre Funções de Matriz Quadrada

pag.1 Teoria de Sistemas Lineares – Aula 9

Ã Função de matriz definida como série de potência infinita...

Suponha que f (λ) possa ser definida como:

com raio de convergência ρ. Se todos os autovalores de A têm magnitude menor

pag.2 Teoria de Sistemas Lineares – Aula 9

pag.3 Teoria de Sistemas Lineares – Aula 9

que converge para todo λ e t finitos. Então,

MATLAB – há várias rotinas para o cômputo de exponencial de matriz (série:

pag.4 Teoria de Sistemas Lineares – Aula 9

I Veja que para t2 = −t1 :

eAt1 e−At1 = eA·0 = I ⇒ e−At1 = I/eAt1

pag.5 Teoria de Sistemas Lineares – Aula 9

I Note que e(A+B)t 6= eAt eBt a menos se AB = BA

I Relação de Euler: eAi = cosA + isenA

pag.6 Teoria de Sistemas Lineares – Aula 9

Ã Relembrando a Transformada de Laplace de f (t)

Particularmente a Transformada abaixo é de interesse:

pag.7 Teoria de Sistemas Lineares – Aula 9

converge para | s−1 λ |< 1, conclui-se que

= s−1 (I − s−1 A)−1

pag.8 Teoria de Sistemas Lineares – Aula 9

pag.9 Teoria de Sistemas Lineares – Aula 9

A equação abaixo é denominada Equação de Sylvester:

I Matrizes dadas: A ∈ Rn×n , B ∈ Rm×m , C ∈ Rn×m

I Matriz incógnita: M ∈ Rn×m

pag.10 Teoria de Sistemas Lineares – Aula 9

Ã Pode-se reescrever a Eq. de Sylvester como um conjunto de equações lineares. Eg,

I De maneira genérica, a equação de Sylvester pode ser escrita como S(M ) = C,

pag.11 Teoria de Sistemas Lineares – Aula 9

Considerando S como uma matriz quadrada de ordem nm, há nm autovalores ηk ,

sendo λi , i = 1, 2, . . . , n autovalores de A e µj , j = 1, 2, . . . , m autovalores de B

Aplicando a transformação S na matriz uv ∈ Rn×m tem-se

S(uv) = Auv + uvB = λi uv + uvµj = (λi + µj )uv

pag.12 Teoria de Sistemas Lineares – Aula 9

I Como o determinante de uma matriz é igual ao produto de todos os seus

Ã Se B = A0 , então AM + M A0 = C é denominada Equação de Lyapunov

MATLAB M = lyap(A, B, −C)

pag.13 Teoria de Sistemas Lineares – Aula 9

Como x∗ M1 x ∈ R, (x∗ M1 x)∗ = (x∗ M1∗ x) = (x∗ M1 x)

x∗ M1 x − x∗ M1∗ x = 0 , x∗ (M1 − M1∗ )x = 0

I Por outro lado pode-se escrever:

pag.14 Teoria de Sistemas Lineares – Aula 9

de fato, para todo 0 6= x ∈ C2 obtém-se:

x∗ M x = 2x∗1 x1 + 3x∗1 x2 + 3x∗2 x1 +4x∗2 x2 = 2kx1 k + 4kx2 k

pag.15 Teoria de Sistemas Lineares – Aula 9

x0 M x = x21 − 2x1 x2 + 2x22 > 0 ∀ x1 , x2 6= 0

Unicidade da forma quadrática Se x0 Ax = x0 Bx para todo x ∈ Rn e as

pag.16 Teoria de Sistemas Lineares – Aula 9

Suponha que a matriz simétrica A foi decomposta na forma A = QDQ0 , com

λmax = λ1 ≥ λ2 ≥ · · · ≥ λn−1 ≥ λn = λmin

e Q0 = Q−1 uma matriz ortogonal. Então

Similarmente, x0 Ax ≥ λn kxk2 . Portanto

pag.17 Teoria de Sistemas Lineares – Aula 9

Propriedades de Matrizes Hermitianas M = M ∗ ou M = M 0 se M ∈ Rn

I Forma de Jordan diagonal

I Autovetores correspondentes a autovalores distintos ortogonais

pag.18 Teoria de Sistemas Lineares – Aula 9

Ã Uma matriz M é definida positiva sse x ∗ M x > 0, ∀ x 6= 0, x ∈ Cn .

Teorema Uma matriz hermitiana n × n M é definida positiva (semidefinida positiva)

pag.19 Teoria de Sistemas Lineares – Aula 9