Matrizes e Linearidade

1. Revisitando Matrizes
1.1. Traço, Simetria, Determinante
1.2. Inversa
2. Sistema de Equações Lineares
3. Equação Caracterı́stica
3.1. Autovalor & Autovetor
4. Polinômios Coprimos
5. Função Linear
6. Sistemas Dinâmicos Lineares & Não-Lineares

pag.1 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Matrizes e Vetores

   
a11 a12 ··· a1n x1
   
 a21
 a22 ··· a2n 

 x2



Am×n = . .. ..  ; x= . 
 .. . .   .. 
   
am1 am2 ··· amn xn

à A ∈ Rm×n : matriz real, A ∈ Cm×n : matriz complexa

à x ∈ Rn (real), x ∈ Cn (complexo)

pag.2 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Matrizes e Vetores

à Transposição:

2 3
a11 a21 ··· a m1
6 7
6 a
6 12 a22 ··· a m2 7
7 h i
0 0
A =6
6 .. .. ..
7
7 ; x = x1 x2 ··· xn
6 . . . 7
4 5
a1n a2n ··· a mn

(A + B)0 = A0 + B 0 ; (AB)0 = B 0 A0

Traço: soma dos elementos da diagonal de uma matriz quadrada

n
X
An×n ⇒ Tr (A) = aii ; Tr(AB) = Tr(BA) ; Tr(αA+B) = αTr(A)+Tr(B)
i=1

pag.3 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Matrizes

à Matriz conjugada Ā (A ∈ Cm×n )

   
1 1+j 0 1 1−j 0
   
A =  −3 − 3j
 j −1 − 5j  ; Ā = 

 −3 + 3j −j −1 + 5j 

0 4j 1+j 0 −4j 1−j

 
1 −3 + 3j 0
 
à Matriz conjugada transposta A = 
∗
 1−j −j −4j 

0 −1 + 5j 1−j

(A + B)∗ = A∗ + B ∗ ; (AB)∗ = B ∗ A∗ ; c ∈ C ⇒ (cA)∗ = c̄A∗

pag.4 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Matrizes

• Simetria: A = A0 (aij = aji ) # Anti-simetria: A = −A0 (aij = −aji )

Se A ∈ Rn×n , então A + A0 é simétrica ; A − A0 é anti-simétrica

Se A ∈ Rm×n , então A0 A é simétrica ; AA0 é simétrica

• Hermitiana: A = A∗ (aij = āji ) # Anti-hermitiana: A∗ = −A

Toda matriz quadrada A pode ser expressa de maneira única como

1 1
A = X + jY ; X= (A + A∗ ) ; Y = (A − A∗ )
2 2j
X, Y : hermitianas

pag.5 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Determinantes
à det(A) é o determinante da matriz quadrada An×n , função escalar que
pode ser computada a partir de uma linha arbitrária k da matriz
n
X
det(A) = akj Ckj
j=1

ou ainda a partir de uma coluna l qualquer

n
X
det(A) = ail Cil
i=1

sendo Cpq os cofatores dados por

Cpq = (−1)p+q Mpq

e Mpq os menores associados aos elementos apq da matriz An×n . O menor

Mpq é o determinante da matriz de dimensão (n − 1) × (n − 1) obtida a partir
da eliminação da linha p e da coluna q da matriz A
pag.6 Teoria de Sistemas Lineares – Aula 1
c Reinaldo M. Palhares
°
 Determinantes

à Determinantes de A n×n , para n = 1, 2 e 3:

h i
A= a11 ⇒ det(A) = a11

2 3
a11 a12
A=4 5 ⇒ det(A) = a11 a22 − a 12 a21
a21 a22

2 3
a11 a12 a13
6 7
A=6
4 a21 a22 a23 7 ⇒
5 det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
a31 a32 a33 −a 13 a22 a31 − a 12 a21 a33 − a 11 a32 a23

pag.7 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Propriedade dos Determinantes

à Se duas linhas (colunas) são trocadas, troca-se o sinal

à Se uma matriz tem duas linhas (colunas) idênticas o determinante é nulo

à det(A0 ) = det(A) ; det(A∗ ) = det(Ā)

à det(AB) = det(A) det(B)

à det(αA) = αn det(A) (A ∈ Rn×n )

   
A B A 0
à det   = det   = det(A) det(D)
0 D C D

pag.8 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 + sobre Matrizes

à Ortogonal: A ∈ Rn×n , A0 A = AA0 = I

à Unitária: A ∈ Cn×n , A∗ A = AA∗ = I

Note que o determinante de uma matriz hermitiana é sempre real

det(A) = det(A∗ ) = det(Ā0 ) = det(Ā)

à Se det(A) = 0 a matriz A é chamada singular

pag.9 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Inversa de Matrizes

à An×n possui uma inversa Bn×n = A−1 se AB = BA = In×n

1
à A inversa de uma matriz é dada por A−1 = Adj (A), sendo
det(A)
Adj (A) a matriz adjunta da matriz A, definida como Adj (A) = [Co (A)]0 e
Co (A) é a matriz cofatora de A, composta pelos cofatores Cij da matriz A

à Relembrando, Cofator:

Cij = (−1)i+j |M |ij

|M |ij – o menor, do det(A), formado quando se remove a i-ésima linha e

j-ésima coluna do det(A)

pag.10 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Inversa de Matrizes

Uma identidade matricial AB = C pode ser particionada de várias maneiras:

2 3 2 3 2 3
A1 h i A1 B1 A1 B2 C1 C2
4 5 B1 B2 =4 5=4 5
A2 A2 B1 A2 B2 C3 C4
2 32 3 2 3 2 3
A1 A2 B1 A1 B1 + A2 B2 C1
4 54 5=4 5=4 5
A3 A4 B2 A3 B1 + A4 B2 C2

2 32 3 2 3 2 3
A1 A2 B1 B2 A1 B1 + A2 B3 A1 B2 + A2 B4 C1 C2
4 54 5=4 5=4 5
A3 A4 B3 B4 A3 B1 + A4 B3 A3 B2 + A4 B4 C3 C4

pag.11 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Inversa de Matrizes

à A inversa de uma matriz ortogonal é igual à sua transposta

A−1 = A0

à A inversa de uma matriz unitária é igual à sua conjugada transposta:

A−1 = A∗

à Inversa de uma matriz A ∈ R2×2

 −1  
a b 1 d −b
  =  
c d ad − bc −c a

pag.12 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Fórmulas para Matrizes Invertı́veis

 
A11 A12
Para uma matriz quadrada A =   com A11 e A22 quadradas
A21 A22

à Se A11 é não-singular

     
A11 A12 I 0 A11 0 I A−1
11 A12
 =   
A21 A22 A21 A−1
11 I 0 ∆ 0 I

∆ , A22 − A21 A−1

11 A12 ; A é não-singular sse ∆ é não-singular

pag.13 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Fórmulas para Matrizes Invertı́veis

à Se A22 é não-singular

     
A11 A12 I A12 A−1
22
ˆ
∆ 0 I 0
 =   
A21 A22 0 I 0 A22 A−1
22 A21 I

ˆ , A11 − A12 A−1

∆ ˆ
22 A21 ; A é não-singular sse ∆ é não singular

ˆ é chamado de complemento de Schur de A11 (A22 )

∆ (∆)

pag.14 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Fórmulas para Matrizes Invertı́veis

à Se A é não singular
 −1  
A11 A12 A−1
11 + A −1
11 A 12 ∆ −1
A 21 A −1
11
−1
−A11 A12 ∆−1
  = 
A21 A22 −∆−1 A21 A−1 11 ∆−1

 −1  
A11 A12 ˆ −1
∆ −∆ˆ −1 A12 A−1
22
  = 
A21 A22 −A−1 ˆ −1
22 A21 ∆ A−1
22 + A−1 ˆ −1 A12 A−1
22 A21 ∆ 22

(A11 − A12 A−1

22 A 21 ) −1
= A −1
11 + A −1
11 A 12 (A 22 − A A −1
21 11 A 12 ) −1
A A −1
21 11

(A22 − A21 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

pag.15 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Fórmulas para Matrizes Invertı́veis

à Para A bloco-triangular

 −1  
A11 0 A−1
11 0
  = 
A21 A22 −A−1
22 A 21 A −1
11 A−1
22

 −1  
A11 A12 A−1
11 −A−1 −1
11 A12 A22
  = 
0 A22 0 A−1
22

pag.16 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Fórmulas para Matrizes Invertı́veis

à Se A11 é não-singular

det(A) = det(A11 ) det(A22 − A21 A−1

11 A12 )

à Se A22 é não-singular

det(A) = det(A22 ) det(A11 − A12 A−1

22 A21 )

à Para matrizes quaisquer B ∈ Cm×n e C ∈ Cn×m

 
Im B
det   = det(In + CB) = det(Im + BC)
−C In

à Para quaisquer x, y ∈ Cn

det(In + xy ∗ ) = 1 + y ∗ x

pag.17 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Sistema de Equações Lineares

y1 = a11 x1 + a12 x2 + · · · + a 1n xn
y2 = a21 x1 + a22 x2 + · · · + a 2n xn
..
.
ym = am1 x1 + am2 x2 + · · · + a mn xn

Escrito na forma matricial: y = Ax

2 3 2 3 2 3
y1 a11 a12 ··· a 1n x1
6 7 6 7 6 7
6 y 7
6 2 7
6 a
6 21 a22 ··· a 2n 7
7
6 x
6 2
7
7
y=6 6 .. 7 ; A = 6 ..
7 6
.. ..
7 ;
7 x=6
6 ..
7
7
6 . 7 6 . . . 7 6 . 7
4 5 4 5 4 5
ym am1 am2 ··· a mn xn

à Interpretação: y é a medida (ou valor observado) e x é a incógnita; ou y é a saı́da

(resultado) e x é a entrada (ou a ação); y = Ax define um mapeamento (função ou
transformação) que leva x ∈ Rn 7→ y ∈ Rm

pag.18 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Equação Caracterı́stica

à Considere a equação linear λx = Ax (λ um escalar), reescrita da forma

(λI − A)x = 0

à ∃ um solução x 6= 0 sse det (λI − A) = 0, ie, (λI − A) é singular

Se A ∈ Rn×n , a expansão fornece uma equação polinomial de ordem n, com n

raı́zes caracterı́sticas λi , i = 1, . . . , n chamadas de autovalores da matriz A.

λi xi = Axi ; i = 1, . . . , n

à xi : autovetor associado à raiz caracterı́stica (autovalor) λi

Equação Caracterı́stica: det(λI − A) = 0

à A ∈ Rn×n =⇒ λ ∈ C e x ∈ Cn

pag.19 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Polinômios Coprimos

à São polinômios que não possuem fator comum. Dados dois polinômios p0 e
p1 , com o grau de p1 menor ou igual ao grau de p0 , pode-se usar o algoritmo de
Euclides para determinar se p0 e p1 possuem ou não um fator comum

à Determine os polinômios p2 , . . . , pk tais que pi+1 seja o resto da divisão de

pi−1 por pi

à Dessa forma, garante-se que os polinômios pi possuem grau estritamente

decrescente e que existem polinômios qi , i = 1, . . . , k tais que
pi−1 = qi pi + pi+1

à A seqüência termina quando encontra-se um pk que divide pk−1 , ou, se p0 e

p1 não possuem fator comum, a seqüência termina com pk igual a uma constante
não nula. Se houver um fator comum, o maior denominador comum entre p0 e
p1 é dado pelo pk que divide pk−1

pag.20 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Polinômios Coprimos

Exemplo: Considere p0 = s3 − 6s2 + 11s − 6 e p1 = s2 − 5s + 4

p0 = (s − 1) p1 + (2s − 2)
| {z } | {z }
q1 p2

p1 = (0.5s − 2) p2 + |{z}
0
| {z }
q2 p3

p2 = 2(s − 1) é o maior denominador comum

Exemplo: p0 = s3 + 4s2 − 2s + 1 e p1 = s2 + 2s − 1

p0 = (s + 2)p1 + (−5s + 3)

p1 = (−0.2s − 0.52)p2 + 0.56

=⇒ não possuem fator comum

pag.21 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Polinômios Coprimos

A matriz de Sylvester pode ser usada para se determinar se dois polinômios são ou
não coprimos. Considere, por exemplo, os polinômios

p(s) = p0 + p1 s + p2 s2 + p3 s3

q(s) = q0 + q1 s + q2 s2 + q3 s3

A existência de um fator comum implica que existem polinômios

a(s) = a0 + a1 s + a2 s2 ; b(s) = b0 + b1 s + b2 s2

tais que
p(s) a(s)
= =⇒ p(s)b(s) + q(s)(−a(s)) = 0
q(s) b(s)

pag.22 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Polinômios Coprimos
Agrupando as incógnitas (coeficientes de a(s) e b(s)) em um vetor da forma:
h i0
x = −a 0 b0 −a 1 b1 −a 2 b2

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

2 3
q0 p0 0 0 0 0
6 7
6 q
6 1 p1 q0 p0 0 0 77
6 7
6 q2 p2 q1 p1 q0 p0 7
Sx , 6 7 x = 0, # ∃x 6= 0 sse det(S) = 0...
6 7
6 q3 p3 q2 p2 q1 p1 7
6 7
6 7
6 0 0 q3 p3 q2 p2 7
4 5
0 0 0 0 q3 p3

S é denominada matriz de Sylvester associada aos polinômios p(s) e q(s), podendo ser
construı́da de diversas maneiras equivalentes, dependendo do empilhamento escolhido
para o vetor x
à Os polinômios são coprimos sse det(S) 6= 0
pag.23 Teoria de Sistemas Lineares – Aula 1
c Reinaldo M. Palhares
°
 Função Linear

x+y
Uma função f : Rn → Rm é linear
y
se:
à f (x + y) = f (x) + f (y),
∀x, y ∈ Rn
à f (αx) = αf (x), ∀x ∈ R n , x
∀α ∈ R
ie, verifica-se o princı́pio da super- f (y)
posição

f (x) f (x + y)

Exemplo: f (x) = Ax, A ∈ Rm×n

à Qualquer função linear f : Rn → Rm pode ser escrita na forma f (x) = Ax

pag.24 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Funções

Linear Afim Linear por partes

y = f (x) y = f (x) + k y = f (x)

x x x

pag.25 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Transformação Linear – Interpretação

n
X
y = Ax ⇒ yi = aij xj ; i = 1···m
j=1

à aij : fator de ganho da j-ésima entrada xj para a i-ésima saı́da yi

à i-ésima linha de A se relaciona com a i-ésima saı́da

à j-ésima coluna de A se relaciona com a j-ésima entrada

à aij = 0 implica que a i-ésima saı́da não depende da j-ésima entrada

pag.26 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Exemplo – Circuito Linear
xj são as tensões das fontes independentes e yi as variáveis (tensão ou corrente):
x1
R3 
+− y1 y2


 R1
+ R2
+ y3 = 0
+ + y3
y1 R1 y2 R2
+ x2 Ã y 1 = x1 + y 2
− − 

− 
y 2 = R 3 y 3 + x2
2 32 3 2 3
1/R1 1/R2 1 y1 0
6 76 7 6 7
6
4 1 −1 0 7 6 y2 7 = 6 x1 7 =⇒
54 5 4 5 Solução?
0 1 −R3 y3 x2
| {z }
M

2 3 2 3
y1 0
6 7 6 7
6 y2
4
7=
5 M −1 6 x1
4
7
5
| {z }
y3 transformação x2
| {z } | {z }
y x

pag.27 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Exemplo – Circuito Linear

−1 1 1
M = Adj (M ) = R1 R2 +R1 R3 +R2 R3
Adj (M )
det(M ) R1 R2

sendo Adj (A) a transposta da matriz cofatora:

Adj (A) = [Co (A)]0

“ ”
R3 (R 2 +R 3 )
Cofatores: C11 = R3 , C12 = R3 , C13 = 1, C21 = − −R − 1 =
2 R2
,
R3 (R 1 +R 2 )
C22 = − R , C23 = − R1 , C31 = 1, C32 = 1, C33 = − R1 − 1
R2
= − R1R2
1 1 1

2 (R 2 +R 3 )
3
R3 R2
1
6 7
∴ Adj (A) = 6
4 R3 −R R1
3
1 7
5
(R 1 +R 2 )
1 − R1 − R1R2
1

então...

pag.28 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Exemplo – Circuito Linear

2 3 2 (R 2 +R 3 )
32 3
y1 R3 R2
1 0
6 7 1 6 76 7
6 y2
4
7=
5 R 1 R 2 +R 1 R 3 +R 2 R 3
6 R3
4 −R R1
3
1 7 6 x1
54
7
5
R1R2 (R 1 +R 2 )
y3 1 − R1 − R1R2
x2
1
| {z } | {z }
y x

ou, reduzindo...

2 3 2 3
y1 R1 (R2 + R3 ) R1 R2 2 3
6 7 1 6 7 x
6 y2 7= 6 −R2 R3 R1 R2 74 1 5
4 5 R1 R2 + R1 R3 + R2 R3 4 5
x2
y3 −R2 −(R1 + R2 ) | {z }
| {z } | {z } x
y A−transformação

pag.29 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Linearização

à Funções não-lineares f : Rn → Rm diferenciáveis em x0 ∈ Rn

à Para x próximo de x0 , f (x) aproxima-se de f (x0 ) + Df (x0 )(x − x0 )

¯
∂fi ¯¯
à Df (x0 )ij = ½ Matriz Jacobiana
∂x ¯ j x0

à Se y = f (x), y0 = f (x0 ), definem-se: δx , x − x0 (variação da entrada)

e δy , y − y0 (variação da saı́da)
⇓
δy ≈ Df (x0 )δx

à Para pequenas variações em torno de x0 ½ aproximadamente linear

pag.30 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Sistemas Dinâmicos Lineares

à Considere o sistema dinâmico linear:

    

 0 −2 2


 ẋ(t) =   x(t) +  u(t)



 1 −3 0

 | {z } |{z}

A B



 h i h i




 y(t) = 1 1 x(t) + 0 u(t)

 | {z } |{z}
C D

   
1 2
condições iniciais: x1 (0) =   ou x2 (0) =  
1 2

pag.31 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Sistemas Dinâmicos Lineares

à Sistema autônomo com entrada nula (u = 0) e condição inicial x1 (0):

1

0.8

0.6
x1

0.4

0.2

0
0 0.5 1 1.5
time [sec]

0.8

0.6
x2

0.4

0.2

0
0 0.5 1 1.5
time [sec]

pag.32 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Sistemas Dinâmicos Lineares

à Sistema autônomo com entrada nula (u = 0) e condição inicial x2 (0):

2

1.5
x1

0.5

0
0 0.5 1 1.5
time [sec]

1.5
x2

0.5

0
0 0.5 1 1.5
time [sec]

pag.33 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Sistemas Dinâmicos Lineares

à O sistema pode “ser comandado” através da entrada u (note a escala Tempo):

Step Response

−5
To: Out(1)

−10

−15

−20
Amplitude

−25
1

0.8
To: Out(2)

0.6

0.4

0.2

0
0 0.05 0.1 0.15
Time (sec)

pag.34 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Sistemas Não-Lineares – PCCHUA

pag.35 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Resistor não-linear g – Diodo de CHUA
acements

vC 1 (t) = x1 R vC 2 (t) = x2

id (t) = x3 −→
g
+ C1 + C2 L
u1 (t) u2 (t)

u3 (t) +
-

pag.36 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Modelo?

 ½ ¾
 dvC1 (t) 1 x2 (t) x1 (t)

 = ẋ1 (t) = − − g(x1 (t))


 dt C1 R R





 ½ ¾
dvC2 (t) 1 x1 (t) x2 (t)
= ẋ2 (t) = − + x3 (t)


 dt C2 R R






 did (t) x2 (t) R0


= ẋ3 (t) = − − x3 (t)
dt L L

pag.37 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Sistemas Não-Lineares

h i0
à depende da condição inicial, x(0) = 0.1 0.1 0.1

−2

−4 1

−6 0

−1
−5 0 5

pag.38 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Sistemas Não-Lineares

h i0
à Ainda com condição inicial: x(0) = 0.1 0.1 0.1

x1 10

−10
0 2000 4000 6000 8000 10000
2
x2

−2
0 2000 4000 6000 8000 10000
10
x3

−10
0 2000 4000 6000 8000 10000
−2
Tempo(× 10 s)

pag.39 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Sistemas Não-Lineares

h i0
à Outra condição inicial, x(0) = 0.3 0.2 0.3

4
2
0
−2 1

−4 0
−6
−1
−5
0
5

pag.40 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 Sistemas Não-Lineares

h i0
à Ainda com a outra condição inicial, x(0) = 0.3 0.2 0.3

x1 10

−10
0 2000 4000 6000 8000 10000
2
x2

−2
0 2000 4000 6000 8000 10000
10
x3

−10
0 2000 4000 6000 8000 10000
−2
Tempo(× 10 s)

pag.41 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 O sistema pode “ser comandado”?

à forçar, eg, x1 ir para ”zero” entre 25s e 35s:

5
x1 (t)

−5
10 15 20 25 30 35 40 45 50
Tempo (s)

pag.42 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°
 MATLAB

à det(A) – determinante de uma matriz quadrada A

à inv(A) – inversa de uma matriz quadrada A
à A’ – conjugada transposta de uma matriz A
à eig(A) – retorna os autovalores de uma matriz quadrada A
à [V,D]=eig(A) – retorna duas matrizes: V corresponde ao autovetores de A e
D (diagonal) corresponde aos autovalores de A
à lsim – simula a resposta temporal de um modelo linear e invariante no tempo
para entradas arbitrárias

pag.43 Teoria de Sistemas Lineares – Aula 1

c Reinaldo M. Palhares
°