Teoria de Sistemas Lineares

Teoria de Sistemas Lineares
Prof. Reinaldo Martinez Palhares

Contato: Sala 2605 (BLOCO 1) mailto: palhares@cpdee.ufmg.br
www.ppgee.ufmg.br/palhares/TeoriaSistemasLineares.html
Quintas-Feiras 07h30 a 09h10 09h25 a 11h05
Aspectos Burocraticos
Bibliograa Basica
Chi-Tsong Chen, Linear System Theory and Design, 3rd ed., Oxford University Press,
1999.
Extras
Joao P. Hespanha, Linear Systems Theory, Prentice University Press, 2009.
William L. Brogan, Modern Control Theory, 3rd ed., Prentice Hall, 1991.
Gene F. Franklin, J. David Powell and Michael Workman, Digital Control of Dynamic
Systems, 3rd ed., Addison Wesley Longman, 1997.
Allan D. Kraus, Matrices for Engineers, Oxford University Press, 2002.
Artigos em periodicos, material didatico de outros cursos na Web semelhantes.
c Reinaldo M. Palhares
pag.2
Teoria de Sistemas Lineares Aula 0
Aspectos Burocraticos
Avaliacoes
Tres provas de 32 pontos cada Datas?
Exerccios em Sala 4 pontos
(Pre-)Requisitos Desejaveis
No c oes de controle classico e moderno (+ para moderno)
Conceitos iniciais de Sinais e Sistemas
pag.3
Motivacao e Contexto
Sistema: e um ajuntamento ou conjunto de elementos combinados, pela
natureza ou pelo homem, de modo a formar um todo integrado e complexo.

E
uma deni cao que acontece em varias disciplinas como: engenharia, biologia,
medicina, direito, sociologia, antropologia, historia, ciencias polticas, informatica,
administra cao, economia & nan cas; na natureza como um todo, etc.
Teoria de Sistemas: e o estudo das intera coes e comportamento de tal conjunto
de elementos quando sujeito a certas condi coes ou entradas. A natureza abstrata
da teoria de sistemas e devido ao fato que esta relacionado com propriedades
matematicas mais do que com a formafsica ou conceitual das partes que o
compoem
pag.4
Estudo de sistemas fsicos descritos por modelos lineares
Muitos sistemas fsicos sao lineares em determinadas faixas de opera cao
O estudo pode ser sistematizado (algebra linear) Computacionalmente
bastante ecientes Extens oes para sistemas fsicos nao lineares?
Aspectos qualitativos e quantitativos
pag.5
Especicamente...
Dado um modelo linear do sistema a ser avaliado e um conjunto de
especica coes, encontrar uma a cao adequada para alterar o desempenho do
mesmo de forma satisfatoria
Aplicacoes
Engenharias de Sistemas, Mecanica e Civil; Comunica coes, Processamento de
Sinais, Economia e Finan cas, Aeronautica, Sistemas de Controle Automatico,
Analise, Simula cao e Projeto de Circuitos, Navega cao
pag.6
Metodos Empricos
Aplica cao de varias entradas e observa cao das sadas experiencia do
projetista sistemas grandes ou complexos?
pag.7
Estudo Analtico
Modelagem
Descri cao Matematica
Analise do Modelo
Projeto
pag.8
Modelagem
Distin cao entre sistemas fsicos e modelos
Resistor linear com resistencia constante (modelo valido dentro de certos
limites de potencia); indutor com indutancia constante e um modelo (a indutancia
pode variar com a corrente)
Um sistema fsico pode ter modelos diferentes (dependendo do contexto)
Um mesmo sistema fsico pode ser modelado diferentemente (um satelite pode
ser tratado como um corpo rgido ou corpo exvel)
pag.9
Descricao Matematica
Uma vez denido um modelo para um sistema fsico, aplicam-se as leis da
fsica para se obter uma descri cao matematica do sistema
Modelagem Fsica: baseada nas Leis de Newton (sistemas mecanicos), Leis de
Kirchho (tensao e corrente em cirtuitos eletricos), leis da Termodinamica, etc.
Modelagem Experimental: baseada em rela coes entrada-sada (modelos por
series temporais: modelos autoregressivos, media movel, ARMA ...)
pag.10
Considere o sistema massa-mola com atrito viscoso:
m
1
m
2
x
u
b
k
z
As equa coes do movimento podem ser obtidas pela Lei de Newton: F = ma
F: resultante das for cas que agem sobre o corpo; a: acelera cao relativa a uma
referencia inercial ; m
i
: massa dos corpos
pag.11
Sistema de equacoes diferenciais:
x +
b
m
1
( x z) +
k
m
1
(x z) =
u
m
1
z +
b
m
2
( z x) +
k
m
2
(z x) = 0
Molas e amortecedores modelados como elementos lineares
Com as equa coes, pode-se determinar o comportamento do sistema (isto e, as
posi coes x, z e as velocidades x, z) para qualquer for ca externa u aplicada
pag.12
Descricao por Variaveis de Estado:
Denem-se: x
1
= x, x
2
= x, z
1
= z e z
2
= z, obtendo-se as equa coes
lineares vetoriais de primeira ordem:
x
1
x
2
z
1
z
2

x(t)
=
0 1 0 0
k
m
1
b
m
1
k
m
1
b
m
1
0 0 0 1
k
m
2
b
m
2
k
m
2
b
m
2
x
1
x
2
z
1
z
2

x(t)
+
0
1
m
1
0
0

B
u
pag.13
Descricao por Funcao de Transferencia
Aplicando a Transformada de Laplace (com condi coes iniciais nulas) tem-se:
s
2
X(s) +
b
m
1
s(X(s) Z(s)) +
k
m
1
(X(s) Z(s)) =
1
m
1
U(s)
s
2
Z(s) +
b
m
2
s(Z(s) X(s)) +
k
m
2
(Z(s) X(s)) = 0
e obtem-se as rela coes
X(s)
U(s)
e
Z(s)
U(s)
pag.14
Analise do Modelo
Quantitativo: calculo das respostas para determinadas entradas; verica cao da
acuidade do modelo
Qualitativo: propriedades gerais do sistema como estabilidade, controlabilidade e
observabilidade; permite o desenvolvimento de tecnicas de projeto
pag.15
Projeto
Se o comportamento do sistema, embora el ao modelo descrito, e
insatisfatorio tendo em vista certas especica coes de desempenho desejadas, e
necessario projetar uma a cao que leve o sistema a apresentar as caractersticas
desejadas.
pag.16
Topicos Principais

Algebra linear
Sistemas lineares com entradas e sadas; espa co de estado
Estabilidade, controlabilidade e observabilidade
Controle e Estima cao
pag.17
Ferramentas Computacionais
Control System Toolbox
pag.18
Matrizes e Linearidade
1. Revisitando Matrizes
1.1. Tra co, Simetria, Determinante
1.2. Inversa
2. Sistema de Equa coes Lineares
3. Equa cao Caracterstica
3.1. Autovalor & Autovetor
4. Polin omios Coprimos
5. Fun cao Linear
6. Sistemas Dinamicos Lineares & Nao-Lineares
pag.1
Matrizes e Vetores
A
mn
=
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
; x =
_
_
x
1
x
2
.
.
.
x
n
_
_
A R
mn
: matriz real, A C
mn
: matriz complexa
x R
n
(real), x C
n
(complexo)
pag.2
Matrizes e Vetores
Transposicao:
A
=
2
6
6
6
6
6
6
4
a
11
a
21
a
m1
a
12
a
22
a
m2
.
.
.
.
.
.
.
.
.
a
1n
a
2n
a
mn
3
7
7
7
7
7
7
5
; x
=
h
x
1
x
2
x
n
i
(A + B)
= A
+ B
; (AB)
= B
Traco: soma dos elementos da diagonal de uma matriz quadrada

A
nn
Tr (A) =
n
X
i=1
a
ii
; Tr(AB) = Tr(BA) ; Tr(A+B) = Tr(A)+Tr(B)
pag.3
Matrizes
Matriz conjugada

A (A C
mn
)
A =
_
_
1 1 + j 0
3 3j j 1 5j
0 4j 1 + j
_
_
;

A =
_
_
1 1 j 0
3 + 3j j 1 + 5j
0 4j 1 j
_
_
Matriz conjugada transposta A
=
_
_
1 3 + 3j 0
1 j j 4j
0 1 + 5j 1 j
_
_
(A + B)
= A
+ B
; (AB)
= B
; c C (cA)
= cA
pag.4
Matrizes
Simetria: A = A
(a
ij
= a
ji
) Anti-simetria: A = A
(a
ij
= a
ji
)
Se A R
nn
, entao A + A
e simetrica ; AA
e anti-simetrica
Se A R
mn
, entao A
A e simetrica ; AA
e simetrica
Hermitiana: A = A
(a
ij
= a
ji
) Anti-hermitiana: A
= A
Toda matriz quadrada A pode ser expressa de maneira unica como
A = X + jY ; X =
1
2
(A + A
) ; Y =
1
2j
(AA
)
X, Y : hermitianas
pag.5
Determinantes
det(A) e o determinante da matriz quadrada A
nn
, fun cao escalar que
pode ser computada a partir de uma linha arbitraria k da matriz
det(A) =
n
j=1
a
kj
C
kj
ou ainda a partir de uma coluna l qualquer
det(A) =
n
i=1
a
il
C
il
sendo C
pq
os cofatores dados por
C
pq
= (1)
p+q
M
pq
e M
pq
os menores associados aos elementos a
pq
da matriz A
nn
. O menor
M
pq
e o determinante da matriz de dimensao (n 1) (n 1) obtida a partir
da elimina cao da linha p e da coluna q da matriz A
pag.6
Determinantes
Determinantes de A
nn
, para n = 1, 2 e 3:
A =
h
a
11
i
det(A) = a
11
A =
2
4
a
11
a
12
a
21
a
22
3
5
det(A) = a
11
a
22
a
12
a
21
A =
2
6
6
4
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
3
7
7
5
det(A) = a
11
a
22
a
33
+ a
12
a
23
a
31
+ a
13
a
21
a
32
a
13
a
22
a
31
a
12
a
21
a
33
a
11
a
32
a
23
pag.7
Propriedade dos Determinantes
Se duas linhas (colunas) sao trocadas, troca-se o sinal
Se uma matriz tem duas linhas (colunas) identicas o determinante e nulo
det(A
) = det(A) ; det(A
) = det(

A)
det(AB) = det(A) det(B)
det(A) =
n
det(A) (A R
nn
)
det
_
_
_
_
A B
0 D
_
_
_
_
= det
_
_
_
_
A 0
C D
_
_
_
_
= det(A) det(D)
pag.8
+ sobre Matrizes
Ortogonal: A R
nn
, A
A = AA
= I
Unitaria: A C
nn
, A
A = AA
= I
Note que o determinante de uma matriz hermitiana e sempre real
det(A) = det(A
) = det(

A
) = det(

A)
Se det(A) = 0 a matriz A e chamada singular
pag.9
Inversa de Matrizes
A
nn
possui uma inversa B
nn
= A
1
se AB = BA = I
nn
A inversa de uma matriz e dada por A
1
=
1
det(A)
Adj (A), sendo
Adj (A) a matriz adjunta da matriz A, denida como Adj (A) = [Co (A)]
e
Co (A) e a matriz cofatora de A, composta pelos cofatores C
ij
da matriz A
Relembrando, Cofator:
C
ij
= (1)
i+j
|M|
ij
|M|
ij
o menor, do det(A), formado quando se remove a i-esima linha e
j-esima coluna do det(A)
pag.10
Inversa de Matrizes
Uma identidade matricial AB = C pode ser particionada de varias maneiras:
2
4
A
1
A
2
3
5
h
B
1
B
2
i
=
2
4
A
1
B
1
A
1
B
2
A
2
B
1
A
2
B
2
3
5
=
2
4
C
1
C
2
C
3
C
4
3
5
2
4
A
1
A
2
A
3
A
4
3
5
2
4
B
1
B
2
3
5
=
2
4
A
1
B
1
+ A
2
B
2
A
3
B
1
+ A
4
B
2
3
5
=
2
4
C
1
C
2
3
5
2
4
A
1
A
2
A
3
A
4
3
5
2
4
B
1
B
2
B
3
B
4
3
5
=
2
4
A
1
B
1
+ A
2
B
3
A
1
B
2
+ A
2
B
4
A
3
B
1
+ A
4
B
3
A
3
B
2
+ A
4
B
4
3
5
=
2
4
C
1
C
2
C
3
C
4
3
5
pag.11
Inversa de Matrizes
A inversa de uma matriz ortogonal e igual à sua transposta
A
1
= A
A inversa de uma matriz unitaria e igual à sua conjugada transposta:

A
1
= A
Inversa de uma matriz A R

22
_
_
a b
c d
_
_
1
=
1
ad bc
_
_
d b
c a
_
_
pag.12
Formulas para Matrizes Invertveis
Para uma matriz quadrada A =
_
_
A
11
A
12
A
21
A
22
_
_
com A
11
e A
22
quadradas
Se A
11
e nao-singular
_
_
A
11
A
12
A
21
A
22
_
_
=
_
_
I 0
A
21
A
1
11
I
_
_
_
_
A
11
0
0
_
_
_
_
I A
1
11
A
12
0 I
_
_
A
22
A
21
A
1
11
A
12
; A e nao-singular sse e nao-singular
pag.13
Se A
22
e nao-singular
_
_
A
11
A
12
A
21
A
22
_
_
=
_
_
I A
12
A
1
22
0 I
_
_
_
_
0
0 A
22
_
_
_
_
I 0
A
1
22
A
21
I
_
_
A
11
A
12
A
1
22
A
21
; A e nao-singular sse

e nao singular
(
) e chamado de complemento de Schur de A

11
(A
22
)
pag.14
Se A e nao singular
_
_
A
11
A
12
A
21
A
22
_
_
1
=
_
_
A
1
11
+ A
1
11
A
12
1
A
21
A
1
11
A
1
11
A
12
1
A
21
A
1
11

1
_
_
_
_
A
11
A
12
A
21
A
22
_
_
1
=
_
_
1
A
12
A
1
22
A
1
22
A
21

1
A
1
22
+ A
1
22
A
21

1
A
12
A
1
22
_
_
(A
11
A
12
A
1
22
A
21
)
1
= A
1
11
+A
1
11
A
12
(A
22
A
21
A
1
11
A
12
)
1
A
21
A
1
11
(A
22
A
21
A
1
11
A
12
)
1
= A
1
22
+A
1
22
A
21
(A
11
A
12
A
1
22
A
21
)
1
A
12
A
1
22
pag.15
Para A bloco-triangular
_
_
A
11
0
A
21
A
22
_
_
1
=
_
_
A
1
11
0
A
1
22
A
21
A
1
11
A
1
22
_
_
_
_
A
11
A
12
0 A
22
_
_
1
=
_
_
A
1
11
A
1
11
A
12
A
1
22
0 A
1
22
_
_
pag.16
Se A
11
e nao-singular
det(A) = det(A
11
) det(A
22
A
21
A
1
11
A
12
)
Se A
22
e nao-singular
det(A) = det(A
22
) det(A
11
A
12
A
1
22
A
21
)
Para matrizes quaisquer B C
mn
e C C
nm
det
_
_
I
m
B
C I
n
_
_
= det(I
n
+ CB) = det(I
m
+ BC)
Para quaisquer x, y C
n
det(I
n
+ xy
) = 1 + y
x
pag.17
Sistema de Equacoes Lineares
y
1
= a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
y
2
= a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
.
.
.
y
m
= a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
Escrito na forma matricial: y = Ax
y =
2
6
6
6
6
6
6
4
y
1
y
2
.
.
.
y
m
3
7
7
7
7
7
7
5
; A =
2
6
6
6
6
6
6
4
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
3
7
7
7
7
7
7
5
; x =
2
6
6
6
6
6
6
4
x
1
x
2
.
.
.
x
n
3
7
7
7
7
7
7
5
Interpretacao: y e a medida (ou valor observado) e x e a incognita; ou y e a sada
(resultado) e x e a entrada (ou a acao); y = Ax dene um mapeamento (funcao ou
transformacao) que leva x R
n
y R
m
pag.18
Equacao Caracterstica
Considere a equa cao linear x = Ax ( um escalar), reescrita da forma
(I A)x = 0
um solu cao x = 0 sse det (I A) = 0, ie, (I A) e singular
Se A R
nn
, a expansao fornece uma equa cao polinomial de ordem n, com n
razes caractersticas
i
, i = 1, . . . , n chamadas de autovalores da matriz A.
i
x
i
= Ax
i
; i = 1, . . . , n
x
i
: autovetor associado à raiz caracterstica (autovalor)
i
Equa cao Caracterstica: det(I A) = 0
A R
nn
= C e x C
n
pag.19
Polinomios Coprimos
Sao polin omios que nao possuem fator comum. Dados dois polinomios p
0
e
p
1
, com o grau de p
1
menor ou igual ao grau de p
0
, pode-se usar o algoritmo de
Euclides para determinar se p
0
e p
1
possuem ou nao um fator comum
Determine os polin omios p
2
, . . . , p
k
tais que p
i+1
seja o resto da divisao de
p
i1
por p
i
Dessa forma, garante-se que os polinomios p
i
possuem grau estritamente
decrescente e que existem polin omios q
i
, i = 1, . . . , k tais que
p
i1
= q
i
p
i
+ p
i+1
A seq uencia termina quando encontra-se um p
k
que divide p
k1
, ou, se p
0
e
p
1
nao possuem fator comum, a seq uencia termina com p
k
igual a uma constante
nao nula. Se houver um fator comum, o maior denominador comum entre p
0
e
p
1
e dado pelo p
k
que divide p
k1
pag.20
Polinomios Coprimos
Exemplo: Considere p
0
= s
3
6s
2
+ 11s 6 e p
1
= s
2
5s + 4
p
0
= (s 1)
. .
q
1
p
1
+ (2s 2)
. .
p
2
p
1
= (0.5s 2)
. .
q
2
p
2
+ 0
..
p
3
p
2
= 2(s 1) e o maior denominador comum
Exemplo: p
0
= s
3
+ 4s
2
2s + 1 e p
1
= s
2
+ 2s 1
p
0
= (s + 2)p
1
+ (5s + 3)
p
1
= (0.2s 0.52)p
2
+ 0.56
= nao possuem fator comum
pag.21
Polinomios Coprimos
A matriz de Sylvester pode ser usada para se determinar se dois polinomios sao ou
nao coprimos. Considere, por exemplo, os polinomios
p(s) = p
0
+ p
1
s + p
2
s
2
+ p
3
s
3
q(s) = q
0
+ q
1
s + q
2
s
2
+ q
3
s
3
A existencia de um fator comum implica que existem polinomios
a(s) = a
0
+ a
1
s + a
2
s
2
; b(s) = b
0
+ b
1
s + b
2
s
2
tais que
p(s)
q(s)
=
a(s)
b(s)
= p(s)b(s) + q(s)(a(s)) = 0
pag.22
Polinomios Coprimos
Agrupando as incognitas (coecientes de a(s) e b(s)) em um vetor da forma:
x =
h
a
0
b
0
a
1
b
1
a
2
b
2
i
e de forma correspondente os coecientes de p(s) e q(s) em uma matriz, obtem-se:

Sx
2
6
6
6
6
6
6
6
6
6
6
6
4
q
0
p
0
0 0 0 0
q
1
p
1
q
0
p
0
0 0
q
2
p
2
q
1
p
1
q
0
p
0
q
3
p
3
q
2
p
2
q
1
p
1
0 0 q
3
p
3
q
2
p
2
0 0 0 0 q
3
p
3
3
7
7
7
7
7
7
7
7
7
7
7
5
x = 0, x = 0 sse det(S) = 0...
S e denominada matriz de Sylvester associada aos polinomios p(s) e q(s), podendo ser
construda de diversas maneiras equivalentes, dependendo do empilhamento escolhido
para o vetor x
Os polinomios sao coprimos sse det(S) = 0
pag.23
Funcao Linear
Uma funcao f : R
n
R
m
e linear
se:
f(x + y) = f(x) + f(y),
x, y R
n
f(x) = f(x), x R
n
,
R
ie, verica-se o princpio da super-
posicao
x
y
x + y
f(x)
f(y)
f(x + y)
Exemplo: f(x) = Ax, A R
mn
Qualquer funcao linear f : R
n
R
m
pode ser escrita na forma f(x) = Ax
pag.24
Funcoes
Linear
x
y = f(x)
Am
x
y = f(x) + k
k
Linear por partes
x
y = f(x)
pag.25
Transformacao Linear Interpretacao
y = Ax y
i
=
n
j=1
a
ij
x
j
; i = 1 m
a
ij
: fator de ganho da j-esima entrada x
j
para a i-esima sada y
i
i-esima linha de A se relaciona com a i-esima sada
j-esima coluna de A se relaciona com a j-esima entrada
a
ij
= 0 implica que a i-esima sada nao depende da j-esima entrada
pag.26
Exemplo Circuito Linear
x
j
sao as tensoes das fontes independentes e y
i
as variaveis (tensao ou corrente):
x
1
x
2

y
1
y
2
y
3
R
1 R
2
R
3
+ +
+
+
_
y
1
R
1
+
y
2
R
2
+ y
3
= 0
y
1
= x
1
+ y
2
y
2
= R
3
y
3
+ x
2
2
6
6
4
1/R
1
1/R
2
1
1 1 0
0 1 R
3
3
7
7
5
| {z }
M
2
6
6
4
y
1
y
2
y
3
3
7
7
5
=
2
6
6
4
0
x
1
x
2
3
7
7
5
= Solu cao?
2
6
6
4
y
1
y
2
y
3
3
7
7
5
| {z }
y
= M
1
| {z }
transforma cao
2
6
6
4
0
x
1
x
2
3
7
7
5
| {z }
x
pag.27
M
1
=
1
det(M)
Adj (M) =
1
R
1
R
2
+R
1
R
3
+R
2
R
3
R
1
R
2
Adj (M)
sendo Adj (A) a transposta da matriz cofatora:
Adj (A) = [Co (A)]
Cofatores: C
11
= R
3
, C
12
= R
3
, C
13
= 1, C
21
=
R
3
R
2
1
=
(R
2
+R
3
)
R
2
,
C
22
=
R
3
R
1
, C
23
=
1
R
1
, C
31
= 1, C
32
= 1, C
33
=
1
R
1
1
R
2
=
(R
1
+R
2
)
R1R2
Adj (A) =
2
6
6
4
R
3
(R
2
+R
3
)
R
2
1
R
3

R
3
R
1
1
1
1
R
1
(R
1
+R
2
)
R
1
R
2
3
7
7
5
entao...
pag.28
2
6
6
4
y
1
y
2
y
3
3
7
7
5
| {z }
y
=
1
R
1
R
2
+R
1
R
3
+R
2
R
3
R
1
R
2
2
6
6
4
R
3
(R
2
+R
3
)
R
2
1
R
3

R
3
R
1
1
1
1
R
1
(R
1
+R
2
)
R
1
R
2
3
7
7
5
2
6
6
4
0
x
1
x
2
3
7
7
5
| {z }
x
ou, reduzindo...
2
6
6
4
y
1
y
2
y
3
3
7
7
5
| {z }
y
=
1
R
1
R
2
+R
1
R
3
+R
2
R
3
2
6
6
4
R
1
(R
2
+R
3
) R
1
R
2
R
2
R
3
R
1
R
2
R
2
(R
1
+R
2
)
3
7
7
5
| {z }
Atransforma cao
2
4
x
1
x
2
3
5
| {z }
x
pag.29
Linearizacao
Fun coes nao-lineares f : R
n
R
m
diferenciaveis em x
0
R
n
Para x pr oximo de x
0
, f(x) aproxima-se de f(x
0
) + Df(x
0
)(x x
0
)
Df(x
0
)
ij
=
f
i
x
j
x
0
Matriz Jacobiana
Se y = f(x), y
0
= f(x
0
), denem-se: x x x
0
(varia cao da entrada)
e y y y
0
(varia cao da sada)
y Df(x
0
)x
Para pequenas varia coes em torno de x
0
aproximadamente linear
pag.30
Sistemas Dinamicos Lineares
Considere o sistema dinamico linear:
_
_
x(t) =
_
_
0 2
1 3
_
_
. .
A
x(t) +
_
_
2
0
_
_
..
B
u(t)
y(t) =
_
1 1
_
. .
C
x(t) +
_
0
_
..
D
u(t)
condi coes iniciais: x
1
(0) =
_
_
1
1
_
_
ou x
2
(0) =
_
_
2
2
_
_
pag.31
Sistema autonomo com entrada nula (u = 0) e condi cao inicial x
1
(0):
0 0.5 1 1.5
0
0.2
0.4
0.6
0.8
1
time [sec]
x
1
0 0.5 1 1.5
0
0.2
0.4
0.6
0.8
1
time [sec]
x
2
pag.32
Sistema autonomo com entrada nula (u = 0) e condi cao inicial x
2
(0):
0 0.5 1 1.5
0
0.5
1
1.5
2
time [sec]
x
1
0 0.5 1 1.5
0
0.5
1
1.5
2
time [sec]
x
2
pag.33
O sistema podeser comandadoatraves da entrada u (note a escala Tempo):
25
20
15
10
5
0
5
T
o
:

O
u
t
(
1
)
0 0.05 0.1 0.15
0
0.2
0.4
0.6
0.8
1
T
o
:

O
u
t
(
2
)
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
pag.34
Sistemas Nao-Lineares PCCHUA
pag.35
Resistor nao-linear g Diodo de CHUA
+ +
+
-
acements
u
1
(t) u
2
(t)
u
3
(t)
C
1
C
2
g
R
L
i
d
(t) = x
3

v
C
1
(t) = x
1
v
C
2
(t) = x
2
pag.36
Modelo?
_
_
dv
C
1
(t)
dt
= x
1
(t) =
1
C
1
_
x
2
(t)
R
x
1
(t)
R
g(x
1
(t))
_
dv
C
2
(t)
dt
= x
2
(t) =
1
C
2
_
x
1
(t)
R
x
2
(t)
R
+ x
3
(t)
_
di
d
(t)
dt
= x
3
(t) =
x
2
(t)
L
R
0
L
x
3
(t)
pag.37
Sistemas Nao-Lineares
depende da condi cao inicial, x(0) =
_
0.1 0.1 0.1
_
5
0
5
1
0
1
6
4
2
0
2
4
6
pag.38
Ainda com condi cao inicial: x(0) =
_
0.1 0.1 0.1
_
0 2000 4000 6000 8000 10000

10
0
10
x
1
0 2000 4000 6000 8000 10000
2
0
2
x
2
0 2000 4000 6000 8000 10000
10
0
10
x
3
Tempo( 10
2
s)
pag.39
Outra condi cao inicial, x(0) =
_
0.3 0.2 0.3
_
5
0
5
1
0
1
6
4
2
0
2
4
6
pag.40
Ainda com a outra condi cao inicial, x(0) =
_
0.3 0.2 0.3
_
0 2000 4000 6000 8000 10000

10
0
10
x
1
0 2000 4000 6000 8000 10000
2
0
2
x
2
0 2000 4000 6000 8000 10000
10
0
10
x
3
Tempo( 10
2
s)
pag.41
O sistema pode ser comandado?
for car, eg, x
1
ir para zeroentre 25s e 35s:
10 15 20 25 30 35 40 45 50
5
0
5
Tempo (s)
x
1
(
t
)
pag.42
MATLAB
det(A) determinante de uma matriz quadrada A
inv(A) inversa de uma matriz quadrada A
A conjugada transposta de uma matriz A
eig(A) retorna os autovalores de uma matriz quadrada A
[V,D]=eig(A) retorna duas matrizes: V corresponde ao autovetores de A e
D (diagonal) corresponde aos autovalores de A
lsim simula a resposta temporal de um modelo linear e invariante no tempo
para entradas arbitrarias
pag.43
Generalidades...
1. Tipicando Sistemas
2. Equa coes Diferenciais
3. Equa coes a Diferen ca
pag.1
Tipicando Sistemas
Parametro Distribudo descri cao por equa coes diferenciais parciais . . .
Parametro Concentrado descri cao por equa coes diferenciais ordinarias ou
mesmo por equa coes puramente algebricas n umero de variaveis e nito
Tempo contnuo todas as equa coes fundamentaissao denidas t

(equa coes diferenciais)
Tempo discreto se alguma equa caofundamentale denida apenas em

instantes discretos no tempo (equa coes a diferen ca)
Mem oria sem mem oria no primeiro caso, a sada pode depender de
entradas em instantes de tempo diversas
pag.2
Tipicando Sistemas
Causalidade a sada depende de entradas em instantes passado ou corrente
Vamos revisitar o conceito de estado para ajudar ainstrumentalizaresta
informa cao:
O estado x(t
0
) de um sistema no instante t
0
e a informacao
no instante t
0
que, conjuntamente com a entrada u(t), para t t
0
,
determina unicamente a sada y(t) t t
0
usando o estado em t
0
, pode-se exprimir a entrada e sada de um sistema:
x(t
0
)
u(t), t t
0
_
_
_
y(t), t t
0
pag.3
Tipicando Sistemas
Neste contexto, pode-se descrever sistemas lineares usando o Princpio da
Superposi cao:
x
1
(t
0
) + x
2
(t
0
)
u
1
(t) + u
2
(t), t t
0
_
_
_
y
1
(t) + y
2
(t), t t
0
(Aditividade)
+
x
1
(t
0
)
u
1
(t), t t
0
_
_
_
y
1
(t), t t
0
(Homogeneidade)
1
x
1
(t
0
) +
2
x
2
(t
0
)
1
u
1
(t) +
2
u
2
(t), t t
0
_
_
_

1
y
1
(t) +
2
y
2
(t), t t
0
pag.4
Tipicando Sistemas
Invariante no Tempo para:
x(t
0
)
u(t), t t
0
_
_
_
y(t), t t
0
Se o estado inicial e deslocado para t
0
+ T e a mesma entrada u(t) e aplicada a
partir de t
0
+ T:
x(t
0
+ T)
u(t T), t t
0
+ T
_
_
_
y(t T), t t
0
+ T
pag.5
Tipicando Sistemas
Exerccio 2.3 Chen, pg. 38 Considere um sistema, denominado operador de
truncamento, cuja entrada u e sada y sao relacionadas por:
y(t) = (P
u) (t)
_
_
_
u(t) para t
0 para t >
sendo uma constante xa.
O sistema e linear? Causal? Invariante no tempo?
Por inspe cao: Sim, Sim, Nao...
pag.6
Tipicando Sistemas
Exerccio 2.4 Chen, pg. 38 Considere um sistema relaxado (x(t
0
) = 0),
denotado por y = Hu (H um operador matematico). Mostre que se o sistema e
causal, entao com a transforma cao:
P
y = P
Hu = P
HP
u
sendo P
o operador truncamento.
Por hip otese, o sistema e causal, entao a sada em :
y
(,]
= Hu
(,)
= Hu
(,]
= HP
u
(,)
P
y = P
Hu = P
HP
u

pag.7
Equacoes Diferenciais
Os sistemas lineares invariantes no tempo (LIT) podem ser descritos por
equa coes diferenciais ordinarias a coecientes constantes. Em geral, a ordem da
equa cao esta associada ao n umero de armazenadores de energia
Sistema Aut onomo 1
a
ordem: x + x = 0, sendo a constante de tempo
Modo pr oprio: x(t) = Ke
t
; EC: +
1
= 0, x(t) = Ke
t/
2
a
ordem: x+2 x+
2
0
x = 0 (: amortecimento;
0
: freq uencia natural)
Dois modos pr oprios do tipo: x(t) = Ke
t
; EC:
2
+ 2 +
2
0
= 0
Se
1
=
2
: x(t) = K
1
e
1
t
+ K
2
e
2
t
Se
1
=
2
= : x(t) = K
1
e
t
+ K
2
te
t
pag.8
Sistemas Nao Autonomos Metodo dos Coecientes a Determinar (ordem n):
x(t) =
n
X
i=1
c
i
p
i
(t) +
m
X
j=0
b
j
f
j
(t)

transitoria forcada
A solucao e uma combinacao linear dos n modos proprios p
i
(t) e das m + 1 derivadas
linearmente independentes f
j
(t) da entrada (por denicao, f
0
(t) = f(t))
Os coecientes b
j
sao calculados substituindo-se o termoforcadona equacao, e os
coecientes c
i
sao determinados ajustando-se a solucao às condicoes iniciais
Modos Proprios: Conjunto de n funcoes linearmente independentes que constituem uma
base para a solucao da equacao homogenea de um sistema linear com n armazenadores
de energia
pag.9
Passos
1. Obtenha os modos pr oprios, razes da equa cao caracterstica
2. Substituir a componente for cada na equa cao para obter os seus coecientes
3. A partir das condi coes iniciais, obter os demais coecientes
pag.10
Exemplo
Para 5 x + x = t + 10, com x(0) = 10
Passo 1: 5 + 1 = 0 = 0.2
Passo 2: x
f
= k
1
t + k k
1
t +k + 5k
1
= t + 10;
8
<
:
k
1
= 1
k = 5
x
f
= t + 5
Passo 3: x(t) = k
0
e
0.2t
+ t + 5; p/ x(0) = 10 k
0
= 15
x(t) = 15e
0.2t
+ t + 5
0 2 4 6 8 10 12 14 16 18 20
10
5
0
5
10
15
20
25
x(t)
x
f
t
pag.11
Generalidades Funcao Degrau Unitario u(t)
t
1
u
(t)
(t)
8
>
>
>
>
>
>
>
<
>
>
>
>
>
>
>
:
0 , t < 0
(1/)t , 0 < t <
1 , t >
u(t)
1
t
u(t) lim
0
+
u
(t)
pag.12
Generalidades Funcao Impulso Unitario (t)
t
1/
(t)
(t)
d
dt
u
(t) =
8
>
>
>
>
>
>
>
<
>
>
>
>
>
>
>
:
0 , t < 0
1/ , 0 < t <
0 , t >
t
1
(t)
(t) lim
0
+

(t) ; (t) =
d
dt
u(t)
pag.13
Generalidades
Propriedade:
Z
+
f(t)(t)dt = f(0) , f(t) contnua em t = 0

Demonstracao:
Z
+
f(t)(t)dt = lim
0
+
Z
+
f(t)
(t)dt = lim
0
+
Z

0
1
f(t)dt
Usando o Teorema do Valor Medio:
Z
b
a
f(t)dt = f(y)(b a) , y (a, b)
lim
0
+
Z

0
1
f(t)dt = lim
0
+
1
f(y)(0) , y (0, ) lim

0
+
y (0, )
f(y) = f(0)
pag.14
Generalidades
Estendendo:
_
+
f(t)(t a)dt = f(a)

Corolario: para f(t) = 1,
_
+
(t)dt = 1

Area Unitaria
Propriedade: (t) e uma fun cao par, ie, (t) =
pag.15
Resposta a Entrada em Degrau ...
acements
e
R
i
C
+
+
v
C
e(t) = Eu(t) =
_
_
_
E , t > 0
0 , t < 0
Como a fun cao degrau e nula em (, 0), e o circuito e dissipativo, a
tensao no capacitor em t = 0 e nula
a resposta à entrada em degrau pode ser estudada a partir da resposta a uma
entrada constante E com condi coes iniciais nulas
pag.16
Kirchho:
e(t) v
C
(t)
R
= C v
C
(t) RC
..
v
C
+ v
C
(t) = e(t)
Metodo dos coecientes a determinar: v
C
f
(t) = kE, t > 0
v
C
f
+ v
C
f
= e kE = E k = 1 v
C
(t) = Ke
+ E
como v
C
(0) = 0, entao K = E, e:
_
_
_
v
C
(t) = E
_
1 e
_
, t > 0
v
C
(t) = 0 , t < 0
pag.17
v
C
(t) = E
_
1 e
_
u(t)
v
C
(t)
E
t
pag.18
Curiosidade
Veja que:
dv
C
dt
=
E
u(t) + E
_
1 e
_
(t)
Como o impulso tem um carater amostrador, interessa o valor da fun cao que o
multiplica em t = 0 tal que:
_
+
f(t)(t)dt = f(0)
Note que em t = 0, E
_
1 e
_
= 0
dv
C
dt
=
E
u(t)
e em t = 0
+
,
dv
C
dt
(0
+
) =
E
pag.19
Resposta ao Impulso ?
A resposta ao impulso h(t) de um sistema LIT causal e a sada quando a entrada
e um impulso unitario (t) e condi coes iniciais nulas, ou ainda:
(t)
d
dt
u(t) ; h(t) =
d
dt
y
(t)
resposta ao degrau
Entao considerando o exemplo: h(t) =
d
dt
__
1 e
_
u(t)
_
h(t) =
1
u(t) +
_
1 e
_
(t), em t = 0,
_
1 e
_
= 0
h(t) =
1
u(t)
pag.20
Transformada de Laplace
Considere f(t) contnua e nula para t < 0
F(s)
_

0
f(t)e
st
dt; s + j
Simbologia: F(s) = L[f(t)]
L[

f(t)] = sF(s) f(0); L[

f(t)] = s
2
F(s) sf(0)

f(0)
Aplica-se na solu cao de equa coes integro-diferenciais com coecientes
constantes:
Torna algebricas as equa coes diferenciais
Simplica o calculo da resposta impulsiva
pag.21
Tabela de Transformadas de Laplace
Funcao no Tempo Transformada
(t) 1
u(t)
1
s
e
at
u(t)
1
s+a
t
n
n!
e
at
u(t)
1
(s+a)
n+1
cos(t)u(t)
s
s
2
+
2
sin(t)u(t)

s
2
+
2
e
at
cos(t)u(t)
s+a
(s+a)
2
+
2
e
at
sin(t)u(t)

(s+a)
2
+
2
pag.22
Expansao em Fracoes Parciais. Por que ?
Considere uma fun cao racional em s descrita por N(s)/D(s)
Caso 1) D(s) nao tem razes repetidas
s + 1
s
3
+ s
2
6s
=
s + 1
s(s 2)(s + 3)
=
k
1
s
+
k
2
s 2
+
k
3
s + 3
k
1
= s
N(s)
D(s)
s = 0
=
1
6
k
2
= (s 2)
N(s)
D(s)
s = 2
=
3
10
k
3
= (s + 3)
N(s)
D(s)
s = 3
=
2
15
pag.23
Caso 2) D(s) com razes repetidas
s
2
+ 2s + 16
[(s + 2)
2
+ 4] s(s + 2)
=
k
1
s + k
2
(s + 2)
2
+ 4
+
k
3
s
+
k
4
(s + 2)
k
3
= s
N(s)
D(s)
s = 0
=
16
2(8)
= 1
k
4
= (s + 2)
N(s)
D(s)
s = 2
=
(2)
2
(2)(2) + 16
(2)(4)
= 2
Reescrevendo o fator inicial do lado direito sob um denominador comum e equacionando
o numerador:
s
2
+2s+16 = (k
1
s+k
2
)s(s+2)+k
3
(s + 2)
2
+ 4
(s+2)+k
4
(s + 2)
2
+ 4
s
Igualando as potencias:
8
<
:
s
3
2s
3
+ k
1
s
3
= 0
6s
2
8s
2
+ (k
2
+ 2k
1
)s
2
= s
2
8
<
:
k
1
= 1
k
2
= 1
pag.24
Exemplo
Para: x + 2 x + 2x = 0 ; x(0) = 5 , x(0) = 2
(s
2
+2s+2)X(s) = (s+2)x(0)+ x(0) X(s) =
5(s + 2)
s
2
+ 2s + 2
+
2
s
2
+ 2s + 2
Fracoes Parciais: X(s) =
2.5 j2.5
s + 1 j
+
2.5 + j2.5
s + 1 + j
+
j
s + 1 j
+
j
s + 1 + j
L
1
[X(s)] x(t) = (2.5 j1.5)e
(1+j)t
+ (2.5 + j1.5)e
(1j)t
0 1 2 3 4 5 6
1
0
1
2
3
4
5
x(t)
t
pag.25
Exemplo Resposta ao Impulso
Para: x + 2 x + 2x = (t) ; x(0) = x(0) = 0
(s
2
+ 2s + 2)X(s) = 1 X(s) =
1
s
2
+ 2s + 2
=
j0.5
s + 1 j
+
j0.5
s + 1 + j
L
1
[X(s)] x(t) = j0.5e
(1+j)t
+ j0.5e
(1j)t
0 1 2 3 4 5 6
0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
x(t)
t
pag.26
Equacao a Diferencas
1
a
ordem x(k + 1) = ax(k), x(0) = 1
modo proprio: x(k) = c
k
c
k+1
= ca
k
= a
x(0) = 1 c = 1 x(k) = a
k
Transformada Z Z[y(k)] =
X
k=0
y(k)z
k
pulso (k m) =
8
<
:
1 se k = m
0 se k = m
Z [(k m)] = z
m
pag.27
Exemplo 2.16 - Chen, pg. 36
Considere uma conta de investimentos. Se a taxa de retorno depende do montande do
dinheiro na conta, tem-se um sistema nao linear. Se a taxa de retorno e a mesma
independentemente do montante de dinheiro na conta, entao o sistema e linear. A conta
e um sistema variante no tempo se a taxa de retorno muda com o tempo, ou um sistema
invariante no tempo se a taxa de retorno e xa. Considere o caso linear e invariante no
tempo com taxa de retorno r = 0, 015% ao dia e reajustado diariamente. A entrada
u(k) e a quantidade de dinheiro depositada na conta no k-esimo dia e a sada y(k) e o
volume total de dinheiro na conta ao nal do k-esimo dia. Se alguma parte do montante
e sacado, entao u(k) e negativo
Se um cliente deposita R$ 1, 00 no primeiro dia (isto e, u(0) = 1) e nada mais
(u(k) = 0, k = 1, 2, 3, . . .) entao y(0) = u(0) = 1 e:
y(1) = 1 + 0, 00015 = 1, 00015
pag.28
Como o dinheiro e reajustado diariamente, obtem-se
y(2) = y(1) + y(1) 0, 00015 = 1, 00015 y(1) = (1, 00015)
2
. . .
y(k) = (1, 00015)
k
Sendo a entrada (1, 0, 0, . . .) uma seq uencia pulso, a sada e, por denicao, a seq uencia
da resposta ao pulso ou
g(k) = (1, 00015)
k
e a descricao entrada-sada da conta e
y(k) =
k
X
m=0
g(k m)u(m) =
k
X
m=0
(1, 00015)
km
u(m)
pag.29
1. Funcao de transferencia considerando que o estado inicial e nulo, ou simplesmente
nao existe dinheiro na conta no momento inicial da aplicacao?
Z [g(k)] =
X
k=0
(1, 00015)
k
z
k
=
X
k=0
(1, 00015z
1
)
k
=
1
1 1, 00015z
1
=
z
z 1, 00015
2. Equacao em espaco de estado?
Suponha que y(k) e o volume total de dinheiro ao nal do k-esimo dia tal que:
y(k + 1) = y(k) + 0, 00015 y(k) + u(k + 1)
= 1, 00015 y(k) + u(k + 1) (1)
Dena o estado: x(k) = y(k) u(k), entao y(k + 1) = x(k +1) +u(k + 1):
8
<
:
x(k + 1) = 1, 00015x(k) + 1, 00015u(k)
y(k) = x(k) + u(k)
pag.30
MATLAB
tf descricao para FT ou conversao de um modelo LIT para FT
Como? sys = tf(num,den) (ems) sys = tf(num,den,Ts) (emz)
Se: sys = ss(A,B,C,D), entao a FT=tf(sys)
Ainda: tfdata extrai o numerador e denominador da FT
ss descricao para um modelo em espaco de estados ou conversao de um modelo
LIT para espaco de estados
Como? sys = ss(A,B,C,D) (contnuo) sys = ss(A,B,C,D,Ts) (discreto)
Conversao de TF para espaco de estados: sys= ss(tf(num,den))
Ainda: ssdata extrai as matrizes A, B, C e D do modelo de espaco de estados
pag.31
Modelagem Matematica de Sistemas
1. Descri cao Matematica de Sistemas
2. Descri cao Entrada-Sada
3. Exemplos
pag.1
Descricao Matematica de Sistemas
Sistema
u(t)
y(t)
Para a representa cao do sistema tendo entradas e sadas como acima;
assume-se que para uma certa excita cao u(t) (entrada) obtem-se uma unica
resposta y(t) (sada)
Ja sabemos: 1 entrada/1 sada: monovariavel ou SISO (Single input - single
output)
+1 entrada/+1 sada: multivariavel ou MIMO (Multiple input - multiple
output)
pag.2

u
1
u
2
u
p
y
1
y
2
y
q
u
=
_
u
1
u
2
u
p
_
; y
=
_
y
1
y
2
y
q
_
Sistemas Contnuos no Tempo
u = u(t) ; y = y(t) : fun coes do tempo t (, )
Sistemas Discretos no Tempo
u = u(k) ; y = y(k) : seq uencias k Z
pag.3
Relembrando...
Sistemas com parametros concentrados: n umero nito de variaveis de estado
Sistemas com parametros distribudos. Eg, sistema com atraso unitario:
y(t) = u(t1)
u(t)
y(t)
0
t
0
1 t
Estado: {u(t), t
0
1 t < t
0
} (innitos pontos)
pag.4
Relembrando...
Se u(t) 0, t t
0
: resposta à entrada nula
Se x(t
0
) = 0: resposta ao estado nulo
x(t
0
)
u(t) 0, t t
0
_
_
_
y
ent. nula
(t), t t
0
x(t
0
) = 0
u(t), t t
0
_
_
_
y
est. nulo
(t), t t
0
pag.5
Relembrando... Descricao Entrada-Sada
Sistemas SISO Funcao Pulso
t
1
t
1
+
t
1/
(tt
1
) =
_
_
0 , t < t
1
1/ , t
1
t < t
1
+
0 , t t
1
+
(t t
1
) lim
0
(t t
1
) : fun cao pulso ou Delta de Dirac
Propriedades
Z
+
(t t
1
)dt =
Z
t
1
+
t
1
(t t
1
)dt = 1 , > 0
Z
+
f(t)(t t
1
)dt = f(t
1
) , f(t) contnua em t
1
pag.6
Relembrando... Descricao Entrada-Sada
t
i
u(t
i
)
u(t
i
)
(t t
i
)
t
u(t)
Entrada: u(t)
i
u(t
i
)
(t t
i
)
pag.7
Descricao Entrada-Sada
Considere g
(t, t
i
) a sada no instante t do sistema excitado pelo pulso
u(t) =
(t t
i
) aplicado no instante t
i
. Entao
(t t
i
)
gera
g
(t, t
i
)
(t t
i
)u(t
i
)
gera
g
(t, t
i
)u(t
i
) (homogeneidade)
(t t
i
)u(t
i
)
gera
i
g
(t, t
i
)u(t
i
)
. .
Sada: y(t)
(aditividade)
Quando 0 o pulso
(t t
i
) tende ao impulso aplicado em t
i
,
denotado (t t
i
), e a sada correspondente e dada por g(t, t
i
)
pag.8
Resposta ao Impulso
y(t) =
_
+
g(t, )u()d
Sistema Causal g(t, ) = 0 para t <
Sistema Relaxado em t
0
x(t
0
) = 0
Sistemas causais e relaxados em t
0
y(t) =
_
t
t
0
g(t, )u()d
pag.9
Se o sistema linear e invariante no tempo e relaxado em t = 0, entao:
g(t, ) = g(t + T, + T)
. .
deslocado...
= g(t , 0)
. .
instante inicial nulo
= g(t )
Integral de Convolucao
y(t) =
_
t
0
g(t )u()d =
_
t
0
g()u(t )d
g(t): resposta ao impulso aplicado em t = 0
Sistema causal invariante no tempo: g(t) = 0 para t < 0
pag.10
Sistema MIMO
y(t) =
_
t
t
0
G(t, )u()d
G
qp
(t, ) =
_
_
g
11
(t, ) g
12
(t, ) g
1p
(t, )
g
21
(t, ) g
22
(t, ) g
2p
(t, )
.
.
.
.
.
.
.
.
.
g
q1
(t, ) g
q2
(t, ) g
qp
(t, )
_
_
Sistema com p entradas e q sadas
g
ij
(t, ) : resposta no instante t na i-esima sada devida ao im-
pulso aplicado no instante na j-esima entrada
G(, ) : matriz de resposta ao impulso
pag.11
Matriz Funcao de Transferencia
As integrais de convolu cao sao substitudas por equa coes algebricas via Laplace...
Y (s) =
_

0
_
_

0
G(t )u()d
_
e
st
dt
=
_

0
_
_

0
G(t )e
s(t )
dt
_
u()e
s
d
=
_

0
G(v)e
sv
dv
_

0
u()e
s
d
G(s)U(s)
G(s): Transformada de Laplace da matriz resposta ao impulso G(t)
Se p = q = 1 (SISO) Fun cao de Transferencia
Exige que o sistema esteja relaxado em t = 0
pag.12
Exemplo Circuito RLC serie com R = 3, L = 1H, C = 0.5F
u(t)
R
i
L
C
+
+
y(t)
8
>
>
<
>
>
:
u(t) = Ri(t) + L
di(t)
dt
+ y(t)
C
dy(t)
dt
= i(t)
Relaxado: ie, condi coes iniciais nulas (y(0) = y(0) = 0):
LCs
2
Y (s) + RCsY (s) + Y (s) = U(s)
Y (s)
U(s)
=
1
LCs
2
+ RCs + 1
Y (s)
U(s)
=
2
(s + 1)(s + 2)
=
2
s + 1

2
(s + 2)
= G(s)
pag.13
Resposta ao Impulso:
g(t) = 2e
t
2e
2t
, t 0
Para uma entrada qualquer tem-se
y(t) =
_
t
0
g(t )u()d +
_
t
t
0
g(t )u()d , t t
0
e
Z
t
0
g(t )u()d = 2e
t
Z
t
0
u()d 2e
2t
Z
t
0
e
2
u()d
= 2e
t
c
1
2e
2t
c
2
, t t
0
Determina cao de c
1
e c
2
?
pag.14
Determina cao de c
1
e c
2
_
_
_
y(t
0
) = 2e
t
0
c
1
2e
2t
0
c
2
y(t
0
) = 2e
t
0
c
1
+ 4e
2t
0
c
2
Se y(t
0
) (tensao no capacitor) e C y(t
0
) (corrente no indutor) forem
conhecidas, entao a sada pode ser unicamente determinada para t t
0
mesmo
que o sistema nao esteja relaxado em t
0
{y(t
0
), y(t
0
)} , {c
1
, c
2
} Estado do Circuito em t
0
Note que a informa cao (estado) necessaria para determinar unicamente a
resposta do sistema nao e unica, e que pode haver redundancia....
pag.15
Funcoes Racionais em s
Para G(s) =
N(s)
D(s)
G(s) e estritamente propria grau de D(s) > grau de N(s) G() = 0
G(s) e propria grau de D(s) = grau de N(s) G() = constante = 0
G(s) e impropria grau de D(s) < grau de N(s) | G() | =
p C e um polo de G(s) =
N(s)
D(s)
se | G(p) | =
z C e um zero de G(s) =
N(s)
D(s)
se | G(z) | = 0
pag.16
Funcoes Racionais em s
Se D(s) e N(s) sao coprimos (isto e, nao possuem fatores comuns de grau
1 ou maior), todas as razes de N(s) sao zeros de G(s) e todas as razes de
D(s) sao p olos de G(s):
G(s) = k
(s z
1
)(s z
2
) (s z
m
)
(s p
1
)(s p
2
) (s p
n
)
Pr opria se G(s) = constante, Estritamente Pr opria se G(s) = 0, Bipr opria
se G(s) quadrada com G(s) e G(s)
1
pr oprias
pag.17
Linearizacao
via Jacobiano
A lineariza cao nem sempre se aplica: para alguns sistemas nao lineares, uma
diferen ca innitesimal nas condi coes iniciais pode gerar solu coes completamente
diferentes (hipersensibilidade às condi coes iniciais, caos)...
Exemplo Mola
For ca
rompimento
y
y
y = 0
y
1
y
2
Comportamento linear para deslocamentos no intervalo [y
1
, y
2
]
pag.18
Sistema Massa-Mola
u
1
u
2
y
1
y
2
k
1
k
2
k
3
m
1
m
2
Assumindo que nao ha atrito:
m
1
y
1
= u
1
k
1
y
1
k
2
(y
1
y
2
)
m
2
y
2
= u
2
k
3
y
2
k
2
(y
2
y
1
)
pag.19
Combinando:
_
_
m
1
0
0 m
2
_
_
_
_
y
1
y
2
_
_
+
_
_
k
1
+ k
2
k
2
k
2
k
2
+ k
3
_
_
_
_
y
1
y
2
_
_
=
_
_
u
1
u
2
_
_
Espa co de Estado denem-se x
1
y
1
, x
2
y
1
, x
3
y
2
, x
4
y
2
:
x
_
x
1
x
2
x
3
x
4
_
pag.20
x =
2
6
6
6
6
6
4
0 1 0 0
(k
1
+ k
2
)/m
1
0 k
2
/m
1
0
0 0 0 1
k
2
/m
2
0 (k
3
+ k
2
)/m
2
0
3
7
7
7
7
7
5
x +
2
6
6
6
6
6
4
0 0
1/m
1
0
0 0
0 1/m
2
3
7
7
7
7
7
5
2
4
u
1
u
2
3
5
y
2
4
y
1
y
2
3
5
=
2
4
1 0 0 0
0 0 1 0
3
5
x
Duas entradas, duas sadas...
pag.21
Descri cao Entrada Sada Aplicando a Transformada de Laplace (condi coes
iniciais nulas):
m
1
s
2
Y
1
(s) + k
1
Y
1
(s) + k
2
(Y
1
(s) Y
2
(s)) = U
1
(s)
m
2
s
2
Y
2
(s) + k
3
Y
2
(s) + k
2
(Y
2
(s) Y
1
(s)) = U
2
(s)
Matriz de Transferencia:
2
6
4
Y
1
(s)
Y
2
(s)
3
7
5
=
2
6
6
4
m
2
s
2
+ k
3
+ k
2
d(s)
k
2
d(s)
k
2
d(s)
m
1
s
2
+ k
1
+ k
2
d(s)
3
7
7
5
2
6
4
U
1
(s)
U
2
(s)
3
7
5
com
d(s) (m
1
s
2
+ k
1
+ k
2
)(m
2
s
2
+ k
3
+ k
2
) k
2
2
pag.22
Se k
2
= 0 dois sistemas desacoplados com matriz de transferencia
bloco-diagonal:
Y
1
(s) =
1
m
1
s
2
+ k
1
U
1
(s) ; Y
2
(s) =
1
m
2
s
2
+ k
2
U
2
(s)
A matriz de transferencia pode ser obtida elemento a elemento, fazendo-se
inicialmente U
1
(s) = 0 e depois U
2
(s) = 0 para sistemas lineares basta
considerar o princpio da superposi cao...
pag.23
Exemplo Carrinho com Pendulo Invertido
H
V
u
y
l
M
m
mg
Assume-se que o movimento se da no plano e desprezam-se o atrito e a massa da haste.
O objetivo e manter o pendulo na posicao vertical (modelo simplicado do lancamento
de um foguete espacial)
pag.24
H, V : forcas horizontal e vertical exercidas pelo carro no pendulo
Em relacao a M: M
d
2
y
dt
2
+ H = u M
d
2
y
dt
2
= u H
Em relacao a m:
8
>
<
>
:
m
d
2
dt
2
(y + l sin()) = H : Horizontal
mg = m
d
2
dt
2
(l cos()) + V : Vertical
H = m y + ml
cos ml

2
sin
mg V = ml
sin ml

2
cos
Movimento rotacional da massa m:
ml
2
= mglsin + V lsin Hlcos

pag.25
Note que as equa coes sao nao-lineares. Porem para pequenas varia coes de
angulo, pode-se assumir que e

sao pequenos (pendulo na posi cao vertical):
sin
=
; cos
=
1 ;
2
,

2
,

,
0
V = mg ; H = m y + ml
M y = u m y ml
ml
2
= mgl + mgl
_
m y + ml
_
l
Re-escrevendo (e cancelando m e l na 2a. eq.):
_
_
_
(M + m) y + ml
= u
2l
2g + y = 0
pag.26
Transformada de Laplace (condi coes iniciais nulas):
_
_
_
(M + m) s
2
Y (s) + mls
2
(s) = U(s)
_
2ls
2
2g
_
(s) + s
2
Y (s) = 0
G
yu
(s) =
Y (s)
U(s)
=
2ls
2
2g
s
2
_
(2M + m)ls
2
2g(M + m)
_
G
u
(s) =
(s)
U(s)
=
1
(2M + m)ls
2
2g(M + m)
pag.27
Denindo x
1
= y, x
2
= y, x
3
= , x
4
=

x
_
x
1
x
2
x
3
x
4
_
Resolvendo as equa coes para y e

:
y =
2gm
2M + m
+
2
2M + m
u
=
2g(M + m)
(2M + m)l

1
(2M + m)l
u
pag.28
Equa c oes de Estado
x =
_
_
0 1 0 0
0 0
2mg
2M + m
0
0 0 0 1
0 0
2g(M + m)
(2M + m)l
0
_
_
x +
_
_
0
2
2M + m
0
1
(2M + m)l
_
_
u
y =
_
1 0 0 0
_
x
pag.29
Conexao em paralelo:
+
u
u
1
u
2
S
1
S
2
y
1
y
2
y = y
1
+y
2
pag.30
Conexao em cascata:
S
1
S
2
u
1
y
2
y
1
= u
2
Conexao com realimentacao:
S
1
S
2
u
1
y
1
y
2
y
+
u
u
2
pag.31
Representacao em Espaco de Estados
S
1
_
_
_
x
1
= A
1
x
1
+ B
1
u
1
y
1
= C
1
x
1
+ E
1
u
1
S
2
_
_
_
x
2
= A
2
x
2
+ B
2
u
2
y
2
= C
2
x
2
+ E
2
u
2
Conexao em paralelo:
_
_
_
_
x
1
x
2
_
_
=
_
_
A
1
0
0 A
2
_
_
_
_
x
1
x
2
_
_
+
_
_
B
1
B
2
_
_
u
y =
_
C
1
C
2
_
_
_
x
1
x
2
_
_
+ (E
1
+ E
2
)u
pag.32
Conexao em cascata:
_
_
_
_
x
1
x
2
_
_
=
_
_
A
1
0
B
2
C
1
A
2
_
_
_
_
x
1
x
2
_
_
+
_
_
B
1
B
2
E
1
_
_
u
y =
_
E
2
C
1
C
2
_
_
_
x
1
x
2
_
_
+ E
2
E
1
u
pag.33
Escreva as relacoes entrada-sada... Veja:
u
1
= uy
2
= uC
2
x
2
E
2
u
2
= u C
2
x
2
E
2
y
1
= u C
2
x
2
E
2
[C
1
x
1
+ E
1
u
1
]
= u C
2
x
2
E
2
C
1
x
1
E
2
E
1
u
1
ou
(I + E
2
E
1
) u
1
= u C
2
x
2
E
2
C
1
x
1
, dene-se: L
1
(I + E
2
E
1
)
1
u
1
= L
1
u L
1
C
2
x
2
L
1
E
2
C
1
x
1
pag.34
Entao substituindo u
1
:
x
1
= A
1
x
1
+ B
1
L
1
u B
1
L
1
C
2
x
2
B
1
L
1
E
2
C
1
x
1
= (A
1
B
1
L
1
E
2
C
1
) x
1
B
1
L
1
C
2
x
2
+ B
1
L
1
u
pag.35
Repetindo os mesmos passos para u
2
:
u
2
= y
1
= C
1
x
1
+ E
1
u
1
= C
1
x
1
+ E
1
(u y
2
)
= C
1
x
1
+ E
1
(u C
2
x
2
E
2
u
2
)
= C
1
x
1
+ E
1
u E
1
C
2
x
2
E
1
E
2
u
2
ou
(I + E
1
E
2
) u
2
= C
1
x
1
+ E
1
u E
1
C
2
x
2
, dene-se: L
2
(I + E
1
E
2
)
1
u
2
= L
2
C
1
x
1
+ L
2
E
1
u L
2
E
1
C
2
x
2
pag.36
Entao substituindo u
2
:
x
2
= A
2
x
2
+ B
2
L
2
C
1
x
1
+ B
2
L
2
E
1
u B
2
L
2
E
1
C
2
x
2
= (A
2
B
2
L
2
E
1
C
2
) x
2
+ B
2
L
2
C
1
x
1
+ B
2
L
2
E
1
u
em relacao a y:
y = y
1
= C
1
x
1
+ E
1
(u y
2
)
= C
1
x
1
+ E
1
u E
1
C
2
x
2
E
1
E
2
y
(I + E
1
E
2
) y = C
1
x
1
+ E
1
u E
1
C
2
x
2
y = L
2
C
1
x
1
+ L
2
E
1
u L
2
E
1
C
2
x
2
pag.37
8
>
>
>
>
>
>
>
>
<
>
>
>
>
>
>
>
>
:
2
4
x
1
x
2
3
5
=
2
4
A
1
B
1
L
1
E
2
C
1
B
1
L
1
C
2
B
2
L
2
C
1
A
2
B
2
L
2
E
1
C
2
3
5
2
4
x
1
x
2
3
5
+
2
4
B
1
L
1
B
2
L
2
E
1
3
5
u
y =
h
L
2
C
1
L
2
E
1
C
2
i
2
4
x
1
x
2
3
5
+ L
2
E
1
u
L
1
(I + E
2
E
1
)
1
; L
2
(I + E
1
E
2
)
1
, L
1
e L
2
devem existir
pag.38
Representacao na Freq uencia
Fa ca: G
1
(s) S
1
e G
2
(s) S
2
Conexao em paralelo: G
1
(s) + G
2
(s)
Conexao em cascata: G
2
(s)G
1
(s)
Conexao com realimentacao: Sejam G
1
(s) e G
2
(s) matrizes racionais pr oprias
de S
1
e de S
2
. Entao, se det(I
q
+ G
1
G
2
) = 0 (condi cao necessaria para a
conexao)
G(s) = G
1
(s)(I
p
+ G
2
(s)G
1
(s))
1
= (I
q
+ G
1
(s)G
2
(s))
1
G
1
(s)
pag.39
Modelagem Matematica de Sistemas
1. + de modelagem com Circuitos Eletricos
2. Sistematica para Obten cao de Equa coes de Estado
pag.1
Exemplo Circuito eletrico
u(t)
R
i
L
C
1
C
2
v
1
(t)
v
2
(t)
+
+
+
+
y(t)
Um bipolo (dispositivo contendo 2 terminais condutores) se caracteriza pela
rela cao tensao-corrente
pag.2
Circuito eletrico
Resistor, Capacitor e Indutor lineares (conven cao de receptor):
i
R
i
C
i
L
+ +
+

v
R
v
C
v
L
R
L
C
v
R
= Ri
R
v
L
= L
di
L
dt
i
C
= C
dv
C
dt
pag.3
Circuito eletrico
Fontes de Tensao e de Corrente (conven cao de gerador):
i i
v v
+
+
+
u
v
(t) u
i
(t)
v = u
v
(t) i = u
i
(t)
pag.4
Circuito eletrico
Convencao em geral, a convencao de receptor e utilizada para os bipolos passivos e a
de gerador para as fontes
No: Um ponto de ligacao entre 2 ou mais bipolos
Lei das Correntes ou 1
a
Lei de Kirchho: a soma algebrica das correntes que saem
de um no e nula
Laco: Qualquer percurso fechado formado por bipolos que nao passe duas vezes pelo
mesmo no
Lei das Tensoes ou 2
a
Lei de Kirchho: a soma algebrica das tensoes nos bipolos
pertencentes a um laco e nula
Em um circuito com b bipolos e n nos tem-se 2b variaveis (tensoes e correntes nos
bipolos)
pag.5
Circuito eletrico
u(t)
R
i = C
2
v
2
(uv
1
)/R
C
1
v
1
L
N
C
1
C
2
v
1
v
2
+
+
+
+
y = v
L
= L
di
dt
N o N:
u v
1
R
= C
1
v
1
+ C
2
v
2
= C
1
v
1
+ i
La co da direita: v
1
= v
2
+ L
di
dt
pag.6
Circuito eletrico
Denindo x
1
= v
1
, x
2
= v
2
e x
3
= i obtem-se as equa coes de estado:
_
_
x
1
=
1
RC
1
x
1
1
C
1
x
3
+
1
RC
1
u
x
2
=
1
C
2
x
3
x
3
=
1
L
(x
1
x
2
)
Equa cao de sada: y = L x
3
= x
1
x
2
_
_
x =
_
_
1/RC
1
0 1/C
1
0 0 1/C
2
1/L 1/L 0
_
_
x +
_
_
1/RC
1
0
0
_
_
u
y =
_
1 1 0
_
x
pag.7
Sistematica para Obtencao de Equacoes de Estado
Grafo Conexo: Grafo no qual existe sempre um caminho constitudo por ramos
entre dois n os quaisquer
1
2
4
3
5
2
3
1 4
5
Grafo Conexo
1
2
4
3
5
2
3
1 4
5
Grafo Nao Conexo
Subgrafo: conjunto qualquer de ramos e n os de um grafo
Corte: conjuntos de ramos que, eliminados, deixam dois subgrafos conexos
pag.8
Laco: caminho fechado formado por ramos e nao passando mais de uma vez por
nenhum n o
Arvore: subgrafo conexo contendo todos os n os do grafo e nenhum la co.

Escolhida uma arvore para um grafo, os demais ramos (nao pertencentes à arvore)
sao chamados de ramos de liga cao
Corte Fundamental: constitudo por um unico ramo da arvore e ramos de
liga cao
Laco Fundamental: constitudo por um unico ramo de liga cao e ramos da
arvore
pag.9
Exemplo
R
2
R
1
0
1 2 3
C
L
+
e(t)
Grafo:
1
2
3 4
5
1
2
3
0
pag.10
Arvores:
2
3
5
1
2
3
0
1
2
4
1
2
3
0
La cos:
1
2
4
5
1
2
3
0
3 4
3
0
pag.11
Arvore Pr opria: e uma arvore com todos os capacitores e fontes de tensao do

circuito, sem indutores e sem fontes de corrente
e(t)
R
1
R
2
i
L
C
+
+
v
1
4
5
1
2
3
0
Cada capacitor dene um corte fundamental, constitudo pelo capacitor e por
ramos de liga cao
Cada indutor dene um la co fundamental, constitudo pelo indutor e ramos da
arvore
pag.12
Partindo de cada capacitor e do corte fundamental apropriado (que nao inclui
fontes de tensao pois a ideia e escrever equa cao de correntes), obtem-se
Corte Fundamental
2
3 4
2
3
0
i = C v +
v
R
2
pag.13
Partindo de cada indutor e do la co fundamental apropriado (que nao inclui
fontes de corrente pois a ideia e escrever equa cao de tensoes), obtem-se:
La co Fundamental
1
2
4
5
1
2
3
0
e(t) = R
1
i + L
di
dt
+ v
As equa coes de estado sao obtidas a partir das equa coes de correntes para os
cortes fundamentais e das equa coes de tensoes para os la cos fundamentais...
pag.14
Exemplo
rep
R
2R
C C
+ +
+
L
x
v
1
v
2
e(t)
Arvore Pr opria:
pag.15
Cortes Fundamentais:
e(t) v
1
R
= C
dv
1
dt
+ x , x = C
dv
2
dt
+
v
2
2R
La co Fundamental:
v
1
= L x + v
2
(nao tem fonte de tensao...)
pag.16
Exemplo
e(t)
R
R
R
R
i
L
C
+
+
v
i
R
Arvore Pr opria:
pag.17
Corte Fundamental:
i +
L
R
di
dt
= C v
. .
corrente i
RC
em RC
+
v + RC v
R
. .
corrente s o em R:
v
R
+
Ri
RC
R
pag.18
La co Fundamental:
e(t) = Ri
R
+ L
di
dt
+ v + RC v
As equa c oes obtidas dependem da corrente i
R
(que nao e variavel de estado).
Uma equa cao auxiliar e necessaria...
pag.19
Equacao Auxiliar: Equacao de correntes para o corte fundamental denido pelo resistor
(se este estiver na arvore propria) ou equacao das tensoes para o laco fundamental
denido pelo resistor (se for um ramo de ligacao)
Corte Fundamental:
i
R
=
L
R
di
dt
+ i
Equacoes de Estado:
8
>
>
>
<
>
>
>
:
RC v + v + 2L
di
dt
+ Ri = e(t)
2RC v + v Ri L
di
dt
= 0
pag.20
Passando para a forma padrao (isolando os termos com derivada v e
di
dt
)
_
_
dv
dt
=
3
5RC
v +
1
5C
i +
1
5RC
e(t)
di
dt
=
1
5L
v
3R
5L
i +
2
5L
e(t)
Denindo-se x
_
_
v
i
_
_
e a sada y(t) v(t)...
pag.21
_
_
x(t) =
_
3
5RC
1
5C
1
5L
3R
5L
_
_
. .
A
x(t) +
_
_
1
5RC
2
5L
_
_
. .
B
e(t)
y(t) =
_
1 0
_
. .
C
x(t)
Para R = L = C = 1,
A =
_
_
0.6 0.2
0.2 0.6
_
_
, B =
_
_
0.2
0.4
_
_
pag.22
Descri cao por Fun cao de Transferencia
T(s) = C (sI A)
1
B + D. Calculando (sI A)
1
:
_
_
s + 0.6 0.2
0.2 s + 0.6
_
_
1
=
1
s
2
+ 1.2s + 0.4
_
_
s + 0.6 0.2
0.2 s + 0.6
_
_
T(s) =
_
1 0
_
_
_
s + 0.6
s
2
+ 1.2s + 0.4
0.2
s
2
+ 1.2s + 0.4
0.2
s
2
+ 1.2s + 0.4
s + 0.6
s
2
+ 1.2s + 0.4
_
_
_
_
0.2
0.4
_
_
pag.23
T(s) =
_
1 0
_
_
_
0.2s + 0.2
s
2
+ 1.2s + 0.4
0.4s + 0.2
s
2
+ 1.2s + 0.4
_
_
=
0.2s + 0.2
s
2
+ 1.2s + 0.4
N(s)
D(s)
Veja que:
0.2s + 0.2
s
2
+ 1.2s + 0.4
e a FT de e(t) para a sada igual a v(t)
0.4s + 0.2
s
2
+ 1.2s + 0.4
e a FT de e(t) para a sada igual a i(t)
pag.24
MATLAB
A=[-0.6 0.2; -0.2 -0.6]; B= [0.2;0.4]; C=[1 0];
>> sys=ss(A,B,C,0)
a =
x1 x2
x1 -0.6 0.2
x2 -0.2 -0.6
b =
u1
x1 0.2
x2 0.4
c =
x1 x2
y1 1 0
d =
u1
y1 0
pag.25
MATLAB
>> FT=tf(sys)
Transfer function:
0.2 s + 0.2
-----------------
s^2 + 1.2 s + 0.4
Suponha que v(t) e i(t) sejam medidos... Apenas C se modica
C=eye(2);
>> sys=ss(A,B,C,[0; 0])
a =
x1 x2
x1 -0.6 0.2
x2 -0.2 -0.6
b =
u1
x1 0.2
x2 0.4
c =
pag.26
MATLAB
x1 x2
y1 1 0
y2 0 1
d =
u1
y1 0
y2 0
>> FT=tf(sys)
Transfer function from input to output...
0.2 s + 0.2
#1: -----------------
s^2 + 1.2 s + 0.4
0.4 s + 0.2
#2: -----------------
s^2 + 1.2 s + 0.4
pag.27
Algebra Linear
1. Espa cos Vetoriais Lineares
2. Coordenadas em Espa cos Lineares
3. Operadores Lineares
4. Transforma cao de Similaridade
5. Matriz como Operador
6. Norma de Vetores e Produto Interno
pag.1
Espacos Vetoriais Lineares
Denicao Considere um corpo F. Um espaco linear vetorial X e caracterizado por um
conjunto de elementos (vetores) com duas operacoes
x, y X x + y X (adicao)
F, x X x X (multiplicacao por escalar)
tais que satisfazem as seguintes propriedades
1. x + y = y + x
2. x + (y + z) = (x + y) + z
3. 0 X x + 0 = x
4. x X, x X x + (x) = 0
5. (x + y) = x + y, ( + )x = x + x
6. ()x = (x)
7. 0, 1 F 0x = 0, 1x = x
pag.2
Exemplos
R, x R
n
; C, x C
n
R, x R
nm
; C, x C
nm
Espa cos X = R
n
, X = C
n
... com as opera coes de adi cao vetorial e
multiplica cao por escalar denidas de maneira convencional
X = {0} , 0 R
n
X = H(a, b), conjunto das fun coes reais contnuas no intervalo (a, b)
pag.3
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)
Um elemento neste espa co W e uma trajet oria no R
n
V =
_
x W : x = Ax
_
Os elementos neste espa co 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
pag.4
Subespaco Vetorial Um subconjunto M = de um espa co vetorial linear X e
denominado um subespa co de X, se x, y M e F
1. x + y M
2. x M
Exemplos V e um subespa co de W
x R
2
: x =
_
_
x
1
x
1
_
_
e um subespa co do R
2
S {A X = R
nn
| A = A
T
}, pois (i) 0 = 0
T
e portanto
pertence a S, e (ii) A = A
T
, B = B
T
A + B = (A + B)
T
pag.5
Manipulacoes
No livro do Chen os parametros considerados sao 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
a
i
b
i
: matriz n por r (vetor n 1 multiplicado por vetor 1 r)
b
i
a
i
: s o esta denido para n = r (escalar)
pag.6
Manipulacoes
CA = C
h
a
1
a
2
a
m
i
=
h
Ca
1
Ca
2
Ca
m
i
BD =
2
6
6
6
6
6
6
4
b
1
b
2
.
.
.
b
m
3
7
7
7
7
7
7
5
D =
2
6
6
6
6
6
6
4
b
1
D
b
2
D
.
.
.
b
m
D
3
7
7
7
7
7
7
5
Espaco real de dimensao n: R
n
. Cada vetor x R
n
e uma enupla de n umeros reais:
x =
2
6
6
6
6
6
6
4
x
1
x
2
.
.
.
x
n
3
7
7
7
7
7
7
5
=
h
x
1
x
2
x
n
i
pag.7
Coordenadas em Espacos Lineares
Dependencia Linear Um conjunto de vetores {x
1
, x
2
, . . . , x
k
}, x
i
R
n
, e
linearmente dependente (LD) sse existem escalares
1
,
2
, . . . ,
k
, nao todos
nulos tais que
k
i=1
i
x
i
=
1
x
1
+
2
x
2
+ +
k
x
k
= 0
Se a igualdade for verdadeira apenas para
1
=
2
= =
k
= 0, diz-se
entao que o conjunto {x
1
, x
2
, . . . , x
k
} e linearmente independente (LI)
Veja que pode-se representar:
k
i=1
i
x
i
= X
sendo X [
x
1
x
2
x
k
], [
1

2

k
]
pag.8
Se um conjunto de vetores {x
1
, x
2
, . . . , x
n
} e linearmente dependente,
existe pelo menos um
i
diferente de zero e (eg, se
1
= 0)
x
1
=
1
1
[
2
x
2
+
3
x
3
+
n
x
n
]
isto e, um dos vetores (mas nao necessariamente qualquer um) pode ser escrito
como uma combina cao linear dos demais
Equivalentemente, os vetores sao 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
pag.9
O conceito de dependencia linear depende tambem do corpo (F) 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
pag.10
Denicao a dimensao de um espa co vetorial X e o n umero maximo de vetores
LI desse espa co
Portanto no R
n
ha no maximo n vetores LI
A dimensao de um espa co vetorial pode ser innita: considere o espa co das
fun c oes contnuas no intervalo [a, b]. Em particular, as fun coes t, t
2
, t
3
, . . .
i=1
i
t
i
= 0
1
=
2
= = 0
Proposicao 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.
pag.11
Em um espaco de dimensao n, qualquer conjunto de n vetores LI forma uma base
Quaisquer duas bases de um espaco n-dimensional possuem o mesmo n umero de
elementos
Se {q
1
, q
2
, . . . , q
n
} forma uma base para o R
n
, entao 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
h
q
1
q
2
q
n
i
x = Q
2
6
6
6
6
6
6
4
2
.
.
.
n
3
7
7
7
7
7
7
5
= Q

h

1

2

n
i
e a representacao de x na base {q
1
, q
2
, . . . , q
n
}
pag.12
A qualquer vetor x R
n
, pode-se associar a base ortonormal
e
1
=
2
6
6
6
6
6
6
6
6
6
6
6
6
4
1
0
0
.
.
.
0
0
3
7
7
7
7
7
7
7
7
7
7
7
7
5
, e
2
=
2
6
6
6
6
6
6
6
6
6
6
6
6
4
0
1
0
.
.
.
0
0
3
7
7
7
7
7
7
7
7
7
7
7
7
5
, e
3
=
2
6
6
6
6
6
6
6
6
6
6
6
6
4
0
0
1
.
.
.
0
0
3
7
7
7
7
7
7
7
7
7
7
7
7
5
, . . . , e
n1
=
2
6
6
6
6
6
6
6
6
6
6
6
6
4
0
0
0
.
.
.
1
0
3
7
7
7
7
7
7
7
7
7
7
7
7
5
, e
n
=
2
6
6
6
6
6
6
6
6
6
6
6
6
4
0
0
0
.
.
.
0
1
3
7
7
7
7
7
7
7
7
7
7
7
7
5
Um vetor x na base ortonormal {e
1
, e
2
, . . . , e
n
} se escreve
x =
2
6
6
6
6
6
6
4
x
1
x
2
.
.
.
x
n
3
7
7
7
7
7
7
5
= x
1
e
1
+ x
2
e
2
+ + x
n
e
n
= I
n
2
6
6
6
6
6
6
4
x
1
x
2
.
.
.
x
n
3
7
7
7
7
7
7
5
se confunde com sua representacao
pag.13
Exemplo: Considere o conjunto dos polinomios de grau menor do que 4
Escolha a Base: e
1
= s
3
; e
2
= s
2
; e
3
= s; e
4
= 1
Suponha que x = s
3
+ 4s
2
4s + 10, entao:
x =
_
e
1
e
2
e
3
e
4
_
_
_
1
4
4
10
_
_
e
_
1 4 4 10
_
e a representa cao de x na base escolhida

pag.14
Mudanca de Base Se e

sao as representacoes de um vetor x R
n
em relacao
às bases {e
1
, e
2
, . . . , e
n
} e { e
1
, e
2
, . . . , e
n
}, entao
x =
h
e
1
e
2
e
n
i
=
h
e
1
e
2
e
n
i

representar e
i
em termos de { e
1
, e
2
, . . . , e
n
} ou vice-versa?
Considere p
i
=
2
6
6
6
6
6
6
4
p
1i
p
2i
.
.
.
p
ni
3
7
7
7
7
7
7
5
a representacao de e
i
na base { e
1
, e
2
, . . . , e
n
}:
e
i
=
h
e
1
e
2
e
n
i
2
6
6
6
6
6
6
4
p
1i
p
2i
.
.
.
p
ni
3
7
7
7
7
7
7
5
Ep
i
, i = 1, 2, . . . , n
pag.15
Usando notacao matricial
h
e
1
e
2
e
n
i
=
h
Ep
1
Ep
2
Ep
n
i
= E
h
p
1
p
2
p
n
i
=
h
e
1
e
2
e
n
i
2
6
6
6
6
6
6
4
p
11
p
12
p
1n
p
21
p
22
p
2n
.
.
.
.
.
.
.
.
.
.
.
.
p
n1
p
n2
p
nn
3
7
7
7
7
7
7
5
h
e
1
e
2
e
n
i
P
pag.16
x =
h
e
1
e
2
e
n
i
P =
h
e
1
e
2
e
n
i

Como a representacao e unica entao

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

outra base pode ser automaticamente determinada:
= P = PQ
PQ = I P = Q
1
pag.17
Exemplo polin omios de grau menor do que 4
Escolhendo a 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, entao
x =
_
e
1
e
2
e
3
e
4
_
_
_
1
4
1
11
_
_
pag.18
Operadores Lineares
Denicao Qualquer fun cao f : X Y, com X e Y espa cos lineares sobre o
mesmo corpo F, e denominada operador linear sse
f(
1
x
1
+
2
x
2
) =
1
f(x
1
) +
2
f(x
2
)
para quaisquer x
1
, x
2
X, f(x
1
), f(x
2
) Y, e
1
,
2
F
y = f(x) ; x X (domnio) , y Y (range)
Exemplo: Considere 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
pag.19
Operadores Lineares
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 à base {x
1
, x
2
, . . . , x
n
} de X e à
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
}
Demonstracao: Por hip otese, 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
pag.20
Operadores Lineares
Seja
_
_
a
1i
a
2i
.
.
.
a
mi
_
_
a representa cao de y
i
na base dada por {u
1
, u
2
, . . . , u
m
}:
y
i
=
_
u
1
u
2
u
m
_
_
_
a
1i
a
2i
.
.
.
a
mi
_
_
, i = 1, 2, . . . , n
pag.21
Operadores Lineares
Neste caso,
L
h
x
1
x
2
x
n
i
=
h
y
1
y
2
y
n
i
=
h
u
1
u
2
u
m
i
2
6
6
6
6
6
6
4
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
3
7
7
7
7
7
7
5
h
u
1
u
2
u
m
i
A
pag.22
Operadores Lineares
Em rela cao às 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
Para se descrever a transforma cao, nao ha diferen ca entre especicar x, y ou ,
. Porem A (representa cao da transforma cao linear) depende das bases escolhidas
pag.23
Transformacao de Similaridade
Considere a transformacao linear L : X Y, com a mesma base para X e Y
{e
1
, e
2
, . . . , e
n
} A , { e
1
, e
2
, . . . , e
n
}

A
x
L
y (= L(x))
h
e
1
e
2
e
n
i
h
e
1
e
2
e
n
i

(= 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
pag.24
A,

A : matrizes similares
PAP
1
, P
1

AP : Transforma coes de Similaridade
Todas as representa coes de um operador linear sao similares. Uma matriz
A R
nn
pode ser vista como a representa cao de um operador linear ou como
o operador linear propriamente dito
pag.25
Exemplo de transformacao linear A transformacao que rotaciona um ponto no plano
de 90
o
no sentido anti-horario
x
1
= (1, 0)
x
2
= y
1
= (0, 1)
x
3
= (1.5,
1
2
)
y
2
y
3
Em relacao à base {x
1
, x
2
}
y
1
= L(x
1
) =
h
x
1
x
2
i
2
4
0
1
3
5
, y
2
= L(x
2
) =
h
x
1
x
2
i
2
4
1
0
3
5
pag.26
Entao
A =
2
4
0 1
1 0
3
5
Veja que a representacao de x
3
na base {x
1
, x
2
} e dada por
2
4
1.5
0.5
3
5
Portanto a representacao de y
3
em relacao à base {x
1
, x
2
} e obtida de:
= A
=
2
4
0 1
1 0
3
5
2
4
1.5
0.5
3
5
=
2
4
0.5
1.5
3
5
pag.27
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 unitaria
(representa cao de A = A)
pag.28
Exemplo A =
_
_
3 2 1
2 1 0
4 3 1
_
_
; b =
_
_
0
0
1
_
_
Considere os vetores LI {b, Ab, A
2
b} que formam uma base no R
3
Ab =
_
_
1
0
1
_
_
; A
2
b =
_
_
4
2
3
_
_
Particularmente: A
3
b =
_
_
5
10
13
_
_
pag.29

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)
pag.30
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
_
Veja
A = Q
1
AQ Q

A = AQ
ou ainda:
_
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
}.
Escolhas adequadas da base {q
1
, q
2
, . . . , q
n
} leva a diferentes representa coes
pag.31
Considere 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} e LI e se
A
n
b =
1
b +
2
Ab + +
n
A
n1
b
entao a representacao de A na base {b, Ab, A
2
b, . . . , A
n1
b} e dada pela forma
companheira:
A =
2
6
6
6
6
6
6
6
6
6
6
6
6
4
0 0 0
1
1 0 0
2
0 1 0
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
n1
0 0 1
n
3
7
7
7
7
7
7
7
7
7
7
7
7
5
pag.32
Norma de vetores
Denicao Qualquer funcao 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)
Normas usuais para vetores
Norma-r x
r

n
X
i=1
|x
i
|
r
!1
r
, 1 r <
Norma- x
max
1in
|x
i
|
pag.33
Norma de vetores
Norma-2 ou Norma Euclidiana x
2

x =
n
X
i=1
|x
i
|
2
!1
2
Exemplo
x
a
b
x
1
=| a | + | b | ; x
2
=
a
2
+ b
2
; x
= max{| a |, | b |}
pag.34
Produto Interno
A fun cao x, y : X X R e um produto interno se satisfaz:
1. x, y = y, x, x, y = y, x
2. x + y, z = x, z +y, z
3. x, x 0 e x, x = 0 x = 0
Representacao usual para vetores do R
n
x, y =
n
i=1
x
i
y
i
= x
1
y
1
+ x
2
y
2
+ + x
n
y
n
= x
y (um escalar!)
Vetores ortogonais x y x, y = 0
Norma-2 x
2

x
T
x =
_
x, x x, x = x
2
2
pag.35
Produto Interno
Desigualdade de Cauchy-Schwarz
Para x =
_
x, x. Entao, | x, y | xy
Identidade do paralelogramo
x + y
2
+x y
2
= 2(x
2
+y
2
)
x
y
x + y
x y
pag.36
MATLAB
norm(x,1) norma-1
norm(x,2) ou norm(x) norma-2
norm(x,inf) norma-
pag.37
Algebra Linear
1. Ortonormaliza cao
2. Sistema de Equa coes Lineares
pag.1
Ortonormalizacao
Um vetor x e dito estar normalizado se sua norma Euclidiana e igual a 1, ie,
x
x = {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
pag.2
Ortonormalizacao
Dado um conjunto de vetores LI |e
1
, e
2
, . . . , e
n
|, pode-se obter um
conjunto de vetores ortonormais usando o procedimento de ortonormaliza cao de
Schmidt:
u
1
e
1
q
1
u
1
/]u
1
]
u
2
e
2
(q
1
e
2
)q
1
q
2
u
2
/]u
2
]
.
.
.
.
.
.
u
n
x
n

n1
k=1
(q
k
e
n
)q
k
q
n
u
n
/]u
n
]
A primeira equa cao apenas normaliza o vetor e
1
, tal que q
1
q
1
= 1
pag.3
Ortonormalizacao
Na segunda equa cao, (q
1
e
2
)q
1
e a proje cao do vetor e
2
ao longo de q
1
, e
para u
2
= e
2
(q
1
e
2
)q
1
, q
2
= u
2
/]u
2
] e ortogonal ao vetor q
1
e
1
= u
1
e
2
q
1
q
2
u
2
pag.4
Ortonormalizacao
Se um conjunto de vetores u
1
, u
2
, . . . , u
n
e ortonormal entao
U
_
u
1
u
2
u
n
_
; U
U = I
n
Propriedade: Se y = Ux, entao
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
O mapeamento, y = Ux e uma isometria (nao altera a norma)
Propriedade: Se y = Ux e y = U x entao {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)
pag.5
Ortonormalizacao
Exemplos: Transforma coes de rota cao ou reexao de vetores via matriz ortogonal
A transforma cao que rotaciona um vetor no sentido anti-horario de no R
2
e:
y = U
x ; U
=
_
_
cos sin
sin cos
_
_
x
1
x
2
y
1
y
2
pag.6
Ortonormalizacao
O procedimento de ortonormaliza cao pode ser descrito como uma
transforma cao linear. Considere a matriz X formada por n vetores LI,
|x
1
, x
2
, . . . , x
n
|, da forma: X =
_
x
1
x
2
x
n
_
Deseja-se determinar uma matriz F tal que
XF = Q
_
q
1
q
2
q
n
_
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 arbitrarios). Solu cao ? ...
pag.7
Ortonormalizacao
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:
F
RF = I = F
LF = (LF)
(LF)
e por inspe cao uma solu cao e dada por F = L
1
A fatoriza cao de Schur aplicada à matriz R produz uma matriz unitaria V e
uma matriz diagonal composta pelos autovalores de R tal que R = V V
,
sugerindo como solu cao
F
RF = I = F
V V
F = (V
0.5
V
F)
_
V
0.5
V
F
_
F = V
0.5
V
R
0.5
pag.8
Ortonormalizacao
A escolha da transforma cao F que ortonormaliza X pode ser orientada por
algum criterio especco, descrito por problemas de otimiza cao restritos. Por
exemplo, considere encontrar Q solu cao para:
_
_
_
min
Q
Tr |(X Q)
(X Q)|
sujeito a Q
Q = I
ie, minimiza a norma ao quadrado de x
i
q
i
, i = 1, . . . , n. Esta transforma cao
procura preservar o maximo possvel os vetores originais. Note que Tr(X Q) e
uma fun cao linear dos elementos da matriz Q...
Re-escrevendo em termos de F...
pag.9
Ortonormalizacao
Re-escrevendo em termos de F
_
_
_
min
F
Tr |(X XF)
(X XF)|
sujeito a F
XF = I
_
_
_
min
F
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
(X
X + I) nao inuenciam na solu cao F:

_
_
_
min
F
Tr (F
XX
XF) = max Tr (2X
XF)
sujeito a F
XF = I ... e, solucao?
pag.10
Derivadas
Considere X [x
ij
], X C
mn
e F(X) uma fun cao escalar (real ou
complexa) de X. Entao
X
F(X)
_

x
ij
F(X)
_
Considere A e B matrizes complexas:
X
Tr(AXB) = A
X
Tr(AX
B) = BA
X
Tr(AXBX) = A
+B
X
Tr(AXBX
) = A
XB
+AXB
pag.11
Derivadas
X
Tr(AX
1
B) = (X
1
BAX
1
)
X
log det(X) = (X
)
1
A() C
mn
e C,
d
d
A
_
da
ij
d
_
. Entao
d
d
AB =
dA
d
B +A
dB
d
d
d
A
1
= A
1
dA
d
A
1
pag.12
Ortonormalizacao
Para obter uma solu cao, escreva o Lagrangeano L (F, ) ( e a variavel
dual simetrica associada à restri cao original do problema: F
XF = I):
L (F, ) = Tr [2X
XF + (F
XF I)]
As condi coes necessarias de otimalidade sao dadas por:
L
F
= 2(X
X +X
XF) = 2X
X(I +F) = 0
L
= (F
XF I) = 0
pag.13
Ortonormalizacao
Note que X e nao singular... Portanto resolvendo em termos de F e de em
2X
X(I +F) = 0, 2X
X ,= 0 e:
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
Veja que o custo inicial e dado por:
min Tr (2X
XF) = max Tr (2X
XF)
e a solucao otima e obtida para F = (X
X)
0.5
Note que a solucao F = (X
X)
0.5
fornece a mesma base ortonormalizada Q
(apenas trocando o sinal dos vetores) e pode ser interpretada como a transformacao F
que maximiza a diferenca entre as normas (ao quadrado) dos vetores de cada base
pag.14
Ortonormalizacao
Exemplo Considere X
_
x
1
x
2
x
3
_
, formada pelos vetores LI
x
1
=
_
1 1 1
_
, x
2
=
_
1 2 3
_
, x
3
=
_
0 1 1
_
Algoritmo: 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
(q
1
x
2
)q
1
; q
2
=
u
2
]u
2
]
=
_
0.7071 0 0.7071
_
u
3
= x
3
(q
2
x
3
)q
2
(q
1
x
3
)q
1
; q
3
=
u
3
]u
3
]
=
_
0.4082 0.8165 0.4082
_
pag.15
Ortonormalizacao
Aplicando Cholesky na matriz R = X
X (MATLAB
c
):
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
_
. .
U
, Q
Q = I
_
_
[Q, L] = qr(X)
(decomposicao triangular
ortonormal)
pag.16
Ortonormalizacao
Veja:
Q = X inv(L) =
_
_
0.5774 0.7071 0.4082
0.5774 0.0000 0.8165
0.5774 0.7071 0.4082
_
_
Q
Q =
_
_
1.0002 0 0.0001
0 1.0000 0
0.0001 0 0.9999
_
_
[Q1, L1] = qr(X) observe o sinal...
Q1 =
_
_
0.5774 0.7071 0.4082
0.5774 0.0000 0.8165
0.5774 0.7071 0.4082
_
_
; L1 =
_
_
1.7321 3.4641 0
0 1.4142 0.7071
0 0 1.2247
_
_
pag.17
Ortonormalizacao
Usando Schur: [V, Omega] = schur(R)
V =
_
_
0.8850 0.2376 0.4005
0.4035 0.0381 0.9142
0.2325 0.9706 0.0622
_
_
; Omega =
_
_
0.2643 0 0
0 2.0392 0
0 0 16.6965
_
_
R
0.5
= V
0.5
V

RR = V sqrt(inv(Omega)) V

Q
2
= XR
0.5
= X RR =
_
_
0.9908 0.0890 0.1021
0.1348 0.5758 0.8064
0.0130 0.8127 0.5825
_
_
, Q
2
Q
2
= I
pag.18
Ortonormalizacao
Exemplo Considere dois vetores LI no plano R
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
_
_
pag.19
Ortonormalizacao
x
1
x
2
q
1
q
2
u
1
u
2
u
1
u
2
pag.20
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
. .
A
_
_
x
1
x
2
.
.
.
x
n
_
_
. .
x
=
_
_
y
1
y
2
.
.
.
y
m
_
_
. .
y
a
ij
, y
i
R : dados do sistema; x
i
R : incognitas
Solu cao para Ax = y quando m > n, m = n ou m < n
Problema: dados A e y
1. x : Ax = y?
2. Se existe solu cao, qual o n umero de solu coes LI?
pag.21
Denicao O espa co Range da matriz A e o espa co gerado pelas colunas de A,
ie:
7(A)
_
y = Ax : x R
n
_
R
m
Exemplo y =
_
1 1
_
T
esta no 7(A), com
A =
_
_
1 1 3
0 10 0
_
_
?
Em outras palavras, y = Ax, para algum x? Resposta positiva, pois as colunas
de A geram todo o espa co 2-dimensional
pag.22
Rank (ou posto) da matriz A R
mn
e denido como a dimensao do range de
A (ou, equivalentemente, como o n umero de colunas LI em A) e denotado (A)
posto de colunas de A e a dimensao do 7(A)
posto de linhas de A e a dimensao do 7(A
)
dim7(A) = dim7(A
) = r = posto(A) ou rank(A)
pag.23
Denicao O espaco nulo de A e o espaco gerado por todos os vetores x satisfazendo
Ax = 0, ie:
A(A) |x R
n
: Ax = 0|
Exemplo x =
_
1 10 0
_
T
esta no espaco A(A) com A =
_
_
1 1 3
0 10 0
_
_
?
Em outras palavras, Ax = 0? Como
_
_
1 1 3
0 10 0
_
_
_
_
1
10
0
_
_
=
_
_
9
100
_
_
,=
_
_
0
0
_
_
portanto, a resposta e negativa
A dimensao do espaco nulo e chamada de nulidade da matriz A e denotada (A)
pag.24
Note que y = Ax pode ser escrito como 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
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)
pag.25
A(A) e 7(A) sao espa cos lineares; (A(A) e um subespa co do R
n
e
7(A) e um subespa co do R
m
)
Se (A) = 0, A(A) = |0|, 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
pag.26
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
)a
1
+ (x
2
+x
3
+ 2x
4
x
5
)a
2
Como a
1
e a
2
sao LI (A) = 2
pag.27
Ax = 0
_
_
_
x
1
+x
3
+x
5
= 0
x
2
+x
3
+ 2x
4
x
5
= 0
N umero de Equacoes = (A) = 2
N umero de Incognitas = 5
N umero de Graus de Liberdade = 3
Possveis solucoes 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 A(A) ; (A) = 3
pag.28
Teorema
1. 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 7(A) ou,
equivalentemente,
(A) =
__
A y
__
2. 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)
pag.29
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,
entao para todo
i
R, i = 1, . . . , k o vetor
x = x
p
+
1
n
1
+
2
n
2
+ +
k
n
k
e uma solu cao de Ax = y, sendo |n
1
, . . . , n
k
| uma base de A(A)
De fato,
Ax
p
+
k
i=1
i
An
i
= Ax
p
+ 0 = y
pag.30
Seja A R
mn
. Entao (AC) = (A) e (DA) = (A), para
quaisquer matrizes C R
nn
e D R
mm
nao singulares
O rank de uma matriz nao se altera ao ser pre ou pos-multiplicada por uma
matriz nao singular...
Seja A C
mn
e A
sua conjugada transposta. Entao,

(A) = n (A
A) = n ; det(A
A) ,= 0
(A) = m (AA
) = m ; det(AA
) ,= 0
Observe que (A) = n implica:
n m
A = 0 = 0
pag.31
Inversa
Para uma matriz quadrada A R
nn
, A e invertvel ou nao-singular se
det(A) ,= 0 ou equivalentemente:
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 = 0 e x = 0
AA
1
= A
1
A = I
A(A) = |0|
7(A) = R
n
det(A
A) = det(AA
) ,= 0
pag.32
Inversa
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
pag.33
Considere o sistema y = Ax com A R
mn
e m > n, ie, ha mais
equa coes do que inc ognitas (pode nao ter solu cao)...
Aproxima cao dene-se um erro e = Ax y (otimo se e 0...) e busca-se
x
que minimiza ]e]. A solu cao x
gera o ponto no 7(A) que esta mais

pr oximo de y, ou seja, Ax
a
e a proje cao de y no 7(A)
f(x) = min
x
]e]
2
= min
x
e
e = min
x
(Ax y)
(Ax y)
Condi cao de Otimalidade derivando em rela cao a x: 2x
A2y
A = 0
Assumindo que A tem posto completo (e portanto A
A e invertvel)
x
= (A
A)
1
A
y
Note que x
e uma fun cao linear de y, e x
= A
1
y se A e quadrada
pag.34
x
e a solu cao exata de y = Ax se y 7(A)

A
(A
A)
1
A
e chamada de pseudo-inversa de A
A proje cao de y no 7(A) e linear, dada por Ax
= A(A
A)
1
A
y e
A(A
A)
1
A
e chamada matriz de proje cao

O erro: e = Ax
y =
_
A(A
A)
1
A
I
_
y e ortogonal ao 7(A), ie,
{e, Ax) = y
_
A(A
A)
1
A
Ax = 0
pag.35
Estimador Mnimos Quadrados
Varios problemas em engenharia envolvendo reconstru cao de informa cao,
inversao ou estima cao podem ser colocados na forma y = Ax + , sendo x o
vetor a ser estimado ou reconstrudo; y o vetor de informa coes ou medidas e o
vetor de rudos, erros de medida ou incerteza nao modelada
Problema Obter 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
pag.36
Estimador Mnimos Quadrados
O mesmo resultado poderia ser obtido com multiplicadores de Lagrange
_
_
_
min x
x
sujeito a Ax = y
Introduzindo o multiplicador de Lagrange e escrevendo o Lagrangeano
L (x, ) = x
x +
(Ax y)
As condi coes de otimalidade sao:
L
x
= 2x
A = 0
L
= (Ax y)
= 0
x = A
/2 ; = 2(AA
)
1
y x = A
(AA
)
1
y
pag.37
MATLAB
trace(A) tra co de uma matriz quadrada A
rank(A) posto de uma matriz A
chol(A) fatora cao de Cholesky de uma matriz A
qr(A) fatora cao QR de uma matriz A
null(A) retorna uma base ortonormal para o espa co nulo de A
orth(A) retorna uma base ortonormal para o range de A
pinv(A) retorna uma matriz X com mesma dimensoes de A tal que
A
A = A ; X
X = X
e A
X e X
A sao matrizes Hermitianas

pag.38
Algebra Linear
1. Revisitando autovalores e autovetores
2. Forma Diagonal e Forma de Jordan
2.1 Autovalores distintos
2.2 Autovalores complexos
2.3 Nem todos autovalores distintos
3. Autovalores e autovetores de matriz simetrica
pag.1
Revisitando Autovalores & Autovalores
C e um autovalor de A R
nn
se existe um vetor 0 = x C
n
tal
que Ax = x; e x C e chamado de autovetor (à direita) de A associado a
x C
n
, x = 0 (AI)x = 0 det(AI) = 0
Polin omio caracterstico: () det(I A)
Equa cao caracterstica: () = 0
Exemplo A =
_
_
a
11
a
12
a
21
a
22
_
_
; AI =
_
_
a
11
a
12
a
21
a
22

_
_
() = (a
11
)(a
22
) a
12
a
21
=
2
(a
11
+ a
22
) + (a
11
a
22
a
12
a
21
)
pag.2
Revisitando Autovalores & Autovalores
Nota A condi cao () = det(I A) = 0 e equivalente à existencia de
y C:
y
A = y
= y
(I A) = 0
e qualquer y que satisfa ca a rela cao acima e chamado de autovetor à esquerda
de A
Se v C
n
e um autovetor associado a C, entao 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 ...
pag.3
Forma Companheira
_
_
0 0 0
4
1 0 0
3
0 1 0
2
0 0 1
1
_
_
ou
_
1

2

3

4
1 0 0 0
0 1 0 0
0 0 1 0
_
_
e suas transpostas tem o mesmo polinomio caracterstico:
() =
4
+
1
3
+
2
2
+
3
+
4
pag.4
Forma Diagonal Autovalores distintos
Teorema Suponha
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
Demonstracao Veja que (A
j
I)v
i
= Av
i

j
v
i
=
i
v
i

j
v
i
, ou
(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
pag.5
Sem perda de generalidade, assuma
1
= 0. Entao,
(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

n
)(
1

n1
) (
1

3
)(
1

2
)v
1
=
n
i=1
i
v
i
= 0
Como
i
=
j
, j = 2, 3, . . . , n,
1
= 0, o que contradiz a hip otese inicial.
Portanto:
{v
1
, v
2
, . . . , v
n
} LI Base do C
n
pag.6
Suponha que

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

A a representacao de Av
i
=
i
v
i
na base
{v
1
, v
2
, . . . , v
n
}. Portanto:
Av
i
=
h
v
1
v
2
v
i
v
n
i
2
6
6
6
6
6
6
6
6
6
6
6
6
4
0
0
.
.
.
i
.
.
.
0
3
7
7
7
7
7
7
7
7
7
7
7
7
5
A =
2
6
6
6
6
6
6
4
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
3
7
7
7
7
7
7
5
= Q
1
AQ , Q =
h
v
1
v
2
v
n
i
pag.7
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, entao
AQ = Q

A = Av
i
=
i
v
i
, i = 1 n
e {v
1
, v
2
, . . . v
n
} sao autovetores LI de A
pag.8
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
_
_
pag.9
(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
_
_
pag.10
Portanto, {v
1
, v
2
, v
3
} sao LI:
A =
_
_
1 0 0
0 2 0
0 0 3
_
_
e Q =
_
v
1
v
2
v
3
_
pag.11
Exemplo 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
_
pag.12
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, nao
e possvel determinar autovetores {v
1
, v
2
, v
3
} LI
pag.13
Forma Diagonal Autovalores complexos
Considere a matriz A =
2
6
6
4
1 1 1
0 4 13
0 1 0
3
7
7
5
Autovalores: 1, 2 + j3 e 2 j3
Autovetores:
2
6
6
4
1
0
0
3
7
7
5
;
2
6
6
4
j
3 + j2
j
3
7
7
5
;
2
6
6
4
j
3 j2
j
3
7
7
5
Q =
2
6
6
4
1 j j
0 3 + j2 3 j2
0 j j
3
7
7
5
;

A =
2
6
6
4
1 0 0
0 2 + j3 0
0 0 2 j3
3
7
7
5
pag.14
Forma Diagonal Autovalores nao Distintos
Para autovalores nao distintos, nem sempre e possvel obter

A na forma
diagonal. Eg:
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
pag.15
Forma Canonica de Jordan
Dene-se como J
k
() o bloco de Jordan de dimensao k k associado ao
autovalor com multiplicidade maior que 1, dado por:
J
k
() =
2
6
6
6
6
6
6
6
6
6
4
1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
0 0 0
3
7
7
7
7
7
7
7
7
7
5
C
kk
Para qualquer matriz A R
nn
existe uma matriz nao singular Q tal que
A = Q
1
AQ =
2
6
6
6
6
6
6
4
J
k
1
(
1
)
J
k
2
(
2
)
.
.
.
J
k
r
(
r
)
3
7
7
7
7
7
7
5
, k
1
+ + k
r
= n
sendo que A tem r autovalores distintos
1
, . . . ,
r
entre n possveis
pag.16
Associados aos r autovalores distintos, pode-se determinar r autovetores LI
{v
1
, v
2
, . . . , v
r
} via:
(A
i
I)v
i
= 0 , i = 1, 2, . . . , r
Se ha n blocos de Jordan de tamanho k = 1, entao

A e uma matriz
diagonal, porem no geral isso nao ocorre
A forma de Jordan e unica para uma dada matriz A (eventualmente pode
haver permuta coes entre os blocos)
Pode haver m ultiplos blocos associados ao mesmo autovalor
pag.17
A pergunta e: como obter uma base para a transforma cao?
Os autovetores associados ao bloco de Jordan J
k
i
(
i
) sao determinados de:
_
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
_
Deni-se v
i1
v
i
como sendo o autovetor associado ao autovalor
i
pag.18
Tal que:
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)
Da deni cao de autovetor: v
i1
= 0 tal que (A
i
I)v
i1
= 0
pag.19
Da equa cao que dene v
i2
, pode-se escrever:
(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
(AI)
v = 0
(AI)
1
v = 0
pag.20
Se o autovetor generalizado v e de grau 1 entao:
(AI)v = 0; v = 0
e portanto e um autovetor
O n umero de blocos de Jordan associados ao autovalor e dado pela
nulidade de:
(AI)
A forma canonica de Jordan e util do ponto de vista conceitual, nao sendo
usada para calculos computacionais
pag.21
Exemplo A =
_
_
0 6 5
1 0 2
3 2 4
_
_

1
= 2,
2
=
3
= 1
Autovetor associado ao autovalor
1
= 2:
(A2I)v
1
=
_
_
2 6 5
1 2 2
3 2 2
_
_
_
_
v
1a
v
1b
v
1c
_
_
= 0 ; v
1
=
_
_
2
1
2
_
_
pag.22
Para
2
= 1 (A1I)v
2
=
_
_
1 6 5
1 1 2
3 2 3
_
_
v
2
= 0
Veja l
3
= l
1
+ 4l
2
, rank(Aeye(3)) = 2 (A1I) = 1
existe 1 bloco de Jordan associado ao autovalor = 1, sendo a forma de
Jordan dada por:
A = Q
1
AQ =
_
_
2 0 0
0 1 1
0 0 1
_
_
pag.23
Mas pode-se tambem obter a transformacao Q que gera a forma de Jordan. Veja que
(A 1I)v
2
= 0, pode-se obter
v
2
=
2
6
6
4
1
3/7
5/7
3
7
7
5
Denindo-se v
21
v
2
, determina-se o autovetor generalizado v
22
(A 1I)v
22
= v
21
; v
22
=
2
6
6
4
1
22/49
46/49
3
7
7
5
Portanto a transformacao que produz e dada por Q =
h
v
1
v
21
v
22
i
jordan(A)
pag.24
Considere A R
44
com um autovalor de multiplicidade algebrica 4. Assuma
que (A I) = 1. Portanto (A I)v = 0 possui apenas uma solucao LI v. Para
formar uma base no R
4
, e necessarios mais tres vetores LI (autovetores generalizados)
v
2
, v
3
e v
4
satisfazendo:
(A I)
2
v
2
= 0
(A I)
3
v
3
= 0
(A I)
4
v
4
= 0
A partir de um vetor v, a cadeia de autovetores generalizados de tamanho 4 pode
ser gerada da 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
pag.25
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 sao LI, e:
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 (representacao na base {v
1
, v
2
, v
3
, v
4
}):
A =
2
6
6
6
6
6
4
1 0 0
0 1 0
0 0 1
0 0 0
3
7
7
7
7
7
5
pag.26
Agora suponha que A R
44
tem um autovalor de multiplicidade
algebrica 4, porem (AI) = 2. Portanto (AI)v = 0, possui 2 solu coes
LI. Sendo necessario 2 autovetores generalizados
A partir de cada um dos autovetores, gera-se uma cadeia de autovetores
generalizados. As possveis formas de Jordan neste caso sao:
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
_
_
pag.27
Exemplo
A =
2
6
6
6
6
6
6
6
6
6
6
6
4
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
3
7
7
7
7
7
7
7
7
7
7
7
5
Lembre: det
2
4
A B
0 C
3
5
= det Adet C
det(A I) = [(3 )(1 ) + 1](2 )
2
(1 )
2
1
= (2 )
2
(2 )
2
(2 )
= (2 )
5
pag.28
Exemplo
Autovalores:
1
= 2, MA= 5 ;
2
= 0, MA= 1
(A2I) =
_
_
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
_
_
rank(A2 eye(6)) = 4
1
= (A2I) = 6 4 = 2 MG = 2
A forma de Jordan tem dois blocos associados ao autovalor
1
= 2
pag.29
Exemplo
Veja que a transforma cao e dada por:
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
_
sendo x, v
1
e u
1
autovetores e v
2
, v
3
e u
2
autovetores generalizados
pag.30
Exemplo
Forma de Jordan:
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
_
_
pag.31
Autovalores e Autovetores de Matriz Simetrica
Suponha que os autovalores uma matriz simetrica A R
nn
sejam dados
por:
1
,
2
, . . . ,
n
Curiosidades

i
R, i = 1, . . . , n, ie, os autovalores sao reais?
Veja que se C e um autovalor e v C
n
e um autovetor generico de A,
entao Av = v, v = 0, ou ainda poderia escrever:
v
Av = v
v
cujo conjugado transposto e dado por (v
Av)
= (v
Av) =

v
v. Como
A = A
, fazendo v
Av (v
Av)
= v
(AA
)v = 0, tem-se:
0 = (

) v
v
..
v=0
=

R
pag.32
Autovetores v
i
, v
j
associados a autovalores distintos
i
=
j
sao
ortogonais, ie, v
i
, v
j
= v
i
v
j
= 0 ?
Veja que para 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 expressoes acima e igual (A = A
), subtraindo
0 = (
i

j
) v
i
, v
j
v
i
v
j
se
i
=
j
pag.33
A forma de Jordan de uma matriz simetrica A R
nn
e 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
pag.34
Algebra Linear
1. Fun c oes de Matriz Quadrada
1.1. Teorema de Cayley-Hamilton
pag.1
Funcoes de Matriz Quadrada
Considere A R
nn
associada a transforma cao linear f : R
n
R
n
Polinomios de matriz quadrada Para k positivo e k Z, dena:
A
0
= I ; A
k
= AA A (k vezes)
Seja f() um polin omio em de grau nito como, eg:
f() =
2
+ 8 + 15 = ( + 3)( + 5)
Uma fun cao f(A) e denida da forma:
f(A) A
2
+ 8A + 15I = (A + 3I)(A + 5I)
pag.2
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
)
_
_
pag.3
Como e sempre possvel escrever

A = Q
1
AQ ou A = Q

AQ
1
, sendo

A a
representa cao de A na Forma Canonica de Jordan, entao:
f(A) = f(Q

AQ
1
)
=
_
Q

AQ
1
_
2
. .
(Q

AQ
1
)(Q

AQ
1
)
+8Q

AQ
1
+ 15I
= Q
_

A
2
+ 8

A + 15I
_
Q
1
= Qf(

A)Q
1
ou f(

A) = Q
1
f(A)Q
pag.4
Denicao O polin omio mnimo de A e o polinomio monico (o coeciente do
termo de grau mais alto e 1) () de menor grau tal que (A) = 0
Note que f(A) = 0 se e somente se f(

A) = 0 (matrizes similares tem o
mesmo polin omio mnimo...)
Obter o polin omio mnimo diretamente de A nao e tao trivial, porem 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 polinomio caracterstico de
A e dado por
() = det(I A) =
i
(
i
)
n
i
pag.5
Suponha que a forma de Jordan de A e conhecida, dene-se como o ndice de
i
,
dado por n
i
, a maior ordem de todos os blocos de Jordan associados a
i
. Por exemplo,
1
tem multiplicidade 4 nas quatro matrizes abaixo:
A
1
=
2
6
6
6
6
6
4
1
0 0 0
0
1
0 0
0 0
1
0
0 0 0
1
3
7
7
7
7
7
5
;

A
2
=
2
6
6
6
6
6
4
1
1 0 0
0
1
0 0
0 0
1
0
0 0 0
1
3
7
7
7
7
7
5
A
3
=
2
6
6
6
6
6
4
1
1 0 0
0
1
1 0
0 0
1
0
0 0 0
1
3
7
7
7
7
7
5
;

A
4
=
2
6
6
6
6
6
4
1
1 0 0
0
1
1 0
0 0
1
1
0 0 0
1
3
7
7
7
7
7
5
os ndices do autovalor
1
sao, respectivamente, n
i
= 1, 2, 3 e 4
pag.6
Usando os ndices n
i
de todos os autovalores
i
, o polinomio mnimo pode
ser expresso da forma:
() =
i
(
i
)
n
i
com grau n =
n
i

n
i
= n = dimensao de A
Nas matrizes acima, os polin omios mnimos sao:
1
= (
1
) ;
2
= (
1
)
2
;
3
= (
1
)
3
;
4
= (
1
)
4
Porem note que o polin omio caracterstico e sempre () = (
1
)
4
O polin omio mnimo e um fator do polin omio caracterstico, porem, se os
autovalores sao todos distintos, os dois polinomios sao iguais...
pag.7
Exemplo Para a matriz na forma de Jordan
A =
_
_
1 0 0
0 1 0
0 0 1
0 0 0
_
_
, n
i
= 4
Compute:
(

AI) =
_
_
0 1 0 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
; (

AI)
2
=
_
_
0 0 1 0
0 0 0 1
0 0 0 0
0 0 0 0
_
_
pag.8
(

AI)
3
=
_
_
0 0 0 1
0 0 0 0
0 0 0 0
0 0 0 0
_
_
; (

AI)
k
= 0 para k 4
Veja que n
i
= 4...
Note ainda que
4
= (
1
)
4
Portanto, (A) = 0 e nenhum outro polinomio de grau menor verica a
condi cao
pag.9
Teorema de Cayley-Hamilton
Teorema Seja
() = det(I A) =
n
+
1
n1
+ +
n1
+
n
o polin omio caracterstico de A. Entao,
(A) = A
n
+
1
A
n1
+ +
n1
A +
n
I = 0
isto e, toda matriz A R
nn
satisfaz sua equa cao caracterstica
Como n
i
n
i
, o polin omio caracterstico contem o polinomio mnimo como um
fator, ou seja, para algum polin omio h()
() = ()h()
Como (A) = 0, (A) = (A)h(A) = 0 h(A) = 0
pag.10
Pelo Teorema, A
n
pode ser escrito como uma combina cao linear de
{I, A, . . . , A
n1
}, ie, multiplicando-se (A) = 0 por A tem-se:
A
n+1
+
1
A
n
+ +
n1
A
2
+
n
A = 0
tal 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
Se o polin omio mnimo (grau n) de A e conhecido, A pode ser expressa
como combina cao linear de {I, A, . . . , A
n1
}
pag.11
Expressando um polin omio qualquer f() na forma:
f() = q()() + h()
q(): quociente da divisao por ()
h(): resto da divisao (grau menor que n)
Obtem-se:
f(A) = q(A)(A) + h(A) = q(A) 0 + h(A) = h(A)
pag.12
Uma alternativa à divisao de polin omios em f() e dada a seguir. Dena:
h() =
0
+
1
+ +
n1
n1
sendo
i
, i = 0, . . . , n 1: n inc ognitas 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 expressao acima
tem que ser diferenciada (em rela cao a ) para fornecer novas equa coes como a
seguir...
pag.13
Teorema Seja f() uma funcao dada e A R
nn
com o polinomio caracterstico:
() =
m
Y
i=1
(
i
)
n
i
; n =
m
X
i=1
n
i
Dena o polinomio 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 equacoes dadas por
f
()
(
i
) = h
()
(
i
)
8
<
:
= 0, 1, . . . , n
i
1
i = 1, 2, . . . , m
sendo que f
()
(
i
)
d
f()
d
=
i
; h
()
(
i
)
d
h()
d
=
i
Entao f(A) = h(A) e diz-se que h() e igual a f() no espectro (conjunto dos
autovalores) de A
pag.14
Exemplo Obtenha A
100
, sendo A =
_
_
1 2
0 1
_
_
e () = ( 1)
2
Fa ca: h() =
0
+
1
, ie, ate n 1 ...
Espectro de A: = 1 , f() =
100
f(1) = h(1) 1
100
=
0
+
1
d
d
f(1) =
d
d
h(1) 100(1
99
) =
1
_
_
=
1
= 100 e
0
= 99
A
100
= f(A) = h(A) =
0
I +
1
A =
_
_
1 200
0 1
_
_
pag.15
Exemplo Para A =
_
_
0 0 2
0 1 0
1 0 3
_
_
, com
_
_
_
() = ( 1)
2
( 2)
n
1
= 2, n
2
= 1
Obtenha e
At
, ie, se f() = e
t
, encontre f(A). Considere:
h() =
0
+
1
+
2
2
; h(A) = f(A) =
0
I +
1
A +
2
A
2
Entao
f(1) = h(1) e
t
=
0
+
1
+
2
f
(1) = h
(1) te
t
=
1
+ 2
2
f(2) = h(2) e
2t
=
0
+ 2
1
+ 4
2
e...
pag.16
e...
0
= 2te
t
+ e
2t
;
1
= 3te
t
+ 2e
t
2e
2t
;
2
= e
2t
e
t
te
t
e
At
= f(A) = h(A)
_
_
2e
t
e
2t
0 2e
t
2e
2t
0 e
t
0
e
t
+ e
2t
0 2e
2t
e
t
_
_
pag.17
Pode-se tambem obter f(

A) generica, para

A na forma de Jordan, e
posteriormente ajustar a uma escolha para f()...
Exemplo Considere o bloco de Jordan:

A =
_
1
1 0 0
0
1
1 0
0 0
1
1
0 0 0
1
_
_
() = (
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
)
1!
;
2
=
f
(
1
)
2!
;
3
=
f
(3)
(
1
)
3!
pag.18
Portanto
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 (

AI)
k
(e para k 4, (

AI)
k
= 0):
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
)
_
_
pag.19
Por exemplo, escolhendo: f() = e
t
e
At
=
_
_
e
1
t
te
1
t
t
2
e
1
t
2!
t
3
e
1
t
3!
0 e
1
t
te
1
t
t
2
e
1
t
2!
0 0 e
1
t
te
1
t
0 0 0 e
1
t
_
_
pag.20
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() = e
t
, entao
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
_
_
pag.21
Se f() = (s )
1
, entao
(sIA)
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
)
_
_
pag.22
O teorema de Cayley-Hamilton fornece uma f ormula explcita para o calculo
da matriz inversa, ja que uma matriz deve satisfazer seu pr oprio polinomio
caracterstico. De fato multiplicando (A) por A
1
:
A
1
(A) = A
1
_
A
n
+
1
A
n1
+ +
n1
A +
n
I
_
= 0
_
A
n1
+
1
A
n2
+ +
n1
I +
n
A
1
_
= 0
ou
A
1
=
1
n
_
A
n1
+
1
A
n2
+ +
n1
I
_
Veja que a inversa de A e expressao de ate n 1 potencias de A
pag.23
Algebra Linear
1. + sobre Fun coes de Matriz Quadrada
2. Equa cao de Sylvester
3. Formas Quadraticas
4. Sinais de Matrizes
5. Normas de Matrizes
pag.1
Fun cao de matriz denida como serie de potencia innita...
Suponha que f() possa ser denida como:
f() =
i=0
i
com raio de convergencia . Se todos os autovalores de A tem magnitude menor
do que , entao f(A) pode ser denida como:
f(A) =
i=0
i
A
i
pag.2
Exemplo Considere uma matriz

A na forma de Jordan e seja
f() = f(
1
) +
f
(
1
)
1!
(
1
) +
f
(
1
)
2!
(
1
)
2
+
Entao
f(

A) = f(
1
)I +
f
(
1
)
1!
(

A
1
I) + +
f
(n1)
(
1
)
(n 1)!
(

A
1
I)
n1
+
Como sabemos que (

A
1
I)
k
= 0 para k n, a serie innita pode ser truncada...
Eg, considere um unico bloco de Jordan de ordem 4, entao f(

A) reduz-se a:
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
)
_
_
pag.3
Note que e
At
pode ser descrita via a serie de Taylor por:
e
t
= 1 +t +
2
t
2
2!
+ +
n
t
n
n!
+
que converge para todo e t nitos. Entao,
e
At
= I +At +
t
2
2!
A
2
+ +
t
n
n!
A
n
+ =
k=0
1
k!
t
k
A
k
Note que pode-se usar a descri cao por serie como metodo numerico para
computar exponenciais de matrizes...
MATLAB computo de exponencial de matriz, aproxima cao de Pade: expm ou
expmdemo1
pag.4
Computacao Simbolica no MATLAB com exmp
Remeta-se ao Exemplo da pag. 16 - Aula 8 - A =
_
_
0 0 2
0 1 0
1 0 3
_
_
>> A=[0 0 -2;0 1 0;1 0 3];
>> syms t ;
>> Ab = expm(A*t)
Ab =
[ 2*exp(t) - exp(2*t), 0, 2*exp(t) - 2*exp(2*t)]
[ 0, exp(t), 0 ]
[ exp(2*t) - exp(t), 0, 2*exp(2*t) - exp(t)]
pag.5
Propriedades de e
At
e
At
= I +At +
t
2
2!
A
2
+ +
t
n
n!
A
n
+ =
k=0
1
k!
t
k
A
k
e
0
= I
e
A(t
1
+t
2
)
= e
At
1
e
At
2
Veja que para t
2
= t
1
:
e
At
1
e
At
1
= e
A0
= I e
At
1
= I/e
At
1
_
e
At
1
= e
At
pag.6
d
dt
e
At
=
k=1
1
(k 1)!
t
k1
A
k
= A
_

k=0
1
k!
t
k
A
k
_
=
_

k=0
1
k!
t
k
A
k
_
A
Portanto,
d
dt
e
At
= Ae
At
= e
At
A
Note que e
(A+B)t
= e
At
e
Bt
a menos se AB = BA
Rela cao de Euler: e
Ai
= cosA+isenA
pag.7
Relembrando a Transformada de Laplace de f(t)
F(s) = L[f(t)]
_

0
f(t)e
st
dt
Particularmente a Transformada abaixo e de interesse:
L
_
t
k
k!
_
= s
(k+1)
Portanto
L
_
e
At
k=0
s
(k+1)
A
k
= s
1
k=0
s
k
A
k
= s
1
k=0
_
s
1
A
_
k
pag.8
Como a serie innita
k=0
(s
1
)
k
= 1 +s
1
+s
2
2
+ = (1 s
1
)
1
converge para | s
1
|< 1, conclui-se que
s
1
k=0
(s
1
A)
k
= s
1
I +s
2
A+s
3
A
2
+
= s
1
(I s
1
A)
1
= [s(I s
1
A)]
1
= (sI A)
1
L
_
e
At
= (sI A)
1
pag.9
Embora se tenha usado o fato de que os autovalores de s
1
A tem que ter
modulo menor do que 1, L
_
e
At
= (sI A)
1
vale para todo s exceto s
igual a um autovalor de A...
Pode-se obter o mesmo resultado aplicando-se Laplace em
d
dt
e
At
= Ae
At
:
L
_
d
dt
e
At
_
= L
_
Ae
At
sL
_
e
At
e
0
= AL
_
e
At
ou
(sI A)L
_
e
At
= I L
_
e
At
= (sI A)
1
pag.10
Equacao de Sylvester
A equa cao abaixo e denominada Equa cao de Sylvester:
AM +MB = C
Matrizes dadas: A R
nn
, B R
mm
, C R
nm
Matriz inc ognita: M R
nm
Deni-se: S(M) AM +MB
pag.11
Pode-se reescrever a Eq. de Sylvester como um conjunto de equacoes lineares. Eg,
para n = 3, m = 2
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
_
_
m
11
m
12
m
21
m
22
m
31
m
32
_
_
+
_
_
m
11
m
12
m
21
m
22
m
31
m
32
_
_
_
_
b
11
b
12
b
21
b
22
_
_
=
_
_
c
11
c
12
c
21
c
22
c
31
c
32
_
_
_
_
a
11
+ b
11
a
12
a
13
b
21
0 0
a
21
a
22
+ b
11
a
23
0 b
21
0
a
31
a
32
a
33
+ b
11
0 0 b
21
b
12
0 0 a
11
+ b
22
a
12
a
13
0 b
12
0 a
21
a
22
+ b
22
a
23
0 0 b
12
a
31
a
32
a
33
+ b
22
_
_
. .
Quadrada n m!!
_
_
m
11
m
21
m
31
m
12
m
22
m
32
_
_
=
_
_
c
11
c
21
c
31
c
12
c
22
c
32
_
_
De maneira generica, a equacao de Sylvester pode ser escrita como S(M) = C,
mapeamento R
nm
R
nm
...
pag.12
Um autovalor de S pode ser denido como um escalar se M = 0 tal que
S(M) = M
Considerando S como uma matriz quadrada de ordem nm, ha nm autovalores
k
,
k = 1, 2, . . . , nm, dados por
k
=
i
+
j
, i = 1, 2, . . . , n ; j = 1, 2, . . . , m
sendo
i
, i = 1, 2, . . . , n autovalores de A e
j
, j = 1, 2, . . . , m autovalores de B
De fato, considerando u R
n1
um autovetor à direita de A associado a
i
, e
v R
1m
um autovetor à esquerda de B associado a
j
, tem-se:
Au =
i
u ; vB = v
j
Aplicando a transformacao S na matriz uv R
nm
tem-se
S(uv) = Auv +uvB =
i
uv +uv
j
= (
i
+
j
)uv
pag.13
Como o determinante de uma matriz e igual ao produto de todos os seus
autovalores; uma matriz e nao singular se e somente se nenhum autovalor e igual
a zero
Se nao existe nenhum i e j tais que
i
+
j
= 0, entao a matriz quadrada
de ordem nm denida por S e nao singular e, para cada C, a solu cao M da
equa cao de Sylvester e unica
Se
i
+
j
= 0 para algum i e j, dado C a solu cao pode existir ou nao. Se
C pertence ao range de S, existem m ultiplas solu coes
Se B = A
, entao AM +MA
= C e denominada Equa cao de Lyapunov

com C, M R
nn
. Se C = C
entao M = M
MATLAB M = lyap(A, B, C)
pag.14
Formas Quadraticas
n
i=1
n
j=1
m
ij
x
i
x
j
= x
M
1
x R , m
ij
C
Como x
M
1
x R, (x
M
1
x)
= (x
1
x) = (x
M
1
x)
x
M
1
x x
1
x = 0 , x
(M
1
M
1
)x = 0
Por outro lado pode-se escrever:
x
M
1
x = x
_
1
2
_
M
1
+M
1
_
_
x x
Mx
M =
1
2
_
M
1
+M
1
_
M = M
Toda forma Hermitiana pode ser escrita como x
Mx, com M = M
pag.15
Exemplos
Exemplo M =
_
_
2 3
3 4
_
_
, considerando x =
_
_
1 j
2 + 2j
_
_
x
Mx =
_
1 +j 2 2j
_
_
_
2 3
3 4
_
_
_
_
1 j
2 + 2j
_
_
= 36
de fato, para todo 0 = x C
2
obtem-se:
x
Mx = 2x
1
x
1
+ 3x
1
x
2
+ 3x
2
x
1
. .
(tem sinal contrario!)
+4x
2
x
2
= 2x
1
+ 4x
2
pag.16
Exemplos
Exemplo M =
_
_
1 1
1 2
_
_
, x R
2
x
Mx = x
2
1
2x
1
x
2
+ 2x
2
2
> 0 x
1
, x
2
= 0
Exemplos Bx
2
= x
Bx;
n
i=2
(x
i+1
x
i
)
2
; Fx
2
Gx
2
Unicidade da forma quadratica Se x
Ax = x
Bx para todo x R
n
e as
matrizes A e B sao simetricas, entao A = B
pag.17
Formas Quadraticas
Suponha que a matriz simetrica A foi decomposta na forma A = QDQ
, com
D diagonal contendo os autovalores reais de A ordenados:
max
=
1

2

n1

n
=
min
e Q
= Q
1
uma matriz ortogonal. Entao
x
Ax = x
QDQ
x = (Q
x)
D(Q
x) =
n
i=1
i
(q
i
x)
2

1
n
i=1
(q
i
x)
2
=
1
x
2
Similarmente, x
Ax
n
x
2
. Portanto
min
x
x x
Ax
max
x
x
pag.18
Formas Quadraticas
Propriedades de Matrizes Hermitianas M = M
ou M = M
se M R
n
Autovalores reais
Forma de Jordan diagonal
Autovetores correspondentes a autovalores distintos ortogonais
Toda matriz Hermitiana M pode ser transformada por uma matriz unitaria
P (isto e, P
1
= P
) em uma matriz diagonal com elementos reais:
M = PMP
pag.19
Sinais de Matrizes
Uma matriz M e denida positiva sse x
Mx > 0, x = 0, x C
n
.
Simbologia: M > 0
Uma matriz M e semidenida positiva sse x
Mx 0, x C
n
. Simbologia:
M 0
Uma matriz M e denida negativa se M e (semi)denida positiva. Simbologia:
M < 0
Teorema Uma matriz hermitiana n n M e denida positiva (semidenida positiva)
sse qualquer uma das condicoes abaixo e satisfeita:
Todos os autovalores de M sao positivos (nao negativos)
Todos os menores principais lderes de M sao positivos (todos os menores principais
de M sao nao negativos)
Existe uma matriz nao singular n n N (uma matriz singular n n N ou uma
matriz m n com m < n) tal que M = N
N
pag.20
Sinais de Matrizes
Suponha que N nao singular tal que M = N
N. Entao
x
Mx = x
Nx = (Nx)
(Nx) = Nx
2
2
0
para qualquer x. Se N e nao-singular, Nx = 0 x = 0, e portanto M e
denida positiva. Se N e singular, existe x = 0 tal que Nx = 0 e M e
semidenida positiva
N pode ser obtida por fatora cao de Cholesky (de fato, Cholesky e aplicavel a
matrizes denidas positivas...)
pag.21
Sinais de Matrizes
Menores Principais de uma Matriz Considere
M =
_
_
m
11
m
12
m
13
m
21
m
22
m
23
m
31
m
32
m
33
_
_
Menores Principais (determinantes de todas as submatrizes de M cujas diagonais
coincidem ou fazem parte da diagonal de M):
m
11
, m
22
, m
33
det
_
_
_
_
m
11
m
12
m
21
m
22
_
_
_
_
, det
_
_
_
_
m
11
m
13
m
31
m
33
_
_
_
_
, det
_
_
_
_
m
22
m
23
m
32
m
33
_
_
_
_
e
det(M)
pag.22
Sinais de Matrizes
Menores Principais Lderes determinantes das submatrizes de M obtidas ao
eliminarem-se as ultimas k colunas e k linhas, k = 2, 1, 0:
m
11
, det
_
_
_
_
m
11
m
12
m
21
m
22
_
_
_
_
, det(M)
todos os menores principais lderes positivos implica em menores principais
positivos
pag.23
Sinais de Matrizes
No entanto, todos os menores principais lderes nao negativos nao implica que
todos os menores sao nao negativos
Exemplo Considere M =
_
_
0 0 1
0 0 0
1 0 2
_
_
Veja
m
11
= 0 , det
_
_
0 0
0 0
_
_
= 0 , det(M) = 0
No entanto
m
22
= 0, m
33
= 2, det
_
_
0 1
1 2
_
_
= 1, det
_
_
0 0
0 2
_
_
= 0
pag.24
Sinais de Matrizes
Exemplo M =
_
_
1 1
1 2
_
_
e denida positiva, pois
m
11
= 1 > 0 ; det(M) = 1 > 0
Autovalores de M:
1
= 0.3820 ;
2
= 2.6180
M = N
N ; N = chol(M) =
_
_
1 1
0 1
_
_
; det(N) = 1 = 0
pag.25
Sinais de Matrizes
Nota Dada uma matriz H, sabemos que H
H ou HH
e simetrica...
A matriz simetrica H
H e sempre semidenida positiva; sera denida

positiva se H
H for nao singular. O mesmo vale para HH
Como H
H e HH
sao matrizes simetricas semidenidas positivas, seus

autovalores sao reais e nao negativos
Se H R
mn
, entao H
H tem n autovalores e HH
tem m autovalores
Se H R
mn
tem posto completo de colunas n, entao H
H e denida
positiva
Se H R
mn
tem posto completo de linhas m, entao HH
e denida
positiva
pag.26
Decomposicao em Valores Singulares
Seja H R
mn
e dena M = H
H (simetrica, n n e semidenida
positiva). Entao todos os autovalores de M sao reais e nao negativos (zero ou
positivos). Seja r o n umero de autovalores positivos ( M tem posto r)
Os autovalores de M = H
H podem ser arranjados na forma
2
1

2
2

2
r
> 0 =
r+1
=
r+2
= =
n

2
i
, i = 1, 2, . . . , n : autovalores de H
H

i
, i = 1, 2, . . . , n : valores singulares de H
sendo n min{n, m}
pag.27
Exemplo H =
_
_
1 1 0
1 1 1
_
_
e M = H
H =
_
_
2 2 1
2 2 1
1 1 1
_
_
Autovalores de M: 4.5616, 0.4384, 0
Valores singulares de H: 2.1358 =
4.5616, 0.6622 =
0.4384
Autovalores de HH
: 4.5616, 0.4384
Valores singulares de H
: 2.1358 =
4.5616, 0.6622 =
0.4384
Note que os autovalores de H
H diferem dos de HH
apenas no n umero de
zeros, e H e H
tem os mesmos valores singulares

pag.28
Teorema Decomposi cao em Valores Singulares Toda matriz H mn pode
ser escrita na forma
H = RSQ
com R
R = RR
= I
m
, Q
Q = QQ
= I
n
e S uma matriz mn com os
valores singulares de H na diagonal
As colunas de Q (R) sao autovetores ortonormais de H
H (HH
). O posto de
H e igual ao n umero de valores singulares diferentes de zero. Se o posto de H e
r, as r primeiras colunas de R formam uma base ortonormal para o range de H,
e as ultimas (n r) colunas de Q formam uma base para o espa co nulo de H
MATLAB [R,S,Q]=svd(H)
pag.29
Norma de Matrizes
A
r
sup
x=0
Ax
r
x
r
= sup
x
r
=1
Ax
r
sendo sup o supremo ou o menor limitante superior
A
r
e denominada norma matricial induzida por uma norma vetorial r.
Para diferentes x, tem-se diferentes A
1. A
1
= max
j
m
i=1
|a
ij
| A maior soma absoluta das colunas
2. A
2
= (
max
(A
A))
1
2
Valor singular maximo de A
3. A
= max
i
m
j=1
|a
ij
| A maior soma absoluta das linhas
pag.30
Norma de Matrizes
Exemplo Normas 1, 2 e de A =
_
_
3 2
1 0
_
_
?
A
1
= max {3 +| 1|; 2 + 0} = 4
A
2
= 3.7
A
= max {3 + 2; | 1| + 0} = 5
MATLAB norm(A,r), r = 1, 2 ou r =inf
pag.31
Norma Matricial
Interpretacao graca ? Considere por exemplo a norma A
1
. Note que y = Ax e
x
1
= 1 x
1
=
n
i=1
|x
i
|
portanto
y
1
= Ax =
_
_
3 2
1 0
_
_
_
_
1
0
_
_
=
_
_
3
1
_
_
, y
2
= Ax =
_
_
3 2
1 0
_
_
_
_
0
1
_
_
=
_
_
2
0
_
_
y
3
= Ax =
_
_
3 2
1 0
_
_
_
_
1
0
_
_
=
_
_
3
1
_
_
, y
4
= Ax =
_
_
3 2
1 0
_
_
_
_
0
1
_
_
=
_
_
2
0
_
_
pag.32
Norma Matricial
4 3 2 1 0 1 2 3 4
2
1.5
1
0.5
0
0.5
1
1.5
2
x
1
= 1
A
1
= 3 + 1 = 4
pag.33
Solucao em Espaco de Estado
1. Solu cao para Sistemas Lineares Invariantes Contnuo no Tempo
2. Discretiza cao
3. Solu cao para Sistemas Lineares Invariantes Discreto no Tempo
4. Sistemas Equivalentes e Formas Canonicas
5. Realiza coes
pag.1
Solucao em Espaco de Estado Tempo Contnuo
Para o sistema contnuo no tempo:
_
_
_
x(t) = Ax(t) +Bu(t)
y(t) = Cx(t) +Du(t)
A R
nn
, B R
np
, C R
qn
e D R
qp
Problema Encontrar a solu cao x(t) gerada por uma condi cao inicial x(0) e
uma entrada u(t)?
Solucao Pode ser obtida da fun cao exponecial de A...
pag.2
Veja que ja demonstramos que:
d
dt
e
At
= Ae
At
= e
At
A
Pre-multiplicando a equa cao diferencial em x(t) por e
At
obtem-se:
e
At
x(t) = e
At
Ax(t) +e
At
Bu(t)
e
At
x(t) e
At
Ax(t) = e
At
Bu(t)
d
dt
_
e
At
x(t)
= e
At
Bu(t)
pag.3
Integrando de 0 a t obtem-se
e
A
x()
t
=0
=
_
t
0
e
A
Bu()d
e
At
x(t) e
0
x(0) =
_
t
0
e
A
Bu()d
como e
0
= I e
_
e
At
_
1
= e
At
, entao
x(t) = e
At
x(0) +
_
t
0
e
A(t)
Bu()d
pag.4
Pode-se vericar se a solu cao satisfaz a equa cao diferencial e se x(t) = x(0)
em t = 0...
Veja que em t = 0, x(0) = e
At
x(0) = Ix(0) = x(0)
E x(t) satisfaz a equa cao de x(t)? Compute x(t)
x(t) =
d
dt
_
e
At
x(0) +
_
t
0
e
A(t)
Bu()d
_
= Ae
At
x(0) +
_
t
0
Ae
A(t)
Bu()d +e
A(t)
Bu()
=t
= A
_
e
At
x(0) +
_
t
0
e
A(t)
Bu()d
_
+e
A0
Bu(t)
= Ax(t) +Bu(t)
pag.5
Veja que foi usado o fato que:
t
_
t
t
0
f(t, )d =
_
t
t
0
_

t
f(t, )
_
d +f(t, )
=t
Ainda, substituindo x(t) na equa cao de sada obtem-se:
y(t) = Ce
At
x(0) +C
_
t
0
e
A(t)
Bu()d +Du(t)
pag.6
Calculo de e
At
Metodo 1 Encontre os autovalores de A. Obtenha o polinomio h() de grau
n 1 igual a e
t
no espectro de A. Fa ca e
At
= h(A)
Metodo 2 Encontre a Forma Canonica de Jordan de A,

A. Entao
A = Q

AQ
1
e e
At
= Qe
At
Q
1
Metodo 3
e
At
=
k=0
t
k
A
k
k!
(computador, expm...)
pag.7
Veja ainda que aplicando a transformada de Laplace no sistema inicial em x(t)
obtem-se:
X(s) = (sI A)
1
_
x(0) +BU(s)
_
Y (s) = C(sI A)
1
_
x(0) +BU(s)
_
+DU(s)
Metodo 4
L
_
e
At
= (sI A)
1
; e
At
= L
1
_
(sI A)
1
pag.8
(sI A)
1
e uma fun cao de A que pode ser computada de varias formas:
diretamente pela inversa de (sI A); via metodo 1; via metodo 2 ou a forma em
serie de potencia discutida na se cao de

Algebra
Exemplo considere A =
_
_
0 1
1 2
_
_
. Obtenha (sI A)
1
C omputo direto:
(sI A)
1
=
_
_
s 1
1 s + 2
_
_
1
=
1
s
2
+ 2s + 1
_
_
s + 2 1
1 s
_
_
pag.9
Metodo 1 Os autovalores de A sao 1 e 1. Fa ca h() =
0
+
1
. Se
f() = (s )
1
iguala os valores de h() no espectro de A, entao
f(1) = h(1) (s + 1)
1
=
0
1
f
(1) = h
(1) (s + 1)
2
=
1
Portanto obtendo
0
e
1
e substituindo em h():
h() =
_
(s + 1)
1
+ (s + 1)
2
+ (s + 1)
2
e
(sI A)
1
= h(A) =
_
(s + 1)
1
+ (s + 1)
2
I + (s + 1)
2
A
=
1
(s + 1)
2
_
_
s + 2 1
1 s
_
_
pag.10
Veja se considerar a equa cao:
x(t) =
_
_
0 1
1 2
_
_
. .
A
x(t) +
_
_
0
1
_
_
. .
B
u(t)
a solu cao e dada por
x(t) = e
At
x(0) +
_
t
0
e
A(t)
Bu()d
e
At
?
pag.11
e
At
= L
1
_
_
_
1
(s + 1)
2
_
_
s + 2 1
1 s
_
_
_
_
_
=
_
_
(1 +t)e
t
te
t
te
t
(1 t)e
t
_
_
e com B =
_
0 1
_
:
x(t) =
_
_
(1 +t)e
t
te
t
te
t
(1 t)e
t
_
_
x(0)
+
_
_
t
0
(t )e
(t)
u()d
_
t
0
[1 (t )]e
(t)
u()d
_
_
pag.12
Propriedades Resposta à entrada nula (u(t) 0) de e
At
x(0) com a forma de
Jordan dada por:
A =
2
6
6
6
6
6
6
6
6
4
1
1 0 0 0
0
1
1 0 0
0 0
1
0 0
0 0 0
1
0
0 0 0 0
2
3
7
7
7
7
7
7
7
7
5
(Chen, pg. 66 (3.48))
e
At
= Q
2
6
6
6
6
6
6
6
6
4
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
1
t
0
0 0 0 0 e
2
t
3
7
7
7
7
7
7
7
7
5
Q
1
pag.13
e combina cao linear de termos do tipo t
k
e
t
, determinados pelos autovalores
e seus ndices n
i
(maior ordem dos blocos de Jordan associados a
i
). Sao
analticos, ie, diferenciaveis para todo t
se todo autovalor tem parte real negativa, a resposta à entrada nula tende
para zero quando t (segue direto de e
t
); se A possui algum autovalor
com parte real positiva, a resposta à entrada nula cresce indenidamente...
um autovalor com parte real nula mas ndice 1 nao causa o crescimento
ilimitado; se o ndice for 2 ou superior, o crescimento ilimitado pode ocorrer. Por
exemplo, um autovalor igual a 0 com ndice 2 faz com que e
At
contenha os
termos {1, t}. O termo te
0t
, para t , implicara em crescimento ilimitado
para x(t)
pag.14
Discretizacao
Considere o sistema contnuo no tempo:
_
_
_
x(t) = Ax(t) +Bu(t)
y(t) = Cx(t) +Du(t)
Uma primeira ideia de possibilidade de aproxima cao discreta:
x(t) = lim
T0
x(t +T) x(t)
T
x(t +T) = x(t) +Ax(t)T

. .
(I+TA)x(t)
+Bu(t)T
pag.15
Discretizacao
Se os sinais contnuos sao computados em instantes discretos t = kT,
k = 0, 1, 2, . . . entao:
_
_
_
x((k + 1)T) = (I +TA)x(kT) +TBu(kT)
y(kT) = Cx(kT) +Du(kT)
e uma forma simples, porem a representa cao pode ser imprecisa...
Discretizacao Alternativa Considerando que o sinal u(t) e gerado em um
computador digital e que em seguida o sinal passa por um conversor
digital/anal ogico, tem-se um sinal linear por partes
pag.16
Discretizacao
Dene-se o sinal linear por partes, mudando a cada instante discreto k:
u(t) = u(kT) u(k) para kT t < (k + 1)T, k = 0, 1, 2, . . .
Para esta entrada u(t), a solu cao da equa cao diferencial, x(t), computada nos
instantes t = kT e t = (k + 1)T sao:
x(k) x(kT) = e
AkT
x(0) +
_
kT
0
e
A(kT)
Bu()d
e
x(k+1) x[(k + 1)T] = e
A(k+1)T
x(0)+
_
(k+1)T
0
e
A((k+1)T)
Bu()d
pag.17
Discretizacao
Veja que da ultima equa cao obtem-se
x(k + 1) = e
AT
_
e
AkT
x(0) +
_
kT
0
e
A(kT)
Bu()d
_
+
_
(k+1)T
kT
e
A(kT+T)
Bu()d
usando que u(t) = u(k) e denindo-se a mudan ca de variavel
= kT +T obtem-se:
x(k + 1) = e
AT
x(k) +
_
_
T
0
e
A
d
_
Bu(k)
pag.18
Discretizacao
Portanto o sistema descrito a equa coes à diferen ca (equa cao de estado discreta no
tempo):
_
_
_
x(k + 1) = A
d
x(k) +B
d
u(k)
y(k) = C
d
x(k) +D
d
u(k)
sendo
A
d
= e
AT
; B
d
=
_
_
T
0
e
A
d
_
B; C
d
= C; D
d
= D
Nota Nao ha aproxima cao envolvida! A solu cao em t = kT e exata se a
entrada for mantida constante no intervalo
C omputo de B
d
?
pag.19
Discretizacao
Computo de B
d
Usando a descri cao em serie de potencia
Z
T
0
I +A +A
2
2
2!
+
d = TI +
T
2
2!
A +
T
3
3!
A
2
+
T
4
4!
A
3
+
Se A e nao singular, a serie pode ser reescrita (e ainda somando I I) da forma:
A
1
_
TA+
T
2
2!
A
2
+
T
3
3!
A
3
+ + I I
_
= A
1
(e
AT
I)
B
d
= A
1
_
e
AT
I
_
B se A
1
MATLAB c2d
pag.20
Solucao em Espaco de Estado Tempo Discreto
NOTA Sem perda de generalidade vamos utilizar a mesma nota cao de
matrizes A, B, etc. para sistemas a tempo contnuo ou discreto. A indica cao de
t ou k basta para entender o contexto
Considere o sistema discreto:
_
_
_
x(k + 1) = Ax(k) +Bu(k)
y(k) = Cx(k) +Du(k)
Forma geral da solu cao:
x(1) = Ax(0) +Bu(0)
x(2) = Ax(1) +Bu(1) = A
2
x(0) +ABu(0) +Bu(1)
.
.
.
pag.21
Assim, para k > 0
x(k) = A
k
x(0) +
k1
m=0
A
k1m
Bu(m)
e
y(k) = CA
k
x(0) +
k1
m=0
CA
k1m
Bu(m) +Du(k)
pag.22
Da mesma forma como no caso contnuo, a resposta à entrada nula A
k
x(0)
apresenta algumas propriedades
Suponha que A tem o autovalor
1
com multiplicidade 4 e o autovalor
2
com multiplicidade 1
Suponha ainda que A possui a forma de Jordan tal que
A
k
= Q
_
k
1
k
k1
1
k(k 1)
k2
1
/2 0 0
0
k
1
k
k1
1
0 0
0 0
k
1
0 0
0 0 0
k
1
0
0 0 0 0
k
2
_
_
Q
1
ie,
1
tem ndice 3 e
2
tem ndice 1
pag.23
combina cao linear de termos do tipo
k
, k
k1
, k
2
k2
, determinados
pelos autovalores e seus ndices...
se todo autovalor tem magnitude menor que 1, a resposta à entrada nula tende
para zero quando k (consequencia de
k
); se A possui algum autovalor
com magnitude maior que 1 a resposta à entrada nula cresce indenidamente
um autovalor com magnitude igual a 1 e ndice 1 nao causa o crescimento
ilimitado; se o ndice for 2 ou superior, o crescimento ilimitado pode ocorrer. Por
exemplo, um autovalor igual a 1 com ndice 2 faz com que A
k
contenha os
termos {1, k}, ie, k
k1
, quando k
pag.24
Equacoes Dinamicas Equivalentes
Considere o sistema linear invariante no tempo
_
_
_
x(t) = Ax(t) +Bu(t)
y(t) = Cx(t) +Du(t)
Seja P R
nn
uma matriz nao-singular e x = Px. A equa cao dinamica
_
_
_
x(t) =

A x(t) +

Bu(t)
y(t) =

C x(t) +

Du(t)
sendo

A = PAP
1
,

B = PB,

C = CP
1
e

D = D e (algebricamente)
equivalente à do sistema original, e P e a transforma cao de equivalencia
pag.25
Por outro lado... x = P
1
x e x = P
1
x tal que:
A = PAP
1
= Q
1
AQ Q

A = A
_
q
1
q
2
q
n
_
_
q
1
q
2
q
n
_

A =
_
Aq
1
Aq
2
Aq
n
_
i-esima coluna de

A : representa cao de Aq
i
na base {q
1
, q
2
, . . . , q
n
}. A e

A
sao similares e

A e simplesmente um representa cao diferente de A
pag.26
A e

A sao similares e tem os mesmos autovalores
() = det
_
I

A
_
= det
_
PP
1
P

AP
1
_
= det
_
P(I A)P
1
= det(P) det (I A) det P

1
= det (I A)
= ()
Veja que PP
1
= I e det(P) det(P
1
) = 1...
pag.27
Os sistemas tem a mesma fun cao de transferencia
G(s) =

C(sI

A)
1
B +

D
= CP
1
_
sPP
1
PAP
1
1
PB +D
= CP
1
_
P(sI A)P
1
1
PB +D
= CP
1
P (sI A)
1
P
1
PB +D
= C (sI A)
1
B +D
= G(s)
pag.28
Exemplo Circuito RLC
u
R
x
1
x
2
L
C
+
+
y
x
1
: corrente no indutor;
x
2
= y : tensao no capacitor
x
1
: corrente na malha 1;
x
2
: corrente na malha 2
pag.29
Escolhendo como variaveis de estado x
1
(corrente no indutor) e x
2
(tensao no
capacitor):
x
1
=
x
2
R
+C x
2
. .
corrente...
e L x
1
+x
2
. .
tensao...
= u
entao
_
_
_
_
x
1
x
2
_
_
=
_
_
0 1/L
1/C 1/RC
_
_
_
_
x
1
x
2
_
_
+
_
_
1/L
0
_
_
u
y =
_
0 1
_
_
_
x
1
x
2
_
_
pag.30
No entanto, se as correntes de malhas forem escolhidas como variaveis de estado:
u = L
x
1
+R( x
1
x
2
)
. .
tensao...

x
1
=
R
L
x
1
+
R
L
x
2
+
1
L
u
Veja que a corrente no capacitor e: x
2
= C v
C
= C(R(
x
1

x
2
)) ou
x
2
=

x
1
1
RC
x
2
ainda, v
L
= L
x
1
= u v
C
ou

x
1
=
1
L
(u R( x
1
x
2
)) entao
x
2
=
1
L
u
R
L
x
1
+
R
L
x
2
1
RC
x
2
pag.31
_
_
_
_
x
1
x
2
_
_
=
_
_
R/L R/L
R/L R/L 1/RC
_
_
_
_
x
1
x
2
_
_
+
_
_
1/L
1/L
_
_
u
y =
_
R R
_
_
_
x
1
x
2
_
_
Se R = 1 ; L = 1H ; C = 1F, entao
_
_
x
1
x
2
_
_
=
_
_
1 0
1 1
_
_
_
_
x
1
x
2
_
_
ou
_
_
x
1
x
2
_
_
=
_
_
1 0
1 1
_
_
_
_
x
1
x
2
_
_
; x = Px, P = P
1
. . .
pag.32
Dois sistemas sao equivalentes ao estado nulo se possuem a mesma matriz de
transferencia, ie:
C(sI A)
1
B +D =

C(sI

A)
1
B +

D
Veja que usando a expressao de serie de potencias para (sI A)
1
(Chen, (3.57))
D+CBs
1
+CABs
2
+CA
2
Bs
3
+ =

D+

C

Bs
1
+

C

A

Bs
2
+

C

A
2
Bs
3
+
Teorema Dois sistemas dinamicos descritos por equa coes de estado
{A, B, C, D} e {
A,

B,

C,

D} sao equivalentes ao estado nulo (tem a mesma
matriz de transferencia) se e somente se D =

D e
CA
m
B =

C

A
m
B ; m = 0, 1, 2, . . .
pag.33
Forma Canonica Companheira
Forma Companheira representa cao de A na base
Q =
_
b
1
Ab
1
A
n1
b
1
_
sendo b
1
a primeira coluna de B
A =
_
_
0 0 0
4
1 0 0
3
0 1 0
2
0 0 1
1
_
_
() =
4
+
1
3
+
2
2
+
3
+
4
MATLAB [sistemaCanonico,Q]=canon(sistema,type), forma
companheira se type=companion para sistema=ss(A,B,C,D) com Q sendo a
transforma cao
pag.34
Forma Canonica Modal
Considere A com dois autovalores reais e um par complexo conjugado (dados por
1
,
2
, +j e j). A representa cao na base formada pelos autovetores
(q
1
, q
2
, q
3
e q
4
, respectivamente, com q
3
e q
4
complexo conjugados) fornece
(sendo Q formada pelo autovetores obtidos diretamente de eig):
A =
_
1
0 0 0
0
2
0 0
0 0 +j 0
0 0 0 j
_
_
= Q
1
AQ (Jordan)

A pode ser transformada em uma matriz similar real?
pag.35
Denem-se
Q =
_
_
1 0 0 0
0 1 0 0
0 0 0.5 0.5j
0 0 0.5 0.5j
_
_
;

Q
1
=
_
_
1 0 0 0
0 1 0 0
0 0 1 1
0 0 j j
_
A =

Q
1
Q =
_
1
0 0 0
0
2
0 0
0 0
0 0
_
_
Forma modal
As duas transforma c oes podem ser combinadas:

A =

Q
1
Q
1
AQ
Q
pag.36
Note que as duas transforma coes podem ser combinadas em umas:
Q
Q P
1
=
_
q
1
q
2
q
3
q
4
_
_
_
1 0 0 0
0 1 0 0
0 0 0.5 0.5j
0 0 0.5 0.5j
_
_
=
_
q
1
q
2
Re (q
3
) Im (q
3
)
_
lembrando que q
3
e q
4
sao complexo conjugados
MATLAB [MODAL,P]=canon(sistema,type), forma modal se
type=modal para sistema=ss(A,B,C,D) com P sendo a transforma cao
pag.37
Exemplo A =
2
6
6
6
6
6
4
0.4326 1.1465 0.3273 0.5883
1.6655 1.1909 0.1746 2.1832
0.1253 1.1892 0.1867 0.1364
0.2877 0.0376 0.7258 0.1139
3
7
7
7
7
7
5
Autovalores: 2.1559, 1.3857, 0.0423 j0.8071
Ac=jordan(A),
Ac =
-0.0423 - 0.8071i 0 0 0
0 -0.0423 + 0.8071i 0 0
0 0 -1.3857 0
0 0 0 2.1559
pag.38
Qb=[1/2 -1/2*j 0 0;1/2 1/2*j 0 0;0 0 1 0;0 0 0 1],
Qb =
0.5000 0 - 0.5000i 0 0
0.5000 0 + 0.5000i 0 0
0 0 1.0000 0
0 0 0 1.0000
Qbi=inv(Qb),
Qbi =
1.0000 1.0000 0 0
0 + 1.0000i 0 - 1.0000i 0 0
0 0 1.0000 0
0 0 0 1.0000
pag.39
Ab=Qbi*Ac*Qb,
Ab =
-0.0423 -0.8071 0 0
0.8071 -0.0423 0 0
0 0 -1.3857 0
0 0 0 2.1559
Veja ainda que de Jordan obtem-se:
Q =
0.0561 + 0.2040i 0.0561 - 0.2040i 0.7542 0.1336
-0.0504 - 0.2222i -0.0504 + 0.2222i 0.4315 -0.3308
0.3269 - 0.1177i 0.3269 + 0.1177i -0.4948 -0.1589
-0.0370 + 0.3091i -0.0370 - 0.3091i 0.1056 -0.0316
pag.40
Ab=Qbi*inv(Q)*A*Q*Qb,
Ab =
-0.0423 -0.8071 + 0.0000i 0 - 0.0000i 0.0000 + 0.0000i
0.8071 + 0.0000i -0.0423 0.0000 - 0.0000i 0.0000 - 0.0000i
-0.0000 - 0.0000i 0.0000 + 0.0000i -1.3857 + 0.0000i -0.0000 + 0.0000i
0.0000 - 0.0000i -0.0000 - 0.0000i 0.0000 + 0.0000i 2.1559 + 0.0000i
e note que P
1
e formado de Q =
h
Re (q
1
) Im (q
1
) q
3
q
4
i
...
P_inversa=Q*Qb,
P_inversa =
0.0561 0.2040 0.7542 0.1336
-0.0504 -0.2222 0.4315 -0.3308
0.3269 -0.1177 -0.4948 -0.1589
-0.0370 0.3091 0.1056 -0.0316
pag.41
Ab=inv(P_inversa)*A*P_inversa
Ab =
-0.0425 -0.8070 0.0001 -0.0002
0.8072 -0.0421 0.0000 0.0002
0.0000 -0.0001 -1.3857 -0.0000
-0.0002 0.0003 0.0004 2.1559
pag.42
CURIOSIDADE usando a funcao canon...
A;B=[0;0;0;0];C=[0 0 0 0];D=0; sys=ss(A,B,C,D);[sysc,P]=canon(sys,modal)
a =
x1 x2 x3 x4
x1 2.156 0 0 0
x2 0 -1.386 0 0
x3 0 0 -0.04232 0.8071
x4 0 0 -0.8071 -0.04232
b =
u1
x1 0
x2 0
x3 0
x4 0
pag.43
c =
x1 x2 x3 x4
y1 0 0 0 0
d =
u1
y1 0
Continuous-time model.
p =
0.3956 -0.8017 -0.2992 -0.9511
1.0220 0.5127 -0.1369 -0.3580
-0.6708 0.1341 -0.8730 0.1519
-0.0337 -0.1357 0.0498 1.0286
pag.44
A;B=[1;0;0;0];C=[1 0 0 0];D=0; sys=ss(A,B,C,D);[sysc,P]=canon(sys,modal)
a =
x1 x2 x3 x4
x1 2.156 0 0 0
x2 0 -1.386 0 0
x3 0 0 -0.04229 -0.8538
x4 0 0 0.7628 -0.04229
b =
u1
x1 -0.3919
x2 1.005
x3 -0.33
x4 0.7042
pag.45
c =
x1 x2 x3 x4
y1 -0.341 0.7501 -0.5135 -0.08127
d =
u1
y1 0
Continuous-time model. P =
-0.3919 0.7940 0.2963 0.9420
1.0055 0.5044 -0.1348 -0.3522
-0.3300 0.2203 -0.5310 -1.0312
0.7042 -0.0672 0.8682 -0.6868
pag.46
Exemplo Forma modal de uma matriz com autovalores
1
,
1
j
1
e
2
j
2
A =
_
1
0 0 0 0
0
1

1
0 0
0
1

1
0 0
0 0 0
2

2
0 0 0
2

2
_
_
P
1
=
_
q
1
Re (q
2
) Im (q
2
) Re (q
4
) Im (q
4
)
_
sendo q
1
, q
2
e q
4
autovetores associados, respectivamente a
1
,
1
+j
1
e
2
+j
2
pag.47
Autovalores complexos com MA > 1
Considere uma matriz A R
44
com autovalores complexos
1
= +j
e
2
= j, ambos de multiplicidade algebrica igual a 2. A representa cao de
A na forma de Jordan e
_
1
1 0 0
0
1
0 0
0 0
2
1
0 0 0
2
_
_
A representa cao de A na forma can onica modal e
_
_
1 0
0 1
0 0
0 0
_
_
pag.48
Realizacoes
Considere um sistema linear invariante no tempo descrito por
_
_
_
x(t) = Ax(t) +Bu(t)
y(t) = Cx(t) +Du(t)
A descri cao entrada/sada (matriz de transferencia) pode ser obtida (de maneira
unica) a partir da equa cao de estado
G(s) = C(sI A)
1
B +D
e o contrario?
Realiza cao Dada uma matriz de transferencia G(s), encontrar uma descri cao
no espa co de estados
pag.49
Realizacoes
Uma matriz de transferencia e realizavel se existe um sistema de equa coes de
estado de dimensao nita que o representa. Ou, simplesmente, se existem
matrizes A, B, C e D tais que
G(s) = C(sI A)
1
B +D
{A, B, C, D} e uma realiza cao de G(s)
Nem toda G(s) admite uma realiza cao (por exemplo, sistema a parametros
distribudos). Se G(s) e realizavel, possui innitas realiza coes (sistemas
equivalentes)
pag.50
Realizacoes
Teorema Uma matriz de transferencia e realizavel se e somente se G(s) e uma
matriz racional pr opria
Demonstracao () Para uma matriz de transferencia:
C(sI A)
1
B =
1
det(sI A)
C[Adj (sI A)]B
Note que se A R
nn
, det(sI A) tem grau n. Todo elemento de
Adj (sI A) e um determinante de uma submatriz (n 1) (n 1) de
(sI A), e suas combina c oes lineares tem no maximo grau (n 1). Assim,
C(sI A)
1
B e uma matriz racional estritamente pr opria. Se D = 0,
C(sI A)
1
B +D e pr opria (G() = D). Como conclusao, se G(s) e
realizavel, G(s) e uma matriz racional pr opria
pag.51
Realizacoes
() Deseja-se agora mostrar se G(s) e uma matriz q p racional pr opria,
entao existe uma realiza cao...
Suponha que G(s) e decomposta na forma
G(s) = G
ep
(s) +G()
com G
ep
(s) correspondendo à parte estritamente pr opria. Seja o polinomio
m onico (coeciente do termo de grau mais alto e 1)
d(s) = s
r
+
1
s
r1
+ +
r1
s +
r
o mnimo denominador comum de todos os elementos de G
ep
(s). Entao,
G
ep
(s) pode ser escrito na forma
G
ep
(s) =
1
d(s)
_
N(s)
_
=
1
d(s)
_
N
1
s
r1
+N
2
s
r2
+ +N
r1
s +N
r
_
sendo N
i
matrizes constantes q p
pag.52
Realizacoes
O conjunto de equa coes
8
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
<
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
:
x =
2
6
6
6
6
6
6
6
6
6
4
1
I
p

2
I
p

r1
I
p

r
I
p
I
p
0
p
0
p
0
p
0
p
0
p
I
p
0
p
0
p
0
p
.
.
.
.
.
.
.
.
.
.
.
.
0
p
0
p
0
p
I
p
0
p
3
7
7
7
7
7
7
7
7
7
5
x +
2
6
6
6
6
6
6
6
6
6
4
I
p
0
p
0
p
.
.
.
0
p
3
7
7
7
7
7
7
7
7
7
5
u
y =
h
N
1
N
2
N
r1
N
r
i
x +G()u
e uma realiza cao de G(s)
A(rp rp) esta na forma bloco-companheira, r linhas e r colunas de
matrizes p p; B(rp p), C(q rp) consiste de r matrizes N
i
, cada qual
q p. A realiza cao de dimensao rp e chamada forma canonica controlavel
pag.53
Realizacoes
Para mostrar que de fato esta e uma realiza cao de G(s), dene-se
Z =
_
_
Z
1
Z
2
.
.
.
Z
r
_
_
(sI A)
1
B
sendo que cada bloco Z
i
e p p e Z e rp p. Entao a matriz de transferencia
da realiza cao e
C(sI A)
1
B +G() = N
1
Z
1
+N
2
Z
2
+ +N
r
Z
r
+G()
Re-escrevendo a expressao de Z = (sI A)
1
B tem-se
(sI A)Z = B = sZ = AZ +B
pag.54
Realizacoes
Levando em conta a forma bloco companheira de A, do segundo ao ultimo bloco
da equa cao sZ = AZ +B tem-se (veja que x
2
= I
p
x
1
, . . .)
sZ
2
= Z
1
, sZ
3
= Z
2
, . . . , sZ
r
= Z
r1
e portanto
Z
2
=
1
s
Z
1
, Z
3
=
1
s
2
Z
1
, . . . , Z
r
=
1
s
r1
Z
1
que substitudo no primeiro bloco de sZ = AZ +B fornece
sZ
1
=
1
Z
1
2
Z
2

r
Z
r
+ I
p
=
_
1
+
2
s
+ +
r
s
r1
_
Z
1
+ I
p
pag.55
Realizacoes
Usando a deni cao do polin omio d(s), pode-se escrever
_
s +
1
+
2
s
+ +
r
s
r1
_
Z
1
=
d(s)
s
r1
Z
1
= I
p
Assim,
Z
1
=
s
r1
d(s)
I
p
, Z
2
=
s
r2
d(s)
I
p
, . . . , Z
r
=
1
d(s)
I
p
Finalmente, substituindo na expressao da fun cao de transferencia
C(sIA)
1
B+G() =
1
d(s)
h
N
1
s
r1
+N
2
s
r2
+ +N
r1
s +N
r
i
+G()
e portanto de fato a equa cao de estado e uma realiza cao de G(s)
pag.56
Realizacoes
Exemplo
G(s) =
_
_
4s 10
2s + 1
3
s + 2
1
(2s + 1)(s + 2)
s + 1
(s + 2)
2
_
_
=
_
_
2 0
0 0
_
_
+
_
_
12
2s + 1
3
s + 2
1
(2s + 1)(s + 2)
s + 1
(s + 2)
2
_
_
O polin omio m onico que e o mnimo denominador comum de G
ep
(s) e
d(s) = (s + 0.5)(s + 2)
2
= s
3
+ 4.5s
2
+ 6s + 2
pag.57
Realizacoes
Portanto
G
ep
(s) =
1
s
3
+ 4.5s
2
+ 6s + 2
_
_
6(s + 2)
2
3(s + 2)(s + 0.5)
0.5(s + 2) (s + 1)(s + 0.5)
_
_
=
1
d(s)
_
_
_
_
_
_
_
_
_
6 3
0 1
_
_
. .
N
1
s
2
+
_
_
24 7.5
0.5 1.5
_
_
. .
N
2
s +
_
_
24 3
1 0.5
_
_
. .
N
3
_
_
_
_
_
_
_
e uma realiza cao de G(s) (de dimensao 6) e...
pag.58
Realizacoes
e:
x =
_
_
4.5 0 6 0 2 0
0 4.5 0 6 0 2
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
0 0 0 1 0 0
_
_
x +
_
_
1 0
0 1
0 0
0 0
0 0
0 0
_
_
_
_
u
1
u
2
_
_
y =
_
_
6 3 24 7.5 24 3
0 1 0.5 1.5 1 0.5
_
_
x +
_
_
2 0
0 0
_
_
_
_
u
1
u
2
_
_
pag.59
Realizacoes
Exemplo Caso particular p = 1 (SIMO). Por simplicidade, assuma r = 4 e
q = 2 (se aplica para quaisquer outros valores de r e q...). Considere:
G(s) =
2
4
d
1
d
2
3
5
+
1
s
4
+
1
s
3
+
2
s
2
+
3
s +
4
2
4
11
s
3
+
12
s
2
+
13
s +
14
21
s
3
+
22
s
2
+
23
s +
24
3
5
A realiza cao e obtida aplicando-se o resultado anterior
x =
2
6
6
6
6
6
4
1

2

3

4
1 0 0 0
0 1 0 0
0 0 1 0
3
7
7
7
7
7
5
x +
2
6
6
6
6
6
4
1
0
0
0
3
7
7
7
7
7
5
u
y =
2
4
11

12

13

14
21

22

23

24
3
5
x +
2
4
d
1
d
2
3
5
u
pag.60
MATLAB
Numerador:
n={0.5*conv([4 -10],conv([1 2],[1 2])) 3*conv([1 2],[1 0.5]);
0.5*[1 2] conv([1 1],[1 0.5])}
Denominador: d=[1 4.5 6 2]
G=tf(n,d)
Transfer function from input 1 to output...
2 s^3 + 3 s^2 - 12 s - 20
#1: -------------------------
s^3 + 4.5 s^2 + 6 s + 2
0.5 s + 1
#2: -----------------------
s^3 + 4.5 s^2 + 6 s + 2
pag.61
Realizacoes
3 s^2 + 7.5 s + 3
#1: -----------------------
s^3 + 4.5 s^2 + 6 s + 2
s^2 + 1.5 s + 0.5
#2: -----------------------
s^3 + 4.5 s^2 + 6 s + 2
pag.62
Realizacoes
sys=ss(G)
a =
x1 x2 x3 x4 x5 x6
x1 -4.5 -3 -1 0 0 0
x2 2 0 0 0 0 0
x3 0 1 0 0 0 0
x4 0 0 0 -4.5 -3 -1
x5 0 0 0 2 0 0
x6 0 0 0 0 1 0
b =
u1 u2
x1 4 0
x2 0 0
x3 0 0
x4 0 2
x5 0 0
x6 0 0
pag.63
Realizacoes
c =
x1 x2 x3 x4 x5 x6
y1 -1.5 -3 -3 1.5 1.875 0.75
y2 0 0.0625 0.125 0.5 0.375 0.125
d =
u1 u2
y1 2 0
y2 0 0
pag.64
Realizacoes
t=tf(sys)
2 s^3 + 3 s^2 - 12 s - 20
#1: -------------------------
s^3 + 4.5 s^2 + 6 s + 2
0.5 s + 1
#2: -----------------------
s^3 + 4.5 s^2 + 6 s + 2
3 s^2 + 7.5 s + 3
#1: -----------------------
s^3 + 4.5 s^2 + 6 s + 2
s^2 + 1.5 s + 0.5
#2: -----------------------
s^3 + 4.5 s^2 + 6 s + 2
pag.65
Solucao em Espaco de Estado
1. Solu cao para Sistemas Lineares Variantes no Tempo (LVT)
2. Matriz Fundamental
3. Matriz de Transi cao de Estados
4. Solu cao de Sistemas LVT
5. Sistemas Discretos LVT
6. Equa coes Equivalentes para Sistemas LVT
7. Equa coes de Estados Peri odicas
8. Realiza coes de Sistemas LVT
pag.1
Solucao de Equacoes Lineares Variante no Tempo
Para o sistema linear e variante no tempo:
_
_
_
x(t) = A(t)x(t) +B(t)u(t) , x(t
0
) = x
0
y(t) = C(t)x(t) +D(t)u(t)
A
nn
(), B
np
(), C
qn
(), D
qp
() : fun coes contnuas do tempo
Por hip otese, a solu cao e unica para x
0
e u
[t
0
,)
dados (condi cao suciente
e A(t) ser fun cao contnua do tempo)
Solu c oes da Equa cao Homogenea: x(t) = A(t)x(t)
Teorema O conjunto de todas as solu coes de x(t) = A(t)x(t) forma um
espa co linear n-dimensional
pag.2
Solucao de Equacoes Lineares Variante no Tempo
Sejam
1
e
2
solu coes quaisquer de x(t) = A(t)x(t). Neste caso, para
1
,
2
R
d
dt
_
1
+
2
2
_
=
1
d
dt
1
+
2
d
dt
2
=
1
A(t)
1
+
2
A(t)
2
= A(t) (
1
1
+
2
2
)
(
1
1
+
2
2
)
: conjunto de todas as solu coes de x(t) = A(t)x(t)
pag.3
Matriz Fundamental
Considere o sistema homogeneo x(t) = A(t)x(t) de dimensao n
Para cada condi cao inicial x
i
(t
0
), existe uma solu cao unica
i
(t), para
i = 1, 2, . . . , n. Essas solu c oes podem ser arranjadas em uma matriz quadrada
de ordem n:
=
_

1

2

n
_
(t) = A(t)(t)
Se (t
0
) e nao singular, ie, as n condi coes iniciais sao linearmente
independentes, (t) e chamada Matriz Fundamental de x(t) = A(t)x(t)
Como as condi c oes iniciais sao arbitrarias, a matriz fundamental nao e unica...
Uma matriz fundamental (t) e nao singular para todo t
pag.4
Matriz Fundamental
Exemplo Considere x =
_
_
0 0
t 0
_
_
x
obtem-se:
x
1
(t) = 0 x
1
(t) = x
1
(t
0
)
e
x
2
(t) = tx
1
(t)
_
t
t
0
x
2
()d =
_
t
t
0
x
1
(t
0
)d
x
2
(t) x
2
(t
0
) =
1
2
t
2
x
1
(t
0
)
1
2
t
2
0
x
1
(t
0
)
ou
x
2
(t) =
1
2
t
2
x
1
(t
0
)
1
2
t
0
2
x
1
(t
0
) +x
2
(t
0
)
pag.5
Matriz Fundamental
Se t
0
= 0, e para condi c oes inicias dadas x
1
(0) = 1, x
2
(0) = 0 entao
1
=
_
_
1
1
2
t
2
_
_
Se t
0
= 0, e para condi c oes inicias dadas x
1
(0) = 1, x
2
(0) = 2 entao
2
=
_
_
1
1
2
t
2
+ 2
_
_
=
_

1

2
_
=
_
_
1 1
1
2
t
2
1
2
t
2
+ 2
_
_
: Matriz Fundamental
pag.6
Matriz Fundamental
Ou, se t
0
= 0, x
1
(0) = 0, x
2
(0) = 1 entao
1
=
_
_
0
1
_
_
Se t
0
= 0, x
1
(0) = 2, x
2
(0) = 0 entao
2
=
_
_
2
t
2
_
_
=
_

1

2
_
=
_
_
0 2
1 t
2
_
_
: Matriz Fundamental
pag.7
Matriz de Transicao de Estados
Denicao Seja qualquer matriz fundamental de x = A(t)x. Diz-se entao
que
(t, t
0
) (t)
1
(t
0
)
e a matriz de transi cao de estados de x = A(t)x
A matriz de transi cao de estados (t, t
0
) tambem e a solu cao unica de
t
(t, t
0
) = A(t)(t, t
0
)
com a condi cao inicial (t
0
, t
0
) = I
pag.8
Propriedades
(t, t) = I
1
(t, t
0
) =
_
(t)
1
(t
0
)
1
= (t
0
)
1
(t) = (t
0
, t)
(t
2
, t
0
) = (t
2
, t
1
)(t
1
, t
0
)
Exemplo
(t, t
0
) =
_
_
0 2
1 t
2
_
_
_
_
0 2
1 t
2
0
_
_
1
=
_
_
0 2
1 t
2
_
_
_
_
1
2
t
2
0
1
1
2
0
_
_
=
_
_
1 0
1
2
(t
2
t
2
0
) 1
_
_
pag.9
Propriedade A matriz de transi cao de estados (t, t
0
) e unicamente
determinada por A(t) e independe da matriz fundamental escolhida
Eg, considere
1
,
2
duas matrizes fundamentais diferentes de x = A(t)x
P :
2
=
1
P , P nao singular
a i-esima coluna de P = a representa cao da i-esima coluna de
2
na base
1
Entao
(t, t
0
) =
2
(t)
1
2
(t
0
) =
1
(t)PP
1
1
1
(t
0
) =
1
(t)
1
1
(t
0
)
= (t, t
0
) e unica
Difcil de se obter genericamente
pag.10
Se A(t) e triangular
2
4
x
1
(t)
x
2
(t)
3
5
=
2
4
a
11
(t) 0
a
21
(t) a
22
(t)
3
5
2
4
x
1
(t)
x
2
(t)
3
5
pode-se resolver a primeira equa cao em x
1
(t) e substituir na segunda, ie
x
1
(t) = a
11
(t)x
1
(t), e
x
2
(t) = a
21
(t)x
1
(t) +a
22
(t)x
2
(t)
que foi feito no exemplo da pg. 5 desta aula...
pag.11
Solucao de Sistemas LVT
Se A(t) diagonal ou A(t) = A, constante, entao a solu cao de
t
(t, t
0
) = A(t)(t, t
0
)
e:
(t, t
0
) = e
R
t
t
0
A()d
k=0
1
k!
_
_
t
t
0
A()d
_
k
Para A(t) = A, constante:
(t, t
0
) = e
A(tt
0
)
= (t t
0
) e (t) = e
At
pag.12
Solu cao para equa cao de estado
x = A(t)x +B(t)u , x(t
0
) = x
0
e da forma
x(t) = (t, t
0
)x
0
+
_
t
t
0
(t, )B()u()d
= (t, t
0
)x
0
+
_
t
t
0
(t, t
0
)(t
0
, )B()u()d
= (t, t
0
)
_
x
0
+
_
t
t
0
(t
0
, )B()u()d
_
sendo (t, ) a matriz de transi cao de estado de x = A(t)x
pag.13
A solu cao x(t) satisfaz a condi cao inicial em t = t
0
?
x(t
0
) = (t
0
, t
0
)x
0
+
_
t
0
t
0
(t
0
, )B()u()d = Ix
0
+ 0 = x
0

Por outro lado, a solu cao x(t) satisfaz x = A(t)x +B(t)u? Derivando,
d
dt
x(t) =
t
(t, t
0
)
. .
A(t)(t,t
0
)
x
0
+ (t, t)
. .
I
B(t)u(t) +
_
t
t
0
t
(t, )
. .
A(t)(t,)
B()u()d
= A(t)
_
(t, t
0
)x
0
+
_
t
t
0
(t, )B()u()d
_
+B(t)u(t)
= A(t)x(t) +B(t)u(t)
pag.14
Ainda considerando a solu cao
x(t) = (t, t
0
)x
0
+
_
t
t
0
(t, )B()u()d
Se a entrada e nula, u 0, entao
x(t) = (t, t
0
)x
0
Se a condi cao inicial e nula, x
0
= 0, entao
x(t) =
_
t
t
0
(t, )B()u()d
Ie, combina cao:
x(t) = Resposta à Entrada Nula + Resposta ao Estado Nulo
pag.15
Sada do sistema
y(t) = C(t)(t, t
0
)x
0
+C(t)
_
t
t
0
(t, )
. .
(t,t
0
)(t
0
,)
B()u()d +D(t)u(t)
= C(t)(t, t
0
)
_
x
0
+
_
t
t
0
(t
0
, )B()u()d
_
+D(t)u(t)
Se x
0
= 0, a resposta ao estado nulo pode ser descrita como:
y(t) =
_
t
t
0
[C(t)(t, )B() +D(t )] u()d
_
t
t
0
G(t, )u()d
sendo G(t, ) a matriz de resposta ao impulso aplicado no instante
pag.16
Sistemas Discretos Variantes no Tempo
Considere o sistema discreto variante no tempo:
_
_
_
x(k + 1) = A(k)x(k) +B(k)u(k)
y(k) = C(k)x(k) +E(k)u(k)
Solu cao obtida recursivamente para x(k
0
) = x
0
e u(k), k k
0
, dados
A matriz de transi cao de estados discreta e a solu cao de
(k + 1, k
0
) = A(k)(k, k
0
) ; (k
0
, k
0
) = I
para k = k
0
, k
0
+ 1, . . .. A solu cao pode ser obtida diretamente para k > k
0
(k, k
0
) = A(k 1)A(k 2) A(k
0
) ; (k
0
, k
0
) = I
pag.17
Sistemas Discretos Variantes no Tempo
No caso contnuo, a matriz de transi cao de estados e nao singular t e
governa a propaga cao do estado no sentido direto e no sentido reverso do tempo.
No caso discreto, A pode ser singular e (k, k
0
) pode nao ser denida.
(k, k
0
) e denida apenas para k k
0
e governa a propaga cao do estado no
sentido direto. Portanto
(k, k
0
) = (k, k
1
)(k
1
, k
0
)
vale apenas para k k
1
k
0
. A solu cao do sistema para k > k
0
e dada por
x(k) = (k, k
0
)x
0
+
k1
m=k
0
(k, m+ 1)B(m)u(m)
y(k) = C(k)(k, k
0
)x
0
+C(k)
k1
m=k
0
(k, m+1)B(m)u(m)+D(k)u(k)
pag.18
Equacoes Equivalentes no caso Variante no Tempo
Para
_
_
_
x(t) = A(t)x(t) +B(t)u(t)
Considere uma P(t) nn e assuma que P(t) e nao singular e que P(t) e

P(t)
possuem elementos contnuos para todo t. Denindo x = P(t)x, o sistema
_
_
_
x(t) =

A(t) x(t) +

B(t)u(t)
y(t) =

C(t) x(t) +

D(t)u(t)
com
A(t) =
_
P(t)A(t) +

P(t)
_
P
1
(t)
B(t) = P(t)B(t) ;

C(t) = C(t)P
1
(t) ;

D(t) = D(t)
e um sistema equivalente ao sistema anterior
pag.19
Seja (t) uma matriz fundamental do sistema original. Entao,
(t) P(t)(t) e uma matriz fundamental do sistema equivalente
Por deni cao, (t) = A(t)(t) e (t) e nao singular t. Como o posto de uma
matriz nao se altera ao ser multiplicada por uma matriz nao singular P(t),
P(t)(t) tambem e nao singular t. Derivando
d
dt
[ P(t)(t)
. .
(t)
] =

P(t)(t) +P(t) (t)
=

P(t)(t) +P(t)A(t)(t)
=
_

P(t) +P(t)A(t)
_
_
P
1
(t)P(t)
(t)
=

A(t)[ P(t)(t)
. .
(t)
]
pag.20
Teorema Seja A
0
uma matriz arbitraria constante. Entao existe uma
transforma cao de equivalencia P(t) que transforma o sistema original em um
sistema equivalente com

A(t) = A
0
Demonstracao Seja (t) uma matriz fundamental do sistema original. Note
que derivando
1
(t)(t) = I obtem-se:

1
(t)(t) +
1
(t) (t) = 0
ou

1
(t) =
1
(t)A(t)(t)
1
(t) =
1
(t)A(t)
pag.21
Como

A(t) = A
0
, (t) = e
A
0
t
e uma matriz fundamental de

x =

A(t) x
= A
0
x. Como (t) = P(t)(t), P(t) pode ser obtido da forma
P(t) = (t)
1
(t) = e
A
0
t
1
(t)
Veja que

A(t) pode ser obtido da transforma cao de equivalencia:
A(t) =
_
P(t)A(t) +

P(t)
_
P
1
(t)
=
_
e
A
0
t
1
(t)A(t) +A
0
e
A
0
t
1
(t) +e
A
0
t

1
(t)
. .
1
(t)A(t)
_
(t)e
A
0
t
= A
0
e
A
0
t
1
(t)(t)e
A
0
t
= A
0

pag.22
Se A
0
= 0, entao P(t) =
1
(t) e as matrizes do sistema equivalente sao
dadas por
A(t) = 0 ;

B(t) =
1
(t)B(t) ;

C(t) = C(t)(t) ;

D(t) = D(t)
Pode-se transformar qualquer sistema linear variante no tempo, conhecendo-se
a matriz fundamental
pag.23
Matriz Resposta ao Impulso
G(t, ) = C(t)(t, )B() +D(t)(t )
= C(t)(t)
1
()B() +D(t)(t )
Para o sistema equivalente
G(t, ) =

C(t) (t)
1
()

B() +

D(t)(t )
= C(t)P
1
P(t)(t)
1
()P
1
()P()B() +D(t)(t )
= C(t)(t)
1
()B() +D(t)(t )
= G(t, )
A matriz resposta ao impulso e preservada em uma transforma cao de
equivalencia
O mesmo nao acontece com a matriz A(t) (eg,

A(t) = 0)
No caso invariante no tempo, as transforma coes de equivalencia preservam
todas as propriedades da equa cao original
pag.24
Denicao Transformacao de Lyapunov Uma matriz P(t) e denominada
transforma cao de Lyapunov se P(t) e nao singular, P(t) e

P(t) sao contnuas e
P(t) e P
1
(t) sao limitadas para todo t (obtem-se com esta transforma cao um
sistema Lyapunov equivalente)
Caso particular de transforma cao de Lyapunov: P(t) = P (sistemas
invariantes no tempo e um caso particular de transforma cao de Lyapunov)
Em geral, se P(t) e um tranforma cao de Lyapunov, o teorema anterior
(transforma cao de equivalencia com

A(t) = A
0
) pode nao valer. Uma exce cao
ocorre quando A(t) e peri odica
pag.25
Equacoes de Estado Periodicas
A(t) e periodica com perodo T se
A(t +T) = A(t), t, T > 0 e constante
Se (t) e uma matriz fundamental de x = A(t)x, ou seja, (t) = A(t)(t) com
(0) nao singular, tem-se
(t +T) = A(t +T)(t +T) = A(t)(t +T)
e portanto (t +T) tambem e uma matriz fundamental
Veja que (t +T) pode ser escrita da forma (t +T) = (t)
1
(0)(T), pois
(t +T) = A(t)(t +T)
(t)
1
(0)(T) = A(t)(t)
1
(0)(T)
(t) = A(t)(t)
pag.26
Dena Q
1
(0)(T), uma matriz constante e nao singular. Existe uma matriz
constante

A tal que e
AT
= Q (Chen, Ex. 3.24, pg. 82), tal que (t +T) = (t)e

AT
Dena P(t) e
At
1
(t). Note que P(t) e periodica com perodo T, pois:
P(t +T) = e
A(t+T )
1
(t +T)
= e
At
e
AT
h
e

AT
1
(t)
i
= e
At
1
(t)
= P(t)
Teorema Seja (t) uma matriz fundamental do sistema periodico com perodo
T > 0 dado por x = A(t)x e

A uma matriz constante computada a partir de
e
AT
=
1
(0)(T). Com P(t) = e

At
1
(t), obtem-se o sistema Lyapunov
equivalente:
x(t) =

A x(t) +P(t)B(t)u(t)
y(t) = C(t)P
1
(t) x(t) +D(t)u(t)
pag.27
Teoria de Floquet Solu cao homogenea do Teorema anteior:
Se x = A(t)x e A(t +T) = A(t) para todo t, entao uma matriz fundamental
e dada por P
1
(t)e
At
, sendo P
1
(t) uma fun cao peri odica. Alem disso, o
sistema

x =

A x e Lyapunov equivalente ao sistema x = A(t)x
pag.28
Realizacoes de Sistemas Variantes no Tempo
Todo sistema LVT pode ser descrito da forma entrada/sada
y(t) =
_
t
t
0
G(t, )u()d
Equa cao de Estado (se os parametros sao concentrados)
_
_
_
x(t) = A(t)x(t) +B(t)u(t) , x(t
0
) = x
0
Conhecendo-se {A(t), B(t), C(t), D(t)}, a matriz resposta ao impulso pode
ser computada a partir de
G(t, ) = C(t)(t)
1
()B() +D(t)(t )
sendo (t) a matriz fundamental de x = A(t)x
pag.29
Uma matriz de resposta ao impulso G(t, ) e realizavel se existir
{A(t), B(t), C(t), D(t)} satisfazendo a expressao anterior
Teorema Uma matriz de resposta ao impulso e realizavel por uma equa cao
dinamica linear de dimensao nita se e somente se G(t, ) (de dimensao q p)
puder ser decomposta em
G(t, ) = M(t)N() +D(t)(t ) , t
M
qn
; N
np
contnuas em t
pag.30
Demonstracao
() (necessidade) Se {A, B, C, D} e uma realiza cao de G(t, )
G(t, ) = C(t)(t, )B() +D(t)(t )
= C(t)(t)
1
()B() +D(t)(t )
= M(t)N() +D(t)(t )
() (suciencia) Se G(t, ) = M(t)I I
1
N() +D(t)(t ), entao
uma realiza cao de G(t, ) e dada por
_
_
_
x(t) = N(t)u(t)
y(t) = M(t)x(t) +D(t)u(t)
Note que (t) = I e uma matriz fundamental de x = 0x
pag.31
Extensao para sistemas LIT?
Exemplo Considere g(t) = te
t
, ou g(t, ) = g(t ) = (t )e
(t)
,
que pode ser reescrita da forma:
g(t ) =
_
e
t
te
t
_
. .
M(t)
_
_
e
_
_
. .
N()
+ 0
Uma realiza cao de g(t) = te
t
(variante no tempo, difcil de implementar...)
8
>
>
>
>
>
>
<
>
>
>
>
>
>
:
2
4
x
1
(t)
x
2
(t)
3
5
=
2
4
0 0
0 0
3
5
2
4
x
1
(t)
x
2
(t)
3
5
+
2
4
te
t
e
t
3
5
u(t)
y(t) =
h
e
t
te
t
i
2
4
x
1
(t)
x
2
(t)
3
5
+ 0u(t)
pag.32
Outra realiza cao aplicando Laplace a respota ao impulso:
L[te
t
] =
1
(s )
2
=
1
s
2
2s +
2
Usando a forma companheira obtem-se a representa cao invariante no tempo
_
_
x(t) =
_
_
2
2
1 0
_
_
x(t) +
_
_
1
0
_
_
u(t)
y(t) =
_
0 1
_
x(t)
pag.33
Chen, Problema 4.17, pg. 120
Mostre que

t
(t
0
, t) = (t
0
, t)A(t) ?
Note que pode-se escrever

t
(t
0
, t) = (t
0
)

t
1
(t). Como obter

t
1
(t)?
Veja que:
d
dt
(t)
1
(t)
| {z }
I
= (t)
1
(t) +(t)
1
(t) = 0
ou
1
(t) =
1
(t) (t)
1
(t) =
1
(t)A(t)(t)
1
(t) =
1
(t)A(t)
Entao
t
(t
0
, t) = (t
0
)
1
(t)A(t)
= (t
0
, t)A(t)
pag.34
Estabilidade
1. Estabilidade Entrada-Sada Sistemas LIT
2. Estabilidade BIBO Sistemas LIT
3. Estabilidade BIBO de Equa coes Dinamicas Sistemas LIT
4. Sistemas Discretos LIT
5. Estabilidade BIBO Sistemas Discretos...
pag.1
Estabilidade Entrada-Sada
Considere o sistema SISO, LIT, causal e relaxado em t = 0, descrito por
y(t) =
t
0
g(t )u()d =
t
0
g()u(t )d
g(t) : resposta ao impulso do sistema, ou seja, a sada do sistema no tempo t
para um impulso aplicado na entrada no instante = 0
Uma entrada u(t) e limitada se
| u(t) | u
m
< para todo t 0
Denicao Um sistema relaxado e BIBO estavel (Bounded-Input
Bounded-Output) se para qualquer entrada limitada a sada tambem for limitada
pag.2
Teorema Um sistema SISO, LIT, relaxado, descrito por
y(t) =
t
0
g()u(t )d
e BIBO-estavel se e somente se g(t) for absolutamente integravel no intervalo
[0, ), ie,

0
| g(t) | dt M <
para alguma constante M
pag.3
Demonstracao () primeiramente, mostra-se que se g(t) e absolutamente
integravel, entao toda entrada limitada gera uma sada tambem limitada.
Considere u(t) arbitraria com | u(t) | u
m
< para todo t 0. Entao,
| y(t) | =
t
0
g()u(t )d
t
0
| g() | | u(t ) |d
u
m
t
0
| g() | d
u
m
M
e portanto a sada e limitada
() E se g(t) nao for absolutamente integravel?
pag.4
Se g(t) nao for absolutamente integravel, entao o sistema nao e BIBO estavel ?
Se g(t) nao e absolutamente integravel, existe t
1
tal que
t
1
0
| g() | d =
Escolhendo uma entrada limitada
u(t
1
t) =
1 se g(t) 0
1 se g(t) < 0
tem-se, no entanto, uma sada ilimitada
y(t
1
) =
t
1
0
g()u(t )d =
t
1
0
| g() | d =
e portanto o sistema nao e BIBO estavel... (nao e uma demonstra cao rigorosa...)
pag.5
Curiosidade Uma fun cao absolutamente integravel pode nao ser limitada ou
pode nao tender a 0 quando t
Exemplo Considere a fun cao
f(t n) =
n + (t n)n
4
para n 1/n
3
t n
n (t n)n
4
para n < t n + 1/n
3
denida para n = 2, 3, . . .
pag.6
A area sob cada triangulo
n
n
2
n
3
e igual a 1/n
2
A integral do valor absoluto da fun cao e
n=2
1
n
2
<
A fun cao e absolutamente integravel mas nao e limitada nem tende a zero
quando t ...
pag.7
Teorema Se um sistema com resposta ao impulso g(t) e BIBO estavel, entao,
quando t
1. A resposta a uma entrada u(t) = a, para t 0, tende para G(0)a
2. A resposta a uma entrada u(t) = sin(
0
t), para t 0, tende a
| G(j
0
) | sin(
0
t + ) ; G(j
0
)
sendo G(s) a transformada de Laplace de g(t), isto e
G(s) =

0
g()e
s
d
pag.8
Se u(t) = a, t 0:
y(t) =
t
0
g()u(t )d
= a
t
0
g()d
o que implica que quando t
y(t) a

0
g()d
= a G(0) (para s = 0 em Laplace)
pag.9
Se u(t) = sin(
0
t):
y(t) =
t
0
g()sin [
0
(t )] d
=
t
0
g() [sin(
0
t) cos(
0
) cos(
0
t) sin(
0
)] d
= sin(
0
t)
t
0
g() cos(
0
)d cos(
0
t)
t
0
g() sin(
0
)d
Quando t
y(t) sin(
0
t)

0
g() cos(
0
)d cos(
0
t)

0
g() sin(
0
)d
pag.10
Por outro lado, em s = j, reescrevendo e
j
em Laplace usando Euler:
G(j) =

0
g()[cos() j sin()]d
Como assume-se implicitamente que g(t) (resposta ao impulso) e real, tem-se
Re {G(j)} =

0
g() cos()d , Im{G(j)} =

0
g() sin()d
Substituindo na expressao para y(t), tem-se
y(t) sin(
0
t)Re {G(j
0
)} + cos(
0
t)Im{G(j
0
)}
y(t) | G(j
0
) | sin(
0
t + )
G(j
0
) = tan
1
Im G(j
0
)/Re G(j
0
)
pag.11
Teorema Um sistema SISO com fun cao de transferencia racional pr opria G(s)
e BIBO estavel se e somente se todos os p olos de G(s) tem parte real negativa
ou, equivalentemente, estao no semi-plano esquerdo do plano complexo
Veja que se G(s) tem um p olo p
i
com multiplicidade m
i
, a expansao em
fra coes parciais de G(s) tem fatores
1
s p
i
;
1
(s p
i
)
2
; ;
1
(s p
i
)
m
i
e portanto a transformada inversa de Laplace contem os fatores
e
p
i
t
; te
p
i
t
; . . . ; t
m
i
1
e
p
i
t
Como pode ser vericado, cada um desses termos e absolutamente integravel se e
somente se p
i
tem parte real negativa...
pag.12
Teorema Um sistema MIMO com matriz resposta ao impulso G(t) = [g
ij
(t)]
e BIBO estavel se e somente se todo g
ij
(t) for absolutamente integravel em
[0, )
Teorema Um sistema MIMO com matriz de transferencia pr opria
G(s) = [G
ij
(s)] e BIBO estavel se e somente se todo p olo de G
ij
(s) tiver
parte real negativa
pag.13
Estabilidade BIBO de Equacoes Dinamicas
Considere o sistema LIT
x(t) = Ax(t) + Bu(t) , x(0) = 0

y(t) = Cx(t) + Du(t)
com matriz de transferencia descrita por:
G(s) = C(sI A)
1
B + D
A resposta ao estado nulo e BIBO estavel se e somente se todo p olo de G(s)
tiver parte real negativa (isto e, todos os p olos dos elementos G
ij
(s) da matriz
de transferencia)
Como G(s) =
1
det(sI A)
C[Adj (sI A)]B + D entao todo p olo de
G(s) e tambem um autovalor de A. Assim, se todo autovalor de A tem parte
real negativa, entao o sistema e BIBO estavel
pag.14
Nota Nem todo autovalor de A e p olo de G(s) (pode haver cancelamentos)
Portanto, A pode ter autovalores nulos ou com parte real positiva e ainda
assim o sistema pode ser BIBO estavel
Exemplo Para:
x =
1 0
1 1
x +
0
1
u
y =
1 1
x
L G(s) =
1
s + 1
L
1
g(t) = e
t
(BIBO-estavel)
pag.15
Exemplo Considere o circuito (com v
C
= x e i
v
C
= x polaridade trocada)
+
+
1
1
1 1
1 F
u
x
y
i
8
>
>
>
>
>
>
>
>
>
>
>
<
>
>
>
>
>
>
>
>
>
>
>
:
Tensao na malha superior:
(u i) 1 + x i 1 = 0
ou i =
1
2
(x + u) = y
Tensao na malha inferior:
x + (i x) 1 (u i + x) 1 = 0
ou 2 x = 2i + x u = 2x
Equa cao de estado: x = x ; y = 0.5x + 0.5u
FT: G(s) = 0.5(s 1)
1
0 + 0.5 = 0.5
(A) = 1 nao e um p olo da FT; a FT e igual a uma constante 0.5 (nao
existe p olo, e portanto nao ha condi cao a ser satisfeita)
No entanto o sistema e BIBO estavel...
pag.16
Sistemas Discretos
Considere o sistema discreto SISO descrito por
y(k) =
k
m=0
g(k m)u(m) =
k
m=0
g(m)u(k m)
sendo g(k) a resposta ao impulso, ou equivalentemente, a sada para uma
seq uencia impulsiva aplicada em k = 0
Uma seq uencia u(k) e limitada se u(k) nao cresce (ou descresce)
indenidamente, ou seja, se existe uma constante u
m
tal que
| u(k) | u
m
< para k = 0, 1, 2, . . .
Um sistema e BIBO estavel se toda seq uencia limitada aplicada na entrada
provocar uma seq uencia limitada na sada...
pag.17
Sistemas Discretos
Teorema Um sistema discreto SISO e BIBO-estavel se e somente se g(k) for
absolutamente somavel no intervalo [0, ), ie:
k=0
| g(k) | M <
sendo M uma constante
pag.18
Sistemas Discretos
Teorema Se um sistema discreto SISO com resposta ao impulso g(k) e BIBO
estavel, entao, quando k
1. A resposta a uma entrada u(k) = a, para k 0, tende a G(1)a
2. A resposta a uma entrada u(k) = sin(
0
k), para k 0, tende a
| G[e
j
0
] | sin(
0
t + ) ; G[e
j
0
]
sendo G(z) a transformada Z de g(k), isto e G(z) =
m=0
g(m)z
m
pag.19
Sistemas Discretos
Teorema Um sistema discreto SISO com fun cao de transferencia racional
pr opria G(z) e BIBO estavel se e somente se todos os p olos de G(z) tem
magnitude menor do que 1 ou, equivalentemente, estao no interior do crculo
unitario do plano complexo z.
Se G(z) tem um p olo p
i
com multiplicidade m
i
, a expansao em fra coes
parciais de G(z) contem fatores
1
z p
i
;
1
(z p
i
)
2
; ;
1
(z p
i
)
m
i
e portanto a transformada inversa Z contem os fatores
p
k
i
; kp
k
i
; . . . ; k
m
i
1
p
k
i
Como pode ser vericado, cada um desses termos e absolutamente somavel se e
somente se p
i
tem magnitude menor do que 1...
pag.20
Sistemas Discretos
No caso contnuo, uma fun cao absolutamente integravel nao necessariamente
e limitada nem tende a zero quando t
Para sistemas discretos, se g(k) e absolutamente somavel, entao g(k) e
limitada e tende a zero quando k . No entanto, o contrario pode nao ser
verdadeiro...
Exemplo Considere um sistema discreto invariante no tempo com a resposta ao
impulso dada pela seq uencia g(k) = 1/k, para k = 1, 2, . . . e g(0) = 0. Veja
que calculando a soma:
S
k=0
| g(k) |=
k=0
1
k
obtem-se...
pag.21
Sistemas Discretos
S = 1 +
1
2
+
1
3
+
1
4
+
= 1 +
1
2
+
1
3
+
1
4
1
5
+ +
1
8
1
9
+ +
1
16
+
Para cada termo dentro de parenteses, a soma e sempre maior que 1/2 e portanto
S > 1 +
1
2
+
1
2
+
1
2
+
1
2
+ =
o sistema nao e BIBO estavel
No entanto... Esta seq uencia resposta ao impulso e limitada e tende a zero
quando k
pag.22
Sistemas Discretos
Teorema Um sistema discreto MIMO com matriz resposta ao impulso
G(k) = [g
ij
(k)] e BIBO estavel se e somente se todo g
ij
(k) for absolutamente
somavel
Teorema Um sistema MIMO com matriz de transferencia pr opria
G(z) = [G
ij
(z)] e BIBO estavel se e somente se todo p olo de G
ij
(z) tiver
magnitude menor que 1
pag.23
Estabilidade BIBO de Equacoes Dinamicas Discretas
Considere o sistema:
x(k + 1) = Ax(k) + Bu(k), x(0) = 0

y(k) = Cx(k) + Du(k)
Matriz de transferencia: G(z) = C(zI A)
1
B + D
A resposta ao estado nulo e BIBO estavel se e somente se todo p olo de G(z)
tiver magnitude menor do que 1 (isto e, todos os p olos dos elementos G
ij
(z) da
matriz de transferencia)
Como G(z) =
1
det(zI A)
C[Adj (zI A)]B + D entao todo p olo de
G(z) e tambem um autovalor de A. Assim, se todo autovalor de A tem
magnitude menor do que 1, entao o sistema e BIBO estavel.
Como no caso contnuo, nem todo autovalor de A e p olo de G(z) (pode
haver cancelamentos)...
pag.24
Estabilidade Interna
1. Estabilidade Interna
2. Analise de Estabilidade Segundo Lyapunov
3. Teorema de Lyapunov
4. Teorema de Lyapunov Caso Discreto
pag.1
Veja que a BIBO estabilidade e denida para a resposta ao estado inicial nulo.
Para se estudar a resposta à entrada nula, considere o sistema autonomo:
x(t) = Ax(t)
com uma condi cao inicial nao nula x
0
. A solu cao e dada por: x(t) = e
At
x
0
Um ponto de equilbrio e alcan cado quando x(t) 0
No caso contnuo, todas as derivadas nulas signicam que os estados nao
estao variando no tempo e portanto, sao indicados como estados ou ponto de
equilbrio, x
e
pag.2
Analise de Estabilidade Segundo Lyapunov
Estabilidade no sentido de Lyapunov Seja R() a regiao que consiste de
todos os pontos tais que
x
0
x
e
, > 0 x
0
= estado inicial
e seja R() a regiao que consiste de todos os pontos tais que
x(t) x
e
, > 0, > t > 0
Um estado de equilbrio, x
e
, do sistema autonomo e dito estavel no sentido
de Lyapunov se, correspondendo a cada R() houver um R() tal que toda
trajet oria iniciada em R() esta connada em R() à medida que t cresce
pag.3
Analise de Estabilidade Segundo Lyapunov
Estabilidade Assint otica Um estado de equilbrio, x
e
, do sistema autonomo e
dito ser assintoticamente estavel se for estavel no sentido de Lyapunov e se
toda solu cao come cando em R() converge para x
e
, sem deixar R(), a medida
que t aumenta
Instabilidade Um estado de equilbrio do sistema autonomo e dito ser instavel
se, para algum escalar > 0, e todo escalar > 0, ha sempre um estado x
0
em
R() tal que a trajet oria iniciando neste estado deixa a regiao R()
pag.4
Ilustracao das denicoes
x
1
x
1
x
2
x
2
x
0
x
0
x
0
x
0
x
0
t
trajet oria assintoticamente estavel

trajet oria assintoticamente estavel
pag.5
Veja que a deni cao de estabilidade neste caso pode ser operacionalizada da
forma:
Teorema A equa cao x(t) = Ax(t) e marginalmente estavel se e somente se
todos os autovalores de A tem parte real igual a zero ou negativa e aqueles que
tem parte real igual a zero sao razes de multiplicidade 1 do polinomio mnimo
de A
Teorema A equa cao x(t) = Ax(t) e assintoticamente estavel se e somente se
todos os autovalores de A tem parte real negativa
pag.6
As transforma coes de equivalencia nao afetam a estabilidade de uma equa cao
de estado... Denindo x = Px, com P nao singular, x = Ax e equivalente a
x =

A x = PAP
1
x
Como P e nao singular, se x e limitado, entao x tambem o e; se x tende a
zero quando t , o mesmo ocorre com x
A estabilidade de A pode ser estudada atraves de

A
pag.7
A solu cao de

x =

A x para x(0) e dada por x(t) = e
At
x(0). Se

A esta na
forma de Jordan, pode-se mostrar que:
Se um autovalor tem parte real negativa, cada elemento do bloco de Jordan
associado e limitado e tende a zero quando t
Se um autovalor tem parte real igual a zero e nenhum bloco de Jordan de
ordem 2 ou maior, entao o elemento correspondente e constante ou senoidal para
todo t e portanto limitado
Se um autovalor tem parte real positiva, cada elemento do bloco de Jordan
associado cresce indenidamente; se um autovalor tem parte real igual a zero e
algum bloco de Jordan de ordem 2 ou maior, entao pelo menos um elemento
cresce indenidamente
Para ser assintoticamente estavel, todo elemento tem que tender a zero quando
t , e assim, nenhum autovalor com parte real 0 ou positiva e permitido
pag.8
Exemplo x =
_
_
0 0 0
0 0 0
0 0 1
_
_
x. Veja que () =
2
( + 1)
Lembre-se que o polin omio mnimo de A e denido como o polinomio monico
() de menor grau tal que (A) = 0...
Note que A*(A+eye(3)) e uma matriz nula... Portanto o polinomio mnimo e
dado por () = ( +1) e portanto = 0 e uma raiz simples (multiplicidade
1) do polin omio mnimo. Os autovalores da matriz A sao 0, 0 e 1 e a equa cao
e marginalmente estavel...
pag.9
Por outro lado, para o sistema
x =
_
_
0 1 0
0 0 0
0 0 1
_
_
x
veja que A*(A+eye(3)) nao e uma matriz nula. No entanto A^2*(A+eye(3)) e
um matriz nula, ie, () =
2
( + 1) e o polinomio mnimo e = 0 nao e
uma raiz simples do polin omio mnimo, portanto o sistema nao e marginalmente
estavel
pag.10
Como ja discutido, todo p olo da matriz de transferencia
G(s) = C(sI A)
1
B +D
e tambem um autovalor de A. Assim, a estabilidade assint otica implica na BIBO
estabilidade
Porem a BIBO estabilidade nao implica, em geral, na estabilidade assint otica
No geral o interesse e por sistemas que apresentem estabilidade assint otica ou
BIBO estabilidade (eventualmente com condi coes adicionais). Para osciladores
pode-se considerar questoes associadas a estabilidade marginal
pag.11
Estabilidade Interna de Sistemas Discretos
Para o sistema aut onomo x(k + 1) = Ax(k), a solu cao para x(0) = x
0
e
dada por x(k) = A
k
x
0
O sistema e marginalmente estavel ou estavel no sentido de Lyapunov se toda
condi cao inicial nita x
0
implicar em uma resposta limitada.

E assintoticamente
estavel se, alem disso, a resposta tende a zero quando k
Teorema A equa cao x(k +1) = Ax(k) e marginalmente estavel se e somente
se todos os autovalores de A tem magnitudes menores ou iguais a 1 e aqueles que
tiverem magnitudes iguais a 1 forem razes simples do polinomio mnimo de A
Teorema A equa cao x(k + 1) = Ax(k) e assintoticamente estavel se e
somente se todos os autovalores de A tem magnitudes menores do que 1
As transforma coes equivalentes nao afetam a estabilidade do sistema, e as
formas de Jordan podem ser usadas no estudo da estabilidade. A estabilidade
assint otica implica em BIBO estabilidade mas o contrario nao e verdadeiro
pag.12
Teorema de Lyapunov
Todos os autovalores de A tem parte real negativa se e somente se para qualquer
matriz simetrica denida positiva N (ie, N = N
> 0) a equa cao de Lyapunov

A
M +MA = N
tem uma unica solu cao simetrica M e M e denida positiva (ie, M = M
> 0)
MATLAB relembrando: M=lyap(A,N). Um simples script:
A=rand(3), N=eye(3), M=lyap(A,N)
if all(real(eig(M)))>0
display(M>0, Sistema estavel)
else display(Sistema instavel)
end
pag.13
Teorema de Lyapunov
Corolario Todos os autovalores de uma matriz A n n tem parte real negativa
se e somente se para qualquer matriz

N mn com m < n tal que
rank
_
NA
.
.
.
NA
n1
_
_
nmn
= n (rank completo de colunas)
a equa cao de Lyapunov A
M +MA =

N N, tem uma unica
solu cao simetrica M e M e denida positiva
Para qualquer

N, a matriz N =

N

N e semidenida positiva...
O teorema e seu corolario sao validos para qualquer escolha de N
pag.14
Teorema de Lyapunov
Demonstracao () (Necessidade) A equa cao de Lyapunov e um caso
especial da equa cao de Sylvester. Como A e A
tem os mesmos autovalores, se

A for assintoticamente estavel (autovalores com parte real negativa), nao existem
dois autovalores tais que
i
+
j
= 0
e portanto a equa cao de Lyapunov e nao singular e possui uma unica solu cao M
(como concluimos do estudo da equa cao de Sylvester)
Dene-se
M =
_

0
e
A
t
Ne
At
dt
Substituindo na equa cao de Lyapunov...
pag.15
Teorema de Lyapunov
obtem-se:
A
M +MA =
_

0
A
e
A
t
Ne
At
dt +
_

0
e
A
t
Ne
At
Adt
=
_

0
d
dt
_
e
A
t
Ne
At
_
dt
= e
A
t
Ne
At
t=0
= 0 N = N
pois e
At
= 0 para t se A tem autovalores com parte real negativa. Com
isso, prova-se que M dada acima e solu cao da equa cao. Veja que se N for
simetrica, M tambem e
pag.16
Teorema de Lyapunov
Como N e nao singular, pode-se fatora-la na forma N =

N

N com

N nao
singular. Portanto,
x
Mx =
_

0
x
e
A
Ne
At
xdt =
_

0
Ne
At
x
2
2
dt
que e positiva para qualquer x = 0 (

N e e
At
sao nao singulares), o que mostra
que M e denida positiva...
pag.17
Teorema de Lyapunov
() (Suciencia) Agora, mostra-se que se N e M sao denidas positivas,
entao A e estavel. Considere um autovalor de A associado ao autovetor v.
Entao, Av = v. Pre e p os multiplicando a equa cao de Lyapunov por v
e v,
respectivamente, tem-se
v
Nv = v
Mv +v
MAv
= (
+)v
Mv
= 2Re ()v
Mv
Como v
Nv e v
Mv sao reais positivos = Re () =

v
Nv
2v
Mv
< 0...
pag.18
Teorema de Lyapunov
Demonstracao do Corolario (Necessidade) Segue os mesmos passos da prova
do teorema. Note que

N e uma matriz mn, com m < n, e que portanto
N =

N

N e semidenida positiva. Ainda assim, M pode ser denida positiva
se o integrando

Ne
At
x nao for identicamente nulo para todo t
Por absurdo, suponha que

Ne
At
x 0 para todo t. Derivando em rela cao
ao tempo, tem-se

NAe
At
x 0; fazendo a derivada n 1 vezes:
2
6
6
6
6
6
6
4
NA
.
.
.
NA
n1
3
7
7
7
7
7
7
5
e
At
x = 0
Como por hip otese o rank da matriz acima e n e e
At
e nao singular para todo t,
o unico x solu cao seria x = 0. Assim, o integrando

Ne
At
x nao pode ser
identicamente nulo para nenhum x = 0 e M e denida positiva
pag.19
Teorema de Lyapunov
(Suciencia) Considere agora Av = v. Note que A
2
v = Av =
2
v, . . . ,
A
n1
v =
n1
v. Assim,
2
6
6
6
6
6
6
4
NA
.
.
.
NA
n1
3
7
7
7
7
7
7
5
v =
2
6
6
6
6
6
6
4
Nv
NAv
.
.
.
NA
n1
v
3
7
7
7
7
7
7
5
=
2
6
6
6
6
6
6
4
Nv

Nv
.
.
.
n1
Nv
3
7
7
7
7
7
7
5
Com a hipotese de rank completo de colunas, o vetor da esquerda e nao nulo para v = 0
e portanto

Nv (que compoe o vetor da direita) e um vetor nao nulo. Como

Nv = 0,
entao de 2Re ()v
Mv = v
Nv =

Nv
2
2
, implica que Re () < 0
Na demonstracao do teorema de Lyapunov e do colorario, usou-se a expressao:
M =
R
0
e
A
t
Ne
At
dt. Esse resultado e estabelecido como teorema, e usado para
mostrar a unicidade da solucao da equacao de Lyapunov
pag.20
Teorema de Lyapunov
Teorema Se todos os autovalores de A tem parte real negativa, entao a
equa cao de Lyapunov
A
M +MA = N
tem uma unica solu cao para todo N dada por
M =
_

0
e
A
t
Ne
At
dt
Demonstracao de Unicidade Suponha que M
1
e M
2
sao solu coes. Entao
A
(M
1
M
2
) + (M
1
M
2
)A = 0
e
A
t
[A
(M
1
M
2
) + (M
1
M
2
)A] e
At
=
d
dt
_
e
A
t
(M
1
M
2
)e
At
_
= 0
Integrando de 0 a ...
pag.21
Teorema de Lyapunov
Integrando de 0 a
_
e
A
t
(M
1
M
2
)e
At
_
0
= 0
0 (M
1
M
2
) = 0
M
1
= M
2

Mesmo para A nao estavel, uma solu cao unica existe se
i
+
j
= 0, mas
nao da forma M acima. Se A for singular (pelo menos um autovalor nulo), a
equa cao de Lyapunov e singular e solu coes podem ou nao existir (dependendo se
N esta ou nao no range da equa cao)
pag.22
Teorema de Lyapunov Caso Discreto
Equa cao discreta
M AMB = C
sendo A R
nn
, B R
mm
e C R
nm
. Como no caso contnuo, pode
ser expressa na forma (conjunto de equa coes lineares)
Y m = c ; Y R
nmnm
, m, c R
nm1
Seja
k
um autovalor de Y . Nesse caso,
k
= 1
i
j
para i = 1, 2, . . . , n ; j = 1, 2, . . . , m
com
i
e
j
autovalores de A e B respectivamente
pag.23
Para vericar esse fato, dena S(M) M AMB. A equa cao pode entao
ser escrita S(M) = C e um escalar e um autovalor de S(M) se
S(M) = M. Considere u um autovetor à direita de A associado ao autovalor
i
e v um autovetor à esquerda de B associado ao autovalor
j
Au =
i
u ; vB =
j
v
Assim, aplicando S a matrix n m, uv, obtem-se
S(uv) = uv AuvB = (1
i
j
)
. .
uv
Se nao existir i e j tais que
i
j
= 1, a equa cao e nao singular e para cada
C a solu cao M e unica
Se
i
j
= 1 para algum i e j, para C dado, a solu cao pode ou nao existir
pag.24
Teorema |(A)| < 1 se e somente se para qualquer N > 0 ou para
N =

N

N, com

N uma matriz mn com m < n, tal que
rank
_
NA
.
.
.
NA
n1
_
_
nmn
= n (rank completo de colunas)
a equa cao discreta de Lyapunov
M A
MA = N
tem uma solu cao unica M e M e denida positiva
pag.25
Linhas gerais de uma demonstracao (Necessidade) Para N > 0, se todos os
autovalores de A (iguais aos de A
) tem magnitude menor que 1, |

i
j
| < 1
para todo i, j, a equa cao e nao singular e uma unica solu cao existe. Considere
M =
m=0
(A
)
m
NA
m
Como |
i
|< 1 para todo i, esta serie innita converge. Substituindo
m=0
(A
)
m
NA
m
A
m=0
(A
)
m
NA
m
_
A =
=
m=0
(A
)
m
NA
m
m=0
(A
)
(m+1)
NA
(m+1)
_
dene-se k = m+ 1 e...
pag.26
Re-ordenasse o somat orio
m=0
(A
)
m
NA
m
k=1
(A
)
k
NA
k
_
=
= N+
m=1
(A
)
m
NA
m
k=1
(A
)
k
NA
k
= N
e se N for simetrica, M tambem e...
pag.27
(Suciencia) Considere um autovalor de A associado ao autovetor v = 0
(Av = v). Assim,
v
Nv = v
Mv v
MAv
= v
Mv
Mv
= (1 | |
2
)v
Mv
Como os dois lados da equa cao sao n umeros reais e positivos, conclui-se que
(1 | |
2
) > 0 ou | |
2
< 1. Isso estabelece o resultado para N > 0. O caso
N 0 pode ser mostrado de maneira similar
pag.28
Teorema Se todos os autovalores de A tem magnitude menor do que 1, entao
a equa cao discreta de Lyapunov
M A
MA = N
tem uma unica solu cao para todo N dada por
M =
m=0
(A
)
m
NA
m
Se A tem um ou mais autovalores com magnitude maior do que 1, uma
solu cao unica ainda existe se
i
j
= 1 para todo i, j, mas nao pode ser
computada pela serie acima
pag.29
Relacao entre os Casos Contnuo e Discreto
A condi cao de estabilidade do caso contnuo requer que todos os autovalores
estejam no semi-plano esquerdo aberto do plano complexo s. A correspondente
condi cao no caso discreto e que todos os autovalores estejam contidos no interior
do crculo unitario do plano complexo z. Essas condi coes se relacionam pela
transforma cao bilinear
s =
z 1
z + 1
; z =
1 +s
1 s
que dene um mapeamento do semi-plano esquerdo aberto para o interior do
crculo unitario e vice-versa
Escrevendo as equa c oes de Lyapunov (o subescrito d designa o caso discreto)
A
M +MA = N ; M
d
A
d
M
d
A
d
= N
d
pag.30
Relacao entre os Casos Contnuo e Discreto
Usando a transforma cao bilinear
A = (A
d
+ I)
1
(A
d
I) ; A
d
= (I +A)(I A)
1
Substituindo A
d
na Lyapunov discreta, obtem-se
M
d
_
(I +A)(I A)
1
M
d
_
(I +A)(I A)
1
= N
d
multiplicando a esquerda por (I A
) e a direita por (I A) obtem-se:

(I A
) M
d
(I A) (I +A
)M
d
(I +A) = (I A
) N
d
(I A)
A
M
d
+M
d
A = 0.5(I A
)N
d
(I A)
que, comparada com a equa cao de Lyapunov do caso contnuo, fornece
A = (A
d
+ I)
1
(A
d
I) ; M = M
d
; N = 0.5(I A
)N
d
(I A)
MATLAB dlyap (leia ohelp!)
pag.31
Estabilidade para Sistemas LVT
1. Estabilidade de Sistemas Variante no Tempo
2. Estabilidade da Resposta à Entrada Nula
pag.1
Estabilidade de Sistemas Variante no Tempo
Considere um sistema SISO LVT descrito por y(t) =
t
t
0
g(t, )u()d
Este sistema e BIBO estavel se toda entrada limitada causa uma sada
tambem limitada...
O sistema acima e BIBO estavel se e somente se existir uma constante M tal
que
t
t
0
| g(t, ) | d M < , t, t
0
, com t t
0
Caso multivariavel y(t) =
t
t
0
G(t, )u()d
A condi cao para BIBO estabilidade e que cada elemento de G(t, ) satisfa ca a
rela cao acima. Essa condi cao pode ser expressa em termos de normas
pag.2
Reformulando... A condi cao necessaria e suciente para que um sistema
multivariavel seja BIBO estavel e que exista uma constante M tal que
t
t
0
G(t, )d M <
para todo t, t
0
com t t
0
(com denotando algum norma...)
Considerando uma descri cao por equa coes de estado
x = A(t)x +B(t)u
y = C(t)x +D(t)u
tem-se que a matriz resposta ao impulso e dada por
G(t, ) = C(t)(t, )B() +D(t)(t )
pag.3
e a resposta ao estado inicial nulo e
y(t) =
t
t
0
C(t)(t, )B()u()d +D(t)u(t)
Portanto, a resposta ao estado inicial nulo da equa cao dinamica e BIBO estavel se
e somente se existirem constantes M
1
e M
2
tais que
D(t) M
1
<
t
t
0
C(t)(t, )B()d M
2
<
para todo t, t
0
com t t
0
pag.4
Estabilidade da Resposta à Entrada Nula
A resposta à entrada nula ou a equa cao autonoma x = A(t)x e
marginalmente estavel se toda condi cao inicial nita provoca uma resposta
limitada. Como a solu cao e governada por
x(t) = (t, t
0
)x(t
0
)
tem-se que a resposta à entrada nula e marginalmente estavel se e somente se
existir uma constante M tal que
(t, t
0
) M < para todo t
0
e t t
0
A equa cao x = A(t)x e assintoticamente estavel se a resposta a toda
condi cao inicial nita for limitada e tender a zero quando t , isto e
(t, t
0
) 0 para t
pag.5
No caso invariante no tempo, x = Ax e assintoticamente estavel se todos os
autovalores de A tem parte real negativa. Isso nao e verdade no caso variante no
tempo... Eg, considere (Problema 4.16, pg. 120, Chen)
x = A(t)x =
1 e
2t
0 1
x
Polin omio caracterstico: () = ( + 1)
2
; Autovalores: 1 e 1 (parte real
negativa...)
(t, 0) =
e
t
0.5(e
t
e
t
)
0 e
t
O elemento (1, 2) cresce indenidamente (o sistema nao e estavel)...

pag.6
Todas as propriedades de estabilidade de um sistema invariante no tempo se
preservam sob transforma coes de equivalencia
No caso variante no tempo a BIBO estabilidade se preserva pois a matriz
resposta ao impulso nao se altera com uma transforma cao de equivalencia
Como entretanto e possvel transformar x = A(t)x em

x = A
0
x com A
0
constante (Teorema 4.3, pag. 112, Chen), a estabilidade marginal e a assint otica
nao se preservam sob qualquer transforma cao de equivalencia...
Teorema As estabilidades marginal e assint otica de x = A(t)x se preservam
sob qualquer transforma cao de Lyapunov equivalente
pag.7
Como P(t) e

P(t) sao contnuas, e P(t) e nao singular para todo t, entao
x = P(t)x e uma transforma cao algebrica. Se, alem disso, P(t) e P
1
(t) sao
limitadas para todo t, x = P(t)x e uma transforma cao de Lyapunov. As
matrizes fundamentais de x = A(t)x e

x =

A(t) x se relacionam por
(t) = P(t)(t)
e portanto
(t, ) = (t)
1
() = P(t)(t)
1
()P
1
() = P(t)(t, )P
1
()
Como P(t) e P
1
(t) sao limitadas, se (t, ) e limitada,
(t, ) tambem
o e; se (t, ) 0 quando t , o mesmo ocorre com
(t, )...
pag.8
Em sistemas invariantes no tempo, a estabilidade assint otica da resposta à
entrada nula implica na BIBO estabilidade da resposta ao estado inicial nulo
Nao necessariamente e verdade para sistemas variantes no tempo...
Veja, a estabilidade assint otica ocorre se (t, ) 0, quando t , t,
t
0
com t t
0
, e...
A BIBO estabilidade ocorre se
t
t
0
C(t)(t, )B()d < , t, t
0
com
t t
0
No entanto, uma fun cao que tende a zero pode nao ser absolutamente
integravel
Se (t, ) tende a zero rapidamente e se B(t) e C(t) sao limitadas, a
estabilidade assint otica implica na BIBO estabilidade
pag.9
Problema 5.23, pag. 142, Chen Cheque a estabilidade do sistema autonomo:
x =
1 0
e
3t
0
x, , para t
0
0
Veja que x
1
(t) = x
1
(t) entao x
1
(t) = e
R
t
0
1dt
x
1
(0) = e
t
x
1
(0)
E, x
2
(t) = e
3t
x
1
(t) = e
4t
x
1
(0), que integrando:
t
0
x
2
(t)dt =
t
0
e
4t
x
1
(0)dt
x
2
(t) x
2
(0) =
1
4
e
4t
t
0
x
1
(0)
x
2
(t) =
1
4
e
4t
x
1
(0)
1
4
x
1
(0) +x
2
(0)
pag.10
Por exemplo, para x
1
(0) = 1 e x
2
(0) = 0 tem-se:
1
(t) =
e
t
1
4
e
4t
1
e para x
1
(0) = 0 e x
2
(0) = 1 tem-se:
2
(t) =
0
1
portanto uma matriz fundamental e:

(t) =
e
t
0
1
4
e
4t
1
e
1
(t) =
e
t
0
1
4
e
t
e
3t
pag.11
A matriz de transi cao e dada por:
(t, t
0
) = (t)
1
(t
0
) =
e
(tt
0
)
0
1
4
e
4t
1
e
t
0
+
1
4
e
t
0
e
3t
0
e
(tt
0
)
0
1
4
e
(4tt
0
)
e
3t
0
Note que para t

0
0 e t t
0
todos os elementos de (t, t
0
) sao limitados...
o que ja indica que o sistema e no mnimo marginalmente estavel. A pergunta e:
o sistema e assintoticamente estavel, ie, (t, t
0
) 0, quando t ?

E
facil notar que esta condi cao nao e satisfeita... Eg., mesmo para t
0
= 0, o termo
(2,2) e sempre 1...
pag.12
Exerccio
Problema 5.21, pag. 142, Chen Considere a equa cao variante no tempo
x = 2tx +u, y = e
t
2
x
Cheque se e BIBO estavel, marginalmente estavel ou assintoticamente estavel?
C ompute amatrizde transi cao (t, t
0
) (note que e escalar...)
C ompute a resposta ao impulso g(t, )
Aplique os testes...
pag.13
Controlabiliadade
1. Controlabilidade de Sistemas LIT
pag.1
Controlabilidade
Um estado pode ser controlado(modicado) a partir da entrada?
u
R
1 R
2
R
3
C
1
C
2
y
+
Denem-se as variaveis de estado como v
C
1
e v
C
2
Note que a tensao no capacitor C
2
nao pode ser controlada pela entrada u (ja
que o circuito esta aberto em y)
Mas a tensao no capacitor C
1
pode...
Ainda, a sada y tem alguma inuencia ?
pag.2
Controlabilidade Sistemas LIT
Considere a equa cao dinamica de dimensao n com p entradas
x = Ax +Bu, x(0) = x
0
sendo A R
nn
e B R
np
A equa cao de sada nao inuencia a controlabilidade
Denicao A equa cao de estado acima ou o par (A, B) e controlavel se para
qualquer estado inicial x(0) = x
0
e para qualquer estado nal x
1
existir uma
entrada u(t) que transfere o estado de x
0
para x
1
em tempo nito
A deni cao requer apenas que se possa mover qualquer estado inicial no
espa co de estados para qualquer estado nal em tempo nito. Nao ha restri coes
quanto à trajet oria a ser seguida nem quanto à magnitude da entrada
pag.3
Exemplo
+
+
+
1
1
1 1
C
u
x
y
i
A variavel de estado x e a tensao no capacitor. Devido a simetria do circuito, se
x(0) = 0, entao x(t) = 0, para todo t 0 independentemente da entrada u
que for aplicada, e o sistema nao e controlavel
pag.4
Exemplo
+ +
+
1
1
1 F 1 F
u
x
1
x
2
_
_
u = x
1
+i
C
R = x
1
+ x
1
u = x
2
+i
C
R = x
2
+ x
2
x =
_
_
1 0
0 1
_
_
x +
_
_
1
1
_
_
u
Atraves da entrada u(t), pode-se levar x
1
(t) ou x
2
(t) a qualquer estado
arbitrario
No entanto, nao e possvel levar x
1
e x
2
a qualquer estado. Por exemplo, se
x
1
(0) = x
2
(0) = 0, independentemente da entrada u que for aplicada tem-se
x
1
(t) = x
2
(t) para todo t 0
O circuito e nao controlavel
pag.5
Exemplo E se for mais complicado?
u
u
k
1
k
2
b
1
b
2
x
1
x
2
Controlavel ou nao controlavel?
Precisamos de uma forma sistematica de verica cao...
pag.6
Teorema As arma coes a seguir sao equivalentes:
1. O par (A, B) e controlavel
2. A matriz n n
W
c
(t)
_
t
0
e
A
BB
e
A
d =
_
t
0
e
A(t)
BB
e
A
(t)
d
e nao-singular t > 0
3. A matriz de controlabilidade n np
C =
_
B AB A
2
B A
n1
B
_
tem rank n (posto completo de linhas)
pag.7
4. Para todo autovalor de A (e conseq uentemente, para todo C), a
matriz complexa n (n +p)
_
I A B
_
tem rank n (posto completo de linhas)
5. Se todos os autovalores de A tem parte real negativa, a solu cao unica de
AW
c
+W
c
A
= BB
e denida positiva. Essa solu cao e denominada Gramiano de controlabilidade

e pode ser expressa da forma:
W
c
=
_

0
e
A
BB
e
A
d
pag.8
Demonstracao (1) (2). Primeiro a equivalencia entre as duas formas
integrais que aparecem em (2) pode ser demonstrada fazendo-se a mudan ca de
variavel = t . O integrando garante que a matriz W
c
(t) e sempre
semidenida positiva; sera denida positiva se e somente se for nao singular
Se W
c
(t) for nao singular, entao (A, B) e controlavel?
Veja que a resposta no instante t
1
e dada por
x(t
1
) = e
At
1
x(0) +
_
t
1
0
e
A(t
1
)
Bu()d
Para qualquer x(0) = x
0
e qualquer x(t
1
) = x
1
, especicamente a entrada
u(t) = B
e
A
(t
1
t)
W
1
c
(t
1
)
_
e
At
1
x
0
x
1
leva o estado de x
0
a x
1
no tempo t
1
pag.9
De fato, substituindo u(t) em x(t
1
)
x(t
1
) = e
At
1
x(0)
_
_
t
1
0
e
A(t
1
)
BB
e
A
(t
1
)
d
_
W
1
c
(t
1
)
_
e
At
1
x
0
x
1
= e
At
1
x(0) W
c
(t
1
)W
1
c
(t
1
)
_
e
At
1
x
0
x
1
= x
1
o que mostra que se W
c
e nao singular entao (A, B) e controlavel
pag.10
Para mostrar o inverso, sup oe-se por absurdo que o par (A, B) e controlavel mas
W
c
(t
1
) nao e denida positiva para algum t
1
. Nesse caso, existe v = 0 tal que
v
W
c
(t
1
)v =
_
t
1
0
v
e
A(t
1
)
BB
e
A
(t
1
)
vd
=
_
t
1
0
B
e
A
(t
1
)
v
2
d
= 0
= B
e
A
(t
1
)
v 0 ou v
e
A(t
1
)
B 0
para todo [0, t
1
]... Mas veja, o sistema por hip otese e controlavel?
pag.11
Se o sistema e controlavel, existe uma entrada que transfere o estado inicial de
x(0) = e
At
1
v para x(t
1
) = 0. Utilizando a expressao geral de x(t) para esse
caso tem-se (veja v = e
At
x(0)...)
x(t
1
) = 0 = v +
_
t
1
0
e
A(t
1
)
Bu()d
Pre-multiplicando por v
0 = v
v +
_
t
1
0
v
e
A(t
1
)
Bu()d = v
2
+ 0
o que contradiz a hip otese v = 0. A equivalencia entre (1) (2) esta
estabelecida
pag.12
(2) (3) Como todo elemento de e
At
B e uma fun cao analtica em t, se
W
c
(t) for nao singular para algum t entao e nao singular para todo t. Como as
duas formas integrais em (2) sao equivalentes, W
c
(t) e nao singular se e somente
se nao existe v = 0 tal que
v
e
At
B = 0 t
Primeiramente mostra-se que se W
c
(t) e nao singular, entao a matriz de
controlabilidade C tem posto completo de linhas
pag.13
Se W
c
(t) e nao singular, entao a matriz de controlabilidade C tem posto
completo de linhas?
Suponha que C nao tem posto completo, entao existe v = 0 tal que
v
C = 0
ou equivalentemente
v
A
k
B = 0 para k = 0, 1, 2, . . . , n 1
Note que e
At
B pode ser expressa como uma combina cao linear de
{B, AB, . . . , A
n1
B} (Teorema 3.5, pag. 64, Chen) e portanto v
e
At
B = 0,
o que contradiz a hip otese da nao singularidade de W
c
(t). (2) implica (3)
pag.14
Para mostrar o inverso, supoe-se que C tem posto completo de linhas mas
W
c
(t) e singular. Nesse caso, existe v = 0 tal que
v
e
At
B = 0 t
Escolhendo t = 0, tem-se v
B = 0. Diferenciando e novamente calculando em

t = 0, tem-se v
AB = 0; fazendo essa opera cao sucessivamente, obtem-se

v
A
k
B = 0 para k = 0, 1, 2, . . . ou
v
_
B AB A
2
B A
n1
B
_
= v
C = 0
o que contradiz a hip otese de que C tem posto completo de linhas e mostra a
equivalencia entre (2) e (3)
pag.15
(3) (4)
Se C tem posto completo de linhas, entao
_
I A B
_
tem posto
completo de linhas para todo autovalor de A? Se nao, existe um autovalor
1
de A e um vetor q = 0 tais que
q
_

1
I A B
_
= 0
e portanto qA =
1
q e qB = 0 (implicando que q e um autovetor à esquerda
de A). Manipulando
qA
2
= (qA)A = (
1
q)A =
2
1
q
e assim sucessivamente, obtem-se qA
k
=
k
1
q, e portanto
q
_
B AB A
n1
B
_
=
_
qB
1
qB
n1
1
qB
_
= 0
o que contradiz a hip otese de que C tem posto completo de linhas...
pag.16
(C) < n =
_
I A B
_
< n para algum
1
autovalor de A?
Para mostra-lo, dois resultados sao necessarios (que serao formalmente
apresentados mais a frente):
A controlabilidade e invariante sob qualquer transforma cao de equivalencia;
Se (C) = n m para algum m 1, entao existe uma matriz P nao
singular tal que
A = PAP
1
=
_
_
A
c

A
12
0

A
c
_
_
;

B = PB =
_
_
B
c
0
_
_
com

A
c
R
mm
pag.17
Seja
1
um autovalor de

A
c
associado a q
1
R
1m
autovetor à esquerda, ou
seja, q
1

A
c
=
1
q
1
. Portanto, q
1
(

A
c
1
I) = 0
Construindo o vetor q R
1n
q
_
0 q
1
_
, tem-se
q
_

1
I

A

B
_
=
_
0 q
1
_
_
_
1
I

A
c

A
12

B
c
0
1
I

A
c
0
_
_
= 0
o que implica
_
I

A

B
_
< n =
_
I A B
_
< n
para algum autovalor de A (note que para qualquer outro valor de , a matriz
I A e nao singular).
Com isso, a equivalencia (3) (4) esta demonstrada
pag.18
(2) (5)
Se A e estavel, a unica solu cao de AW
c
+W
c
A
= BB
pode ser
expressa como
W
c
=
_

0
e
A
BB
e
A
d
O Gramiano W
c
e sempre semidenido positivo, e sera denido positivo se e
somente se for nao singular
Isto demonstra a equivalencia (2) (5)
pag.19
Exemplo Considere o problema do carro com o pendulo invertido, descrito (para
pequenas varia c oes em torno do ponto de equilbrio e para valores escolhidos dos
parametros) por
_
_
x =
_
_
0 1 0 0
0 0 1 0
0 0 0 1
0 0 5 0
_
_
x +
_
_
0
1
0
2
_
_
u
y =
_
1 0 0 0
_
x
Matriz de Controlabilidade: C =
_
B AB A
2
B A
3
B
_
pag.20
C =
_
_
0 1 0 2
1 0 2 0
0 2 0 10
2 0 10 0
_
_
, rank (C) = 4 = Sistema controlavel
Matlab C=ctrb(A,B) retorna a matriz de controlabilidade C e o comando gram
retorna o Gramiano de controlabilidade. Um c odigo:
A=[0 1 0 0;0 0 -1 0;0 0 0 1;0 0 5 0]; B=[0 1 0 -2];
if rank(ctrb(A,B)) == size(A,1)
disp(Sistema Controlavel)
else (Sistema n~ao Controlavel)
end
pag.21
Voltando ao Exemplo
+ +
+
1
1
1 F 1 F
u
x
1
x
2
_
_
u = x
1
+i
C
R = x
1
+ x
1
u = x
2
+i
C
R = x
2
+ x
2
x =
_
_
1 0
0 1
_
_
x +
_
_
1
1
_
_
u
C =
_
B AB
_
=
_
_
1 1
1 1
_
_
, rank(C) = 1 . . .

E nao controlavel
pag.22
Exemplo
u
u
k
1
k
2
b
1
b
2
x
1
x
2
Newton: k
1
x
1
+b
1
x
1
= u ; k
2
x
2
+b
2
x
2
= u
pag.23
Entao:
_
_
x
1
x
2
_
_
=
_
_
k
1
/b
1
0
0 k
2
/b
2
_
_
_
_
x
1
x
2
_
_
+
_
_
1/b
1
1/b
2
_
_
u
com
x
1
(0) = x
10
, x
2
(0) = x
20
e
__
B AB
__
=
_
_
_
_
1/b
1
k
1
/b
2
1
1/b
2
k
2
/b
2
2
_
_
_
_
= n = 2 se k
1
b
2
= k
2
b
1
E.g., o sistema e nao controlavel se k
1
= k
2
e b
1
= b
2
pag.24
Complicando um pouco mais... Considere k
1
= k
2
= 1, b
1
= 2 e b
2
= 1.
Dados x
1
(0) = 10, x
2
(0) = 1, encontre u(t) que leva a plataforma para a
posi cao de repouso em t = 2 segundos
Calculando W
c
(2)
W
c
(2) =
_
2
0
_
_
e
0.5
0
0 e
_
_
_
_
0.5
1
_
_
_
0.5 1
_
_
_
e
0.5
0
0 e
_
_
d
=
_
2
0
_
_
e
0.5
0
0 e
_
_
_
_
0.25 0.5
0.5 1
_
_
_
_
e
0.5
0
0 e
_
_
d
=
_
2
0
_
_
e
0.5
0
0 e
_
_
_
_
0.25e
0.5
0.5e
0.5e
0.5
e
_
_
d
pag.25
W
c
(2) =
_
2
0
_
_
0.25e
0.
0.5e
1.5
0.5e
1.5
e
2
_
_
dt
=
_
_
0.25e
2
+ 0.25
e
3
3
+
1
3
e
3
3
+
1
3
0.5e
4
+ 0.5
_
_
=
_
_
0.2162 0.3167
0.3167 0.4908
_
_
e u(t) que leva a plataforma ao repouso em 2s?
pag.26
u(t) =
_
0.5 1
_
_
_
e
0.5(2t)
0
0 e
(2t)
_
_
W
1
c
(2)
_
_
10
1
_
_
= 58.82e
0.5t
+ 27.96e
t
, t [0, 2]
O esfor co de controle aumenta com a diminui cao do tempo de deslocamento
de um estado para outro
Se alguma restri cao for imposta sobre u, entao pode nao ser possvel transferir
o sistema num intervalo de tempo arbitrariamente pequeno
Para levar em 4 segundos:
u(t) = 3.81e
0.5t
+ 0.688e
t
, t [0, 4]
pag.27
MATLAB Simulando com lsim
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
40
20
0
20
40
60
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
20
15
10
5
0
5
10
tempo (s)
tempo (s)
Esfor co de controle [0, 2]
Evolu cao de x
1
(contnuo) e x
2
(tracejado)
pag.28
0 0.5 1 1.5 2 2.5 3 3.5 4
10
5
0
5
10
0 0.5 1 1.5 2 2.5 3 3.5 4
5
0
5
10
tempo (s)
tempo (s)
Esfor co de controle [0, 4]
Evolu cao de x
1
(contnuo) e x
2
(tracejado)
pag.29
Comparando os esfor cos de controle
0 0.5 1 1.5 2 2.5 3 3.5 4
40
30
20
10
0
10
20
30
40
50
60
tempo (s)
Esfor co de controle u
[0,2]
(contnuo) e u
[0,4]
(tracejado)
pag.30
A entrada u(t) como denida
u(t) = B
e
A
(t
1
t)]
W
1
c
(t
1
)[e
At
1
x
0
x
1
]
e chamada de controle de mnima energia pois para qualquer outro u(t) que
realiza a mesma tarefa tem-se
_
t
1
0
u
(t) u(t)dt
_
t
1
0
u
(t)u(t)dt
pag.31
Indices de Controlabilidade
Considere A R
nn
e B R
np
com B de posto completo de colunas (se
nao for o caso, alguma coluna redundante pode ser eliminada)
Se (A, B) for controlavel, a matriz de controlabilidade C tem posto n e,
conseq uentemente, n colunas linearmente independentes (de um total de np
colunas)
Seja b
i
a i-esima coluna de B, e portanto
C =
_
b
1
b
p
Ab
1
Ab
p
A
n1
b
1
A
n1
b
p
_
Note que se A
i
b
m
depende das colunas à esquerda em C, entao A
i+1
b
m
tambem depende. Portanto, se uma coluna associada a b
m
torna-se linearmente
dependente, todas as demais tambem o serao
pag.32
Seja
m
o n umero de colunas LI associadas a b
m
em C. Ou seja, as colunas
b
m
, Ab
m
, . . . , A
m
1
b
m
sao LI e A
m
+i
b
m
, i = 0, 1, 2, . . . sao LD. Assim, se C tem posto n,
1
+
2
+ +
p
= n
{
1
,
2
, . . . ,
p
} sao chamados ndices de controlabilidade e
= max {
1
,
2
, . . . ,
p
}
e o ndice de controlabilidade de (A, B)
pag.33
Equivalentemente, se (A, B) e controlavel, o ndice de controlabilidade e o
menor inteiro tal que (C
) =
__
B AB A
1
B
__
= n
Calculo de um intervalo para
Se todos os ndices de controlabilidade sao iguais (
1
=
2
= =
p
),
n/p . Se todos, exceto um, sao iguais a 1, = n (p 1) (maior valor
possvel)
Seja n o grau do polin omio mnimo de A. Entao, por deni cao, existem
i
s tais
que
A
n
=
1
A
n1
+
2
A
n2
+ +
n
I
e A
n
B pode ser escrito como combina cao linear de {B, AB, . . . , A
n1
B}.
Como conclusao
n/p min ( n, n p + 1) e p = rank (B)
pag.34
Como o grau do polin omio mnimo em geral nao e conhecido, e o posto de B
pode ser computado facilmente, usa-se o corolario a seguir
Corolario O par (A, B) com A R
nn
e (B) = p e controlavel se e
somente se a matriz
C
np+1

_
B AB A
np
B
_
tiver posto n
pag.35
Exemplo Considere o modelo de satelite (desacoplado) cujas equa coes
linearizadas sao dadas por (veja (2.29), pag.24-25, Chen):
_
_
x =
_
_
0 1 0 0
3 0 0 2
0 0 0 1
0 2 0 0
_
_
x +
_
_
0 0
1 0
0 0
0 1
_
_
u
y =
_
_
1 0 0 0
0 0 1 0
_
_
x
Matriz de controlabilidade C R
nnp
e 4 8
pag.36
Usando o resultado do corolario anterior, pode-se vericar a controlabilidade
atraves do posto da matriz
_
B AB A
2
B
_
=
_
_
0 0 1 0 0 2
1 0 0 2 1 0
0 0 0 1 2 0
0 1 2 0 0 4
_
_
O posto e 4 o que implica que e controlavel
Indices de controlabilidade:
1
= 2,
2
= 2
Indice de controlabilidade do par (A, B): = 2

pag.37
Controlabilidade
Teorema A controlabilidade e invariante sob qualquer transforma cao de
equivalencia
Demonstracao Considere o par (A, B) e a matriz de controlabilidade
C =
_
B AB A
2
B A
n1
B
_
O par equivalente (

A,

B) com

A = PAP
1
e

B = PB e P uma matriz nao
singular qualquer possui a matriz de controlabilidade
C =
_

B

A

B

A
2

B

A
n1

B
_
=
_
PB PAP
1
PB PA
n1
P
1
PB
_
= P
_
B AB A
2
B A
n1
B
_
= PC
Como P e nao singular, (C) = (
C)
pag.38
Controlabilidade
Teorema O conjunto de ndices de controlabilidade do par (A, B) e invariante
sob qualquer transforma cao de equivalencia e para qualquer re-ordenamento das
colunas de B
Demonstracao Do teorema anterior, denindo
C
k
=
_
B AB A
2
B A
k1
B
_
tem-se (C
k
) = (
C
k
) para k = 1, 2, . . .. Qualquer re-arranjamento das
colunas pode ser denido como

B = BM com M R
pp
uma matriz nao
singular de permuta cao. Assim,
C
k

_

B A

B A
k1

B
_
= C
k
diag (M, . . . , M)
Como diag (M, . . . , M) e nao singular, (
C
k
) = (C
k
)
pag.39
Observabilidade, Decomposicao Canonica
1. Observabilidade de Sistemas LIT
2. Dualidade
3.

Indices de Observabilidade
4. Decomposi cao Canonica
pag.1
Observabilidade Sistemas LIT
Um estado pode ser observado(acessado) a partir sada?
u
R
1 R
2
R
3
C
1
C
2
y
+
Denem-se as variaveis de estado como v
C
1
e v
C
2
Note que a corrente atraves de R
3
iguala-se a entrada u (o circuito esta
aberto em y), portanto a resposta gerada pelo estado inicial v
C
1
(0) nao aparece
na sada y. Entao o estado inicial v
C
1
(0) nao pode ser observado a partir da
sada
pag.2
Conceito dual à controlabilidade
Considere a equa cao dinamica de dimensao n, p entradas e q sadas
_
_
_
x = Ax + Bu
y = Cx + Du
com A R
nn
, B R
np
, C R
qn
e D R
qp
A equa cao de estado acima ou o par (A, C) e observavel se, para qualquer
estado inicial x(0), existir um tempo nito t
1
tal que o conhecimento da entrada
u e da sada y no intervalo [0, t
1
] seja suciente para se determinar de maneira
unica o estado inicial x(0)
pag.3
Exemplo
+
+
+
1
1
1 1
C
u
x
y
i
Se a entrada e nula, a sada y e sempre nula independentemente da tensao inicial
no capacitor (simetria do circuito). Conhece-se a entrada e a sada, porem nao
pode-se determinar unicamente o estado inicial
O sistema e nao observavel...
pag.4
Exemplo
+
+
R
1
R
2
C
L
u
y
x
1
x
2
Variaveis de estado: corrente no indutor x
1
e tensao no capacitor x
2
Se u = 0, x
1
(0) = x
10
= 0 e x
2
(0) = 0, a sada y = x
2
e igual a zero.
Qualquer condi cao inicial x(0) = [ a 0 ]
com u = 0 produz a mesma sada

y = 0
Nao e possvel determinar o estado inicial (nao observavel)
pag.5
A sada do sistema para uma condi cao inicial x(0) e uma entrada u(t) e dada por
y(t) = Ce
At
x(0) + C
_
t
0
e
A(t)
Bu()d + Du(t)
Assumindo y e u conhecidos, a unica inc ognita e x(0). Entao
Ce
At
x(0) = y
y y(t) C
_
t
t
0
e
A(t)
Bu()d Du(t)
pag.6
Estudar a observabilidade se reduz a obter x(0) a partir de u(t) e y(t). Se
u 0, a sada y(t) reduz-se a resposta à entrada nula
y(t) = Ce
At
x(0)
Um sistema e observavel se e somente se o estado inicial x(0) pode ser
determinado de maneira unica a partir da resposta à entrada nula durante um
intervalo de tempo
Note que para um t xo, com q < n, a matriz Ce
At
tem posto no maximo
igual a q e, conseq uentemente, nulidade n q ou maior, e as solu coes nao sao
unicas
pag.7
Teorema O sistema e observavel se e somente se a matriz n n
W
o
(t) =
_
t
0
e
A
Ce
A
d
for nao singular para qualquer t > 0
Demonstracao Pre-multiplicando Ce
At
x(0) = y(t) por e
A
t
C
e integrando
no intervalo [0, t
1
] tem-se
_
_
t
1
0
e
A
t
C
Ce
At
dt
_
x(0) =
_
t
1
0
e
A
t
C
y(t)dt
Se W
o
(t
1
) e nao singular, x(0) e unico e dado por
x(0) = W
1
o
(t
1
)
_
t
1
0
e
A
t
C
y(t)dt
Isso mostra que se W
o
(t) e nao singular para qualquer t > 0 entao o sistema e
observavel
pag.8
Agora, mostra-se que se W
o
(t
1
) e singular (ou, equivalentemente, semidenda
positiva) para todo t
1
> 0, entao o sistema e nao observavel
Se W
o
(t
1
) e semidenda positiva, existe v R
n1
nao nulo tal que
v
W
o
(t
1
)v =
_
t
1
0
v
e
A
t
C
Ce
At
vdt
=
_
t
1
0
Ce
At
v
2
dt = 0
o que implica Ce
At
v 0 para todo t [0, t
1
]. Se u 0, as condi coes iniciais
x
1
(0) = v = 0 e x
2
(0) = 0 produzem a mesma sada
y(t) = Ce
At
x
1
(0) = Ce
At
x
2
(0) 0
e portanto o sistema e nao observavel
pag.9
Teorema (Dualidade) O par (A, B) e controlavel se e somente se o par
(A
, B
) for observavel
Demonstracao (A, B) controlavel se e somente se
W
c
(t) =
_
t
0
e
A
BB
e
A
d
for nao singular para qualquer t > 0. O par (A
, B
) e observavel se e somente
se, trocando A por A
e C por B
W
o
(t) =
_
t
0
e
A
BB
e
A
d
for nao singular para qualquer t > 0
pag.10
Observabilidade: depende apenas de (A, C)
Teorema As arma coes abaixo sao equivalentes:
1. O par (A, C) e observavel
2. A matriz n n
W
o
(t) =
_
t
0
e
A
Ce
A
d
e nao-singular t > 0
3. A matriz de observabilidade nq n (comando obsv no Matlab)
O =
_
_
C
CA
.
.
.
CA
n1
_
_
tem posto n (posto completo de colunas)
pag.11
4. A matriz (n + q) n
_
_
I A
C
_
_
tem posto n (posto completo de colunas) para todo autovalor de A
5. Se todos os autovalores de A tem parte real negativa, a solu cao unica de
A
W
o
+ W
o
A = C
C
e denida positiva. Essa solu cao e chamada de Gramiano de observabilidade e
pode ser expressa como
W
o
=
_

0
e
A
Ce
A
d
pag.12
Considere A R
nn
e C R
qn
com C de posto completo de linhas (se
nao for o caso, alguma linha redundante pode ser eliminada)
Se (A, C) for observavel, a matriz de observabilidade O tem rank n e,
conseq uentemente, n linhas linearmente independentes (de um total de nq linhas)
Seja c
i
a i-esima linha de C. De maneira dual à controlabilidade, se uma
linha associada a c
m
torna-se LD, todas as demais linhas subseq uentes tambem o
serao. Seja
m
o n umero de linhas LI associadas a c
m
. Se O tem rank n,
1
+
2
+ +
q
= n
{
1
,
2
, . . . ,
p
} sao ndices de observabilidade e
= max {
1
,
2
, . . . ,
p
}
e o ndice de observabilidade de (A, C)
pag.13
Se (A, C) e observavel, o ndice de observabilidade e o menor inteiro tal que
(O
) =
_
_
_
_
_
_
_
_
_
C
CA
.
.
.
CA
1
_
_
_
_
_
_
_
_
_
= n
O intervalo para e dado por
n/q min ( n, n q + 1) q = rank (C)
sendo n o grau do polin omio mnimo de A
pag.14
Corolario O par (A, C) com A R
nn
e (C) = q e observavel se e
somente se a matriz
O
nq+1
=
_
_
C
CA
.
.
.
CA
nq
_
_
tiver posto n
Teorema A observabilidade e invariante sob qualquer transforma cao de
equivalencia
Teorema O conjunto de ndices de observabilidade do par (A, C) e invariante
sob qualquer transforma cao de equivalencia e para qualquer re-ordenamento das
linhas de C
pag.15
Diferenciando Ce
At
x(0) = y(t) e tomando t = 0, tem-se
_
_
C
CA
.
.
.
CA
1
_
_
x(0) = O
x(0) = y(0)
_
_
y(0)
y(0)
.
.
.
y
(1)
(0)
_
_
Uma solu cao x(0) existe se y(0) estiver no range de O
. Se (A, C) e
observavel, O
tem rank completo de colunas e a solu cao e unica

x(0) = [O
O]
1
O
y(0)
Note que para a determina cao do vetor y(0) (contendo as derivadas) e necessario
o conhecimento de y(t) na vizinhan ca de t = 0
pag.16
Sistemas Equivalentes
Considere o sistema
_
_
_
x = Ax + Bu
y = Cx + Du
Seja x = Px com P nao singular. Entao
_
_
_
x =

A x +

Bu
y =

C x +

Du
A = PAP
1
;

B = PB ;

C = CP
1
;

D = D
e um sistema equivalente
(A, B) controlavel (

A,

B) controlavel
(A, C) observavel (

A,

C) observavel
pag.17
Sistemas Equivalentes
Todas as propriedades (estabilidade, controlabilidade e observabilidade) sao
preservadas pela transforma cao de equivalencia.
As matrizes de controlabilidade e de observabilidade se relacionam da seguinte
forma
C = PC ;

O = OP
1
pag.18
Decomposicao Canonica
Teorema Considere um sistema de dimensao n com
(C) =
__
B AB A
n1
B
__
= n
1
< n
e forme a matriz n n, P
1
_
q
1
q
n
1
q
n
_
, cujas primeiras
n
1
colunas sao quaisquer n
1
colunas LI de C e as demais sao escolhidas
arbitrariamente de modo que P seja nao singular
A transforma cao de equivalencia x = Px transforma o sistema em
_
_
_
_
x
c
x
c
_
_
=
_
_
A
c

A
12
0

A
c
_
_
_
_
x
c
x
c
_
_
+
_
_
B
c
0
_
_
u
y =
_

C
c

C
c
_
_
_
x
c
x
c
_
_
+ Du
com

A
c
R
n
1
n
1
e

A
c
R
(nn
1
)(nn
1
)
pag.19
A sub-equa cao de dimensao n
1
x
c
=

A
c
x
c
+

B
c
u
y =

C
c
x
c
+ Du
e controlavel e tem a mesma matriz de transferencia do sistema original
pag.20
Demonstracao A transforma cao x = P
1
x realiza uma mudan ca de
representa cao do estado da base ortonormal para a base
Q P
1
= {q
1
, . . . , q
n
1
, . . . , q
n
}. A i-esima coluna de

A e a representa cao
de Aq
i
na base {q
1
, . . . , q
n
1
, . . . , q
n
}. Para i = 1, . . . , n
1
, os vetores Aq
i
sao LD no conjunto {q
1
, . . . , q
n
1
} e sao LI em {q
n
1
+1
, . . . , q
n
}, o que explica
a forma da matriz

A
As colunas de

B sao a representa cao das colunas de B em rela cao à base
{q
1
, . . . , q
n
1
, . . . , q
n
}. Mas as colunas de B dependem apenas de
{q
1
, . . . , q
n
1
}, o que explica a forma de

B. Note que se B R
np
tem rank p
e se suas colunas sao escolhidas como as primeiras p colunas de P
1
, entao a
parte superior de

B sera a matriz identidade de ordem p
pag.21
Seja C a matriz de controlabilidade de (A, B). Entao, tem-se (C) = (

C) = n
1
e pode-se vericar que
C =
_
_
B
c

A
c

B
c

A
n
1
c
B
c

A
n1
c
B
c
0 0 0 0
_
_
=
_
_
C
c

A
n
1
c
B
c

A
n1
c
B
c
0 0 0
_
_
_
n
1
linhas
_
n n
1
linhas
sendo

C
c
a matriz de controlabilidade do par (

A
c
,

B
c
). Como as colunas de
A
k
c
B
c
, para k n
1
, sao LD das colunas de

C
c
, a condi cao (C) = n
1
implica
(
C) = n
1
e portanto a equa cao de dimensao n
1
e controlavel
Resta mostrar que a equa cao de dimensao n
1
tem a mesma fun cao de
transferencia do sistema original ?
pag.22
A equa cao de dimensao n
1
tem a mesma FT do sistema original? Como a
transforma cao de equivalencia nao altera a FT, basta mostrar que a FT do
sistema de dimensao n
1
e igual à do sistema transformado
Note que no sistema transformado tem-se:
_
_
sI

A
c

A
12
0 sI

A
c
_
_
1
=
_
_
_
sI

A
c
_
1
M
0
_
sI

A
c
_
1
_
_
com
M =
_
sI

A
c
_
1
A
12
_
sI

A
c
_
1
e portanto a matriz de transferencia do sistema transformado e...
pag.23
Matriz de transferencia:
_

C
c

C
c
_
_
_
sI

A
c

A
12
0 sI

A
c
_
_
1
_
_
B
c
0
_
_
+ D =
_

C
c

C
c
_
_
_
_
sI

A
c
_
1
M
0
_
sI

A
c
_
1
_
_
_
_
B
c
0
_
_
+ D
=

C
c
_
sI

A
c
_
1
B
c
+ D
i.e., tem a mesma FT...
pag.24
Na transforma cao de equivalencia x = Px, o espa co de estados e dividio em
dois subespa cos: um controlavel e outro nao controlavel
Decomposi cao do espa co de estados
nao-controlavel; dimensao n n
1
_
_
x
c
x
c
_
_
=
_
_
x
c
0
_
_
+
_
_
0
x
c
_
_
controlavel; dimensao n
1
pag.25
Exemplo
x =
_
_
1 1 0
0 1 0
0 1 1
_
_
x +
_
_
0 1
1 0
0 1
_
_
u ; y =
_
1 1 1
_
x
rank(B) e 2 C
2
=
_
B AB
_
(C
2
) =
_
_
0 1 1 1
1 0 1 0
0 1 1 1
_
_
= 2 < 3
o sistema e nao controlavel...
pag.26
Escolha:
P
1
= Q =
_
_
0 1 1
1 0 0
0 1 0
_
_
; x = Px
as duas primeiras colunas de Q sao as duas primeiras colunas LI de C
2
. Note
A = PAP
1
=
_
_
1 0 0
1 1 0
0 0 1
_
_
;

B = PB =
_
_
1 0
0 1
0 0
_
C = CP
1
=
_
1 2 1
_
pag.27
Sistema de dimensao n
1
= 2
x
c
=
_
_
1 0
1 1
_
_
x
c
+
_
_
1 0
0 1
_
_
u ; y =
_
1 2
_
x
MATLAB A fun cao ctrbf transforma o sistema para a forma canonica
controlavel, mas com as colunas de P
1
na ordem inversa, resultando
_
_
A
c
0
A
21

A
c
_
_
;
_
_
0
B
c
_
_
pag.28
Teorema (Decomposi cao Canonica Forma Dual) Considere um sistema de
dimensao n com
(O) =
_
_
_
_
_
_
_
_
_
C
CA
.
.
.
CA
n1
_
_
_
_
_
_
_
_
_
= n
2
< n
e forme a matriz n n P
_
p
1
. . . p
n
2
. . . p
n
_
cujas primeiras n
2
linhas sao quaisquer n
2
linhas LI de O e as demais sao escolhidas arbitrariamente
de modo que P seja nao singular. Entao...
pag.29
Entao, x = Px transforma o sistema em
_
_
_
_
x
o
x
o
_
_
=
_
_
A
o
0
A
21

A
o
_
_
_
_
x
o
x
o
_
_
+
_
_
B
o
B
o
_
_
u
y =
_

C
o
0
_
_
_
x
o
x
o
_
_
+ Du
A
o
R
n
2
n
2
e

A
o
R
(nn
2
)(nn
2
)
. A sub-equa cao de dimensao n
2
_
_
_
x
o
=

A
o
x
o
+

B
o
u
y =

C
o
x
o
+ Du
e observavel e tem a mesma matriz de transferencia
MATLAB obsvf
pag.30
Teorema (Decomposicao de Kalman) Toda equa cao de estado pode ser
transformada na forma canonica equivalente
_
_
_
x
co
x
c o
x
co
x
c o
_
_
=
_
A
co
0

A
13
0
A
21

A
c o

A
23

A
24
0 0

A
co
0
0 0

A
43

A
c o
_
_
_
_
x
co
x
c o
x
co
x
c o
_
_
+
_
B
co
B
c o
0
0
_
_
u
y =
_

C
co
0

C
co
0
_
x + Du
sendo, x
co
controlavel e observavel; x
c o
controlavel e nao observavel; x
co
nao
controlavel e observavel e x
c o
nao controlavel e nao observavel
pag.31
O sistema e equivalente (para estado inicial nulo) à equa cao de estado controlavel
e observavel
_
x
co
=

A
co
x
co
+

B
co
u
y =

C
co
x
co
+ Du
com a matriz de transferencia dada por:
G(s) =

C
co
(sI

A
co
)
1
B
co
+ D
pag.32
Decomposi cao de Kalman
u
y
CO
CO
O
C
O
Descri cao por FT nao e necessariamente equivalente à descri cao por equa coes
de estado
MATLAB minreal (realiza cao mnima, cancelando p olos e zeros)
pag.33
Exemplo
u
1
1 1
1
1
x
1
x
2
x
3
x
4
2 F
2 F
1 H 1 H
y
+
+
+
Eliminando as variaveis de estado que sao nao controlaveis e/ou nao observaveis...
pag.34
Eliminando as variaveis de estado que nao sao controlaveis (circuito com o R+L
do lado aberto em y) e e/ou nao sao observaveis (C+L em paralelo na malha da
fonte de corrente u) (note ainda que devido a simetria x
3
e nao controlavel e nao
observavel...):
u
1
1 1
1
y
+
Corrente em cada ramo: u/2 e sada y = u/2 + u/2 = u. Portanto FT:
y = u, i.e., G(s) = 1
pag.35
Equa cao de estado do circuito original (forma canonica controlavel)
_
_
x =
_
_
0 0.5 0 0
1 0 0 0
0 0 0.5 0
0 0 0 1
_
_
x +
_
_
0.5
0
0
0
_
_
u
y =
_
0 0 0 1
_
x + u
Parte controlavel
_
_
x
c
=
_
_
0 0.5
1 0
_
_
x
c
+
_
_
0.5
0
_
_
u
y =
_
0 0
_
x
c
+ u y = u
pag.36
Controlabilidade e Observabilidade
1. Formas de Jordan
2. Sistemas a Tempo Discreto
3. Sistemas LVT
pag.1
Controlabilidade e Observabilidade: Formas de Jordan
Considere o sistema LIT
_
_
_
x = Jx + Bu
y = Cx
sendo J uma matriz na forma de Jordan
Suponha que J tem os autovalores distintos
1
e
2
J = diag (J
1
, J
2
)
J
1
: todos os blocos de Jordan associados com
1
J
2
: todos os blocos de Jordan associados com
2
Por exemplo, J
1
= diag (J
11
, J
12
, J
13
) ; J
2
= diag (J
21
, J
22
)
b
lij
: linha de B correspondendo à ultima linha de J
ij
c
fij
: coluna de C correspondendo à primeira coluna de J
ij
pag.2
Para a estrutura anterior de linhas b
lij
e colunas c
fij
para J
1
eJ
2
:
Teorema
O sistema e controlavel se e somente se os tres vetores linha {b
l11
, b
l12
, b
l13
}
sao LI e os dois vetores linha {b
l21
, b
l22
} sao LI
O sistema e observavel se e somente se os tres vetores coluna
{c
f11
, c
f12
, c
f13
} sao LI e os dois vetores coluna {c
f21
, c
f22
} sao LI
Demonstracao Analise do posto de
_
sI A B
_
nos autovalores de A. Ie,
eg, a controlabilidade das variaveis de estado associadas ao mesmo autovalor
depende apenas das linhas de B que corresponde as ultimas linhas de todos os
blocos de Jordan associados com o autovalor
pag.3
Exemplo
x =
_
1
1 0 0 0 0 0
0
1
0 0 0 0 0
0 0
1
0 0 0 0
0 0 0
1
0 0 0
0 0 0 0
2
1 0
0 0 0 0 0
2
1
0 0 0 0 0 0
2
_
_
x +
_
_
0 0 0
1 0 0
0 1 0
1 1 1
1 2 3
0 1 0
1 1 1
_
_
u
y =
_
_
1 1 2 0 0 2 1
1 0 1 2 0 1 1
1 0 2 3 0 2 0
_
_
x
3 blocos de Jordan associados ao autovalor
1
com ordens: 2, 1 e 1
pag.4
Linhas de B correspondentes às ultimas linhas dos blocos
_
1 0 0
_
;
_
0 1 0
_
;
_
1 1 1
_
sao LI
1 bloco de Jordan de ordem 3 associado a
2
Linha de B associada à ultima linha do bloco de Jordan
_
1 1 1
_
LI (nao nula) = sistema controlavel
Observabilidade: colunas associadas à primeira coluna de cada bloco
_
_
1
1
1
_
_
;
_
_
2
1
2
_
_
;
_
_
0
2
3
_
_
sao LI ;
_
_
0
0
0
_
_
nao e LI = sistema nao observavel
pag.5
Sistemas SISO
Corolario Uma equa cao de estado mono-entrada na forma de Jordan e
controlavel se e somente se existir apenas um bloco de Jordan associado a cada
autovalor distinto e todo elemento de B correspondente à ultima linha de cada
bloco de Jordan for nao nulo
Corolario Uma equa cao de estado mono-sada na forma de Jordan e observavel
se e somente se existir apenas um bloco de Jordan associado a cada autovalor
distinto e todo elemento de C correspondente à primeira coluna de cada bloco de
Jordan for nao nulo
pag.6
Exemplo
_
_
x =
_
_
0 1 0 0
0 0 1 0
0 0 0 0
0 0 0 2
_
_
x +
_
_
10
9
0
1
_
_
u
y =
_
1 0 0 2
_
x
Ha dois blocos de Jordan, um de ordem 3 associado ao autovalor 0 e outro de
ordem 1 associado ao 2. O elemento de B correspondente à ultima linha do
primeiro bloco e zero = nao controlavel
Os dois elementos de C correspondentes à primeira coluna de cada um dos
blocos sao nao nulos = observavel
pag.7
Sistemas a Tempo Discreto
_
_
_
x(t + 1) = Ax(t) + Bu(t)
y(t) = Cx(t)
sendo A R
nn
, B R
np
, C R
qn
O sistema discreto (ou o par (A, B)) e controlavel se para qualquer condi cao
inicial x(0) = x
0
e qualquer estado nal x
1
existir uma seq uencia de entradas de
tamanho nito que transfere o sistema de x
0
para x
1
Teorema (Controlabilidade) Sao equivalentes:
1. (A, B) e controlavel
2. A matriz n n: W
dc
(n 1) =
n1
m=0
(A)
m
BB
(A
)
m
e nao-singular
pag.8
3. A matriz de controlabilidade C
d
=
_
B AB A
n1
B
_
(n np)
tem posto n
4. A matriz n (n + p)
_
AI B
_
tem posto n em todo
5. Se todos os autovalores de A tem m odulo menor que 1, entao a solu cao
unica de
W
dc
AW
dc
A
= BB
e denida positiva (dgram: Gramiano discreto), ie:

W
dc
=
m=0
A
m
BB
(A
)
m
pag.9
Solu cao do sistema em t = n e dada por
x(n) = A
n
x(0) +
n1
m=0
A
t1m
Bu(m)
e pode ser escrita
x(n) A
n
x(0) =
_
B AB A
n1
B
_
_
_
u(n 1)
u(n 2)
.
.
.
u(0)
_
_
Portanto, para quaisquer x(0) e x(n), existe uma seq uencia de entrada se e
somente se a matriz de controlabilidade tiver posto completo de linhas
pag.10
A matriz W
dc
(n 1) pode ser escrita da forma:
W
dc
(n 1) =
_
B AB A
n1
B
_
_
_
B
.
.
.
B
(A
)
n1
_
_
Note que W
dc
(m) e sempre semidenida positiva. Se for nao singular (ou,
equivalentemente, denida positiva), o sistema e controlavel
pag.11
O sistema discreto (ou o par (A, C)) e observavel se para qualquer condi cao
inicial desconhecida x(0) existir um inteiro nito t
1
> 0 tal que o conhecimento
da seq uencia de entrada u(t) e da seq uencia de sada de t = 0 ate t
1
seja
suciente para determinar de maneira unica o estado inicial x(0)
Teorema (Observabilidade) Sao equivalentes:
1. (A, C) e observavel
2. A matriz n n: W
do
(n 1) =
n1
m=0
(A
)
m
C
CA
m
e nao-singular
3. A matriz de observabilidade nq n
O
d
=
_
_
C
CA
.
.
.
CA
n1
_
_
tem posto n
pag.12
4. A matriz (n + q) n
_
_
AI
C
_
_
tem posto n em todo
5. Se todos os autovalores de A tem m odulo menor que 1, entao a solu cao
unica de
W
do
A
W
do
A = C
C
e denida positiva
W
do
=
m=0
(A
)
m
C
CA
m
pag.13
Curiosidade Se A for singular pode ser possvel levar o estado de qualquer
condi cao inicial para a origem sem que o sistema seja controlavel...
Exemplo
x(t + 1) =
_
_
0 1 0
0 0 1
0 0 0
_
_
x(t) +
_
_
0
0
0
_
_
u(t)
Sistema nao controlavel (rank (C
d
) = 0)
Note que A
k
= 0 para k 3. Assim,
x(3) = A
3
x(0) = 0
para qualquer estado inicial x(0) (e o sistema e controlavel para a origem)
pag.14
Sistemas LVT
Considere o sistema dinamico linear n-dimensional
_
_
_
x(t) = A(t)x(t) + B(t)u(t)
y(t) = C(t)x(t)
A equa cao de estado e controlavel em t
0
se existir t
1
> t
0
tal que para qualquer
condi cao inicial x(t
0
) = x
0
e qualquer x
1
, existir uma entrada que transfere x
0
para x
1
no instante t
1
No caso invariante no tempo, um sistema e controlavel independentemente do
t
0
escolhido
pag.15
Sistemas LVT
Teorema O sistema (ou o par (A(t), B(t))) e controlavel em t
0
se e somente
se existir t
1
> t
0
tal que a matriz n n
W
c
(t
0
, t
1
) =
_
t
1
t
0
(t
1
, )B()B
()
(t
1
, )d
e nao-singular
(t, ) e a matriz de transi cao de estados de x = A(t)x
pag.16
Sistemas LVT
Demonstracao Primeiramente, mostra-se que se W
c
(t
0
, t
1
) e nao singular,
entao o sistema e controlavel. A solu cao em t
1
e dada por
x(t
1
) = (t
1
, t
0
)x
0
+
_
t
1
t
0
(t
1
, )B()u()d
A entrada u(t) = B
(t)
(t
1
, t)W
1
c
(t
0
, t
1
)
_
(t
1
, t
0
)x
0
x
1
_
, transfere
o estado x
0
para x
1
no instante t
1
. Substituindo,
x(t
1
) = (t
1
, t
0
)x
0

_
t
1
t
0
(t
1
, )B()B
()
(t
1
, )d
W
1
c
(t
0
, t
1
)
_
(t
1
, t
0
)x
0
x
1
_
= (t
1
, t
0
)x
0
W
c
(t
0
, t
1
)W
1
c
(t
0
, t
1
)
_
(t
1
, t
0
)x
0
x
1
_
= x
1
e portanto a equa cao e controlavel em t
0
...
pag.17
Sistemas LVT
O inverso e mostrado por contradi cao. Suponha que o sistema e controlavel mas
W
c
(t
0
, t
1
) e singular (ou semidenida positiva) para todo t
1
> t
0
. Neste caso,
existe um vetor n 1 v nao nulo tal que
v
W
c
(t
0
, t
1
)v =
_
t
1
t
0
v
(t
1
, )B()B
()
(t
1
, )vd
=
_
t
1
t
0
B
()
(t
1
, )v
2
d = 0
implicando B
()
(t
1
, )v 0 ou v
(t
1
, )B() 0 para todo
[t
0
, t
1
]
Se o sistema e controlavel, entao...
pag.18
Sistemas LVT
Se o sistema e controlavel, entao existe uma entrada que transfere o estado inicial
x
0
= (t
0
, t
1
)v para x(t
1
) = 0. Assim,
0 = (t
1
, t
0
)(t
0
, t
1
)v +
_
t
1
t
0
(t
1
, )B()u()d
Pre-multiplicando por v
tem-se
0 = v
v +
_
t
1
t
0
v
(t
1
, )B()u()d = v
2
+ 0
o que contradiz a hip otese de que v = 0. Assim, se (A(t), B(t)) e controlavel
em t
0
, entao W
c
(t
0
, t
1
) e nao singular para algum t
1
nito
pag.19
Sistemas LVT
Condi coes envolvem o conhecimento de (t, )
Seria desejavel se obtivessemos condi coes em termos de A(t) e B(t)...
Suponha que A(t) e B(t) sejam (n 1) vezes continuamente diferenciaveis,
dena
M
0
(t) = B(t)
M
m+1
(t) = A(t)M
m
(t) +
d
dt
M
m
(t) ; m = 0, 1, . . . , n 1
Portanto (t
2
, t)B(t) = (t
2
, t)M
0
(t) para qualquer t
2
. Usando o fato que
t
(t
2
, t) = (t
2
, t)A(t)
obtem-se...
pag.20
Sistemas LVT
obtem-se
t
_
(t
2
, t)B(t)
_
=
t
_
(t
2
, t)
_
B(t) + (t
2
, t)
d
dt
B(t)
= (t
2
, t)
_
A(t)M
0
(t) +
d
dt
M
0
(t)
_
= (t
2
, t)M
1
(t)
De maneira geral:
m
t
m
(t
2
, t)B(t) = (t
2
, t)M
m
(t) ; m = 0, 1, . . . , n 1
Teorema Sejam A(t) e B(t) n 1 vezes continuamente diferenciaveis. O par
(A(t), B(t)) e controlavel em t
0
se existir t
1
> t
0
tal que
posto
_
M
0
(t
1
) M
1
(t
1
) M
(n1)
(t
1
)
_
= n
pag.21
Sistemas LVT
Demonstracao Mostra-se que se o posto e n, entao W
c
(t
0
, t) e nao singular
para todo t t
1
. Suponha que W
c
(t
0
, t) e singular para algum t
2
t
1
. Neste
caso, existe um vetor n 1 nao nulo v tal que
v
W
c
(t
0
, t
2
)v =
_
t
2
t
0
v
(t
2
, )B()B()
(t
2
, )vd
=
_
t
2
t
0
B()
(t
2
, )v
2
d = 0
implicando B()
(t
2
, )v 0 ou v
(t
2
, )B() = 0 para todo
[t
0
, t
2
]. Diferenciando em rela cao a tem-se
v
(t
2
, )M
m
() 0
para m = 0, 1, 2, . . . , n 1 e todo [t
0
, t
2
] (em particular, em t
1
)
pag.22
Sistemas LVT
Rearranjando, a equa cao anterior pode ser escrita da forma
v
(t
2
, )
_
M
0
(t
1
) M
1
(t
1
) M
(n1)
(t
1
)
_
= 0
Como (t
2
, ) e nao singular, v
(t
2
, ) e diferente de zero e isso contradiz a
condi cao do teorema. Assim, a condi cao do teorema garante que W
c
(t
0
, t
2
) e
nao singular para todo t
2
t
1
e portanto (A(t), B(t)) e controlavel em t
0

Note que o teorema expressa uma condi cao suciente para o sistema ser
controlavel
pag.23
Sistemas LVT
Exemplo x =
2
6
6
4
t 1 0
0 t 0
0 0 t
2
3
7
7
5
x +
2
6
6
4
0
1
1
3
7
7
5
u
M
0
(t) =
2
6
6
4
0
1
1
3
7
7
5
; M
1
(t) = A(t)M
0
(t) +
d
dt
M
0
(t) =
2
6
6
4
1
t
t
2
3
7
7
5
M
2
(t) = A(t)M
1
(t) +
d
dt
M
1
(t) =
2
6
6
4
2t
t
2
1
t
4
2t
3
7
7
5
h
M
0
(t) M
1
(t) M
2
(t)
i
=
0
B
B
@
2
6
6
4
0 1 2t
1 t t
2
1
1 t
2
t
4
2t
3
7
7
5
1
C
C
A
= 3 , t
pag.24
Sistemas LVT
Teorema (Observabilidade) O sistema (ou o par (A(t), C(t))) e observavel
em t
0
se e somente se existir t
1
> t
0
tal que a matriz n n
W
o
(t
0
, t
1
) =
_
t
1
t
0
(, t
0
)
()C()(, t
0
)d e nao-singular
Teorema (Observabilidade) Sejam A(t) e C(t) n 1 vezes continuamente
diferenciaveis. O par (A(t), C(t)) e observavel em t
0
se existir t
1
> t
0
tal que
posto
_
_
N
0
(t
1
)
N
1
(t
1
)
.
.
.
N
(n1)
(t
1
)
_
_
= n
sendo N
0
= C(t) e
N
m+1
(t) = N
m
(t)A(t) +
d
dt
N
m
(t) ; m = 0, 1, . . . , n 1
pag.25
Realimentacao de Estado Sistemas SISO
1. Realimenta cao de Estado para Sistemas SISO
pag.1
Considere o sistema n dimensional, SISO:
_
_
_
x = Ax + bu
y = cx
Na realimenta cao de estados, a entrada u e dada por
u = r kx = r
_
k
1
k
2
k
n
_
x
sendo r um sinal de referencia. Substituindo u
_
_
_
x = (Abk)x + br
y = cx
pag.2
Esquematico
u
k
b
x
x
A
R
c
y
+
+
+
r
pag.3
Teorema O par (Abk, b) e controlavel para qualquer vetor k R
1n
se e
somente se o par (A, b) tambem o for
Demonstracao Considere, eg, n = 4 e as matrizes de controlabilidade
C =
_
b Ab A
2
b A
3
b
_
C
f
=
_
b (Abk)b (Abk)
2
b (Abk)
3
b
_
Veja que
C
f
= C
_
_
1 kb k(Abk)b k(Abk)
2
b
0 1 kb k(Abk)b
0 0 1 kb
0 0 0 1
_
_
e a matriz à direita e nao singular para qualquer k. Portanto, o posto de C
f
e
igual ao de C...
pag.4
O resultado do teorema anterior pode tambem ser demonstrado utilizando a
deni cao de controlabilidade. Considere x
0
e x
1
arbitrarios. Se o sistema original
e controlavel, existe u
1
que leva de x
0
a x
1
em tempo nito. Se escolher uma
entrada da forma r
1
= u
1
+ kx, entao leva o sistema controlado de x
0
a x
1
(veja que x = (Abk)x + br)
Observe tambem que r nao controla o estado diretamente; r gera a entrada u
que e usada para controlar x. Portanto, se u nao controla o estado x, r tambem
nao controlara...
Controlabilidade: e invariante sob qualquer realimenta cao de estados
A propriedade de observabilidade nao e invariante...
pag.5
Exemplo
_
_
x =
_
_
1 2
3 1
_
_
x +
_
_
0
1
_
_
u
y =
_
1 2
_
x
Pode-se veriicar que o par (A, B) e controlavel e o par (A, C) e observavel
Dene-se u = r
_
3 1
_
x, entao
_
_
x =
_
_
1 2
0 0
_
_
x +
_
_
0
1
_
_
r
y =
_
1 2
_
x
pag.6
Veja que as matrizes de controlabilidade e observabilidade do sistema
realimentado sao tais que:
C
f
=
_
_
0 2
1 0
_
_
, posto = 2
O
f
=
_
_
1 2
1 2
_
_
, posto = 1
O sistema e controlavel e nao observavel
pag.7
Exemplo x =
_
_
1 3
3 1
_
_
x +
_
_
1
0
_
_
u
Polin omio caracterstico: (s) = (s 4)(s + 2)
Realimenta cao de estados: u = r
_
k
1
k
2
_
x
x =
_
_
1 k
1
3 k
2
3 1
_
_
x +
_
_
1
0
_
_
r
Polin omio caracterstico:
f
(s) = s
2
+ (k
1
2)s + (3k
2
k
1
8)
A escolha de k
1
e k
2
pode alocar os autovalores do sistema em malha fechada
em qualquer posi cao arbitraria...
pag.8
Teorema Considere o sistema
_
_
_
x = Ax + bu
y = cx
com n = 4 e o polin omio caracterstico
(s) = det(sI A) = s
4
+
1
s
3
+
2
s
2
+
3
s +
4
Se o sistema e controlavel, entao existe uma transforma cao x = Px com
Q = P
1
=
_
b Ab A
2
b A
3
b
_
_
_
1
1

2

3
0 1
1

2
0 0 1
1
0 0 0 1
_
_
que leva o sistema à forma canonica controlavel a seguir
pag.9
forma controlavel:
x =

A x +
bu =
_
1

2

3

4
1 0 0 0
0 1 0 0
0 0 1 0
_
_
x +
_
_
1
0
0
0
_
_
u
y = c x =
_

1

2

3

4
_
x
Alem disso, a fun cao de transferencia do sistema e dada por
G(s) =
1
s
3
+
2
s
2
+
3
s +
4
s
4
+
1
s
3
+
2
2
+
3
s +
4
pag.10
Demonstracao: Sejam C e

C as matrizes de controlabilidade do sistema
original e do transformado, respectivamente. No caso SISO, ambas sao
quadradas. Se o sistema original e controlavel ou C e nao singular,

C tambem o e,
e as duas matrizes se relacionam na forma

C = PC. Assim,
P =

CC
1
ou Q = P
1
= C
C
1
A matriz de controlabilidade do sistema transformado e dada por
C =
_
_
1
1

2
1
2

3
1
+ 2
1
3
0 1
1

2
1
2
0 0 1
1
0 0 0 1
_
_
e sua inversa e dada por...
pag.11
C
1
=
_
_
1
1

2

3
0 1
1

2
0 0 1
1
0 0 0 1
_
_
e substituindo-se em Q = C
C
1
obtem-se o resultado do teorema
Ainda, verica-se que a equa cao de estado transformada e uma realiza cao da
fun cao de transferencia G(s), que por sua vez e tambem a fun cao de
transferencia do sistema original
pag.12
Teorema Se o sistema
_
_
_
x = Ax + bu
y = cx
e controlavel, entao com a realimenta cao de estados u = r kx pode-se alocar
arbitrariamente os autovalores de Abk (desde que autovalores complexos
apare cam em pares complexo conjugados)
Demonstracao Considerando n = 4, se o sistema e controlavel, entao pode ser
colocado na forma canonica controlavel, apresentada no Teorema anterior, ie
pag.13
x =

A x +
bu =
_
1

2

3

4
1 0 0 0
0 1 0 0
0 0 1 0
_
_
x +
_
_
1
0
0
0
_
_
u
y = c x =
_

1

2

3

4
_
x
com

A = PAP
1
e

b = Pb. Substituindo x = Px na lei de controle, tem-se
u = r kx = r kP
1
x r
k x
com

k kP
1
. Como

A
k = P(Abk)P
1
, as matrizes (Abk) e
(

A
k) tem os mesmos autovalores...

pag.14
Especicados os autovalores do sistema em malha fechada, pode-se formar o
polin omio caracterstico do sistema em malha fechada
f
(s) = s
4
+
1
s
3
+
2
s
2
+
3
s +
4
Se

k e escolhido como
k =
_

1
1

2
2

3
3

4
4
_
a equa cao dinamica em malha fechada e descrita por
x = (

A
k) x +
br =
_
_

1

2

3

4
1 0 0 0
0 1 0 0
0 0 1 0
_
_
x +
_
_
1
0
0
0
_
_
r
e o polin omio caracterstico de (Abk) e (

A
k) e dado por
f
(s)
pag.15
O ganho de realimenta cao de estados k que faz a aloca cao desejada pode ser
computado
k =

kP =

k
CC
1
sendo
C =
_
b Ab A
2
b A
3
b
_
e
C
1
=
_
_
1
1

2

3
0 1
1

2
0 0 1
1
0 0 0 1
_
pag.16
Outra maneira de computar

k
f
(s) = det(sI A + bk)
= det
_
(sI A)
_
I + (sI A)
1
bk
_
= det(sI A) det
_
I + (sI A)
1
bk
= (s)
_
1 + k(sI A)
1
b
onde se utilizou a propriedade det(I

m
+ AB) = det(I
n
+ BA), para A,
mn, e B, n m, sendo que no caso especco tem-se k R
1n
Portanto
f
(s) (s) = (s)k(sI A)
1
b = (s)
k(sI

A)
1
b
Seja

k =
_

k
1

k
2

k
3

k
4
_
pag.17
Observando a congura cao de realimenta cao:
u
k
x
x
A
R
c
y
+
+
+
r
z
FT de u para y: c(sI

A)
1
b =
1
s
3
+
2
s
2
+
3
s +
4
(s)
FT de u para z:

k(sI

A)
1
b =
k
1
s
3
+

k
2
s
2
+

k
3
s +

k
4
(s)
pag.18
Portanto fazendo as substitui coes da FT de u para z,
f
(s) = s
4
+
1
s
3
+
2
s
2
+
3
s +
4
e ainda
(s) = s
4
+
1
s
3
+
2
s
2
+
3
s +
4
na expressao
f
(s) (s) = (s)
k(sI

A)
1
b
obtem-se
(
1
1
)s
3
+(
2
2
)s
2
+(
3
3
)s+(
4
4
) =

k
1
s
3
+
k
2
s
2
+
k
3
s+
k
4
que recupera o ganho

k proposto quando se igualam-se as potencias...
pag.19
Curiosidades Considere uma FT com n = 4:
G(s) = c(sI A)
1
b =
1
s
3
+
2
s
2
+
3
s +
4
s
4
+
1
s
3
+
2
s
2
+
3
s +
4
Fun cao de Transferencia em Malha Fechada (com u = r kx):
G
f
(s) = c(sI A + bk)
1
b =
1
s
3
+
2
s
2
+
3
s +
4
s
4
+
1
s
3
+
2
s
2
+
3
s +
4
A realimenta cao de estados pode alterar a localiza cao dos p olos, mas nao
afeta os zeros da fun cao de transferencia
Pode afetar a observabilidade: se um ou mais p olos sao deslocados de maneira
a coincidir com zeros, pode haver cancelamento
pag.20
Exemplo Considere o pendulo invertido linearizado:
x =
_
_
0 1 0 0
0 0 1 0
0 0 0 1
0 0 5 0
_
_
x +
_
_
0
1
0
2
_
_
u
y =
_
1 0 0 0
_
x
O sistema e controlavel; o polin omio caracterstico e:
(s) = s
2
(s
2
5) = s
4
+ 0s
3
5s
2
+ 0s + 0
pag.21
Colocando o sistema na forma canonica controlavel (P
1
= C
C
1
)
C =
_
_
0 1 0 2
1 0 2 0
0 2 0 10
2 0 10 0
_
_
;

C
1
=
_
_
1 0 5 0
0 1 0 5
0 0 1 0
0 0 0 1
_
_
P
1
=
_
_
0 1 0 3
1 0 3 0
0 2 0 0
2 0 0 0
_
_
; P =
_
_
0 0 0 1/2
0 0 1/2 0
0 1/3 0 1/6
1/3 0 1/6 0
_
_
Aloca cao desejada: 1.5 0.5j e 1 j
pag.22
entao:
f
(s) = (s+1.5 0.5j)(s+1.5 + 0.5j)(s+1 j)(s+1 + j)
= s
4
+ 5s
3
+ 10.5s
2
+ 11s + 5
k =
_

3
3

2
2

1
1

0
0
_
=
_
(5 0) (10.5 + 5) (11 0) (5 0)
_
=
_
5 15.5 11 5
_
k =

kP =
_
5/3 11/3 103/12 13/3
_
MATLAB k=place(A,b,p)
pag.23
Formula de Ackermann Alocacao de Polos
Considere o sistema n dimensional, SISO:
_
_
_
x = Ax + bu
y = cx
Para n = 4, entao C =
_
b Ab A
2
b A
3
b
_
e a matriz de controlabilidade
e o sistema transformado x = Px com
Q = P
1
= C
_
_
1
1

2

3
0 1
1

2
0 0 1
1
0 0 0 1
_
_
pag.24
e tem a forma canonica controlavel
x =
2
6
6
6
6
6
4
1

2

3

4
1 0 0 0
0 1 0 0
0 0 1 0
3
7
7
7
7
7
5
x +
2
6
6
6
6
6
4
1
0
0
0
3
7
7
7
7
7
5
u
y =
h

1

2

3

4
i
x
A rela cao entre a matriz de controlabilidade do sistema original e a do
transformado e dada por

C = PC, ou Q = P
1
= C
C
1
e
C =
2
6
6
6
6
6
4
1
1

2
1
2

3
1
+ 2
1
3
0 1
1

2
1
2
0 0 1
1
0 0 0 1
3
7
7
7
7
7
5
pag.25
No caso geral, a ultima linha da matriz

C tem a forma
e
n

_
0 0 0 1
_
Para a aloca cao desejada, dene-se o polin omio caracterstico do sistema em
malha fechada
f
(s) = s
4
+
1
s
3
+
2
s
2
+
3
s +
4
, que deve ser
igualado com
det(sI

A+
k) = s
4
+(
1
+
k
1
)s
3
+(
2
+
k
2
)s
2
+(
3
+
k
3
)s+(
4
+
k
4
)
impondo

k =
_

1
1

2
2

3
3

4
4
_
Pelo Teorema de Cayley-Hamilton...
pag.26
Teorema de Cayley-Hamilton Toda matriz dinamica satisfaz sua equa cao
caracterstica:
A
n
+
1

A
n1
+
2

A
n2
+ +
n1

A +
n
I = 0
Entao utilizando os coecientes do polinomio de malha fechada, pode-se formar o
polin omio
f
(

A)

A
n
+
1

A
n1
+
2

A
n2
+ +
n
I
Substituindo-se

A
n
obtido a partir da equa cao caracterstica, tem-se
f
(

A) = (
1
1
)

A
n1
+ (
2
2
)

A
n2
+ + (
n
n
)I
pag.27
Levando em conta a estrutura particular de

A (na forma controlavel), nota-se que
e
A =
_
0 0 0 1 0
_
e
n1
e conseq uentemente
(e
A)

A = e
A
2
=
_
0 0 0 1 0
_

A
=
_
0 0 0 1 0 0
_
e
n2
implicando
e
A
n1
=
_
1 0 0 0
_
e
1
e...
pag.28
Portanto, multiplicando
f
(

A) por e
n
, tem-se
e
f
(

A) = (
1
1
)e
1
+ (
2
2
)e
2
+ + (
n
n
)e
n
=

k
1
e
1
+

k
2
e
2
+ +

k
n
e
n
=
_

k
1

k
2

k
n
_
=

k
Como k =

kP e P =

CC
1
, tem-se
k = e
f
(

A)P = e
f
(PAP
1
)P = e
n
P
f
(A) = e
CC
1
f
(A)
ou, como e
C = e
n
, chega-se a (F ormula de Ackermann): k = e
n
C
1
f
(A)
MATLAB k=acker(A,b,p)
pag.29
Equacao de Lyapunov Alocacao de Polos
Considere o par (A, b) controlavel, com A R
nn
e b R
n1
. Encontre k tal
que (Abk) tenha os autovalores desejados (desde que nao coincidam com
nenhum dos autovalores de A)
Procedimento
1. Escolha uma matriz F R
nn
com os autovalores desejados
2. Escolha

k arbitrario tal que (F,
k) seja observavel
3. Obtenha a solu cao unica T da equa cao de Lyapunov
AT TF = b
k
4. Compute o ganho de realimenta cao k =

kT
1
pag.30
Se T e nao singular,

k = kT e AT TF = b
k implicam
(Abk)T = TF Abk = TFT
1
(Abk) e F sao similares (mesmos autovalores). Se A e F nao tem
autovalores comuns, existe uma unica solu cao T para qualquer

k. Caso A e F
tenham algum autovalor comum, a solu cao T pode existir ou nao (depende de b
k)
Para garantir que T e nao singular:
Teorema Se A e F nao tem autovalores em comum, entao a unica solu cao de
AT TF = b
k e nao-singular se e somente se (A, b) e controlavel e (F,
k) e
observavel
pag.31
Demonstracao Considere n = 4 e o polinomio caracterstico de A dado por
(s) = s
4
+
1
s
3
+
2
s
2
+
3
s +
4
Cayley-Hamilton: (A) = A
4
+
1
A
3
+
2
A
2
+
3
A +
4
I = 0
Considere agora (F) = F
4
+
1
F
3
+
2
F
2
+
3
F +
4
I
Se

i
e um autovalor de F, entao (
i
) e autovalor de (F). Como A e F
nao tem autovalores em comum, (
i
) = 0 para todo autovalor de F
Como o determinante de uma matriz e igual ao produto de seus autovalores,
tem-se
det (F) =
i
(
i
) = 0
e portanto (F) e nao singular
pag.32
Substituindo AT = TF + b
k em A
2
T TF
2
, tem-se
A
2
T TF
2
= A(TF + b
k) TF
2
= Ab
k + (AT TF)F
= Ab
k + b
kF
De maneira similar, obtem-se o conjunto de equa coes:
IT TI = 0
AT TF = b
k
A
2
T TF
2
= Ab
k + b
kF
A
3
T TF
3
= A
2
b
k + Ab
kF + b
kF
A
4
T TF
4
= A
3
b
k + A
2
b
kF + Ab
kF + b
kF
pag.33
Multiplicando a primeira equa cao por
4
, a segunda por
3
, a terceira por
2
, a
quarta por
1
, a ultima por 1, e somando todas, tem-se (lembrando que
(A) = 0)
(A)T T(F) = T(F)
=
_
b Ab A
2
b A
3
b
_
_
3

2

1
1
2

1
1 0
1
1 0 0
1 0 0 0
_
_
_
kF
kF
2
kF
3
_
_
Se (A, b) e controlavel e (F,
k) e observavel, as matrizes acima sao

nao-singulares, e como (F) = 0, necessariamente T e nao singular
pag.34
Escolha de F e

k: F companheira e

k =
_
1 0 0 0
_
ou, se autovalores
complexos, F modal e

k com ao menos um elemento diferente de zero associado
a cada bloco diagonal
Exemplo Pendulo invertido e aloca cao 1.5 0.5j e 1 j
F =
_
_
1 1 0 0
1 1 0 0
0 0 1.5 0.5
0 0 0.5 1.5
_
_
;

k =
_
1 0 1 0
_
MATLAB k =
_
1.6667 3.6667 8.5833 4.3333
_
O ganho e unico em sistemas SISO (usando place ou lyap)
pag.35
Calculo direto dos valores do ganho k
x =
_
_
0 1 0 0
0 0 1 0
0 0 0 1
0 0 5 0
_
_
x +
_
_
0
1
0
2
_
_
u
y =
_
1 0 0 0
_
x
Aloca cao desejada: 1.5 0.5j e 1 j
f
(s) = (s + 1.5 0.5j)(s + 1.5 + 0.5j)(s + 1 j)(s + 1 + j)
= s
4
+ 5s
3
+ 10.5s
2
+ 11s + 5
pag.36
Abk =
_
_
0 1 0 0
k
1
k
2
k
3
1 k
4
0 0 0 1
2k
1
2k
2
5 + 2k
3
2k
4
_
_
; k =
_
k
1
k
2
k
3
k
4
_
det
_
sI (Abk)
_
= s
4
+(k
2
2k
4
)s
3
+(k
1
2k
3
5)s
2
3k
2
s 3k
1
Entao
k
1
=
5
3
; k
2
=
11
3
; k
3
=
103
12
; k
4
=
13
3
pag.37
Estabilizacao
Considere um sistema nao controlavel, ie, nem todos os autovalores podem ser
arbitrariamente alocados, via realimenta cao. A equa cao de estado pode ser
transformada em
_
_
x
c
x
c
_
_
=
_
_
A
c

A
12
0

A
c
_
_
_
_
x
c
x
c
_
_
+
_
_
b
c
0
_
_
u
com (

A
c
,
b
c
) controlavel. Note que como a matriz

A e bloco diagonal, os
autovalores de A sao os autovalores das matrizes

A
c
e

A
c
Como ca a congura cao de realimenta cao de estado?
pag.38
Estabilizacao
A realimenta cao de estado
u = r
k x = r
_

k
1

k
2
_
_
_
x
c
x
c
_
_
produz o sistema em malha fechada
_
_
x
c
x
c
_
_
=
_
_
A
c
b
c
k
1

A
12
b
c
k
2
0

A
c
_
_
_
_
x
c
x
c
_
_
+
_
_
b
c
0
_
_
r
Autovalores de

A
c
nao sao afetados pela realimenta cao de estado. A
controlabilidade do par (A, b) e nao s o suciente mas tambem necessaria para se
alocar todos os autovalores de (Abk)...
Se

A
c
e estavel, o sistema e estabilizavel...
pag.39
Regulacao e Rastreamento
Para r = 0, o comportamento dinamico do sistema e governado pelas
condi coes iniciais. O problema do regulador e obter uma realimenta cao de estados
que leve a resposta para zero com uma certa taxa de decaimento:
y(t) = ce
(Abk)t
x(0) (Abk) estavel?
Para r = a (constante), o problema do rastreamento assint otico consiste na
determina cao de um ganho de realimenta cao de estados que leve y(t) r(t)
quando t ...
A lei de controle para o rastreamento deve incluir um ganho p feedforward:
u(t) = pr(t) kx
pag.40
Regulacao e Rastreamento
Por exemplo, para n = 4: G
f
(s) = p
1
s
3
+
2
s
2
+
3
s +
4
s
4
+
1
s
3
+
2
s
2
+
3
s +
4
(A, b) controlavel implica que os autovalores de (Abk) ou equivalentemente
os p olos de G
f
(s) podem ser arbitrariamente alocados. Para r(t) = a, alocando
p olos com parte real negativa, tem-se a sada:
y(t) aproxima-se de G
f
(0)a quando t
A m de se ter rastreamento assint otico, basta impor:
G
f
(0) = 1 = p
4

4
= p =

4
4
=
4
= 0, o que ocorre se e somente se G(s) nao tiver nenhum zero em
s = 0
pag.41
Rejeicao de Dist urbio
Considere o sistema com entrada de dist urbio constante, w:
_
_
_
x = Ax + bu + bw
y = cx
Como obter a realimenta cao de estado tal que y(t) r(t) com w = 0?
O fundamento desta estrategia e introduzir um integrador, compondo o
controlador, tal que o sinal de controleugaranta, ao mesmo tempo,
estabilidade, aloca cao de p olos em malha fechada e rastreamento frente a
dist urbios
pag.42
A estrutura do controle integral e apresentada abaixo quando se tem todas as
variaveis de estado disponveis para realimenta cao
lacem
Sistema
w
c
x
a x u
y
r
k
+
+
+
+
+
+
+
x
a
1
s
Integrador
k
a
0
pag.43
Dena um vetor de estado aumentado incluindo a sada do integrador x
a
, da
forma:
_
x
x
a
_
, entao a realimenta cao de estado pode ser:

u =
_
k k
a
_
_
_
x
x
a
_
_
Substituindo no sistema original obtem-se
_
_
x
x
a
_
_
=
_
_
A + bk bk
a
c 0
_
_
_
_
x
x
a
_
_
+
_
_
0
1
_
_
r +
_
_
b
0
_
_
w
y =
_
c 0
_
_
_
x
x
a
_
_
pag.44
Teorema Se (A, b) e controlavel e se G(s) = c (sI A)
1
b nao tem na
origem (s = 0), entao todos os autovalores da matriz A podem ser alocados
arbitrariamente selecionando o ganho
_
k k
a
_
Como calcular o ganho de controle
_
k k
a
_
? Simplesmente utilizando as
mesmas tecnicas obtidas anteriormente. Para isto, basta considerar as matrizes do
sistema aumentado, sendo que este tem agora n + 1 variaveis de estado. k
a
e
um valor escalar extrado de
_
k k
a
_
, fruto do projeto
pag.45
Estimadores ou Observadores de Estado
1. Estimadores ou Observadores de Estado: sistemas SISO
1. Extensoes para Sistemas a Tempo Discreto
pag.1
Estimadores ou Observadores de Estado: sistemas SISO
Veja, a realimenta cao pressup oe que todas as variaveis de estado compondo o
vetor de estado x estao disponveis, ie, sao mensuraveis
u = r kx
Alguns estados podem nao ser/estar acessveis
Limita cao quanto ao n umero de medidores
E a? Como realimentar?
pag.2
Estimador de Estado Malha Aberta Dados: A, b, c, u, y. Reconstruir x?
x = Ax + bu ; y = cx
x = A x + bu
u
b
b
x
x
x
x
A
A
Z
Z
c
y
+
+
+
+
Estimador
pag.3
Se x(0) = x(0), entao x(t) = x(t), t 0
(A, c) observavel x(0) pode ser determinado atraves de u e y
Desvantagens/Diculdades
computo de x(0)
e se A for instavel?
Note, a sada y(t) nao esta sendo usada. Ie, nao ha informa cao adicional sobre o
comportamento do sistema original. Reavaliar... Pode-se incluir uma compara cao
entre a sada do sistema original dada por cx(t) com a sada do sistema que se
prop oe a estimar: c x(t). Ponderada por um ganho constante l a ser ajustado
pag.4
u
b
b
x
x
x
x x
A
A
Z
Z
c
c
y
y
l
+
+
+
+
+
pag.5
Estimador assint otico ou emmalha fechada
x = A x + bu + l (y c x)
. .
inova cao
, l R
n1
= (Alc) x + bu + ly
Denindo-se o errode estimativa e(t) x(t) x(t)
e = Ax+bu (Alc) xbu l(cx)
= (Alc)(x x)
= (Alc)e
Boa nova: Se os autovalores de (Alc) puderem ser arbitrariamente
alocados, atua-se na forma como o erro e(t) tende a zero!!
pag.6
Se o estado estimado x(t) vai ser usado para a realimenta cao, os autovalores
do estimador devem ser mais rapidosdo que os autovalores em malha fechada
do sistema controlado (isto e, parte real mais negativa), no contexto que a
dinamica do sistema seja dominada pelos autovalores do projeto de controle
Teorema Os autovalores de (Alc) podem ser alocados arbitrariamente
atraves da escolha de um ganho l se e somente se o par (A, c) for observavel
Demonstracao Por dualidade, se (A
, c
) e controlavel, entao os autovalores

de (A
k) podem ser alocados arbitrariamente. Basta fazer l = k
...
pag.7
Observadores de Estado via Lyapunov
Projeto de estimador de ordem n para o sistema
_
_
_
x = Ax + bu
y = cx
via equa cao de Lyapunov (procedimento dual à aloca cao de p olos)
1. Escolha uma matriz F R
nn
estavel com os autovalores desejados
(diferente de A)
2. Escolha l arbitrario tal que (F, l) seja controlavel
3. Obtenha a solu cao unica T da equa cao de Lyapunov
TAFT = lc
= condi coes duais para que T seja nao singular
pag.8
Observadores de Estado via Lyapunov
4. As equa coes
_
_
_
z = Fz + Tbu + ly
x = T
1
z
geram um estimador para x
Denindo-se e z Tx, entao
e = z T x
= Fz + Tbu + lcx TAx Tbu
e, como TA = FT + lc, tem-se
e = Fz + lcx (FT + lc)x
= F(z Tx) = Fe
Se F e estavel, e(t) 0 quando t , e z Tx, e portanto T
1
z e um
estimador para x
pag.9
Estimador de estado de ordem reduzida
_
_
_
x = Ax + bu
y = cx
Se o sistema e observavel, pode ser colocado na forma canonica observavel. Por
exemplo, para n = 4:
x =
_
1
1 0 0
2
0 1 0
3
0 0 1
4
0 0 0
_
_
x +
_
4
_
_
u
y =
_
1 0 0 0
_
x
Note que y(t) = x
1
(t) (primeira variavel de estado), e portanto pode-se
construir um estimador de estado apenas para as demais variaveis x
i
,
i = 2, 3, . . . , n
pag.10
Metodo por equa cao de Lyapunov
1. Escolha F R
(n1)(n1)
estavel com autovalores distintos de A
2. Escolha l arbitrario tal que (F, l) seja controlavel
3. Obtenha a solu cao unica T R
(n1)n
da equa cao de Lyapunov
TAFT = lc
4. A equa cao de estado (n 1)-dimensional estima x
z = Fz + Tbu + ly
x =
_
_
c
T
_
_
1
_
_
y
z
_
_
pag.11
Note que a equa cao
x =
_
_
c
T
_
_
1
_
_
y
z
_
_
pode ser escrita da forma
_
_
y
z
_
_
=
_
_
c
T
_
_
x
e portanto y = c x e z = T x. Entao, y e um estimador para cx e z para Tx,
pois e = z Tx e
e = z T x
= Fz + Tbu + lcx TAx Tbu
= Fe
e, novamente, se F e estavel, entao e(t) 0 quando t
pag.12
Teorema Se A e F nao tem autovalores em comum, entao a matriz quadrada
P
_
_
c
T
_
_
com T solu cao unica de TAFT = lc e nao singular se e somente se (A, c)
for observavel e (F, l) for controlavel
pag.13
Demonstracao Segue passos similares aos da demonstra cao para a
realimenta cao de estados. Considere n = 4 e
(s) = det(sI A) = s
4
+
1
s
3
+
2
s
2
+
3
s +
4
Pode-se mostrar que (dual a (8.22), Chen, pg. 252)
(F)T =
_
l Fl F
2
l F
3
l
_
. .
C
4
_
3

2

1
1
2

1
1 0
1
1 0 0
1 0 0 0
_
_
. .
_
c
cA
cA
2
cA
3
_
_
. .
O
e (F) e nao-singular se A e F nao tiverem autovalores em comum. Note que
F e 3 3 (ordem reduzida) e A e 4 4
pag.14
A matriz e sempre nao singular, O e a matriz de observabilidade de (A, c) e
C
4
e a matriz de controlabilidade de (F, l) acrescida da coluna F
3
l. Entao,
T =
1
(F)C
4
O e a matriz P pode ser escrita da forma:
P =
_
_
c
T
_
_
=
_
_
c
1
(F)C
4
O
_
_
=
_
_
1 0
0
1
(F)
_
_
_
_
c
C
4
O
_
_
Note que n = 4, P, O e sao 4 4; T e C
4
sao 3 4 e (F) e 3 3
Se (F, l) nao e controlavel, C
4
tem posto no maximo igual a 2, T tem posto no
maximo igual a 2 e P e singular. Se (A, c) nao e observavel, existe r R
41
tal que Or = 0, o que implica cr = 0 e Pr = 0, e portanto P e singular. Isto
conclui a necessidade
pag.15
Para mostrar a suciencia, por contradi cao, supoe-se P singular. Nesse caso,
existe r = 0 tal que Pr = 0, e
_
_
c
C
4
O
_
_
r =
_
_
cr
C
4
Or
_
_
= 0
Denindo a Or =
_
a
1
a
2
a
3
a
4
_
=
_
a a
4
_
, isto e
_
_
a
1
a
2
a
3
a
4
_
_
=
_
3

2

1
1
2

1
1 0
1
1 0 0
1 0 0 0
_
_
_
_
c
cA
cA
2
cA
3
_
_
r
Portanto, a
4
= cr e, da equa cao anterior, cr = 0. Substituindo a
4
= 0 em
C
4
Or tem-se...
pag.16
a
4
= 0 C
4
Or obtem-se (lembrando a Or = [
a a
4
]
)
C
4
Or = C
4
a = C a = 0
sendo C a matriz de controlabilidade de (F, l) e, se o par (F, l) e controlavel,
C a = 0 implica a = 0 e portanto a = 0
Considere agora Or = a = 0. A matriz e sempre nao singular. Se (A, c) e
observavel, O e nao singular e Or = 0 implica r = 0, o que contradiz a
hip otese inicial
Assim, se (A, c) e observavel e (F, l) e controlavel, P e nao singular
pag.17
Realimentacao a partir de Estados Estimados
_
_
_
x = Ax + bu
y = cx
Se (A, b) e controlavel, a realimenta cao de estados u = r kx pode alocar os
autovalores de (Abk) de forma arbitraria
Estados nao disponveis: observador de estados
Veja se (A, c) e observavel, entao um observador de estados de ordem completa
ou reduzida pode ser projetado com autovalores posicionados de forma arbitraria
pag.18
Estimador de ordem n (completa)
x = (Alc) x + bu + ly
A escolha de l (ou melhor, dos autovalores de (Alc)) determina a taxa com
que o estado estimado x aproxima-se do estado do sistema
Realimentando os estados estimados:
u = r k x
Os autovalores de (Abk) e de (Alc) se alteram devido a combina cao?
O estimador altera a FT de r para y?
pag.19
Combinando as equa c oes usando u = r k x
x = Ax bk x + br
x = (Alc) x + b(r k x) + lcx

tem-se o sistema aumentado de dimensao 2n
_
_
x
x
_
_
=
_
_
A bk
lc Alc bk
_
_
_
_
x
x
_
_
+
_
_
b
b
_
_
r
y =
_
c 0
_
_
_
x
x
_
_
pag.20
u
r
x
k
x = Ax +bu
y = cx
y
+
Estimador
pag.21
Transforma cao de equivalencia
_
_
x
e
_
_
=
_
_
x
x x
_
_
=
_
_
I 0
I I
_
_
_
_
x
x
_
_
P
_
_
I 0
I I
_
_
; P
1
= P
pag.22
Sistema equivalente para realimenta cao e erro de estima cao,
_
x e
_
:
_
_
I 0
I I
_
_
. .
P
_
_
A bk
lc Alc bk
_
_
_
_
I 0
I I
_
_
. .
P
1
=
_
_
Abk bk
0 Alc
_
_
_
_
I 0
I I
_
_
. .
P
_
_
b
b
_
_
=
_
_
b
0
_
_
_
c 0
_
_
_
I 0
I I
_
_
. .
P
1
=
_
c 0
_
pag.23
Sistema equivalente para realimenta cao e erro de estima cao:
_
_
x
e
_
_
=
_
_
Abk bk
0 Alc
_
_
_
_
x
e
_
_
+
_
_
b
0
_
_
r
y =
_
c 0
_
_
_
x
e
_
_
Autovalores da matriz dinamica sao a uniao dos autovalores de (Abk) e
(Alc); portanto o estimador nao altera os autovalores nem tem seus
autovalores modicados pela conexao e denominado Princpio da Separa cao
pag.24
Note que o sistema aumentado e nao controlavel (forma canonica), e que a FT
do sistema e igual à da equa cao x = (Abk)x +br com y = cx, ie, dada por
G
f
(s) = c(sI A + bk)
1
b = nao aparece o estimador!
De fato, no computo de fun coes de transferencia, as condi coes iniciais sao
assumidas nulas: x(0) = x(0) = 0, entao
x(t) = x(t) t
FT de r para y nao e afetada pela presen ca ou nao do estimador...
pag.25
Sistemas a Tempo Discreto?
Os procedimentos de aloca cao de p olos sao os mesmos tanto para
realimenta cao quanto para o observador, lembrando apenas que o contexto de
estabilidade e o ponto que os difere
Plano-s Plano-z
pag.26
Controle Baseado no Observador
Fa ca [x(t)] representar x(t) ou x(k + 1)...
Regulador: Lei de Controle + Observador
_
_
[ x(t)] = (ABk l C)
. .
A
C
x(t) + l
..
B
C
y(t)
u(t) = k
..
C
C
x(t)
FT: =
U()
Y ()
= C
C
(I A
C
)
1
B
C
com representadosouz...
pag.27
Exemplo Considere o modelo simplicado de umsateliteda forma
G(s) = 1/s
2
, ie, y(t) = u(t), denindo-se
x
1
= y; x
2
= y
com
x
1
= x
2
e x
2
= y = u
entao
_
_
x(t) =
_
_
0 1
0 0
_
_
. .
A
x(t) +
_
_
0
1
_
_
..
B
u(t)
y(t) =
_
1 0
_
. .
C
x(t)
pag.28
Se alocar os p olos do controlador em
s
1,2
= 0.707 j0.707 ( = 0.707,
n
= 1rad/s)
obtem-se K =
_
1 1.4142
_
Se os p olos do estimador sao alocados em
n
= 5rad/s e = 0.5, obtem-se
L
p
=
_
_
5
25
_
_
FT do controlador baseado no observador:
D(s) =
40.4(s + 0.619)
(s + 3.21 + j4.77)(s + 3.21 j4.77)
pag.29
Controle Integral Sistemas Discretos
Modelo considerado:
_
_
_
x(k + 1)] = Ax(k) + Bu(k) + Bw(k)
y(k) = Cx(k)
Resultado esperado?
1. y(t) r(t) 1, t > t
0
2. rejeitar w = sinal constante, porem de magnitude desconhecida
O que fazer? Integrar o erro... De forma analoga ao caso contnuo (vide aula 18)
e(k) = y(t) r(t), e portanto
e(k) = x
I
(k + 1) x
I
(k) = Cx(k) r(k)
pag.30
Controle Integral
Denindo-se:
(k) =
_
x
I
(k) x(k)
_
T
Obtem-se o modelo aumentado:
_
_
(k + 1) =
_
_
1 C
0 A
_
_
(k) +
_
_
0
B
_
_
u(k) +
_
_
0
B
_
_
w(k)
_
_
1
0
_
_
r(k)
y(k) =
_
C 0
_
(k)
Controle ou Observador?
pag.31

Teoria de Sistemas Lineares

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Teoria de Sistemas Lineares

Transféré par

Droits d'auteur :

Formats disponibles

Teoria de Sistemas Lineares

Prof. Reinaldo Martinez Palhares

Traco: soma dos elementos da diagonal de uma matriz quadrada

A inversa de uma matriz unitaria e igual `a sua conjugada transposta:

Inversa de uma matriz A R

) e chamado de complemento de Schur de A

e de forma correspondente os coecientes de p(s) e q(s) em uma matriz, obtem-se:

0 2000 4000 6000 8000 10000

0 2000 4000 6000 8000 10000

Tempo contnuo todas as equa coes fundamentaissao denidas t

Tempo discreto se alguma equa caofundamentale denida apenas em

f(t)(t)dt = f(0) , f(t) contnua em t = 0

f(y)(0) , y (0, ) lim

f(t)(t a)dt = f(a)

= mglsin + V lsin Hlcos

Resolvendo as equa coes para y e

Arvore: subgrafo conexo contendo todos os n os do grafo e nenhum la co.

Arvore Pr opria: e uma arvore com todos os capacitores e fontes de tensao do

e a representa cao de x na base escolhida

Como a representacao e unica entao

Veja que conhecida a representacao de um vetor numa base, a representacao em

X + I) nao inuenciam na solu cao F:

XF) = max Tr (2X

XF) = max Tr (2X

sua conjugada transposta. Entao,

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

que minimiza ]e]. A solu cao x

gera o ponto no 7(A) que esta mais

e uma fun cao linear de y, e x

e a solu cao exata de y = Ax se y 7(A)

e chamada matriz de proje cao

A sao matrizes Hermitianas

Se v e um autovetor de A, a transforma cao linear A aplicada sobre v produz

e uma matriz diagonal (com os autovalores reais na

= C e denominada Equa cao de Lyapunov

Toda forma Hermitiana pode ser escrita como x

) em uma matriz diagonal com elementos reais:

H e sempre semidenida positiva; sera denida

H for nao singular. O mesmo vale para HH

sao matrizes simetricas semidenidas positivas, seus

H podem ser arranjados na forma

tem os mesmos valores singulares

x(t +T) = x(t) +Ax(t)T

= det(P) det (I A) det P

x(t) = Ax(t) + Bu(t) , x(0) = 0

x(k + 1) = Ax(k) + Bu(k), x(0) = 0

trajet oria assintoticamente estavel

> 0) a equa cao de Lyapunov

tem os mesmos autovalores, se

Mv sao reais positivos = Re () =

) tem magnitude menor que 1, |

) e a direita por (I A) obtem-se:

O elemento (1, 2) cresce indenidamente (o sistema nao e estavel)...

portanto uma matriz fundamental e:

Note que para t

e denida positiva. Essa solu cao e denominada Gramiano de controlabilidade

B = 0. Diferenciando e novamente calculando em

AB = 0; fazendo essa opera cao sucessivamente, obtem-se

Indice de controlabilidade do par (A, B): = 2

com u = 0 produz a mesma sada

tem rank completo de colunas e a solu cao e unica

e denida positiva (dgram: Gramiano discreto), ie:

k) tem os mesmos autovalores...

onde se utilizou a propriedade det(I