BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA

FACULTAD DE CIENCIAS DE LA ELECTRÓNICA

MAESTRÍA EN CIENCIAS DE LA ELECTRÓNICA, OPCIÓN EN AUTOMATIZACIÓN

CURSO PROPEDÉUTICO, PRIMAVERA 2018

CONTROL AUTOMÁTICO
CAP. 2 PRELIMINARES MATEMÁTICOS.

MATRICES Y VECTORES
 MATRICES Y VECTORES.

El conjunto V del espacio vectorial n-dimensional ℝ𝑛 es el conjunto de todas las n-

adas de números reales, y los vectores de este espacio se denotan de la siguiente
forma:
𝑥1
𝑇
𝒙 = ⋮ = 𝑥1 … 𝑥𝑛
𝑥𝑛

En la expresión anterior las 𝑥𝑖 ∈ ℝ, 𝑖 = 1, 2, … , 𝑛, representan las componentes o

coordenadas del vector.
El espacio vectorial ℝ𝑛 también se conoce como espacio euclidiano n-dimensional.
 MATRICES Y VECTORES.

Notación: los vectores serán representados con letras minúsculas del castellano y
del griego en negritas itálicas; las componentes de los vectores son números reales
𝑥𝑖 ∈ ℝ, 𝑖 = 1, 2, … , 𝑛, siendo 𝑛 ∈ ℕ la dimensión del espacio vectorial.

Operaciones entre vectores.

Suma:
𝑥1 𝑦1 𝑥1 + 𝑦1
𝒙+𝒚= ⋮ + ⋮ = ⋮
𝑥𝑛 𝑦𝑛 𝑥𝑛 + 𝑦𝑛
 MATRICES Y VECTORES.

Propiedades de suma entre vectores:

Propiedad conmutativa y asociativa:
𝒙+𝒚=𝒚+𝒙
𝒙 + 𝒚 + 𝒛 = 𝑥 + (𝒚 + 𝒛)

El vector nulo es aquel vector cuyas componentes son todas ceros y es denotado
por:

01
02
𝟎= ∈ ℝ𝑛
⋮
0𝑛
 MATRICES Y VECTORES.

Para cualquier vector 𝒙 ∈ ℝ𝒏 se tiene que:

𝒙+𝟎=𝟎+𝒙=𝒙
Para cada vector 𝒙 ∈ ℝ𝒏 existe un vector denotado como −𝒙 tal que:
𝒙−𝒙=𝟎
Producto de un escalar por un vector:
Sea el escalar 𝛼 ∈ ℝ y el vector 𝒙 ∈ ℝ𝒏 , entonces el producto entre ambos se
define como:
𝛼𝑥1 𝑥1 𝛼
𝛼𝒙 = ⋮ = ⋮ = 𝒙𝛼
𝛼𝑥𝑛 𝑥𝑛 𝛼
 MATRICES Y VECTORES.

Propiedades del producto escalar por un vector:

Sea el escalar 𝛼 ∈ ℝ y los vectores 𝒙, 𝒚 ∈ ℝ𝒏 , entonces se tiene la siguiente
propiedad distributiva:
𝛼 𝒙 + 𝒚 = 𝛼𝒙 + 𝛼𝒚 = (𝒙 + 𝒚)𝛼
Sean los escalares 𝛼, 𝜔 ∈ ℝ y el vector 𝒙 ∈ ℝ𝒏 , entonces se tiene la siguiente
propiedad distributiva:
𝒙 𝛼 + 𝜔 = 𝒙𝛼 + 𝒙𝜔
También se tiene la propiedad asociativa y conmutativa:
𝛼 𝜔𝒙 = 𝛼𝜔 𝒙 = 𝜔 𝛼𝒙 == 𝒙 𝛼𝜔 = 𝒙 𝜔𝛼 = ω𝒙𝛼 = 𝛼𝒙𝜔
 MATRICES Y VECTORES.

Producto vectorial interno:

El producto interno de dos vectores 𝒙𝑇 𝒚 ∈ ℝ se define como:
𝑦1
𝑛 𝑦2
𝒙𝑇 𝒚 = ෍ 𝑥𝑖 𝑦𝑖 = 𝑥1 𝑥2 … 𝑥𝑛
𝑖=1
⋮ ∈ℝ
𝑦𝑛

A partir de esta definición se tiene que ∀ 𝒙, 𝒚, 𝒛 ∈ ℝ𝑛 se cumple que:

𝒙𝑇 𝒚 = 𝒚𝑇 𝒙 ∈ ℝ

Propiedad de asociación:
𝒙𝑇 𝒚 + 𝒛 = 𝒙𝑇 𝒚 + 𝒙𝑇 𝒛 = 𝒚𝑻 𝒙 + 𝒛𝑇 𝒙
 MATRICES Y VECTORES.

El producto de un vector columna por un vector transpuesto genera una matriz:

𝑥1
𝑥2
𝑇
𝒙𝒚 = ⋮ 𝑦1 𝑦2 … 𝑦𝑛 ∈ ℝ𝒏×𝒏
𝑥𝑛

Norma Euclidiana: Es un escalar positivo que representa la magnitud del vector y

que se define como:

𝒙 = 𝒙𝟐𝟏 + 𝒙𝟐𝟐 + ⋯ + 𝒙𝟐𝒏 = ෍ 𝒙𝟐𝒊 = 𝒙𝑇 𝒙

𝒊=𝟏
 MATRICES Y VECTORES.

La norma euclidiana satisface las siguientes propiedades:

𝒙 > 0, 𝒙 ∈ ℝ𝒏 , 𝑠𝑖 𝒙 ≠ 𝟎

𝒙 = 0, 𝑠𝑖 𝑦 𝑠ó𝑙𝑜 𝑠𝑖 𝒙 = 𝟎

𝒙 − 𝒚 ≤ 𝒙 + 𝒚 ≤ 𝒙 + 𝒚 , ∀ 𝒙, 𝒚 ∈ ℝ𝒏

𝛼𝒙 = 𝛼 𝒙 , ∀ 𝛼 ∈ ℝ, 𝑦 𝒙 ∈ ℝ𝒏

𝒙𝑇 𝒚 ≤ 𝒙 𝒚 , ∀ 𝒙, 𝒚 ∈ ℝ𝒏
 MATRICES Y VECTORES.

Una matriz A es un arreglo rectangular de números, tiene n renglones horizontales

(llamados filas) y p columnas verticales.
Las entradas de la matriz se conocen como elementos y pueden ser números
reales, números complejos, funciones, operadores, etc.
Una matriz es un objeto matemático por sí misma, esto es, no representa un número
o un escalar, además de que tiene operaciones y propiedades bien definidas.
Las matices serán designadas por letras mayúsculas del castellano o del griego en
itálicas.
Una notación común para representar una matriz es: 𝐴 ∈ ℝ𝑛×𝑝 , 𝑛, 𝑝 ∈ ℕ
 MATRICES Y VECTORES.

Componentes de una matriz A:

𝑎11 𝑎12 𝑎13
𝐴 = 𝑎21 𝑎22 𝑎23
𝑎31 𝑎32 𝑎33

Los elementos de una matriz se denotan por 𝑎𝑖𝑗 donde 𝑖 = 1 … 𝑛 𝑦 𝑗 = 1 … 𝑝,

denotan el i-ésimo renglón y la j-ésima columna de la matriz, respectivamente.
Un vector 𝒙 ∈ ℝ𝑛 puede ser considerado como un tipo particular de matriz
perteneciente a ℝ𝑛×1 .
 MATRICES Y VECTORES.

Matrices especiales, pertenecen a ℝ𝑛×𝑛 :

1 0 0
𝐼= 0 1 0 Matriz Identidad
0 0 1

0 0 0
𝑂= 0 0 0 Matriz neutra o cero
0 0 0

𝑎11 0 0
𝐴= 0 𝑎22 0 Matriz diagonal
0 0 𝑎33
 MATRICES Y VECTORES.

Operaciones de matrices:
Suma de matrices: Sólo existe entre matrices de la misma dimensión,
𝐶 = (𝐴 + 𝐵) ∈ ℝ𝒏×𝒑 , donde 𝐴, 𝐵 ∈ ℝ𝒏×𝒑
La suma de matrices satisface la propiedad conmutativa y asociativa.

Matriz transpuesta: Para una matriz 𝐴 = 𝑎𝑖𝑗 ∈ ℝ𝒏×𝒎 se representa como,

𝐴𝑇 = 𝑎𝑗𝑖 ∈ ℝ𝒎×𝒏
𝑎11 𝑎12 𝑎13 𝑎11 𝑎21 𝑎31
𝐴 = 𝑎21 𝑎22 𝑎23 𝐴𝑇 = 𝑎12 𝑎22 𝑎32
𝑎31 𝑎32 𝑎33 𝑎13 𝑎23 𝑎33
 MATRICES Y VECTORES.

Operaciones de matrices:
La matriz transpuesta satisface las siguientes propiedades:

(𝐴𝑇 )𝑇 = 𝐴
Si λ ∈ ℝ, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝜆𝐴 𝑇 = 𝜆𝐴𝑇 = 𝐴𝑇 𝜆

Si 𝐼 ∈ ℝ𝑛×𝑛 , 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝐼 𝑇 = 𝐼
𝑇
𝐴+𝐵+𝐶 = 𝐴𝑇 + 𝐵 𝑇 + 𝐶 𝑇

𝐴𝑇 + 𝐵 𝑇 + 𝐶 𝑇 𝑇
=𝐴+𝐵+𝐶
 MATRICES Y VECTORES.

Operaciones de matrices:
Producto de matrices: Considerando las matrices 𝐴 ∈ ℝ𝑛×𝑝 y 𝐵 ∈ ℝ𝑝×𝑚 , el
producto de matrices existe solo en el caso en el que el número de las columnas de
A es igual al número de renglones de B.
• El producto de matrices no es conmutativo.
• Cuando se multiplican matrices cuadradas, ambas deben tener el mismo orden.
• Cumple la ley distributiva para dos casos:
• 𝐴 𝐵 + 𝐶 = 𝐴𝐵 + 𝐴𝐶 Ley por la izquierda.
• 𝐵𝑇 + 𝐶 𝑇 𝐴𝑇 = 𝐵𝑇 𝐴𝑇 + 𝐶 𝑇 𝐴𝑇 Ley por la derecha.
 MATRICES Y VECTORES.

Operaciones de matrices:
Cumple la ley asociativa:
• 𝐴 𝐵𝐸 = 𝐴𝐵 𝐸

Otras propiedades:
𝐴𝐵𝐸 𝑇 = 𝐸 𝑇 𝐵𝑇 𝐴𝑇
𝐴(𝐵 + 𝐷) 𝑇 = (𝐵 + 𝐷)𝑇 𝐴𝑇 = 𝐵𝑇 𝐴𝑇 + 𝐷 𝑇 𝐴𝑇
 MATRICES Y VECTORES.

Matrices cuadradas:
Una matriz 𝐴 ∈ ℝ𝑛×𝑛 es cuadrada si y solo si n = m.
Algunas de sus propiedades son:
𝐴𝑘 = 𝐴𝐴𝐴 … 𝐴 , 𝑘 𝑣𝑒𝑐𝑒𝑠
𝑛

𝑡𝑟𝑎𝑧𝑎 𝐴 = ෍ 𝑎𝑖𝑖
𝑖=1

El determinante de A se define como:

𝐴 = σ𝑛𝑗=1 −1 𝑖+𝑗 𝑎𝑖𝑗 𝐴 𝑖𝑗 𝑝𝑎𝑟𝑎 𝑗 ≤ 𝑛 y |𝐴|𝑖𝑗 es un determinante de n-1 filas obtenido de
borrar la i-ésima fila y la j-ésima columna de un determinante de n filas.
 MATRICES Y VECTORES.

Matrices cuadradas:
Un cofactor Δ𝑖𝑗 es el coeficiente del término 𝑎𝑖𝑗 en la expresión del determinante
|A| por sus determinantes menores.
Δ𝑖𝑗 = −1 𝑖+𝑗 𝐴
𝑖𝑗

Matriz adjunta de 𝐴 ∈ ℝ𝑛×𝑛 denotada por adj{A}, es la traspuesta de la matriz

de cofactores de A.
Matriz inversa de 𝐴 ∈ ℝ𝑛×𝑛 denotada por 𝐴−1 ∈ ℝ𝑛×𝑛 , se obtiene utilizando el
siguiente procedimiento:
𝑎𝑑𝑗 𝐴
𝐴−1 =
|𝐴|
 MATRICES Y VECTORES.

Matrices cuadradas:
Matriz simétrica: Se representa por 𝐴𝑠 ∈ ℝ𝑛×𝑛 y es aquella matriz que coincide
con su matriz transpuesta.
Matriz antisimétrica: Se representa por 𝐴𝑠𝑘 ∈ ℝ𝑛×𝑛 y es aquella matriz que
satisface la condición de 𝐴𝑠𝑘 = −𝐴𝑇𝑠𝑘 .
Cualquier matriz cuadrada 𝐴 ∈ ℝ𝑛×𝑛 puede ser expresada como la suma de una
matriz simétrica 𝐴𝑠 ∈ ℝ𝑛×𝑛 y una matriz antisimétrica 𝐴𝑠𝑘 ∈ ℝ𝑛×𝑛 , tal que:
𝐴+𝐴𝑇 𝐴−𝐴𝑇
𝐴𝑠 = 𝐴𝑠𝑘 =
2 2
 MATRICES Y VECTORES.

Funciones cuadráticas:
La forma cuadrática de una función se define como:
𝑉 𝒙 = 𝒙𝑇 𝐴𝒙 con 𝒙 ∈ ℝ𝑛×1 , 𝐴 ∈ ℝ𝑛×𝑛
Tomando en cuenta que la matriz A puede descomponerse en su parte simétrica y
antisimétrica, se tiene que:
𝑉 𝒙 = 𝒙𝑇 𝐴𝒙 = 𝒙𝑇 𝐴𝑠 + 𝐴𝑠𝑘 𝒙 = 𝒙𝑇 𝐴𝑠 𝒙 + 𝒙𝑇 𝐴𝑠𝑘 𝒙 = 𝒙𝑇 𝐴𝑠 𝒙, ∀𝒙 ≠ 0 ∈ ℝ𝑛
Esto debido a la propiedad de antisimetría, la cual produce como resultado un
escalar idéntico a cero, es decir:
𝒙𝑇 𝐴𝑠𝑘 𝒙 ≡ 0, ∀𝒙 ∈ ℝ𝑛
 MATRICES Y VECTORES.

Valores propios:
Para cada matriz cuadrada 𝐴 ∈ ℝ𝑛×𝑛 existen n valores propios, en general
números complejos, denotados por 𝜆1 𝐴 , 𝜆2 𝐴 ,…, 𝜆𝑛 𝐴 .
El procedimiento para obtener los valores propios de una matriz 𝐴 ∈ ℝ𝑛×𝑛 es el
siguiente:
𝜆 − 𝑎11 … −𝑎1𝑛
𝑑𝑒𝑡 𝜆𝐼 − 𝐴 = ⋮ ⋱ ⋮ =0
−𝑎𝑛1 … 𝜆 − 𝑎𝑛𝑛
𝑑𝑒𝑡 𝜆𝐼 − 𝐴 = 𝜆𝑛 + 𝛼1 𝜆𝑛−1 + ⋯ + 𝛼𝑛−2 𝜆2 + 𝛼𝑛−1 𝜆+ 𝛼𝑛 = 0

Polinomio característico
 MATRICES Y VECTORES.

Valores propios:
El polinomio característico es un polinomio de orden n en la variable 𝜆. Si la matriz
𝐴 ∈ ℝ𝑛×𝑛 es de dimensión n, entonces tendrá n valores propios 𝜆.
Para el caso de una matriz simétrica 𝐴 = 𝐴𝑇 ∈ ℝ𝑛×𝑛 , sus valores propios son
números reales:
𝜆1 𝐴 , 𝜆2 𝐴 , …, 𝜆𝑛 𝐴 ∈ ℝ
 MATRICES Y VECTORES.

Norma espectral:
La norma espectral de una matriz 𝐴 ∈ ℝ𝑛×𝑛 se denota con el símbolo 𝐴 y se
define como:

𝐴 = 𝜆𝐴𝑚𝑎𝑥
𝑇𝐴

Donde 𝜆𝐴𝑚𝑎𝑥
𝑇 𝐴 representa el valor propio máximo del producto resultante de las

matrices 𝐴𝑇 𝐴.
 MATRICES Y VECTORES.

Norma espectral:
La norma espectral de una matriz 𝐴 ∈ ℝ𝑛×𝑛 satisface las siguientes propiedades:
𝐴 = 0 si y solo si 𝐴 = 0 ∈ ℝ𝑛×𝑛
𝐴 > 0 para todo 𝐴 ∈ ℝ𝑛×𝑛 con 𝐴 ≠ 0 ∈ ℝ𝑛×𝑛 .
𝐴 − 𝐵 ≤ 𝐴 + 𝐵 ≤ 𝐴 + 𝐵 , para todo 𝐴, 𝐵 ∈ ℝ𝑛×𝑛 .
𝐴 − 𝐵 ≤ 𝐴 + 𝐵 , para todo 𝐴, 𝐵 ∈ ℝ𝑛×𝑛 .
𝛼𝐴 = 𝛼 𝐴 , para todo α ∈ ℝ 𝑦 𝐴 ∈ ℝ𝑛×𝑛 .
𝐴𝐵 ≤ 𝐴 𝐵 , para todo 𝐴, 𝐵 ∈ ℝ𝑛×𝑛 .
𝐴𝑇 𝐵 ≤ 𝐴 𝐵 , para todo 𝐴, 𝐵 ∈ ℝ𝑛×𝑛 .
 MATRICES Y VECTORES.

Norma espectral:
Considérese la matriz 𝐴 ∈ ℝ𝑛×𝑛 y el vector 𝒙 ∈ ℝ𝑛 :
La norma euclidiana del vector 𝐴𝒙 satisface:
𝐴𝒙 ≤ 𝐴 𝒙 .
Sea 𝒚 ∈ ℝ𝑛 , el valor absoluto de 𝒚𝑇 𝐴𝒙 satisface:
𝒚𝑇 𝐴𝒙 ≤ 𝐴 𝒚 𝒙 , ∀𝒙, 𝒚 ∈ ℝ𝑛
Si la matriz A es simétrica y definida positiva, entonces su norma espectral
1
satisface: 𝐴 = 𝜆𝐴𝑚𝑎𝑥 y 𝐴−1 =
𝜆𝑚𝑖𝑛
𝐴
 MATRICES Y VECTORES.

Funciones definidas positivas:

Es una función continua en su argumento 𝒙 ∈ ℝ𝑛 tal que 𝑉: ℝ𝑛 → ℝ+ , satisface lo
siguiente:
𝑉 𝒙 = 0 ⟺ 𝒙 = 𝟎 ∈ ℝ𝑛
𝑉 𝒙 > 0 ∀𝒙 ≠ 𝟎
𝑉(𝒙) → ∞ cuando 𝒙 → ∞+ , es decir 𝑉(𝒙) es radialmente no acotada.
Cuando la función cumple con todos estos requisitos en el espacio de su argumento
(𝒙 ∈ ℝ𝑛 ), entonces se le denomina función definida positiva global.
 MATRICES Y VECTORES.

Funciones definidas positivas:

Si la función 𝑉(𝒙) es definida positiva solo para una parte acotada de su
argumento, es decir (𝒙 ∈ ℝ𝑛 : 𝒙 < 𝜌, 𝜌 ∈ ℝ+ ), se le denomina función definida
positiva local y en este caso satisface lo siguiente:
𝑉 𝒙 = 0 ⟺ 𝒙 = 𝟎 ∈ ℝ𝑛
∃𝜌 > 0, 𝛾 > 0: 0 < 𝑉 𝒙 < 𝛾 ∀𝒙 ≠ 𝟎 y 𝒙 < 𝜌.
Con respecto a la notación 𝑉 𝒙 > 0 debe leerse como función definida positiva.
Se denomina función semidefinida positiva a un tipo de función 𝑉(𝒙) ≥ 0, lo que
implica que 𝑉 𝒙 = 0 para argumentos 𝒙 ≠ 𝟎.
 MATRICES Y VECTORES.

Funciones definidas positivas:

Las funciones cuadráticas son el caso más común para funciones definidas
positivas. En general, para que este tipo de funciones sea del tipo función definida
positiva deberá cumplir que la matriz 𝐴 ∈ ℝ𝑛×𝑛 sea definida positiva.
 MATRICES Y VECTORES.

Matriz definida positiva:

La matriz 𝐴 ∈ ℝ𝑛×𝑛 se denota con el símbolo 𝐴 > 0 para representar un tipo
especial de matriz cuadrada denominada matriz definida positiva.
Teorema de Sylvester.
Establece que la función 𝑉 𝒙 = 𝒙𝑇 𝐴𝒙 > 0 es definida positiva si y solo si la
matriz 𝐴 ∈ ℝ𝑛×𝑛 es definida positiva (A > 0) para cualquier 𝒙 ∈ ℝ𝑛 .
 MATRICES Y VECTORES.

Matriz definida positiva:

Una matriz A > 0 es definida positiva si cumple con los siguientes requisitos:
• La matriz A de la función cuadrática 𝑉 𝒙 = 𝒙𝑇 𝐴𝒙, debe ser una matriz
simétrica.
• El primer elemento de la matriz 𝑎11 de 𝐴 ∈ ℝ𝑛×𝑛 debe ser positivo.
• Todos los determinantes menores deben ser positivos, consecuentemente el
determinante de la matriz es 𝐴 > 0.
 MATRICES Y VECTORES.

Matriz definida positiva:

Propiedades de la matriz definida positiva:
• 𝐴 > 0 es una matriz no singular, es decir, existe la matriz inversa 𝐴−1 ∈ ℝ𝑛×𝑛 y
también resulta ser definida positiva 𝐴−1 > 0.
• Todos los valores propios son números reales positivos: 𝜆𝑖 𝐴 > 0 para 𝑖 =
1, 2, … , 𝑛.