Академический Документы
Профессиональный Документы
Культура Документы
Algebra
Linear
Valter J. S. Leite1
1 CEFET-MG
/ Campus V Divin
opolis, MG Brasil
Marco de 2016
1 / 62
Transformacao de similaridade
Marco de 2016
2 / 62
Algebra
Linear
Marco de 2016
3 / 62
Bases, representac
ao e ortonormalizac
ao
Dependencia linear
Um conjunto de vetores [x1 , x2 , . . . , xm ] em Rn e dito linearmente
umeros 1 , 2 , . . ., m , nao todos zeros em que
dependente se existem n
1 x1 + 2 x2 + . . . + m xm = 0.
Combinacao linear x1 = 11 [2 x2 + 3 x3 + . . . + m xm ] .
A dimensao de um espaco linear pode ser definido como o n
umero
maximo de vetores linearmente independentes.
Marco de 2016
4 / 62
Bases e representac
ao
Marco de 2016
5 / 62
Exerccio:
Considere
os vetores
1
3
2
x=
, q1 =
e q2 =
.
3
1
2
Determine a representacao de x em relacao a q1 e q2 .
Marco de 2016
6 / 62
Normas de vetores
Qualquer funcao de valor real de x, denotada por kxk, pode ser definida
como norma se tem as seguintes propriedades:
1
2
3
kxk 0 x e kxk = 0 se e s
o se x = 0. ;
kxk = || kxk, para qualquer real;
Marco de 2016
7 / 62
Norma um
kxk1 =
Norma Euclideana
kxk2 =
x x
n
X
i=1
|xi | .
n
X
i=1
!1
2
|xi |
Norma infinita
kxk = maxi |xi | .
Exerccio:
Calcule as normas um, Euclidiana e infinita do vetor x = 3 1 4 .
Marco de 2016
8 / 62
Ortonormalizac
ao
xi xj =
1,
Se i = j.
Procedimento de ortonormalizacao de Schmidt
u1 = e1 ,
q1 =
u1
,
ku1 k
u2 = e2 (q1 e2 )q1 ,
um = e m
m1
X
q2 =
(qk em )qk ,
u2
,
ku2 k
qm =
k=1
um
.
kum k
Marco de 2016
9 / 62
Exerccio:
2
1
3
e 1 .
1
1
Marco de 2016
10 / 62
Marco de 2016
11 / 62
Marco de 2016
12 / 62
Exerccio:
Seja a matriz
0 1 1 2
A = 1 2 3 4 .
2 0 2 0
Marco de 2016
13 / 62
Teorema 3.1
Marco de 2016
14 / 62
Marco de 2016
15 / 62
Exerccio
4
0 1 1 2
1 2 3 4 x2 = 8 .
x3
2 0 2 0
0
x4
Marco de 2016
16 / 62
Marco de 2016
17 / 62
Teorema 3.3
Marco de 2016
18 / 62
Marco de 2016
19 / 62
Exemplo de transformac
ao de similaridade
Seja a equacao Ax = y
3 2 1
2
sendo A = 2 1
0 e y = 1 .
4 3
1
3
2 5
5
Considere a base Q = y Ay A2 y = 1 3 13 .
3 14 25
Marco de 2016
20 / 62
Exemplo de transformac
ao de similaridade (continuac
ao)
x = y
sendo x
= Q1 x,
O sistema transformado
ser
a A
0,8823
= Q1 y = 0,2941 e
y
0,0588
0
= Q1 AQ (transformac
A
ao de similaridade) = 1
0
sao chamadas similares .
As matrizes A e A
e a forma companheira
Nesse caso particular, a matriz A
0
17
0 15 .
1
5
.
Marco de 2016
21 / 62
Objetivo:
Introduzir uma transformacao de similaridade na qual a representacao da
matriz sera diagonal ou bloco diagonal .
Considere a relacao
Ax = x
A e uma matriz n n,
e um n
umero real ou complexo chamado autovalor ,
x e um vetor nao-nulo chamado autovetor .
Marco de 2016
22 / 62
C
alculo dos Autovalores e Autovetores
Ax = x = Ix
(A I) x = 0
Para que x seja nao-nulo, a matriz (A I) deve ser singular.
Assim, a resolucao da equacao abaixo resulta os autovalores.
() = det (A I) = 0 (equac
ao caracterstica) .
Calculados os autovalores, os autovetores podem ser obtidos resolvendo
(A I) x = 0.
Marco de 2016
23 / 62
Caso 1: Os autovalores s
ao distintos
1 0 0 . . .
0 2 0 . . .
= Q1 AQ =
A
0 0 3 . . .
..
..
..
.
.
.
0
0
0
0
..
.
. . . n
Marco de 2016
24 / 62
Exerccio
0 0 0
A = 1 0 2 .
0 1 1
Marco de 2016
25 / 62
Caso 2: Os autovalores s
ao complexos
Matriz diagonal J Q1 AQ e transformada na forma modal
=Q
1 JQ.
1 0
0
0
0
1
= 0 1
0
1 0 + j
0
A
0 j j
0
0
j
0
0
0
= 0 (matriz bloco diagonal).
A
0
0
0
0,5 0,5j .
0,5
0,5j
Marco de 2016
26 / 62
Caso 2: Os autovalores s
ao complexos (Continuac
ao)
Marco de 2016
27 / 62
Exerccio
1
A= 0
0
da matriz
1
1
4 13 .
1
0
Marco de 2016
28 / 62
1
0
A1 =
0
0
1
0
A3 =
0
0
1
1
0
0
0
1
1
0
1
1
0
0
0
0
1
0
0
0
,
1
1
0
0
,
1
1
1
0
A2 =
0
0
1
0
A4 =
0
0
1
1
0
0
0
1
1
0
1
1
0
0
0
0
1
0
0
0
,
0
1
0
0
.
0
1
Marco de 2016
29 / 62
Marco de 2016
30 / 62
(A I) v2 = v1 ,
(A I) v3 = v2 ,
(A I) v4 = v3 .
Marco de 2016
31 / 62
Exerccio
11 8,5 2,5 2
11 10 4 2
A=
15 19 9 2
6 5,5 1,5 1
Marco de 2016
32 / 62
Polin
omios de uma matriz n n:
Ak = AA . . . A,
(k vezes) ,
A0 = I.
Seja o polin
omio f () = 3 + 22 6.
f (A) e definida como f (A) = A3 + 2A2 6.
1 .
Pode ser mostrado que f (A) = Pf (A)P
Polin
omio m
onico e um polin
omio em que o coeficiente do termo de
maior potencia e 1.
Polin
omio mnimo e definido como o polin
omio m
onico () de menor
grau tal que (A) = 0.
Marco de 2016
33 / 62
O grau do polin
omio mnimo corresponde a ordem do maior bloco de
Jordan para autovalores repetido.
A nulidade de (A I) corresponde ao n
umero de blocos de Jordan de
autovalores repetidos.
Exemplo
1
0
A1 =
0
0
1
1
0
0
0
1
1
0
0
0
0
1
Polin
omio mnimo: (A1 1 I)3
Nulidade: 2
1
0
A2 =
0
0
1
1
0
0
0
0
1
0
0
0
1
1
Polin
omio mnimo: (A2 1 I)2
Nulidade: 2
Marco de 2016
34 / 62
Teorema de Cayley-Halmilton
Toda matriz A Cnn satisfaz sua pr
opria equacao caracterstica.
Marco de 2016
35 / 62
Teorema de Cayley-Halmilton
Toda matriz A Cnn satisfaz sua pr
opria equacao caracterstica.
Ou seja, se Q() = det (I A) = n + an1 n1 + . . . + a1 + a0 0 = 0
Entao,
Q(A) = An + an1 An1 + . . . + a1 A + a0 A0 = 0
Marco de 2016
35 / 62
Teorema de Cayley-Halmilton
Toda matriz A Cnn satisfaz sua pr
opria equacao caracterstica.
Ou seja, se Q() = det (I A) = n + an1 n1 + . . . + a1 + a0 0 = 0
Entao,
Q(A) = An + an1 An1 + . . . + a1 A + a0 A0 = 0
Marco de 2016
35 / 62
Func
oes de matriz quadrada
Ideia central:
Como A e solucao de sua equacao caracterstica:
n = an1 n1 . . . a1 a0 0
(1)
Marco de 2016
36 / 62
Func
oes de matriz quadrada
Ideia central:
Como A e solucao de sua equacao caracterstica:
n = an1 n1 . . . a1 a0 0
(1)
Marco de 2016
36 / 62
i i
i=0
(2)
Resta determinar i , i = 0, . . . , n 1.
Marco de 2016
37 / 62
Em resumo:
Toda funcao f (A), A Cnn , que possa ser expressa como uma serie de
potencias:
f (A) = 0 I + 1 A + 2 A2 + . . . =
i Ai
i=0
Marco de 2016
38 / 62
Em resumo:
Toda funcao f (A), A Cnn , que possa ser expressa como uma serie de
potencias:
f (A) = 0 I + 1 A + 2 A2 + . . . =
i Ai
i=0
Marco de 2016
38 / 62
Encontrando i
Suponha n autovalores distintos 1 , . . . , n . Entao (2) e valida para
esses n autovalores:
0
f (1 )
1 1 21 1n1
f (2 ) 1 2 2 n1 1
2
2
(3)
.. = .. ..
.. ..
.. . .
. . .
.
. .
.
n1
f (n )
1 n 2n nn1
|
{z
}
Matriz de Vandermonde
O que permite calcular
f (1 )
1 1 21 1n1
1 2 2 n1 f (2 )
2
2
= .. ..
.. . .
.. ..
. .
.
.
. .
2
n1
f (n )
n1
1 n n n
0
1
..
.
Marco de 2016
(4)
39 / 62
no Matlab. . .
n1
1
1n2
f (1 )
f (2 ) n1 n2
2
2
.. = ..
..
..
. .
.
.
f (n )
nn1 nn2
| {z } |
{z
F()
V()
Portanto, () = V1 ()F()
V. J. S. Leite (CEFETMG / Divin
opolis)
1 1 n1
2 1
n2
. . .. ..
. .
.
0
n 1
} | {z }
(5)
()
Marco de 2016
40 / 62
Exemplo
Sejam
2t
3
A(t) =
0 4e2t
e f (A) = sin(A) + A2
Calculando os autovalores:
det(I A(t)) = 0 ( 2t)( + 4e2t ) = 0
logo: 1 = 2t e 2 = 4e2t
Monte as matrizes F(), V() e ():
sin(2t) + (2t)2
sin(2t) + 4t2
F() =
=
sin(4e2t ) + (4e2t )2
sin(4e2t ) + 16e4t
2t
1
V() =
4e2t 1
V. J. S. Leite (CEFETMG / Divin
opolis)
() = 1
0
Marco de 2016
41 / 62
No matlab:
syms L t % L = lambda;
A = [2*t 3; 0 -4*exp(-2*t)];
p = simple(det(L*eye(2)-A)); % p-> pol. caract.
L1 = 2*t; L2 = -4*exp(-2*t); % autovalores
f1 = sin(L1)+L1^2; f2 = sin(L2)+L2^2;
F = [f1; f2];
V = [L1 1; L2 1];
betas = simple(inv(V)*F)
() = 2 t
4
t
2
t
2
2
t
2e
sin(2 t)+8 e
t t sin(4 e
)+16 te
t+2 e2 t
Marco de 2016
42 / 62
3.2996 3.5073
=
f A
0
0.4910
4
Marco de 2016
43 / 62
E se os autovalores n
ao s
ao distintos?
Marco de 2016
44 / 62
Exerccios (sugest
ao)
1
0
0
2.9474 1.3158 0
1
0 e B = 0.8421 5.0526 0 ,
Sendo A = 0
2 3 4
1.6842 2.1053 4
calcule via Cayley-Hamilton:
a.
b.
c.
d.
e.
f.
eAt ;
At ;
A100 ;
3 sin Bt;
eBt ;
e(A+B)t
Marco de 2016
45 / 62
Exerccio
Calcule:
a-
b - eAt
0
1
sabendo que A =
1 2
0 0 2
0 .
com A = 0 1
1 0
3
A100
Marco de 2016
46 / 62
S
erie de pot
encias
i i
i=0
i Ai .
i=0
Marco de 2016
47 / 62
Resultados importantes
e0 = I
eA(t1 +t2 ) = eAt1 eAt2
At 1
e
= eAt
deAt
= AeAt = eAt A
dt
e(A+B)t 6= eAt eBt
L eAt = (sI A)1 , sendo L [] a transformada de Laplace.
At
de
= sL eAt e0 = AL eAt
L
dt
Marco de 2016
48 / 62
Equac
ao de Lyapunov
Considere a equacao
AM + MB = C
sendo A n n, B m m, e as matrizes C e D n m.
Como exemplo considere n = 3 e m = 4
a11
a21
a31
a12
a22
a32
a13
m11
a23 m21
a33
m31
m12
m22 +
m32
c11 c12
= c21 c22
c31 c32
m11
m21
m31
m12
b11
m22
b21
m32
b12
b22
Marco de 2016
49 / 62
A=
a11 + b11
a21
a31
b21
0
0
a12
a22 + b11
a32
0
b12
0
M=
a13
a23
a33 + b11
0
0
b12
m11
m21
m31
m12
m22
m32
b21
0
0
a11 + b22
a21
a31
C=
0
b21
0
a12
a22 + b22
a32
c11
c21
c31
c12
c22
c32
0
0
b21
a13
a23
a33 + b22
Marco de 2016
50 / 62
Considere a equacao AM = M:
O escalar e um autovalor de A.
Pode ser mostrado que k = i + j sendo i e j os autovalores de A
e B respectivamente.
Se i + j 6= 0 para todo i e j entao a solucao M existe e e u
nica.
Se i + j = 0 para algum i e j entao a existencia de solucao depende
de C. Caso exista nao sera u
nica.
Marco de 2016
51 / 62
F
ormulas usuais
sendo o posto.
Marco de 2016
52 / 62
Considere matrizes
A m n e B n m:
Im A
Im
0
Im A
.
eP=
Defina N = 0 I , Q = B
B
I
I
n
sIm e B obtem-se
sIn ,
Marco de 2016
53 / 62
Forma quadr
atica e definida positiva
ou
D = Q MQ
Marco de 2016
54 / 62
Teorema 3.7
Marco de 2016
55 / 62
Teorema 3.8
Marco de 2016
56 / 62
Decomposic
ao em valores singulares
1 2 . . .r > 0 = r+1 = . . . = ne .
Marco de 2016
57 / 62
Marco de 2016
58 / 62
Exerccio
1 1
K = 0 1 .
1 0
Marco de 2016
59 / 62
Normas de matrizes
Norma um
kAk1 = maxj
n
X
i=1
Norma Euclideana
kAk2 = maior valor singular de A.
Norma infinita
kAk = maxi
n
X
j=1
Marco de 2016
60 / 62
kA + Bk kAk + kBk;
kABk kAk kBk.
Marco de 2016
61 / 62
Exerccio
Calcule as normas um, Euclidiana e infinita da matriz
4 1
2
H=
.
2 0,5 1
Marco de 2016
62 / 62