Algebra

Revisao de algebra linear
Obs. Apenas uma pequena parte deste material ser a utilizado em sala
de aula.
O objetivo deste captulo e fornecer a base matem atica para a an alise e
sntese de sistemas de controle.
No estudo de algebra linear a no cao de conjunto e um conceito
fundamental.
Def. Um conjunto e denido como sendo uma cole cao de objetos e e
explicitado listando-se seus elementos.
F = {0, 1, 2, }
Uma outra forma de explicitar um conjunto e evidenciando alguma
propriedade comum de seus elementos:
F = {x R / x 0}
Conjuntos de interesse particular:
R : conjunto dos n umeros reais
C : conjunto dos n umeros complexos
EEL 6001: Teoria de Sistemas Lineares I algebra.tex 1
Corpos numericos
Def. Um corpo numerico e um conjunto, denotado por F, de elementos
escalares e duas opera coes: adi cao e multiplica cao - ambas denidas sobre
F, satisfazendo as seguintes propriedades:
1. , F, + F, F
2. Os n umeros 0 e 1 s ao elementos de F tais que:
+ 0 = F
1 = F
3. F ent ao F
4. = 0 F ent ao
1
F
5. Associatividade: , , F
( + ) + = + ( + )
() = ()
6. Comutatividade : , F
+ = +
=
7. Distributividade: , , F
( + ) = +
Corpos numericos
Exemplos:
1. S = {0, 1} com as deni coes usuais de soma e de multiplicacao n ao
formam um corpo pois:
1 + 1 = 2
Entretanto, se redenirmos as opera coes: sendo:
0 + 0 = 0 ; 1 + 1 = 1 ; 1 + 0 = 1
0.1 = 0 ; 0.0 = 0 ; 1.1 = 1
Com essas opera coes S = {0, 1} forma um corpo.
2. Considere o conjunto M
22
de todas as matrizes 2 2 da forma:
M =
_
_
x y
y x
_
_
onde x, y sao n umeros reais arbitr arios. A soma e de multiplica cao de
matrizes s ao as usuais. Sejam os elementos neutros da soma e da
multiplica cao:
0 =
_
_
0 0
0 0
_
_
; I =
_
_
1 0
0 1
_
_
Vericar que forma um corpo.
Espa cos lineares

Consistem de um conjunto X de elementos chamados vetores.
Opera coes soma vetorial e multiplica cao por escalar.
Elemento nulo 0 X
Propriedades:
1. x + y = y + x , x, y X (comutativa)
2. (x + y) + z = x + (y + z) , x, y, z X (associativa)
3. 0 + x = x , x X
4. x X , (x) X tal que x + (x) = 0
5. ()x = (x) , , R , x X
6. (x + y) = x + y , R , x, y X
7. ( + )x = x + x , , R , x X
8. 1x = x , x X
Exemplos
Espa co X = R
n
, com as opera coes de adi cao vetorial e multiplica cao
por escalar denidas de maneira convencional
Y = {0} , 0 R
n
Z = span(v
1
, v
2
, . . . , v
k
) , v
i
R
n
, i = 1, . . . , k
span(v
1
, v
2
, . . . , v
k
) =
_
1
v
1
+ +
k
v
k
:
i
R
_
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)
Note que um elemento em W e uma trajet oria no R
n
V =
_
x W : x = Ax
_
Os elementos de 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
Subespa cos lineares

Um subespaco vetorial e um subconjunto que e tambem um espaco
vetorial
Deni cao W e um subespaco vetorial de (V, F) se as seguintes condi coes
sao vericadas:
0 W
w
1
, w
2
W ent ao w
1
+ w
2
W
F e w W ent ao w W
Exemplos:
X, Y, Z sao subespa cos do R
n
V e um subespaco de W
x R
2
: x =
_
_
x
1
x
1
_
_
e um subespaco do R
2
Independencia linear. Base e Representa coes

Os par ametros considerados neste curso s ao 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
CA = C
_
a
1
a
2
a
m
_
=
_
Ca
1
Ca
2
Ca
m
_
BD =
_
_
b
1
b
2
.
.
.
b
m
_
_
D =
_
_
b
1
D
b
2
D
.
.
.
b
m
D
_
_
a
i
b
i
: matriz n por r (vetor n 1 multiplicado por vetor 1 r)
b
i
a
i
: so esta denido para n = r (escalar)
Espa co real de dimens ao n: R
n
Cada vetor x R
n
e uma enupla de n umeros reais
x =
_
_
x
1
x
2
.
.
.
x
n
_
_
Um conjunto de vetores {x
1
, x
2
, . . . , x
n
}, x
i
R
n
, e linearmente
dependente (LD) se e somente se existem escalares
1
,
2
, . . . ,
n
,nao
todos nulos, tais que
1
x
1
+
2
x
2
+ +
n
x
n
= 0
Se a igualdade for verdadeira apenas para
1
=
2
= =
n
= 0
diz-se entao que o conjunto {x
1
, x
2
, . . . , x
n
} e linearmente independente
(LI).
Se um conjunto de vetores {x
1
, x
2
, . . . , x
n
} e linearmente dependente,
existe pelo menos um
i
diferente de zero e (por exemplo, se
1
= 0)
x
1
=
1
1
[
2
x
2
+
3
x
3
+
n
x
n
]
isto e, um dos vetores (mas n ao necessariamente qualquer um) pode ser
escrito como uma combina cao linear dos demais.
Equivalentemente, os vetores s ao 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.
O conceito de dependencia linear depende do tipo (corpo) do escalar
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
Dimensao
A dimensao de um espaco vetorial e o n umero m aximo de vetores LI
desse espaco.
Assim, no R
n
ha no m aximo n verores LI.
A dimensao de um espa co vetorial pode ser innita: considere o espa co
das fun coes contnuas no intervalo [a, b]. Em particular, as fun coes
t, t
2
, t
3
, . . ..
i=1
i
t
i
= 0
1
=
2
= = 0
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.
Em um espaco de dimensao n, qualquer conjunto de n vetores LI forma
uma base
Quaisquer duas bases de um espa co n-dimensional possuem o mesmo
n umero de elementos.
Seja {q
1
, q
2
, . . . , q
n
} uma base para o R
n
, ent ao 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
_
q
1
q
2
q
n
_
x = Q
_
2
.
.
.
n
_
_
= Q

_

1

2

n
_
e a representa cao de x na base {q

1
, q
2
, . . . , q
n
}.
A qualquer vetor x R
n
, pode-se associar a base ortonormal
e
1
=
_
_
1
0
0
.
.
.
0
0
_
_
, e
2
=
_
_
0
1
0
.
.
.
0
0
_
_
, . . . , e
n
=
_
_
0
0
0
.
.
.
0
1
_
_
Um vetor x na base ortonormal {e

1
, e
2
, . . . , e
n
} se escreve
x =
_
_
x
1
x
2
.
.
.
x
n
_
_
= x
1
e
1
+ x
2
e
2
+ + x
n
e
n
= I
n
_
_
x
1
x
2
.
.
.
x
n
_
_
= se confunde com sua representa cao.
Exemplo: Considere o conjunto dos polin omios de grau menor do que 4.
Base: e
1
= s
3
; e
2
= s
2
; e
3
= s; e
4
= 1
Se x = s
3
+ 4s
2
4s + 10, ent ao
x =
_
e
1
e
2
e
3
e
4
_
_
_
1
4
4
10
_
_
,
_
1 4 4 10
_
e a representa cao de x na base escolhida.

Mudanca de Base
Se e

sao as representa coes de um vetor x R
n
em rela cao ` as bases
{e
1
, e
2
, . . . , e
n
} e { e
1
, e
2
, . . . , e
n
}, ent ao
x =
_
e
1
e
2
e
n
_
=
_
e
1
e
2
e
n
_

representar e
i
em termos de { e
1
, e
2
, . . . , e
n
} ou vice-versa.
Seja p
i
=
_
_
p
1i
p
2i
.
.
.
p
ni
_
_
a representa cao de e
i
na base { e
1
, e
2
, . . . , e
n
}:
e
i
=
_
e
1
e
2
e
n
_
_
_
p
1i
p
2i
.
.
.
p
ni
_
_
Ep
i
, i = 1, 2, . . . , n
Usando nota cao matricial

_
e
1
e
2
e
n
_
=
_
Ep
1
Ep
2
Ep
n
_
= E
_
p
1
p
2
p
n
_
=
_
e
1
e
2
e
n
_
_
_
p
11
p
12
p
1n
p
21
p
22
p
2n
.
.
.
.
.
.
.
.
.
.
.
.
p
n1
p
n2
p
nn
_
_
e
1
e
2
e
n
_
P
x =
_
e
1
e
2
e
n
_
P =
_
e
1
e
2
e
n
_

Como a representa cao e unica:

= P
Analogamente, representando e
i
na base {e
1
, e
2
, . . . , e
n
}, obtem-se
= Q
conhecida a representa cao de um vetor numa base, a representa cao

em outra base pode ser automaticamente determinada:
= P = PQ
PQ = I P = Q
1
Exemplo: polin omios de grau menor do que 4.
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, ent ao
x =
_
e
1
e
2
e
3
e
4
_
_
_
1
4
1
11
_
_
Operadores lineares
Transforma cao Linear
Uma fun cao f : X Y e um operador linear se
f(
1
x
1
+
2
x
2
) =
1
f(x
1
) +
2
f(x
2
)
para quaisquer escalares
1
,
2
e x
1
, x
2
X.
y = f(x) ; x X (domnio) , y Y (range)
Exemplo: Seja 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.
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
}.
Prova: Como 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
Seja
_
_
a
1i
a
2i
.
.
.
a
mi
_
_
a representa cao de y
i
na base {u
1
, . . . , u
m
}
y
i
=
_
u
1
u
2
u
m
_
_
_
a
1i
a
2i
.
.
.
a
mi
_
_
, i = 1, 2, . . . , n
Neste caso,
L(
_
x
1
x
2
x
n
_
) =
_
y
1
y
2
y
n
_
=
_
u
1
u
2
u
m
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
u
1
u
2
u
m
_
A
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 = = A
Para se descrever a transforma cao, n ao h a diferen ca entre especicar x, y
ou , .

E claro que A (representa cao da transforma cao linear) depende
das bases escolhidas.
Transforma cao de Similaridade

Considere a transforma cao linear L : X Y, com a mesma base para o
domnio X e o range Y.
{e
1
, e
2
, . . . , e
n
} A , { e
1
, e
2
, . . . , e
n
}

A
x
L
y (= L(x))
_
e
1
e
n
_
_
e
1
e
n
_

(= 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
A,

A : matrizes similares
PAP
1
, P
1

AP : Transforma coes de Similaridade
Todas as representa coes de um operador linear s ao similares. Uma matriz
A R
nn
pode ser vista como a representa cao de um operador linear ou
como o operador linear propriamente dito.
Exemplo de transforma cao linear: A transforma cao que rotaciona
um ponto no plano de 90
o
no sentido anti-hor ario
x
1
x
2
= y
1
x
3
y
2
y
3
Em rela cao ` a base {x

1
, x
2
}
y
1
= L(x
1
) =
_
x
1
x
2
_
_
_
0
1
_
_
y
2
= L(x
2
) =
_
x
1
x
2
_
_
_
1
0
_
_
Portanto,
A =
_
_
0 1
1 0
_
_
A representa cao de y
3
com rela cao ` a base {x
1
, x
2
} e
= A =
_
_
0 1
1 0
_
_
_
_
1.5
0.5
_
_
=
_
_
0.5
1.5
_
_
_
_
1.5
0.5
_
_
e a representa cao de x
3
na base {x
1
, x
2
}
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 unit aria
(representa cao de A = A)
Exemplo
A =
_
_
3 2 1
2 1 0
4 3 1
_
_
; b =
_
_
0
0
1
_
_
Considere os vetores {b, Ab, A
2
b} (sao LI):
Ab =
_
_
1
0
1
_
_
; A
2
b =
_
_
4
2
3
_
_
; A
3
b =
_
_
5
10
13
_
_
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)
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
_
i-esima coluna de Q:
= representa cao de q
i
na base ortonormal {e
1
, . . . , e
n
} = q
i
A = Q
1
AQ Q

A = AQ
ou, como Q =
_
q
1
q
2
q
n
_
,
_
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
}.
Uma escolha adequada da base {q
1
, q
2
, . . . , q
n
} pode levar a
representa coes importantes.
Seja 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} seja linearmente independente e se
A
n
=
1
b +
2
Ab + +
n
A
n1
b
ent ao a representa cao de A na base {b, Ab, A
2
b, . . . , A
n1
b} e dada por
(forma companheira)
A =
_
_
0 0 0
1
1 0 0
2
0 1 0
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
n1
0 0 1
n
_
_
Ortonormaliza cao
Um vetor x esta normalizado se sua norma Euclidiana e igual a 1, ou
seja, 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
Dado um conjunto de vetores LI {x
1
, x
2
, . . . , x
n
}, pode-se obter um
conjunto de vetores ortonormais atraves do procedimento de
ortonormaliza cao de Schmidt:
u
1
= x
1
q
1
= u
1
/u
1
u
2
= x
2
(q
1
x
2
)q
1
q
2
= u
2
/u
2
.
.
.
.
.
.
u
n
= x
n
n1
k=1
(q
k
x
n
)q
k
q
n
= u
n
/u
n
A primeira equa cao apenas normaliza o vetor x

1
Na segunda equa cao, (q
1
x
2
)q
1
e a proje cao do vetor x
2
ao longo de q
1
, e
x
2
(q
1
x
2
)q
1
e necesssariamente ortogonal ao vetor q
1
.
x
1
= u
1
x
2
q
1
q
2
u
2
Se um conjunto de vetores u
1
, u
2
, . . . , u
n
e ortonormal ent ao
U
_
u
1
u
2
u
n
_
; U
U = I
n
Propriedades:
Se y = Ux, ent ao
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
Em outras palavras, y = Ux e um mapeamento isometrico (a
multiplica cao por U nao altera a norma)
Se y = Ux e y = U x ent ao
_
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
_
Se U e ortonormal, a transforma cao linear y = Ux preserva a norma dos
vetores Ux = x e preserva o angulo entre vetores
_
Ux, U x
_
=
_
x, x
_
Exemplos: Transforma coes de rota cao ou reex ao de vetores (de fato,

toda matriz ortogonal descreve ou uma rota cao ou uma reex ao).
No R
2
, a transforma cao que roda um vetor (sentido anti-hor ario) de e
dada por
y = U
x ; U
=
_
_
cos sin
sin cos
_
_
e
1
e
2
u
1
u
2
A reex ao de um vetor na reta x

2
= x
1
tan(
2
) e dada por
y = R
x ; R
=
_
_
cos sin
sin cos
_
_
e
1
e
2
u
1
u
2
O procedimento de ortonormaliza cao pode ser descrito como uma

transforma cao linear. Considere a matriz X formada pelos vetores
linearmente independentes {x
1
, x
2
, . . . , x
n
}
X =
_
x
1
x
2
x
n
_
Deseja-se determinar uma matriz F tal que
_
q
1
q
2
q
n
_
Q = XF
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 arbitr arios)
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.
Assim,
F
RF = F
LF = (LF)
(LF) = I
e F = L
1
aparece como solu cao obvia.
A fatoriza cao de Schur aplicada ` a matriz R produz uma matriz unit aria
V e uma matriz diagonal composta pelos autovalores de R tal que
R = V V

, sugerindo como solu cao
F = V
0.5
V

R
0.5
A escolha da transforma cao F que ortonormaliza X pode ser ditada por
algum criterio especco. Por exemplo, o objetivo pode ser encontrar Q
solu cao do problema
min Tr (X Q)
(X Q)
sujeito a Q
Q = I
que equivale a minimizar a norma (ao quadrado) de x
i
q
i
, i = 1, . . . , n.
Com isso, busca-se uma transforma cao que tente preservar o m aximo
possvel os vetores originais.
Re-escrevendo em termos de F:
min Tr (X XF)
(X XF)
sujeito a F
XF = I
Desenvolvendo os termos que comp oem a fun cao objetivo
min 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 n ao inuenciam na solu cao F:
min Tr (F
X X
XF) = max Tr (2X
XF)
sujeito a F
XF = I
Procedimentos classicos para resolver problemas de otimiza cao com

restri coes podem ser usados.
Escrevendo a funcao Lagrangeano L (F, ) (onde e a vari avel dual
simetrica associada ` a restri cao original do problema)
L (F, ) = Tr
_
2X
XF + (F
XF I)
_
As condi coes de estacionariedade s ao dadas por
L
F
= 2(R + RF) = 2R(I + F) = 0
L
= (F
XF I) = 0
Resolvendo em termos de F e de :
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
A funcao objetivo original e dada por
min Tr (2X
XF) = max Tr (2X
XF)
e o otimo e obtido para F = (X
X)
0.5
.
Note que a solu cao F = (X
X)
0.5
fornece a mesma base
ortonormalizada Q (apenas trocando o sinal dos vetores) e pode ser
interpretada como a transforma cao F que maximiza a diferen ca entre as
normas (ao quadrado) dos vetores de cada base. A solu cao otima deste
problema de otimiza cao e a mesma obtida pela decomposi cao de Schur.
Exemplo: considere os vetores LI

x
1
=
_
_
1
1
1
_
_
, x
2
=
_
_
1
2
3
_
_
, x
3
=
_
_
0
1
1
_
_
X
_
x
1
x
2
x
3
_
Procedimento interativo:
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
(u
1
x
2
)u
1
; q
2
=
u
2
u
2
=
_
_
0.7071
0.0000
0.7071
_
_
u
3
= x
3
(u
2
x
3
)u
2
(u
1
x
3
)u
1
; q
3
=
u
3
u
3
=
_
_
0.4082
0.8165
0.4082
_
_
Usando Cholesky na matriz R = X
X:
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
_
Q
Q = I
_
_
[Q, L] = qr(X)
(decomposi cao triangular
ortonormal)
Usando Schur: [V, ] = schur(R) , R
0.5
= V
0.5
V

Q
2
= XR
0.5
=
_
_
0.9908 0.0890 0.1021
0.1348 0.5758 0.8064
0.0130 0.8127 0.5825
_
_
Q
2
Q
2
= I
Exemplo: considere os vetores LI no plano x

1
, x
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
_
_
x
1
x
2
q
1
q
2
u
1
u
2
u
1
u
2
Sistema de equa coes algebricas lineares

_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
=
_
_
y
1
y
2
.
.
.
y
m
_
_
(Ax = y)
A (mn) , x (n 1) , y (m1)
a
ij
, y
i
R : dados do sistema; x
i
R : incognitas
Tres situa coes: m > n, m = n ou m < n
Problema: dados A e y
1. x : Ax = y?
2. Se existe solucao, qual o n umero de solu coes LI?
Range da matriz A R
mn
e denido como o conjunto de todas as
possveis combina coes lineares das colunas de A
R(A)
_
y = Ax : x R
n
_
R
m
Rank da matriz A R
mn
e denido como a dimens ao do range de A
(ou, equivalentemente, como o n umero de colunas LI em A) e denotado
(A).
Espaco nulo da matriz A consiste no conjunto de vetores x R
n
tais
que Ax = 0. A dimens ao do espa co nulo e chamada de nulidade da
matriz A e denotada (A).
N(A)
_
x R
n
: Ax = 0
_
Note que y = Ax pode ser escrito
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 =
_
a
1
a
2
a
n
_
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)
N(A) e R(A) sao espa cos lineares; (N(A) e um subespaco do R
n
e
R(A) e um subespaco do R
m
)
Se (A) = 0, N(A) = {0} e 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
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
)
_
_
0
1
2
_
_
+ (x
2
+ x
3
+ 2x
4
x
5
)
_
_
1
2
0
_
_
Como a
1
, a
2
sao LI = (A) = 2
Ax = 0
_
_
_
x
1
+ x
3
+ x
5
= 0
x
2
+ x
3
+ 2x
4
x
5
= 0
N umero de Equa coes = (A) = 2
N umero de Incognitas = 5
N umero de Graus de Liberdade = 3
Possveis solu coes 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 N(A) ; (A) = 3
Teorema
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 R(A) ou, equivalentemente,
(A) = (
_
A y
_
)
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).
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,
ent ao para todo
i
R, i = 1, . . . , k o vetor
x = x
p
+
1
n
1
+
2
n
2
+ +
k
n
k
sendo {n
1
, . . . , n
k
} uma base de N(A) e uma solu cao de Ax = y. De fato,
Ax
p
+
k
i=1
i
An
i
= Ax
p
+ 0 = y
Desigualdade de Sylvester: para A R

qn
e B R
np
(A) + (B) n (AB) min ((A), (B))
p
(B)
N(B)
R(B)
n
d
(A)
(A)
N(A)
R(A)
_
R(AB)
q
A B
(B)
R
p
R
n
R
q
domnio de AB = R(B);
R(AB) = subespa co de R(A);
(AB) min ((A), (B));
(AB) = (B) d ; (A) = n (A) d n (A);
(AB) (A) + (B) n
Se B e uma matriz n n nao singular
(A) + (B) n = (A) (AB) min ((A), n) (A)
Seja A R
mn
. Ent ao
(AC) = (A) ; (DA) = (A)
para quaisquer matrizes C R
nn
e D R
mm
nao singulares.
O rank de uma matriz n ao se altera ao ser pre ou pos-multiplicada por
uma matriz n ao singular.
Seja A C
mn
e A
sua conjugada transposta. Ent ao,

(A) = n (A
A) = n ; det(A
A) = 0
(A) = m (AA
) = m ; det(AA
) = 0
A
A n n ; AA
mm
Observe que (A) = n implica
n m
A = 0 = 0
Inversa
Se A R
nn
(matriz quadrada), A e inversvel ou n ao-singular se
det(A) = 0.
Condi coes equivalentes:
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 = nesse caso e x = 0
AA
1
= A
1
A = I
N(A) = {0}
R(A) = R
n
det(A
A) = det(AA
) = 0
A
1
=
1
det(A)
Adj (A)
Adj (A): matriz adjunta da matriz A
Adj (A) = [Co (A)]
Co (A): matriz cofatora de A, composta pelos cofatores C

ij
da matriz A.
Considere o sistema y = Ax com A R

mn
e m > n (matriz retangular
em pe), isto e, o sistema tem mais equa coes do que inc ognitas (pode n ao
ter solu cao).
Solu cao aproximada: dene-se um erro
e = Ax y
e busca-se a solucao x
a
que minimiza e, chamada solu cao aproximada
de mnimos quadrados de Ax = y. x
a
e o ponto no R(A) que esta mais
proximo de y, ou seja, Ax
a
e a proje cao de y no R(A).
min e
2
= min (Ax y)
(Ax y)
Derivando-se a fun cao objetivo (em rela cao a x) e igualando a 0
2x
A 2y
A = 0
Assumindo que A tem rank completo (e portanto A
A e inversvel)
x
a
= (A
A)
1
A
y
Note que x
a
e uma fun cao linear de y, e x
a
= A
1
y se A e quadrada.
x
a
e a solu cao exata de y = Ax se y R(A).
A
(A
A)
1
A
e chamada de pseudo-inversa de A
A proje cao de y no R(A) e linear, dada por Ax
a
= A(A
A)
1
A
y e
A(A
A)
1
A
e chamada matriz de proje cao.

O erro e = Ax
a
y =
_
A(A
A)
1
A
I
_
y e ortogonal ao R(A):
_
e, Ax
_
= y
_
A(A
A)
1
A
I
_
Ax = 0
Estimador Mnimos Quadrados

Muitos problemas de reconstru cao, invers ao ou estima cao podem ser
colocados na forma y = Ax + onde x e o vetor a ser estimado ou
reconstrudo; y e o vetor de medidas e e o vetor de rudos ou erros de
medida.
Problema: encontre 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
Considere o sistema y = Ax com A R
mn
e m < n (matriz retangular
deitada), isto e, o sistema tem mais vari aveis do que equa coes (v arias
escolhas de x podem levar ao mesmo y).
Assumindo que A tem rank completo de linhas m, o conjunto de todas as
solu coes tem a forma
_
x : Ax = y
_
=
_
x
p
+ z : z N(A)
_
sendo x
p
uma solu cao particular qualquer. Os vetores z do espa co nulo de
A caracterizam as v arias solu coes para o problema (N(A) = n m graus
de liberdade).
Uma solu cao (de mnima norma) e dada por x
m
= A
(AA
)
1
y (como A
tem rank completo de linhas, AA
e inversvel). De fato, para qualquer

outra solu cao x tem-se A(x m
m
) = 0 e
(x x
m
)
x
m
= (x x
m
)
(AA
)
1
y =
=
_
A(x x
m
)
_
(AA
)
1
y = 0 = (x x
m
) x
m
x
2
= x
m
+ x x
m
2
= x
m
2
+x x
m
2
x
m
2
A matriz A
(AA
)
1
e chamada de pseudo-inversa de A (rank completo de
linhas). Note que x
m
e ortogonal a N(A) (x
m
e a proje cao de 0 no
conjunto de solu coes {x : Ax = y}).
O mesmo resultado poderia ser obtido com multiplicadores de Lagrange.
min x
x
sujeito a Ax = y
Introduzindo o multiplicador de Lagrande e escrevendo o Lagrangeano
L (x, ) = x
x +
(Ax y)
As condi coes de otimalidade s ao
L
x
= 2x
A = 0
L
= (Ax y)
= 0
= x = A
/2 ; = 2(AA
)
1
y
= x = A
(AA
)
1
y
Autovalores, autovetores. Formas de Jordan

Um escalar C e um autovalor (valor pr oprio) de A R
nn
se existe
um vetor x C
n
nao nulo tal que
Ax = x
Qualquer vetor x C que satisfa ca Ax = x e chamado de autovetor
(vetor pr oprio) de A associado a (mais precisamente, esta e a deni cao
para autovetores ` a direita de A).
Ax = x pode ser visto como (A I)x = 0
x C
n
, x = 0 : (A I)x = 0 det(A I) = 0
() det(I A) : polin omio (m onico) caracterstico de A
() = 0 : equa cao caracterstica de A
Grau de () = n e portanto A R
nn
possui n autovalores.
Exemplo: Considere a matriz A

A =
_
_
a
11
a
12
a
21
a
22
_
_
; A I =
_
_
a
11
a
12
a
21
a
22
_
_
det (A I) = ( a
11
)( a
22
) a
12
a
21
=
2
(a
11
+ a
22
) (a
12
a
21
a
11
a
22
)
=
2
Tr(A) + det(A)
det(A) =
n
j=1
a
ij
Co
ij
; Co
ij
: cofator de a
ij
Co
ij
= (1)
i+j
M
ij
; M
ij
: det de A sem a linha i e a coluna j
Note que C e um autovalor de A R

nn
se
() = det(I A) = 0
Essa condi cao e equivalente ` a existencia de y C tal que
y
A = y
= y
(I A) = 0
e qualquer y que satisfa ca a rela cao acima e chamado de autovetor ` a
esquerda de A (associado ao autovalor ).
Se v C
n
e um autovetor associado a C, ent ao v (complexo
conjugado de v) e um autovetor associado a

.
Se v e um autovetor de A, a transforma cao linear A aplicada sobre v
produz um escalonamento de (na dire cao v).
Matrizes na forma companheira
_
_
0 0 0
4
1 0 0
3
0 1 0
2
0 0 1
1
_
_
;
_
1

2

3

4
1 0 0 0
0 1 0 0
0 0 1 0
_
_
e suas transpostas tem o seguinte polin omio caracterstico:
() =
4
+
1
3
+
2
2
+
3
+
4
Autovalores distintos
Teorema: Sejam
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.
Prova: Primeiramente, note que
(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
Sem perda de generalidade, assuma
1
= 0. Ent ao,
(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
2
)(
1
3
) (
1
n
)v
1
= 0
Como
i
=
j
, j = 2, 3, . . . , n,
1
= 0, o que contradiz a hip otese inicial.
Como conclus ao,
{v
1
, v
2
, . . . , v
n
} LI Base do C
n
Forma Diagonal
Seja

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

A = representa cao de Av
i
=
i
v
i
na base {v
1
, v
2
, . . . , v
n
}. Ent ao,
Av
i
=
_
v
1
v
2
v
i
v
n
_
_
_
0
0
.
.
.
i
.
.
.
0
_
A =
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
_
_
= Q
1
AQ
Q =
_
v
1
v
2
v
n
_
= 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, ent ao
AQ = Q

A = Av
i
=
i
v
i
, i = 1 n
e {v
1
, v
2
, . . . v
n
} sao autovetores LI de A.
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
_
_
(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
_
_
{v
1
, v
2
, v
3
} sao LI

A =
_
_
1 0 0
0 2 0
0 0 3
_
_
, Q =
_
v
1
v
2
v
3
_
Considere entretanto
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
_
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, ent ao n ao e possvel determinar autovetores {v
1
, v
2
, v
3
} LI.
Autovalores complexos
Considere a matriz
A =
_
_
1 1 1
0 4 13
0 1 0
_
_
Polin omio caracterstico: ( + 1)(
2
4 + 13)
Autovalores: 1, 2 + j3 e 2 j3
Note que autovalores complexos sempre aparecem em pares complexo
conjugados para matrizes com coecientes reais.
Autovetores:
_
_
1
0
0
_
_
;
_
_
j
3 + j2
j
_
_
;
_
_
j
3 j2
j
_
_
Q =
_
_
1 j j
0 3 + j2 3 j2
0 j j
_
_
;

A =
_
_
1 0 0
0 2 + j3 0
0 0 2 j3
_
_
Para autovalores n ao distintos, nem sempre e possvel obter

A na forma
diagonal:
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
Forma Can onica de Jordan

Dene-se como J
k
() o bloco de Jordan de dimens ao k k associado ao
autovalor , dado por
J
k
() =
_
_
1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
0 0 0
_
_
C
kk
Para qualquer matriz A R
nn
existe uma matriz n ao singular Q tal que
A = Q
1
AQ =
_
_
J
k
1
(
1
)
J
k
2
(
2
)
.
.
.
J
k
r
(
r
)
_
_
k
1
+ + k
r
= n
sendo que A tem r autovalores distintos
1
, . . . ,
r
entre n possveis.
Associados aos r autovalores distintos, pode-se determinar r autovetores
LI {v
1
, v
2
, . . . , v
r
} a partir de
(A
i
I)v
i
= 0 , i = 1, 2, . . . , r

A e em geral bidiagonal superior, sendo diagonal no caso de n blocos de
Jordan de tamanho k = 1
A forma de Jordan e unica para uma dada matriz A (salvo eventuais
permuta coes entre os blocos)
Pode haver m ultiplos blocos associados ao mesmo autovalor
Os autovetores associados ao bloco de Jordan J

k
i
(
i
) vericam:
_
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
_
Denindo v
i1
v
i
(autovetor associado ao autovalor
i
) tem-se
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)
Note que sempre existe v
i1
= 0 tal que (A
i
I)v
i1
= 0 (deni cao de
autovetor)
Da equa cao que dene v
i2
tem-se
(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
(A I)
v = 0
(A I)
1
v = 0
Note que um autovetor generalizado v de grau 1 satisfaz

(A I)v = 0 ; v = 0
e portanto e um autovetor.
O n umero de blocos de Jordan associados ao autovalor e dado por
(A I)
A forma can onica de Jordan e util do ponto de vista conceitual, n ao
sendo usada para c alculos computacionais.
Exemplo
A =
_
_
0 6 5
1 0 2
3 2 4
_
_
() =
3
4
2
+ 5 2 = ;
1
= 2 ,
2
=
3
= 1
Autovetor associado ao autovalor
1
= 2:
(A 2I)v
1
=
_
_
2 6 5
1 2 2
3 2 2
_
_
_
_
v
1a
v
1b
v
1c
_
_
= 0 ; v
1
=
_
_
2
1
2
_
_
Para o autovalor
2
= 1:
(A 1I)v
2
=
_
_
1 6 5
1 1 2
3 2 3
_
_
v
2
= 0
Note que a 3
a
linha e igual ` a 1
a
mais (4)2
a
= (A 1I) = 1
Portanto, existe 1 bloco de Jordan associado ao autovalor = 1; com

isso, sabe-se que a forma de Jordan e dada por
A = Q
1
AQ =
_
_
2 0 0
0 1 1
0 0 1
_
_
Um autovetor v
2
pode ser obtido da express ao acima:
v
2
=
_
_
1
3/7
5/7
_
_
A partir de v
21
v
2
pode-se determinar o autovetor generalizado v
22
(A 1I)v
22
= v
21
; v
22
=
_
_
1
22/49
46/49
_
_
Q =
_
v
1
v
21
v
22
_
Ajuda do Matlab e importante.
Considere A R
44
com um autovalor de multiplicidade algebrica igual
a 4. Assuma que (A I) = 1. Assim,
(A I)v = 0
possui apenas uma solu cao linearmente independente. Para formar uma
base do R
4
, tres outros vetores LI s ao necessarios. Os tres vetores
(autovetores generalizados) v
2
, v
3
e v
4
devem satisfazer as propriedades:
(A I)
2
v
2
= 0
(A I)
3
v
3
= 0
(A I)
4
v
4
= 0
A partir do autovetor v, a cadeia de autovetores generalizados de
tamanho 4 pode ser gerada da seguinte 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
Como pode ser vericado, valem as 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 s ao LI. Das equa coes, obtem-se
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 (representa cao na base {v
1
, v
2
, v
3
, v
4
}):
A =
_
_
1 0 0
0 1 0
0 0 1
0 0 0
_
_
Se a ordem dos vetores da base for invertida, a representa cao passa a
ser bidiagonal inferior.
Considere agora A R
44
com um autovalor de multiplicidade
algebrica igual a 4 mas (A I) = 2. Assim,
(A I)v = 0
possui 2 solu coes LI. Dois autovetores podem ser obtidos e
n 2 = 4 2 = 2 autovetores generalizados s ao necessarios.
A partir de cada um dos autovetores, gera-se uma cadeia de autovetores
generalizados. As possveis formas de Jordan neste caso s ao:
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
_
_
Exemplo
A =
_
_
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
_
_
Propriedade (A e C matrizes quadradas)
det
_
_
A B
0 C
_
_
= det Adet C
() = det(A I) = [(3 )(1 ) + 1] (2 )
2
_
(1 )
2
1
= (2 )
2
(2 )
2
(2 ) = (2 )
5
Autovalores:
1
= 2, MA= 5 ;
2
= 0, MA= 1
(A 2I) =
_
_
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
_
_
(A 2I) = 4
1
= (A 2I) = 6 4 = 2 MG = 2
A forma de Jordan apresenta dois blocos (MG=2) associados ao
autovalor
1
= 2
A =
_
_
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
_
_
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
_
x, v
1
e u
1
sao autovetores
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
_
_
Nem sempre e facil determinar a cadeia de autovetores generalizados.
Por exemplo, se v e autovetor, v tambem e, mas os autovetores
generalizados podem ser diferentes
Ax = v + x ; Ay = v + y
Autovalores e Autovetores de Matriz Simetrica

Sejam
1
,
2
, . . . ,
n
autovalores de uma matriz simetrica A R
nn
.

i
R, i = 1, . . . , n
Autovetores v
i
, v
j
associados a autovalores distintos
i
=
j
sao
ortogonais, isto e
_
v
i
, v
j
_
= v
i
v
j
= 0
Para mostrar que os autovalores s ao reais, note que se C e um
autovalor e v C
n
e um autovetor generico de A
Av = v ; v = 0 = v
Av = v
v
Tomando o conjugado transposto da express ao (escalar) acima e
lembrando que A
= A (matriz simetrica)
(v
Av)
= (v
Av) =

v
v
Subtraindo
0 = (
)v
v = =

= R
Para mostrar a ortogonalidade de autovetores associados a 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 express oes acima e igual (A = A
), subtraindo
0 = (
i
j
)
_
v
i
, v
j
_
= v
i
v
j
se
i
=
j
A forma de Jordan de uma matriz simetrica A R
nn
e diagonal.
Para provar, mostra-se que n ao existem autovetores generalizados de grau

k 2. Suponha, por absurdo, que para algum
i
(A
i
I)
k
v = 0 e (A
i
I)
k1
v = 0 (k 2)
Entretanto,
_
(A
i
I)
k2
v, (A
i
I)
k
v
_
= 0
Usando a simetria de A
_
(A
i
I)
k1
v, (A
i
I)
k1
v
_
= (A
i
I)
k1
v = 0
(A
i
I)
k1
v = 0
o que contradiz a hip otese inicial. Portanto, n ao existe nenhum bloco de
Jordan cuja ordem seja maior do que 1
Q :

A = Q
1
AQ diagonal
Se A = A
,

A =

A
e uma matriz diagonal (com os autovalores reais na

diagonal) e a base formada pelos autovetores e tal que
Q
Q = I (base ortonormal)
(Q
1
AQ)
= Q
AQ
1
= Q
1
AQ = Q
1
= Q
Funcoes matriciais
Funcoes de Matriz Quadrada
Matrizes quadradas A R
nn
estao associadas a transforma coes lineares
f : R
n
R
n
Dena
A
0
= I ; A
k
= AA A (k vezes) ; k Z
Funcoes Polinomiais: Seja f() um polin omio em de grau nito.
Por exemplo,
f() =
2
+ 5 + 6 = ( + 2)( + 3)
Uma fun cao f(A) e denida como
f(A) A
2
+ 5A + 6I = (A + 2I)(A + 3I)
Em particular, 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
)
_
_
Como e sempre possvel escrever A = Q

AQ
1
(

A e a representa cao de A
na Forma Can onica de Jordan)
f(A) = f(Q

AQ
1
) = (Q

AQ
1
)(Q

AQ
1
) + 5(Q

AQ
1
) + 6(QQ
1
)
= Q
_
A
2
+ 5

A + 6I
_
Q
1
= Qf(

A)Q
1
ou f(

A) = Q
1
f(A)Q.
O polin omio mnimo de A e denido como o polin omio m onico (maior
coeciente igual a 1) () de menor grau tal que (A) = 0.
Portanto, f(A) = 0 se e somente se f(

A) = 0 (matrizes similares tem o
mesmo polin omio mnimo).
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 polin omio
caracterstico de A e dado por
() = det(I A) =
i
(
i
)
n
i
Supondo que a forma de Jordan de A e conhecida, dene-se como o

ndice de
i
a maior ordem de todos os blocos de Jordan associados a
i
(denotado n
i
).
Por exemplo,
1
tem multiplicidade 4 nas quatro matrizes abaixo:
A
1
=
_
1
0 0 0
0
1
0 0
0 0
1
0
0 0 0
1
_
_
;

A
2
=
_
1
1 0 0
0
1
0 0
0 0
1
0
0 0 0
1
_
A
3
=
_
1
1 0 0
0
1
1 0
0 0
1
0
0 0 0
1
_
_
;

A
4
=
_
1
1 0 0
0
1
1 0
0 0
1
1
0 0 0
1
_
_
= os ndices do autovalor
1
sao, respectivamente, 1, 2, 3 e 4.
Usando os ndices n
i
de todos os autovalores
i
, o polin omio mnimo pode
ser expresso da seguinte forma:
() =
i
(
i
)
n
i
com grau n =
n
i

n
i
= n = dimens ao de A.
Nas matrizes acima, os polin omios mnimos s ao:
1
= (
1
) ;
2
= (
1
)
2
3
= (
1
)
3
;
4
= (
1
)
4
O polin omio caracterstico e sempre () = (
1
)
4
.
Portanto, o polin omio mnimo e um fator do polin omio caracterstico.
Considere por exemplo a forma de Jordan dada por
A =
_
_
1 0 0
0 1 0
0 0 1
0 0 0
_
_
Note que
(

A I) =
_
_
0 1 0 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
; (

A I)
2
=
_
_
0 0 1 0
0 0 0 1
0 0 0 0
0 0 0 0
_
_
(

A I)
3
=
_
_
0 0 0 1
0 0 0 0
0 0 0 0
0 0 0 0
_
_
; (

A I)
k
= 0 para k 4
Portanto, (A) = 0 e que nenhum outro polin omio de grau menor verica
a condi cao.
Teorema de Cayley-Hamilton
Seja () = det(I A) =
n
+
1
n1
+ +
n1
+
n
o polin omio
caracterstico de A. Ent ao,
(A) = A
n
+
1
A
n1
+ +
n1
A +
n
I = 0
isto e, toda matriz A R
nn
satisfaz seu polin omio caracterstico.
Como n
i
n
i
, o polin omio caracterstico contem o polin omio mnimo
como um fator, ou seja, para algum polin omio h()
() = ()h()
Como (A) = 0,
(A) = (A)h(A) = 0h(A) = 0
Pelo Teorema, A
n
pode ser escrita como uma combina cao linear de
{I, A, . . . , A
n1
}.
De fato, multiplicando-se (A) = 0 por A tem-se 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
Na verdade, se o polin omio mnimo (grau n) de A e conhecido, A pode
ser expressa como combina cao linear de {I, A, . . . , A
n1
}.
Expressando um polin omio qualquer f() na forma

f() = q()() + h()
q(): quociente da divis ao por ()
h(): resto da divis ao (grau menor que n)
f(A) = q(A)(A) + h(A) = q(A)0 + h(A) = h(A)
Uma alternativa ` a divis ao de polin omios acima e dada a seguir. Dena
h() como
h() =
0
+
1
+ +
n1
n1
i
, i = 0, . . . , n 1: incognitas 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 express ao
acima tem que ser diferenciada (em rela cao a ) para fornecer novas
equa coes.
Seja f() uma fun cao dada e seja A R

nn
com o polin omio
caracterstico
() =
m
i=1
(
i
)
n
i
; n =
m
i=1
n
i
Dena o polin omio 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 equa coes dadas
por
f
()
(
i
) = h
()
(
i
)
_
_
_
= 0, 1, . . . , n
i
1
i = 1, 2, . . . , m
onde f
()
(
i
)
d
f()
d
=
i
; h
()
(
i
)
d
h()
d
=
i
Neste caso, f(A) = g(A) e diz-se que h() e igual a f() no espectro
(conjunto dos autovalores) de A.
Dois polin omios que tenhas os mesmos valores no espectro de A

denem a mesma fun cao matricial.
O resultado acima pode ser usado para qualquer fun cao f() (n ao
necessariamente polinomial), denindo-se f(A) = h(A) e computando-se
os coecientes
i
, i = 0, . . . , n 1.
Qualquer polin omio h() de grau n 1, com n par ametros
independentes, poderia ser usado.
A
100
, A =
_
_
1 2
0 1
_
_
; () = det(I A) = ( 1)
2
g() =
0
+
1
Espectro de A: = 1 , f() =
100
f(1) = g(1) 1
100
=
0
+
1
d
d
f(1) =
d
d
g(1) 100(1
99
) =
1
_
_
=
0
= 99 ;
1
= 100
A
100
= f(A) = g(A) =
0
I +
1
A =
_
_
1 200
0 1
_
_
Calcule exp(At), isto e, se f() = exp(t), encontre f(A)

A =
_
_
0 0 2
0 1 0
1 0 3
_
_
; () = ( 1)
2
( 2) , n
1
= 2, n
2
= 1
g() =
0
+
1
+
2
2
; f(A) =
0
I +
1
A +
2
A
2
f(1) = g(1) exp(t) =
0
+
1
+
2
f
(1) = g
(1) t exp(t) =
1
+ 2
2
f(2) = g(2) exp(2t) =
0
+ 2
1
+ 4
2
0
= 2t exp(t) + exp(2t) ;
1
= 3t exp(t) + 2 exp(t) 2 exp(2t)
2
= exp(2t) exp(t) t exp(t)
f(A) =
_
_
2 exp(t) exp(2t) 0 2 exp(t) 2 exp(2t)
0 exp(t) 0
exp(t) + exp(2t) 0 2 exp(2t) exp(t)
_
_
Exemplo: Obtenha a express ao de f(

A) para
A =
_
1
1 0 0
0
1
1 0
0 0
1
1
0 0 0
1
_
_
O polin omio caracterstico e dado por () = (
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
) ;
2
=
f
(
1
)
2!
;
3
=
f
(3)
(
1
)
3!
Assim,
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 (

A I)
k
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
)
_
_
Por exemplo, para f() = exp(t)
exp(

At) =
_
_
exp(
1
t) t exp(
1
t) t
2
exp(
1
t)/2! t
3
exp(
1
t)/3!
0 exp(
1
t) t exp(
1
t) t
2
exp(
1
t)/2!
0 0 exp(
1
t) t exp(
1
t)
0 0 0 exp(
1
t)
_
_
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() = exp(t)= e
t
, ent ao
exp(At) = 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
_
_
Se f() = (s )
1
, ent ao
(sI A)
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
)
_
_
Teorema de Cayley-Hamilton
Seja () = det(I A) =
n
+
1
n1
+ +
n1
+
n
o polin omio
caracterstico de A. Ent ao,
(A) = A
n
+
1
A
n1
+ +
n1
A +
n
I = 0
Se A e uma matriz diagonaliz avel, ent ao existe uma transforma cao de
similaridade dada pela matriz Q tal que
A = QQ
1
; diagonal ; A
2
= (QQ
1
)(QQ
1
) = Q
2
Q
1
A
3
= Q
3
Q
1
, . . . , A
k
= Q
k
Q
1
(A) = Q
_
n
+
1
n1
+ +
n1
+
n
I
_
Q
1
e cada termo dentro dos colchetes e uma matriz diagonal cujo elemento
(i, i) e dado por
n
i
+
1
n1
i
+ +
n1
i
+
n
= (
i
) = 0
pois
i
e um autovalor de A.
O teorema de Cayley-Hamilton fornece uma f ormula explcita para o
calculo da matriz inversa
A
1
=
1
n
_
A
n1
+
1
A
n2
+ +
n1
I
_
No caso geral, a matriz A sempre pode ser reduzida `a forma de Jordan
A = Q
1
AQ ; (A) = Q
_
A
n
+
1

A
n1
+ +
n1

A +
n
I
_
Q
1
Para mostrar que a matriz dentro dos colchetes vale sempre zero, note
que a forma de Jordan e composta de blocos diagonais

A
i
A = diag {
A
1
,

A
2
, . . . ,

A
r
} ;

A
k
= diag {
A
k
1
,

A
k
2
, . . . ,

A
k
r
}
Considerando um tpico bloco

A
i
, e preciso provar que
_
A
n
i
+
1

A
n1
i
+ +
n1

A
i
+
n
I
_
= 0
Note que os termos abaixo da diagonal principal s ao sempre iguais a zero,
e que na diagonal principal um elemento tpico (i, i) e dado por
(
i
) = 0. Na diagonal acima da diagonal principal (vericar), um termo
tpico e dado por
n
n1
i
+
1
(n 1)
n2
i
+ +
n1
=
d()
d
=
i
= 0
e a raz em questao tem multiplicidade maior do que 1. Se

A
i
e um bloco
de Jordan de tamanho p p,
i
necessariamente e uma raz de no mnimo
ordem p, e assim as derivadas de ordem ate p 1 s ao todas iguais a zero
em =
i
. As sucessivas diagonais acima possuem termos que s ao
m ultiplos dessas derivadas da equa cao caracterstica, e portanto
_
A
n
i
+
1

A
n1
i
+ +
n
I
_
= 0
Normas e produtos internos

Norma de vetores
Qualquer fun cao 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)
Exemplo
x
p
=
_
n
i=1
| x
i
|
p
_1
p
; p 1 p inteiro
x
2
=
x (norma Euclidiana)
x
= max
i
| x
i
| (norma innito)
x
a
b
x
1
= | a | + | b |
x
2
=
a
2
+ b
2
x
= max{| a |, | b |}
Produto Interno
Para dois vetores x, y R
n
, dene-se o produto interno (ou produto
escalar) como
_
x, y
_
x
1
y
1
+ x
2
y
2
+ + x
n
y
n
= x
y
Propriedades:
_
x, y
_
=
_
x, y
_
_
x + y, z
_
=
_
x, z
_
+
_
y, z
_
_
x, y
_
=
_
y, x
_
_
x, x
_
= x
2
0
_
x, x
_
= 0 x = 0
o vetor x
pode ser visto como uma fun cao linear x
: R
n
R
Identidade do paralelogramo
x + y
2
+x y
2
= 2(x
2
+y
2
)
x
y
x + y
x y
Teorema: (Desigualdade de Cauchy-Schwarz)
Dena x =
__
x, x
__1
2
. Entao,
|
_
x, y
_
| xy
Prova: Para y = 0, a prova e imediata. Assumindo y = 0,
0
_
x + y, x + y
_
=
_
x, x
_
+
_
y, x
_
+
_
x, y
_
+
_
y, y
_
vale .
Escolhendo =
_
y, x
_
_
y, y
_
, tem-se
_
x, x
_

_
x, y
__
y, x
_
_
y, y
_
=
|
_
x, y
_
|
2
_
y, y
_
O angulo entre quaisquer dois vetores x, y R
n
e dado por
x
y
_
x
y
y
_
y
= cos
1
_
x
y
xy
_
= x
y = xy cos
Produto Interno
x
y = xy cos
Se x e y sao colineares: = 0, x
y = xy e se x = 0 y = x para
algum 0
Se x e y sao vetores opostos: = , x
y = xy e se x = 0 y = x
para algum 0
Se x e y sao vetores ortogonais (x y): =
2
=x
y = 0
x
y > 0 = angulo agudo; x
y < 0 = angulo obtuso

Dado um vetor y R
n
, o conjunto
_
x : x
y 0
_
dene um semi-espaco em R
n
(y e chamado vetor normal) passando no
ponto 0
y
0
_
x : x
y 0
_

Algebra

Enviado por

Dados do documento

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

Enviado por

Direitos autorais:

Formatos disponíveis

Revisao de algebra linear

Espa cos lineares

Subespa cos lineares

Independencia linear. Base e Representa coes

Denindo a matriz quadrada Q (n n)

e a representa cao de x na base {q

Um vetor x na base ortonormal {e

e a representa cao de x na base escolhida.

Usando nota cao matricial

Como a representa cao e unica:

EEL 6001: Teoria de Sistemas Lineares I algebra.tex 15

conhecida a representa cao de um vetor numa base, a representa cao

Teorema: Sejam X e Y espa cos lineares de dimensao n e m,

Transforma cao de Similaridade

Em rela cao ` a base {x

Matriz como Operador Linear

A e a representa cao de A na base {b, Ab, A

EEL 6001: Teoria de Sistemas Lineares I algebra.tex 27

A primeira equa cao apenas normaliza o vetor x

Exemplos: Transforma coes de rota cao ou reex ao de vetores (de fato,

EEL 6001: Teoria de Sistemas Lineares I algebra.tex 30

A reex ao de um vetor na reta x

EEL 6001: Teoria de Sistemas Lineares I algebra.tex 31

O procedimento de ortonormaliza cao pode ser descrito como uma

XF) = max Tr (2X

Procedimentos classicos para resolver problemas de otimiza cao com

XF) = max Tr (2X

Exemplo: considere os vetores LI

Usando Cholesky na matriz R = X

Exemplo: considere os vetores LI no plano x

Sistema de equa coes algebricas lineares

Exemplo: Considere a matriz A R

Desigualdade de Sylvester: para A R

sua conjugada transposta. Ent ao,

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

Considere o sistema y = Ax com A R

e chamada matriz de proje cao.

Estimador Mnimos Quadrados

e inversvel). De fato, para qualquer

Autovalores, autovetores. Formas de Jordan

Exemplo: Considere a matriz A

Note que C e um autovalor de A R

Forma Can onica de Jordan

Os autovetores associados ao bloco de Jordan J

Note que um autovetor generalizado v de grau 1 satisfaz

Portanto, existe 1 bloco de Jordan associado ao autovalor = 1; com

Como pode ser vericado, valem as propriedades: (A I)v

Autovalores e Autovetores de Matriz Simetrica

Para provar, mostra-se que n ao existem autovetores generalizados de grau

e uma matriz diagonal (com os autovalores reais na

EEL 6001: Teoria de Sistemas Lineares I algebra.tex 73

Como e sempre possvel escrever A = Q

Supondo que a forma de Jordan de A e conhecida, dene-se como o

De fato, multiplicando-se (A) = 0 por A tem-se que A

Expressando um polin omio qualquer f() na forma

Seja f() uma fun cao dada e seja A R

Dois polin omios que tenhas os mesmos valores no espectro de A

Calcule exp(At), isto e, se f() = exp(t), encontre f(A)

Exemplo: Obtenha a express ao de f(

Normas e produtos internos

pode ser visto como uma fun cao linear x

y > 0 = angulo agudo; x

y < 0 = angulo obtuso

Você também pode gostar