AlgebraLinear PDF

Ferramentas Matematicas para Sistemas Lineares:
Algebra
Linear
Valter J. S. Leite1
1 CEFET-MG
/ Campus V Divin
opolis, MG Brasil
Mestrado em Engenharia Eletrica CEFETMG / UFSJ
V. J. S. Leite (CEFETMG / Divin

opolis)
Teoria e Projeto de Sistemas Lineares
Marco de 2016
1 / 62
O que nos espera?
Bases, representacao e ortonormalizacao
Equacoes algebricas lineares
Transformacao de similaridade
Forma diagonal e forma de Jordan
Funcoes de uma matriz quadrada

Teorema de Cayley-Halmilton

opolis)
Marco de 2016
2 / 62

Algebra
Linear
Rever e introduzir conceitos e resultados de algebra linear, tais como:

Bases de espacos vetoriais e representac
oes;
Resolucao de equacoes algebricas lineares;
Diagonalizacao de matrizes;
Funcao de matrizes;
Matriz definida positiva;
F
ormulas usuais de matrizes.

opolis)
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.

opolis)
Marco de 2016
4 / 62
Bases e representac
ao
Todo vetor x em Rn pode ser expresso unicamente como

x = 1 q1 + 2 q2 + . . . + n qn .
O conjunto de vetores linearmente independentes Q = [q1 , q2 , . . . , qn ] e
uma base do espaco.
O conjunto de n
umeros [1 ,2 , . . . , n ] e a representacao do vetor em
relacao a base Q.

opolis)
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 .

opolis)
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;
kx1 + x2 k kx1 k + kx2 k, x1 e x2 (inequacao triangular);

opolis)
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 .

opolis)
Marco de 2016
8 / 62
Ortonormalizac
ao
Um conjunto de vetores e dito ortonormal se

0,
Se i 6= j,
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

opolis)
m1
X
q2 =
(qk em )qk ,
u2
,
ku2 k
qm =
k=1
um
.
kum k
Marco de 2016
9 / 62
Exerccio:
Encontre vetores ortonormais que sirvam como base do mesmo espaco

determinado pelos vetores:
2
1
3
e 1 .
1
1

opolis)
Marco de 2016
10 / 62
Considere o conjunto de equac

oes algebricas lineares
Ax = y.
A seguir a condicao de existencia e a forma da solucao geral da equacao
acima sera discutida.

opolis)
Marco de 2016
11 / 62
O espaco-coluna de A e definido como todas as possveis combinacoes

lineares das colunas de A.
O posto de A e a dimensao do Espaco-coluna.
Um vetor x e chamado vetor nulo se Ax = 0.
A nulidade e definida como o n
umero maximo de vetores nulos
linearmente independentes de A.
A nulidade pode ser dada pela relacao
Nulidade(A) = n
umero de colunas de A posto(A).

opolis)
Marco de 2016
12 / 62
Exerccio:
Seja a matriz
0 1 1 2
A = 1 2 3 4 .
2 0 2 0
Determine o posto, a nulidade e bases para o espaco-coluna e o

espaco-nulo.

opolis)
Marco de 2016
13 / 62
Teorema 3.1
1 - Seja uma matriz A m n e um vetor y m 1. Uma solucao x da

equacao Ax = y existe se e s
o se y esta no espaco-coluna de A ou,
equivalentemente, (A) = ([A y]).
2 - Seja uma matriz A. Uma solucao de Ax = y existe para todo y se e
s
o se posto(A) = m.

opolis)
Marco de 2016
14 / 62
Teorema 3.2 (Parametrizac

ao das soluc
oes)
Seja uma matriz A m n, um vetor y m 1, uma solucao xp da equacao

Ax = y e k a nulidade.
Se k = 0 (posto(A) = n) entao a solucao xp e u
nica.
Se k > 0 entao para todo real i , i = 1, 2, . . . , k, o vetor
x = xp + 1 n1 + . . . + k nk e uma solucao de Ax = y, sendo
{n1 , . . . ,nk ,} a base do espaco-nulo de A.

opolis)
Marco de 2016
15 / 62
Exerccio
Calcule uma parametrizacao das soluc

oes da equacao Ax = y descrita
abaixo

x1

4
0 1 1 2
1 2 3 4 x2 = 8 .
x3
2 0 2 0
0
x4

opolis)
Marco de 2016
16 / 62
Determinantes e inversas de matrizes quadradas
Se A e triangular ou diagonal entao o determinante e igual ao produto

dos elementos da diagonal.
O determinante de qualquer submatriz r r de A e chamado de menor
de ordem r .
Se A tem posto r entao ha no mnimo um menor de ordem r nao nulo e
todo menor de ordem maior que r e nulo.
Uma matriz quadrada e dita nao-singular se o determinante e diferente
de zero.

opolis)
Marco de 2016
17 / 62
Teorema 3.3
Seja a equacao Ax = y com A quadrada.

1- Se A e nao-singular entao a equacao tem solucao u
nica para todo y e a
1
solucao e igual a A y. Em particular a u
nica solucao de Ax = 0 e x = 0.
2- A equacao homogenea Ax = 0 tem solucao nao nula se e so se A e
singular. O n
umero de soluc
oes linearmente independente e igual a
nulidade de A.

opolis)
Marco de 2016
18 / 62
Considere uma matriz A n n que mapeia Rn em Rn .

Se for associado com Rn a base can
onica (ortonormal) entao a i-esima
coluna de A e a representacao de Aii com respeito a base ortonormal.
Se for selecionada uma base diferente {q1 , q2 , . . . , qn } entao a matriz A
tem uma representacao diferente A.
A i-esima coluna de A e a representacao de Aqi com relacao `a base

{q1 , q2 , . . . , qn }.

opolis)
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

opolis)
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

opolis)
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 .

opolis)
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.

opolis)
Marco de 2016
23 / 62
Caso 1: Os autovalores s
ao distintos
Nesse caso, a representacao de A sera diagonal
1 0 0 . . .
0 2 0 . . .
= Q1 AQ =
A
0 0 3 . . .
..
..
..
.
.
.
0
0
0
0
..
.
. . . n
O conjunto de vetores base que produzirao a diagonalizacao e composto

pelos autovetores associados aos autovalores calculados,
Q = [v1 , v2 , v3 , . . . , vn ] .

opolis)
Marco de 2016
24 / 62
Exerccio
Calcule os autovalores e autovetores da matriz
0 0 0
A = 1 0 2 .
0 1 1

opolis)
Marco de 2016
25 / 62
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

opolis)
0
0
0,5 0,5j .
0,5
0,5j
Marco de 2016
26 / 62
ao complexos (Continuac
ao)
A matriz de transformacao P relaciona A e A.

P1 = [v1 , Re (v2 ) , Im (v2 )]
sendo v1 o autovetor associado a ,
Re (v2 ) a parte real do autovetor associado a + j,
Im (v2 ) a parte imaginaria do autovetor associado a + j.
= PAP1 .
A

opolis)
Marco de 2016
27 / 62
Exerccio
Calcule os autovalores e autovetores
1
A= 0
0

opolis)
da matriz
1
1
4 13 .
1
0
Marco de 2016
28 / 62
Caso 3: Autovalores repetidos
Nesse caso, a matriz A pode ter uma representacao diagonal ou bloco

diagonal. Exemplos de matrizes bloco diagonais sao mostrados abaixo.
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

opolis)
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
No caso em que nao ha uma representacao diagonal, deve-se empregar

como base os autovetores generalizados .
Um vetor e chamado autovetores generalizados de grau n se
(A I)n v = 0
e
(A I)(n1) v 6= 0.

opolis)
Marco de 2016
30 / 62
Caso 3:Autovalores repetidos (continuac

ao)
Calculo dos autovetores generalizados:

(A I) v1 = 0,
(A I) v2 = v1 ,
(A I) v3 = v2 ,
(A I) v4 = v3 .
Os vetores [v1 , v2 , v3 , v4 ] sao linearmente independentes.

opolis)
Marco de 2016
31 / 62
Exerccio
Calcule os autovalores e autovetores da matriz
11 8,5 2,5 2
11 10 4 2
A=
15 19 9 2
6 5,5 1,5 1

opolis)
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.

opolis)
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

opolis)
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
Conheca Cayley e Hamilton
Toda matriz A Cnn satisfaz sua pr
opria equacao caracterstica.

opolis)
Marco de 2016
35 / 62
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

opolis)
Marco de 2016
35 / 62
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
Ax = x, em que x e um autovetor e um autovalor

portanto,
(A I)x = 0 det (A I) = det (I A) = 0

opolis)
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)
Se multiplicarmos ambos os lados por :

Lado direito: n+1
Lado esquerdo: n , n1 , . . . , 1 .
Substituindo n pelo lado direito de (1), tem-se que
n+1 pode ser escrito em termos de n1 , n2 , . . . , 1

opolis)
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)
Se multiplicarmos ambos os lados por :

Lado direito: n+1
Lado esquerdo: n , n1 , . . . , 1 .
Substituindo n pelo lado direito de (1), tem-se que
n+1 pode ser escrito em termos de n1 , n2 , . . . , 1
. . . generalizando
n+k n1 , n2 , . . . , 1 , para qualquer k
opolis)
Marco de 2016
36 / 62
Assim, a serie (de Taylor) infinita:

f () = 0 + 1 + 2 2 + . . . =
i i
i=0
pode ser expressa como

f () = 0 + 1 + 2 2 + . . . + n1 n1
(2)
Resta determinar i , i = 0, . . . , n 1.

opolis)
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
pode ser calculada usando potencias de A menores ou iguais a n 1:

f (A) = 0 I + 1 A + 2 A2 + . . . n1 An1

opolis)
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
pode ser calculada usando potencias de A menores ou iguais a n 1:

f (A) = 0 I + 1 A + 2 A2 + . . . n1 An1
Como calcular i , i = 1, . . . , n 1?

opolis)
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
..
.

opolis)
Marco de 2016
(4)
39 / 62
no Matlab. . .
Veja o comando vander(x),

que monta a matriz de Vandermonde

x = 1 2 n
Cuidado: Para usar vander(x) e preciso mudar a ordem das incognitas:
n1
1
1n2
f (1 )
f (2 ) n1 n2
2
2
.. = ..
..
..
. .
.
.
f (n )
nn1 nn2
| {z } |
{z
F()
V()
Portanto, () = V1 ()F()
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
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)
sin(2 t)+4 t2 +sin(4 e2 t )16 e4 t

2 t+4 e2 t
() = 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

opolis)
Marco de 2016
42 / 62
Portanto, f (A) = sin(A) + A2 pode ser calculada como

sin (2 t) + 4 t2 + sin 4 e2 t 16 e4 t
f (A) =
I
2 t + 4 e2 t

2 e2 t sin (2 t) + 8 e2 t t2 t sin 4 e2 t + 16 te4 t
A(t)
+
t + 2 e2 t
No matlab, para t = /4:
>> f = betas(1)*eye(2) + betas(2)*A;
>> subs(f,t,pi/4)
resulta:
3.2996 3.5073
=
f A
0
0.4910
4

opolis)
Marco de 2016
43 / 62
E se os autovalores n
ao s
ao distintos?
Calcule os autovalores de A Cnn ;
Faca f (A) = f (); (troque A por )

Defina h() um polin
omio de grau n 1;
Calcule os coeficientes de h() usando:

f () (i ) = h() (i ), = 0,1,
. . . ,(ni 1) e i = 0,1, . . . , m
d f ()
()
f (i ) = d
=i
h() (i ) definido de maneira similar.

Calcule f (A) por meio de h(A).

opolis)
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
Quais sao as propriedades do determinante de uma matriz de

Vandermonde? O que isso implica na solucao dos problemas
relacionados ao teorema de Cayley-Hamilton?

opolis)
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

opolis)
Marco de 2016
46 / 62
S
erie de pot
encias
Assuma que f () possa ser expressa como

f () =
i i
i=0
com raio de convergencia .

Se todos os autovalores de A tem magnitude menor que entao
f (A) =
i Ai .
i=0
Devido a propriedade de nilpotencia, o parametro i sera limitado a um

valor inteiro uma vez que a partir de determinado valor de i as potencias
de (A I) sao nulas.
opolis)
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

opolis)
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

opolis)

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 equacao pode ser reescrita como AM = C sendo
A=
a11 + b11
a21
a31
b21
0
0
a12
a22 + b11
a32
0
b12
0
M=

opolis)
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.

opolis)
Marco de 2016
51 / 62
F
ormulas usuais
Considere matrizes A m n e B n p. Tem-se que

(AB) min((A),(B)),
sendo o posto.
Sejam as matrizes nao-singulares A m n, C m n, D m m, entao

tem-se que
(AC) = (A) = (DA).

A 0
A C
Seja M =
ou M =
assim
C B
0 B
det(M) = det(A)det(B).

opolis)
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
Pode ser mostrado que
det(QP) = det(NP) = det(P) = det(Im + AB) = det(In + BA).

Em N, Q e P se In , Im e B sao trocados respectivamente por
sIm e B obtem-se
sIn ,
sn det(sIm AB) = sm det(sIn BA).

opolis)
Marco de 2016
53 / 62
Forma quadr
atica e definida positiva
Uma matriz quadrada M e chamada simetrica se M = M.

Os autovalores de matrizes simetricas sao todos reais.
Uma matriz quadrada A e chamada ortonormal se A A = I, ou seja,
A1 = A .
Teorema 3.6
Para toda matriz simetrica M, existe uma matriz ortogonal Q tal que
M = QDQ
ou
D = Q MQ
sendo D a matriz diagonal com os autovalores de M, os quais serao reais.

opolis)
Marco de 2016
54 / 62
Teorema 3.7
Uma matriz simetrica M n n e definida positiva (ou semidefinida) se e

somente se uma das condic
oes acontece:
1
Todo autovalor de M e positivo (ou zero);
Todos os principais menores de M sao positivos (ou zeros);
Existe uma matriz nao-singular N (n n ou m n sendo m < n) tal

que M = N N.

opolis)
Marco de 2016
55 / 62
Teorema 3.8
1. Uma matriz H m n com m n, tem posto n, se e somente se a

matriz H H n n tem posto n, ou seja, det(H H) 6= 0.
2. Uma matriz H m n com m n, tem posto m, se e somente se a
matriz HH m m tem posto m, ou seja, det(HH ) 6= 0.
Obs.: Os autovalores nao nulos de HH e HH sao iguais. A diferenca
entre as matrizes esta no n
umero de autovalores nulos.

opolis)
Marco de 2016
56 / 62
Decomposic
ao em valores singulares
Seja H uma matriz real m n. Defina M = H H. Sabe-se que r e o

n
umero de seus autovalores positivos. Os autovalores de M podem ser
ordenados como
1 2 2 2 . . . r 2 > 0 = r+1 = . . . = n .
Seja n
e = min(m,n). Entao o conjunto
1 2 . . .r > 0 = r+1 = . . . = ne .
e chamado valores singulares de H.

opolis)
Marco de 2016
57 / 62
Teorema 3.9 (decomposic

ao em valores singulares)
Toda matriz H m n pode ser reescrita na forma

H = RSQ
sendo R R = RR = Im , Q Q = QQ = In e S m n com valores
singulares de H na diagonal.

opolis)
Marco de 2016
58 / 62
Exerccio
1 - Calcule os valores singulares da matriz

4 1
2
H=
.
2 0,5 1
2 - Faca a decomposicao da matriz abaixo em valores singulares
1 1
K = 0 1 .
1 0

opolis)
Marco de 2016
59 / 62
Normas de matrizes
Norma um
kAk1 = maxj
n
X
i=1
|aij | = maior soma absoluta das colunas.
Norma Euclideana
kAk2 = maior valor singular de A.
Norma infinita
kAk = maxi
n
X
j=1

opolis)
|aij | = maior soma absoluta das linhas.
Marco de 2016
60 / 62
Norma de matrizes tem as seguintes propriedades:

1
2
3
kAxk kAk kxk;
kA + Bk kAk + kBk;
kABk kAk kBk.

opolis)
Marco de 2016
61 / 62
Exerccio
Calcule as normas um, Euclidiana e infinita da matriz

4 1
2
H=
.
2 0,5 1

opolis)
Marco de 2016
62 / 62

AlgebraLinear PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

AlgebraLinear PDF

Загружено:

Авторское право:

Доступные форматы

Ferramentas Matematicas para Sistemas Lineares:

Mestrado em Engenharia Eletrica CEFETMG / UFSJ

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

O que nos espera?

Bases, representacao e ortonormalizacao

Equacoes algebricas lineares

Forma diagonal e forma de Jordan

Funcoes de uma matriz quadrada

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

Rever e introduzir conceitos e resultados de algebra linear, tais como:

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

Todo vetor x em Rn pode ser expresso unicamente como

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

kx1 + x2 k kx1 k + kx2 k, x1 e x2 (inequacao triangular);

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

Um conjunto de vetores e dito ortonormal se

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

Encontre vetores ortonormais que sirvam como base do mesmo espaco

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

Considere o conjunto de equac

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

O espaco-coluna de A e definido como todas as possveis combinacoes

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

Determine o posto, a nulidade e bases para o espaco-coluna e o

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

1 - Seja uma matriz A m n e um vetor y m 1. Uma solucao x da

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

Teorema 3.2 (Parametrizac

Seja uma matriz A m n, um vetor y m 1, uma solucao xp da equacao

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

Calcule uma parametrizacao das soluc

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

Determinantes e inversas de matrizes quadradas

Se A e triangular ou diagonal entao o determinante e igual ao produto

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

Seja a equacao Ax = y com A quadrada.

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares

Considere uma matriz A n n que mapeia Rn em Rn .

tem uma representacao diferente A.

A i-esima coluna de A e a representacao de Aqi com relacao `a base

V. J. S. Leite (CEFETMG / Divin

Teoria e Projeto de Sistemas Lineares