Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Aula4 introbusto

648 views

Published on

Published in: Education
  • Be the first to comment

  • Be the first to like this

Aula4 introbusto

  1. 1. ´ Algebra Linear – Teoria de Matrizes1. Sistemas Lineares 1.1. Coordenadas em espa¸os lineares: independˆncia linear, base, c e dimens˜o, singularidade, combina¸˜o linear a ca 1.2. Espa¸o imagem (colunas) - Espa¸o linhas. Posto c c 1.3. Espa¸o nulo (n´cleo). Nulidade c u2. Autovalores e autovetores3. Tra¸o de matriz c4. Forma quadr´tica e sinais de matrizes a5. Valores singulares6. Norma vetorial7. Norma matricial pag.1 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  2. 2. Sistemas Lineares Considere o conjunto de equa¸oes alg´bricas lineares c˜ e  y1 = a11 x1 + a12 x2 + · · · + a1n xn    . . .  . . . . . . y = Ax   = am1 x1 + am2 x2 + · · · + amn xn  ym  x1 , . . . , xn denotam entradas do sistema linear y1 , . . . , ym denotam sa´ ıdas do sistema linear aij denotam parˆmetros que caracterizam o mapeamento entrada-sa´ a ıda A ∈ Rm×n , y ∈ Rm e x ∈ Rn pag.2 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  3. 3. Subespa¸os Fundamentais cQuest˜es fundamentais o Caracterizar os conjuntos de sa´ ıdas y1 , . . . , ym que podem ser obtidosdadas as entradas x1 , . . . , xn (controlabilidade da sa´ ıda) Dadas as sa´ ıdas y1 , . . . , ym identificar, se poss´ ıvel, o conjunto de entradasx1 , . . . , xn que as geram (observabilidade da entrada)Em outras palavras... Como caracterizar uma solu¸˜o para Ax = y ? Veja que catem-se um conjunto com m equa¸oes e n inc´gnitas c˜ o Pode-se definir subespa¸os fundamentais de tal forma a obter condi¸oes de c c˜existˆncia e uma forma geral de solu¸oes para Ax = y e c˜ pag.3 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  4. 4. Coordenadas em Espa¸os Lineares cNota Antes de responder a ultima quest˜o, introduze-se conceitos sobre ´ acoordenadas em espa¸os lineares... cDependˆncia Linear Um conjunto de vetores {x1 , x2 , . . . , xk }, xi ∈ Rn , ei = 1, . . . , k, ´ linearmente dependente se existem escalares α1 , α2 , . . . , αk , en˜o todos nulos tais que a k α i xi = α 1 x1 + α 2 x2 + · · · + α k xk = 0 i=1Caso contr´rio, o conjunto {x1 , x2 , . . . , xk } ´ linearmente independente – LI a e kVeja que i=1 αi xi = Xαsendo X [ x1 x2 ··· xk ] ∈ Rn×k , α [ α1 α2 ··· α k ]T ∈ R k pag.4 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  5. 5. Coordenadas em Espa¸os Lineares cProposi¸˜o Qualquer conjunto de n vetores LI qualifica uma base em um caespa¸o linear n−dimensional (ie um espa¸o de dimens˜o n) c c aLema Considere Q ∈ Rn×n . O sistema de equa¸oes c˜ T Qx = 0, x x1 x2 ··· xnpossui uma solu¸˜o n˜o-nula (x = 0) se e somente se Q ´ singular ca a eTeorema Considere Q = q1 q2 · · · qn . Ent˜o Q ´ n˜o-singular se e a e asomente se o conjunto de vetores {q1 , q2 , . . . , qn } ´ LI (em outras palavras, e∃Q−1 ) pag.5 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  6. 6. Coordenadas em Espa¸os Lineares cRepresenta¸˜o de vetores caConsidere um conjunto de vetores {q1 , q2 , . . . , qn }, base no Rn . Ent˜o todo avetor y ∈ Rn pode ser escrito como combina¸˜o linear: ca n y= αi qi = Qα i=1Como Q ´ n˜o-singular: e a α = Q−1 y representa¸˜o unica de y na base {q1 , q2 , . . . , qn } ca ´Para outra base qualquer P , y = P ζ, ζ = P −1 y = P −1 Qα !!! pag.6 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  7. 7. Subespa¸os Fundamentais cDefini¸˜o ca O espa¸o colunas de A ´ o espa¸o gerado pelas colunas de A, e ´ c e c edenominado espa¸o imagem de A — (A) . Por outro lado, o espa¸o linhas de A ´ o c c eespa¸o gerado pelas linhas de A — (AT ) c T 1 −1 −3Exemplo y= 1 −1 est´ no espa¸o imagem de a c A= ? ¢ ¤ 0 10 0   ¡ £ ¥Em outras palavras, y = Ax, para algum x? Sim, pois as colunas de A geram todo oespa¸o 2-dimensional c• posto de colunas de A ∈ Rm×n ´ a dimens˜o de e a (A), ie ´ equivalente ao en´mero de colunas LI de A u• posto de linhas de A ∈ Rm×n ´ a dimens˜o de e a (AT )• dim (A) = dim (AT ) = r = posto(A) ∴ posto(A) ≤ min {m, n} pag.7 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  8. 8. Subespa¸os Fundamentais cDefini¸˜o ca O espa¸o nulo ` direita (ou n´cleo) de A ´ o espa¸o gerado por todos os c a u e cvetores x satisfazendo Ax = 0 — N (A). Por outro lado, o espa¸o nulo ` esquerda c ade A ´ o espa¸o gerado por todos os vetores y satisfazendo y T A = 0 — N (AT ) e c TExemplo x= 1 10 0 est´ no espa¸o N (A): a c   ¡ 1 −1 −3 A= ? ¢ ¤ 0 10 0 £ ¥Em outras palavras, Ax = 0? Como 1 1 −1 −3 −9 0 ¢ ¤ 10 = = ¢ ¤ ¢ ¤ ¢ ¤ ¦ § 0 10 0 100 0 ¦ § 0 £ ¥ £ ¥ £ ¥ £ ¥portanto, a resposta ´ negativa e pag.8 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  9. 9. Subespa¸os Fundamentais c• Considere A de ordem m × nDimens˜o dos quatro subespa¸os fundamentais: a c (A), (AT ), N (A) eN (AT )? r posto(A) = dim (A) n colunas de A∴ r + dim N (A) = n → dim N (A) = n − r (Nulidade) r posto(AT ) = dim (AT ) m linhas de A∴ r + dim N (AT ) = m → dim N (AT ) = m − r pag.9 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  10. 10. Subespa¸os Fundamentais c• O espa¸o n-dimensional de entrada X = c (AT ) ⊕ N (A)• O espa¸o m-dimensional de sa´ Y = c ıda (A) ⊕ N (AT )MATLABorth(A) – base ortonormal para (A)null(A) – base ortonormal para N (A)rank(A) – posto de A 0 1 1 2 ¢ ¤Exemplo Posto de A = 1 2 3 4 = a1 a2 a3 a4 ? ¦ § ¦ §   ¡ 2 0 2 0 £ ¥a1 e a2 s˜o LI. a3 = a1 + a2 . a4 = 2a2 . A tem duas colunas LI ∴ posto(A) = 2 a pag.10 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  11. 11. Subespa¸os Fundamentais cTeorema Dado A ∈ Rm×n , existe uma solu¸˜o x para Ax = y, para caqualquer y, sse posto(A) = m (posto completo de linhas)Teorema Dado A ∈ Rn×n . Se ∃A−1 , ent˜o Ax = y tem uma unica solu¸˜o a ´ capara todo y, ie x = A−1 y. Em particular, a unica solu¸˜o para Ax = 0 ´ ´ ca ex=0 pag.11 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  12. 12. Autovalores e AutovetoresDefini¸˜o Um escalar λ ´ denominado um autovalor de A ∈ Rn×n se ca e∃x ∈ Rn , x = 0, satisfazendo Ax = λxTal x ´ denominado um autovetor de A associado ao autovalor λ eComo calcular autovalor ? Basta escrever Ax = λx = λIx da forma (A − λI) x = 0 Se (A − λI) ´ n˜o singular, ent˜o a unica solu¸˜o ´ x = 0 !! e a a ´ ca e Por´m x = 0, ent˜o (A − λI) deve ser necessariamente singular, ou de forma e aequivalente, det(A − λI) = 0 ... Toda ra´ de p(λ) = det (A − λI) ´ uma autovalor de A ız e pag.12 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  13. 13. Teoria de MatrizesTra¸o c Para A ∈ Rn×n , o tra¸o de A, denotado por Tr{A} ou Tra¸o{A}, ´ c c edefinido como sendo: n Tr {A} = aii i=1ie, ´ a soma dos elementos da diagonal principal ePropriedades n1. Tr{A} = λi i=12. Tr{A + B} = Tr{B + A} = Tr{A} + Tr{B}3. Tr{AB} = Tr B T AT = Tr{BA}= Tr AT B T (se existirem multiplica¸oes) c˜ ¨ © ¨ © n n4. Tr AT A = a2 ij ¨ © i=1 i=1 pag.13 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  14. 14. Forma quadr´tica e Sinais de Matrizes aSimetria P ∈ Rn×n ´ dita ser sim´trica se P = P T e eNota Todos os autovalores de uma matriz sim´trica s˜o reais e aNota Toda matriz sim´trica pode ser diagonalizada, mesmo para autovalores repetidos e(MATLAB: jordan)Forma Quadr´tica a ´ E uma classe de fun¸oes escalares na forma c˜ P11 ··· P1n x1 . .. . . ¢ ¤ ¢ ¤ V (x) = xT P x = x1 ··· xn . . . . , P = PT ¦ § ¦ § . . . ¦ § ¦ §   ¡ ¦ § ¦ § Pn1 ··· Pnn xn £ ¥ £ ¥ pag.14 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  15. 15. Forma quadr´tica e Sinais de Matrizes aFun¸˜o escalar definida positiva Dado P = P T , se a fun¸˜o escalar xT P x > 0, ca capara todo x = 0, ent˜o P ´ dita ser definida positiva, sendo denotado por P a e 0Fun¸˜o escalar definida negativa Dado P = P T , se a fun¸˜o escalar ca caxT P x < 0, para todo x = 0, ent˜o P ´ dita ser definida negativa, sendo denotado a epor P 0Fun¸˜o escalar semidefinida positiva (negativa) Dado P = P T , se a fun¸˜o ca caescalar xT P x ≥ 0 (xT P x ≤ 0), para todo x = 0, ent˜o P ´ dita ser semidefinida a epositiva (semidefinida negativa), sendo denotado por P 0 (P 0)Nota Se P ´ semidefin´ ent˜o ∃x = 0 tal que xT P x = 0 e ıda, a pag.15 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  16. 16. Forma quadr´tica e Sinais de Matrizes aTeorema P = P T ∈ Rn×n ´ definida positiva (semidefinida positiva) sse eλ(P ) > 0 (λ(P ) ≥ 0)Teorema P = P T ∈ Rn×n ´ definida negativa (semidefinida negativa) sse eλ(P ) < 0 (λ(P ) ≤ 0)Exerc´ ıcio Moste que V (x) ´ definida positiva e V (x) = xT P x = 10x2 + 4x2 + x2 + 2x1 x2 − 2x2 x3 − 4x1 x3 1 2 3Fato Dado H ∈ Rm×n ent˜o a1. H T H ou HH T ´ sim´trica e e2. H T H 0 ou HH T 03. H T H 0 se posto(H) = n (posto completo de colunas)4. HH T 0 se posto(H) = m (posto completo de linhas) pag.16 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  17. 17. Valores Singulares Dado H ∈ Rm×n Define-se M HT H ∴ M = MT 0, M ∈ Rn×n Portanto todos os autovalores de M s˜o reais e n˜o negativos a a r indica o n´mero de autovalores positivos de M u Ent˜o os autovalores de M = H T H podem ser ordenados da forma a λ2 ≥ λ2 ≥ · · · ≥λr > 0 = λr+1 = · · · = λn 1 2Denote por n = min(m, n). Ent˜o o conjunto a λ1 ≥ λ2 ≥ · · · λr > 0 = λr+1 ≥ λn´ denominado de valores singulares de H. Em outras palavras, os valores singulares deeH (denotado por σ) s˜o obtidos de: a σ= λ(H T H), MATLAB: sigma pag.17 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  18. 18. Produto InternoA fun¸˜o x, y : R × R → R ´ um produto interno se satisfaz os seguintes axiomas ca e ∗1. x, y = y, x , x, y = y, x2. α(x + y), z = α x, z + α y, z3. x, x ≥ 0 e x, x = 0 ⇔ x=0Representa¸˜o usual para vetores do Rn ca n x, y = xi y i i=1Vetores ortogonais – x ⊥ y x, y = xT y = 0 pag.18 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  19. 19. Norma VetorialA fun¸˜o x : R → R ´ uma norma se satisfaz os seguintes axiomas ca e1. x+y ≤ x + y2. αx = |α| x3. x ≥0e x =0 ⇔ x=0Normas usuais para vetores no Rn 1 n r• Norma-r x r |xi |r , 1≤r<∞ i=1• Norma-∞ x ∞ max |xi | 1≤i≤n pag.19 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  20. 20. Norma Vetorial 1 √ n 2• Norma-2 ou Norma Euclidiana x 2 xT x = x, x = |xi |2 i=1Nota Interpreta¸˜o gr´fica ? A norma-2 ´ o comprimento do vetor a partir da origem ca a eMATLABnorm(x,1) – norma-1norm(x,2) ou norm(x) – norma-2norm(x,inf) – norma-∞ pag.20 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  21. 21. Norma Matricial O conceito de norma vetorial pode ser “estendido” para matrizes, no sentido de sepoder “mensurar” matrizes. Considere X o espa¸o de entradas R n e Y o espa¸o de c c ıdas Rmsa´Defini¸˜o ca Considere A : X → Y. O operador ´ limitado se e ∃c < ∞, c ∈ R : Ax < c x , ∀x ∈ XDefini¸˜o ca Considere A : X → Y. A norma de A ´ a menor constante c ePortanto a norma de um operador linear pode ser caracterizada por Ax r A r sup = sup Ax r x=0 x r x r =1 A r ´ denominada norma matricial induzida por uma norma vetorial r e pag.21 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  22. 22. Norma MatricialPara diferentes x , tem-se diferentes A m1. A 1 = max |aij | ⇔ A maior soma absoluta das colunas j i=1 1 T2. A 2 = λmax (A A) 2 ⇔ Valor singular m´ximo de A a   m3. A ∞ = max  |aij | ⇔ A maior soma absoluta das linhas i j=1 pag.22 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  23. 23. Norma Matricial   3 2Exemplo Normas 1, 2 e ∞ de A =  ? −1 0 A 1 = max {3 + | − 1|; 2 + 0} = 4 A 2 = 3.7 A ∞ = max {3 + 2; | − 1| + 0} = 5 pag.23 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  24. 24. Norma Matricial Interpreta¸˜o gr´fica ? Considere por exemplo a norma A ca a 1. Note que y = Ax e n x 1 =1 ⇒ x 1 = |xi | i=1portanto 3 2 1 3 3 2 0 2y1 = Ax = = , y2 = Ax = = ¢ ¤ ¢ ¤ ¢ ¤ ¢ ¤ ¢ ¤ ¢ ¤ −1 0 0 −1 −1 0 1 0 £ ¥ £ ¥ £ ¥ £ ¥ £ ¥ £ ¥ 3 2 −1 −3 3 2 0 −2y3 = Ax = = , y4 = Ax = = ¢ ¤ ¢ ¤ ¢ ¤ ¢ ¤ ¢ ¤ ¢ ¤ −1 0 0 1 −1 0 −1 0 £ ¥ £ ¥ £ ¥ £ ¥ £ ¥ £ ¥ pag.24 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares
  25. 25. Norma Matricial 2 1.5 1 x 1 =1 0.5 0 −0.5 −1PSfrag replacements −1.5 A 1 =3+1=4 −2 −4 −3 −2 −1 0 1 2 3 4 MATLAB norm(A,r), r = 1, 2 ou r =inf pag.25 Introdu¸˜o ao Controle Robusto – Aula 4 ca c Reinaldo M. Palhares
  26. 26. Exerc´ ıcios 0 1 1 2 −1 1. Calcule o posto de A = 1 2 3 4 −1 2 0 2 0 2 1 −0.5 2 2. Calcule as normas induzidas 1,2 e ∞ para A = 0 0.7 0.3 −0.9 0 0.1 −4 −1 23. Encontre os valores singulares de A = 2 0.5 −1 0 1 1 1 1 0 0 1 1 1 4. Encontre uma forma diagonal para A = 0 0 0 1 1 0 0 0 0 1 0 0 0 0 0 pag.26 Introdu¸˜o ao Controle Robusto – Aula 4 cac Reinaldo M. Palhares

×