Universidade Federal do Amazonas – UFAM
Programa de Pós-Graduação em Engenharia Elétrica – PPGEE/CETELI
Algebra Linear
Prof. Dr. Florindo A. C. Ayres Junior
Prof. MSc. Michel W. S. Campos
Profa. MSc. Sabrina C. Monteiro
Manaus, AM
2024
Equação de Lyapunov
• Considere a equação:
𝑨𝑴 + 𝑴𝑩 = 𝑪
Onde 𝑨 e 𝑩 são, respectivamente, 𝑛 × 𝑛 e 𝑚 × 𝑚 matrizes constantes. Para que a equação faça
sentido, 𝑴 e 𝑪 tem que ser de ordem 𝑛 × 𝑚. Esta equação é chamada de 𝐄𝐪𝐮𝐚çã𝐨 𝐝𝐞 𝐋𝐲𝐚𝐩𝐮𝐧𝐨𝐯.
• Defina 𝓕 𝑴 ≔ 𝑨𝑴 + 𝑴𝑩 . Então a equação de Lyapunov poderá ser reescrita como:
ℱ 𝑴 =𝑪
• Um escalar 𝜂 é chamado autovalor de 𝓕 se existe 𝑴 não nulo tal que:
ℱ 𝑴 = 𝜂𝑴
Equação de Lyapunov
• A matriz 𝓕 pode ser considerada do tipo quadrada e de ordem
𝑛𝑚, portanto, apresentará uma quantidade de autovalores iguais
a 𝜂𝑘 , 𝑘 = 1,2,3 … 𝑛𝑚.
• Os autovalores de ℱ são todas as somas possíveis dos
autovalores de 𝑨 e 𝑩:
𝜂𝑘 = 𝜆𝑖 + 𝜇𝑗
onde 𝜆𝑖 , 𝑖 = 1,2, … , 𝑛 e 𝜇𝑗 , 𝑗 = 1,2, … , 𝑚 sendo os autovalores de 𝑨
e 𝑩 respectivamente.
Forma Quadrática e Positivo Definido
• Uma matriz 𝑨 𝑛 × 𝑛 é dita simétrica se sua transposta é igual a ela mesma. Ou seja:
𝑨 = 𝑨𝑇
• A função escalar 𝒙𝑇 𝑴𝒙, onde 𝒙 é um 𝑛 × 1 vetor real e 𝑴𝑇 = 𝑴, é chamada forma
quadrática.
• Os autovalores e autovetores de uma matriz real podem assumir valores complexos.
Portanto, 𝒙 pode assumir valores complexos.
• Porém 𝒙𝑇 𝑴𝒙 é real para qualquer 𝒙 complexo.
• A afirmação é verdadeira somente se 𝑴𝑇 = 𝑴, ou seja, se 𝑴 for simétrica.
Forma Quadrática e Positivo Definido
• Assume que 𝜆 seja um autovalor de 𝑴 e 𝒗 um autovetor. Ou seja:
𝑴𝒗 = 𝜆𝒗
Temos:
𝒗𝑇 𝑴𝒗 = 𝒗𝑇 𝜆𝒗 = 𝜆𝒗𝑇 𝒗
Como temos 𝑴 simétrico, então 𝒗𝑇 𝑴𝒗 e 𝒗𝑇 𝒗 são reais, logo 𝜆 é
real. Ou seja, todos os autovalores de 𝑴 simétrico são reais.
Forma Quadrática e Positivo Definido
• Teorema:
Uma matriz quadrada 𝑨 é chamada matriz ortogonal se todas as colunas de 𝑨 são ortonormais. Claramente, 𝑨 é não
singular, logo:
𝑨𝑇 𝑨 = 𝑰
E
𝑨−1 = 𝑨𝑇
Ou seja
𝑨𝑇 𝑨 = 𝑨𝑨−𝟏 = 𝑰 = 𝑨𝑨𝑻
Portanto a inversa de uma matriz ortogonal é igual a sua transposta.
• Consequentemente, 𝑸 é uma matriz ortogonal e suas colunas são autovetores ortonormalizados de
𝑴:
𝑴 = 𝑸𝑫𝑸−𝟏
Forma Quadrática e Positivo Definido
• Teorema:
Para toda matriz real simétrica 𝑴, existe uma matriz ortogonal 𝑸 tal que:
𝑴 = 𝑸𝑫𝑸−𝟏
Ou
𝑫 = 𝑸𝑻 𝑴𝑸
Onde 𝑫 é uma matriz diagonal com autovalores de 𝑴, na qual são todas reais, sob a diagonal.
• Uma matriz simétrica 𝑴 é dita positiva definida, indicado por 𝑴 > 𝟎 se 𝒙𝑇 𝑴𝒙 > 𝟎
para todo 𝒙 não nulo.
• É uma matriz positiva semidefinida, indicado por 𝑴 ≥ 𝟎, se 𝒙𝑇 𝑴, 𝒙 ≥ 𝟎 para todo 𝒙
não nulo.
Forma Quadrática e Positivo Definido
• Se 𝑴 > 𝟎, então 𝒙𝑇 𝑴𝒙 = 𝟎 se, se somente se 𝒙 = 𝟎.
• Se 𝑴 ≥ 𝟎, então haverá um 𝒙 não nulo tal que 𝒙𝑻 𝑴𝒙 = 𝟎.
Teorema:
1. Uma matriz 𝑴 𝑛 × 𝑛 é positiva definida (ou positiva semidefinida) se e
somente se qualquer um das seguintes condições se mantem:
2. Todo autovalor de 𝑴 é positivo (zero ou positivo)
3. Todos os 𝑀𝑒𝑛𝑜𝑟𝑒𝑠 𝑃𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑖𝑠 de 𝑴 são positivos (todos os menores
principais são zero ou positivos)
4. Haverá uma matriz 𝑛 × 𝑛 não-singular (uma 𝑛 × 𝑛 singular matriz 𝑵 ou 𝑚 × 𝑛
matriz 𝑵 com 𝑚 < 𝑛) tal que 𝑴 = 𝑵𝑻 𝑵.
Decomposição em Valores Singulares
• Seja 𝑯 uma matriz 𝑚 × 𝑛 real. Defina 𝑴 ≔ 𝑯𝑻 𝑯. 𝑴 é 𝑛 × 𝑛 simétrico e positivo semidefinido. Seja 𝑟 um
número de autovalores positivos. Então os autovalores de 𝑴 = 𝑯𝑻 𝑯 pode ser arranjado como:
𝜆12 ≥ 𝜆22 ≥ ⋯ 𝜆2𝑟 > 0 = 𝜆𝑟+1 = ⋯ = 𝜆𝑟
Seja ñ ≔ min(𝑚, 𝑛). Então o conjunto
𝜆1 ≥ 𝜆2 ≥ ⋯ 𝜆𝑟 > 0 = 𝜆𝑟+1 = ⋯ = 𝜆ñ
É chamado de valores singulares de 𝑯.
• Os valores singulares são usualmente arranjados em ordem decrescente em magnitude.
Exemplo
• Considere a matriz 2 × 3
−4 −1 2
𝑯=
2 0.5 −1
Computamos
20 5 −10
𝑴 = 𝑯𝑻 𝑯 = 5 1.25 −2.5
−10 −2.5 5
E computamos seu polinômio característico como:
det 𝜆𝐼 − 𝑀 = 𝜆3 − 26.25𝜆2 = 𝜆2 (𝜆 − 26.25)
Portanto os autovalores de 𝑯𝑻 𝑯 são [26.25,0,0] e os valores singulares de 𝑯 são 26.25 = 5.1235 e 0. Note que
o número de valores singulares é igual a min 𝑚, 𝑛 = 2.
Teorema
• Toda matriz 𝑚 × 𝑛 pode ser transformado na forma:
𝑯 = 𝑹𝑺𝑸𝑻
Com 𝑹𝑻 𝑹 = 𝑹𝑹𝑻 = 𝑰𝒎 , 𝑸𝑻 𝑸 = 𝑸𝑸𝑻 = 𝑰𝒏 e 𝑺 sendo 𝑚 × 𝑛 com os valores singulares
de 𝑯 sob a diagonal.
• As colunas de 𝑸 são autovetores ortonormalizados de 𝑯𝑻 𝑯 e colunas de 𝑹 são
autovetores ortonormalizados de 𝑯𝑯𝑻 .
• No Software MATLAB o comando 𝑺 = 𝑠𝑣𝑑(𝑯) computa os valores singulares de 𝑯.
• Escrevendo 𝒓, 𝒔, 𝒒 = 𝑠𝑣𝑑(𝑯) retorna as 3 matrizes do teorema (𝑹, 𝑺, 𝑸)
Exemplo
• Seja
0 1 1 2
𝑨= 1 2 3 4
2 0 2 0
Execute o comando 𝒓, 𝒔, 𝒒 = 𝑠𝑣𝑑(𝑨)
Na qual retorna:
0.3782 −0.3084 0.8729 6.1568 0 0 0
𝒓 = 0.8877 −0.1468 −0.4364 ; 𝒔 = 0 2.4686 0 0
0.2627 0.9399 0.2182 0 0 0 0
0.2295 0.7020 0.3434 −0.5802
𝒒 = 0.3498 −0.2439 0.8384 0.3395
0.5793 0.4581 −0.3434 0.5802
0.6996 −0.4877 −0.2475 −0.4598
Norma de Matrizes
• O conceito de norma de vetores pode ser extendido para matrizes.
• Seja 𝑨 uma matriz 𝑚 × 𝑛. A norma de 𝑨 pode ser definida como:
𝑨𝒙
𝑨 = sup = sup 𝑨𝒙
𝑥≠0 𝒙 𝑥 =1
Onde 𝑠𝑢𝑝 é o supremo ou mínimo limite superior.
• Esta norma é definida através da norma de 𝒙 e portanto é chamado de
norma induzida. Para diferentes 𝒙 temos diferentes 𝑨 .
Norma de Matrizes
• Por exemplo, se a 1-norma 𝒙 𝟏
é usada, então:
𝑨 𝟏
= max |𝑎𝑖𝑗 | = 𝑚𝑎𝑖𝑜𝑟 𝑠𝑜𝑚𝑎 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑎 𝑑𝑎𝑠 𝑐𝑜𝑙𝑢𝑛𝑎𝑠
𝑗
𝑖=1
Onde 𝑎𝑖𝑗 é a 𝑖𝑗-ésimo elemento de 𝐴. Se a norma Euclidiana 𝒙 𝟐
é usado, então:
𝑨 𝟐
= 𝑚𝑎𝑖𝑜𝑟 𝑣𝑎𝑙𝑜𝑟 𝑠𝑖𝑛𝑔𝑢𝑙𝑎𝑟 𝑑𝑒 𝑨
1/2
𝑨 = 𝑚𝑎𝑖𝑜𝑟 𝑎𝑢𝑡𝑜𝑣𝑙𝑎𝑜𝑟 𝑑𝑒 𝑨𝑻 𝑨
Se a norma-infinita 𝒙 ∞
é usada, então:
𝑨 ∞
= max 𝑎𝑖𝑗 = 𝑚𝑎𝑖𝑜𝑟 𝑠𝑜𝑚𝑎 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑎 𝑑𝑎𝑠 𝑙𝑖𝑛ℎ𝑎𝑠
𝑖
𝑗=1
Exemplo
• Considere:
3 2
𝑨=
−1 0
Então:
𝑨 1
= 3 + −1 = 4
𝑨 2
= 3.7
𝑨 ∞
=3+2=5
A função no MATLAB 𝑛𝑜𝑟𝑚 𝐴, 1 ; 𝑛𝑜𝑟𝑚 𝐴, 2 , 𝑛𝑜𝑟𝑚(𝐴, 𝑖𝑛𝑓) computa as 3
normas.
Propriedades
• A norma de matrizes tem as seguintes propriedades:
𝑨𝒙 ≤ 𝑨 𝒙
𝑨+𝑩 ≤ 𝑨 + 𝑩
𝑨𝑩 ≤ 𝑨 𝑩