Representacin en el Espacio de Estado

Oscar Duarte Facultad de Ingeniera Universidad Nacional de Colombia

p.1/93

Introduccin
Estrategias para modelar el comportamiento de sistemas dinmicos: Ecuaciones diferenciales o de diferencia Funciones de Transferencia Respuestas al Impulso Diagramas de Bloque Diagramas de Flujo de Seal Espacio de Estado (variable de Estado)

p.2/93

Introduccin
Ventajas de la Representacuin en Variables de Estado

La representacin de sistemas de mltiples entradas y mltiples salidas es ms sencilla Toda la dinmica del sistema se representa por ecuaciones diferenciales o de diferencia de primer orden. Simulacin con mtodos computacionales ms ecientes Nueva perspectiva sobre la dinmica de los sistemas Algunas de las tcnicas de control moderno se basan en este tipo de representacin.

p.3/93

Variables de Estado
u1 (t) u2 (t) up (t) Sistema Dinmico y1 (t) y2 (t) yq (t)

. . .

. . .

Figura 1: Sistema Contnuo de mltiples entradas y mltiples salidas

x(t) =f (x(t), u(t), t) y(t) =g(x(t), u(t), t)

p.4/93

Variables de Estado
u1 (k) u2 (k) up (k) . . . Sistema Dinmico . . . y1 (k) y2 (k) yq (k)

Figura 2: Sistema Discreto de mltiples entradas y mltiples salidas

x(k + 1) =f (x(k), u(k), k ) y(k) =g(x(k), u(k), k )

p.5/93

Variables de Estado
u: es un vector que contiene cada una de las p entradas al sistema y: es un vector que contiene cada una de las q salidas al sistema, x: es un vector que contiene cada una de las n variables de estado del sistema: y1 x1 u1 y x u 2 2 2 y=. x= . u=. . . . . . . up p1 yq q1 xn n1

p.6/93

Variables de Estado
Para sistemas dinmicos lineales invariantes en el tiempo, de mltiples entradas y mltiples salidas: Caso contnuo x(t) = Ax(t) + Bu(t) y(t) = Cx(t) + Du(t) Caso discreto: x(k + 1) = Ax(k) + Bu(k) y(k) = Cx(k) + Du(k)

p.7/93

Variables de Estado
El tamao de las matrices debe ser el adecuado: xn1 = Ann xn1 + Bnp up1 yq1 = Cqn xn1 + Dqp up1

x(k + 1)n1 = Ann xn1 + Bnp up1 yq1 = Cqn xn1 + Dqp up1

p.8/93

Variables de Estado
x(t) = Ax(t) + Bu(t) y(t) = Cx(t) + Du(t) x(k + 1) = Ax(k) + Bu(k) y(k) = Cx(k) + Du(k) Algunos conceptos de lgebra Lineal necesarios: Espacios Vectoriales Transformaciones Lineales Valores y Vectores Propios Forma cannica de Jordan Funciones de Matrices Cuadradas

p.9/93

Espacios Vectoriales
Sea un conjunto y F : (, , ) un campo (usualmente F se trata de R o C con las operaciones ususlaes de suma y multiplicacin). A los elementos de se les denomina Vectores, y a los elementos de Escalares. tiene estructura de Espacio Vectorial sobre F si est dotado de una operacin binaria + (suma vectorial) y una operacin entre elementos de y (Producto por escalar) que cumplen ciertas propiedades:

p.10/93

Espacios Vectoriales
(, +, , F) Para la suma vectorial [V.1] Clausurativa: x, y x + y Asociativa: x, y, z (x + y) + z = x + (y + z) Modulativa: 0 | x x + 0 = x Invertiva: x (x) | x + (x) = 0 Conmutativa: x, y x + y = y + x

p.11/93

Espacios Vectoriales
(, +, , F) Para el producto por escalar [V.1] Clausurativa: x , x Asociativa: x , , ( ) x = ( x) Modulativa: x , 1 x = x. 1 es el mdulo de Anulativa: x , 0 x = 0. 0 es el mdulo de . 0 es el mdulo de +

p.12/93

Espacios Vectoriales
(, +, , F) Para las dos operaciones [V.1] Distributiva respecto a +: x, y , (x+y) = ( x)+( y) Distributiva respecto a : x , , ()x = (x)+( x)

p.13/93

Espacios vectoriales
11. 10. Rn sobre el campo R con las operaciones usuales. 9. 8. 7. 6. 5. 4. 3. 2. 1. Cn sobre el campo C con las operaciones usuales. El conjunto de todos los polinomios sobre el campo R con las operaciones usuales entre polinomio. El conjunto de todas las funciones contnuas a trozos sobre el campo C con la operacin + denida como la suma punto a punto. El conjunto de todas las matrices de tamao jo m n sobre el campo C con las operaciones usuales entre matrices.

p.14/93

Espacios Vectoriales
Subespacio: Es un espacio vectorial contenido dentro de otro espacio vectorial, por ejemplo una recta dentro del plano Combinaci n Lineal: Es una expresin de la forma o
n

1 x 1 + 2 x 2 + + n x n =
i=1

i x i

en donde los son escalares y los x son vectores Independencia Lineal: Un conjunto de vectores es lineamente independiente si la nica combinacin lineal de ellos cuyo resultado es 0 es la que tiene todos los coecientes iguales a 0.

p.15/93

Espacios Vectoriales
Conjunto generado: Es el conjunto de todas las posibles combinaciones lineales de los vectores de un cierto conjunto, al que se denomina conjunto generador. Dimension: Es el mximo nmero de vectores linealmente independientes que puede haber en un espacio vectorial. Base: Es cualquier conjunto de vectores linealmente independiente que adems genera el espacio vectorial. En R2 la base estndar est formada por los vectores (1, 0) y (0, 1)

p.16/93

Espacios Vectoriales
Coordenadas de un vector: Un vector x de un espacio vectorial puede escribirse como una nica combinacin lineal de su base B = {b1 , b2 , , bn }: x = 1 b1 + 2 b2 + + n bn Los coecientes i de esa combinacin lineal son las coordenadas de x en la base B

p.17/93

Espacios Vectoriales
Cambios de Base: Un mismo vector tendr diferentes coordenadas en dos bases diferentes. Sean dos bases del mismo espacio vectorial V de dimensin n: A = {a1 , a2 , , an } B = {b1 , b2 , , bn } Denimos las matrices A y B como las matrices que tienen en sus columnas cada uno de los elementos de las bases A y B respectivamente: A = a1 a2 a n B = b1 b2 b n

p.18/93

Espacios Vectoriales
Un vector x tendra coordenadas i en la base A y i en la base B, de tal manera que Denimos los vectores columna y que contienen las coordenadas: 1 1 2 2 = . = . . . . . n n

p.19/93

Espacios Vectoriales
Las expresiones que permiten encontrar las coordenadas de x en una base a partir de sus coordenadas en la otra son las siguientes: A = B = A1 B = B1 A

En caso de que A sea la base estndar, la matriz A resulta ser la matriz identidad de orden n y las ecuaciones se convierten en = B =B
1

p.20/93

Espacios Vectoriales
Transformaciones Lineales Dado un espacio vectorial V de dimensin n, entenderemos por Transformacin Lineal, en el contexto de este captulo, una funcin de V a V que puede representarse por una matriz cuadrada A de dimensin n n: y = Ax

p.21/93

Espacios Vectoriales
Transformaciones y Cambios de Base Sea T una transformacin lineal, que en la base estndar se representa por la matriz T . La misma transformacin se representar en otra base B = {b1 , b2 , , bn } por T = B1 T B en donde B = [b1 b2 bn ]

p.22/93

Transformaciones Lineales
Ejemplo: La funcin T : R2 R2 consistente en la rotacin de vectores 90o en sentido horario es una transformacin lineal representada por la matriz A: 0 1 A= 1 0 Un vector x de coordenadas (a, b) se convertir en un vector y cuyas coordenadas se calculan asi: 0 1 y = Ax = 1 0 a b = b a

p.23/93

Cambio de Base
Ejemplo: En R2 puede denirse una base con cualquier pareja de vectores no paralelos. Por ejemplo A= B= C= 1 0 3 1 1 1 0 1 2 2 1 1

p.24/93

Cambio de Base
Consideremos ahora el vector x de la gura
1 =1 2 =3 2 =2 1 =-1 : base : vector x 1 =1 2 =-2

Figura 3: Cambio de base de un Vector

p.25/93

Cambio de Base
Las coordenadas de x en la base estndar A sern 1 1 = = 3 2 Para obtener las coordenadas de x en las bases B y C construimos las matrices B y C y empleamos la ecuacin de Cambio de Base 1 0 A= 0 1 3 2 B= 1 2 1 1 C= 1 1 1 1 = 3 2

1 1/2 1/2 1 = = B A = 1/4 3/4 2

p.26/93

Cambio de Base
1 1/2 1/2 1 = C A = = 1/2 1/2 2 1 1 = 2 3

Puede vericarse que las coordenadas en las bases B y C satisfacen las relaciones de Cambio de Base = B1 C = C1 B

p.27/93

Transformaciones Lineales y Cambio de Base

Ejemplo: La rotacin de 90o en sentido horario est representada en la base estndar por la matriz 0 1 T = 1 0 La misma transformacin se representar en la base B = {(3, 1), (2, 2)} por la matriz T = B1 T B 1/2 1/2 T = 1/4 3/4 0 1 1 0 3 2 2 2 = 1 2 2,5 2

p.28/93

Transformaciones Lineales y Cambio de Base

Supngase ahora el vector x, cuyas coordenadas en la base estndar son x = (1, 3) y en la base B son x = (1, 2). Al efectuar la rotacin de 90o en sentido horario se obtendr un vector y cuyas coordenadas en la base estndar sern y y en la base B sern y : 0 1 y = 1 0 2 2 y = 2,5 2 3 1 = 1 3 2 1 = 1,5 2

p.29/93

Valores y Vectores Propios

Sea A una transformacin lineal Rn Rn . Un escalar es un valor propio de A si existe un vector no nulo v tal que Av = v Cualquier vector no nulo v que satizfaga Av = v es un vector propio asociado con el valor propio .

p.30/93

Valores y Vectores Propios

Av = v

Para un vector propio v el efecto de aplicarle la transformacin lineal A que amplicarlo por el escalar . Esto implica que un vector y el vector transformado son colineales o paralelos y por lo tanto linealmente dependientes. Esta denicin se reere estrictamente a valores y vectores propios por derecha, para distinguirlos de los valores y vectores propios por izquierda, que deben satisfacer vt A = vt . En este texto slo se consideran los primeros, y por tanto se hace referencia a ellos simplemente como valores y vectores propios.

p.31/93

Valores y Vectores Propios

Av = v Para calcular los valores propios de una matriz A puede reescribirse la ecuacin como Av v = 0 (Av I)v = 0 En donde I es la matriz identidad de igual orden que A, es decir n n. Para que exista una vector v = 0 tal que (Av I)v = 0 debe cumplirse que det(I A) = 0

p.32/93

Valores y Vectores Propios

det(I A) = 0 El lado izquierdo de la ecuacin corresponde a un polinomio de orden n en la variable , conocido como el polinomio caracterstico de A, y denotado por (). Los valores propios de A son las raices de su polinomio caracterstico (). Por tanto, existen la matriz A tiene n valores propios 1 , 2 , , n ; estos valores podrn ser reales o complejos y podrn ser diferentes o repetidos.

p.33/93

Valores y Vectores Propios

Ejemplo: Obtener los valores y vectores propios de la matriz 4 1 A= 2 1 Construimos la matriz B = (I A) y hallamos su determinante: 4 1 1 0 B = (I A) = 2 1 0 1 ( 4) 1 B= 2 ( 1)

p.34/93

Valores y Vectores Propios

( 4) 1 B= 2 ( 1) () = det(B) = ( 4)( 1) + 2 = 2 5 + 6 = ( 2)( 3) Los valores propios de A sern las raices de () 1 = 2 2 = 3

p.35/93

Valores y Vectores Propios

Los vectores propios asociados a 1 = 2 deben cumplir Av = v: Av1 = 1 v1 4 1 2 1 v11 v11 =2 v21 v21 4v11 + v21 2v11 = 2v11 + v21 2v21

Se crea entonces un sistema de ecuaciones con innitas soluciones: 4v11 + v21 = 2v11 2v11 + v21 = 2v21

p.36/93

Valores y Vectores Propios

4v11 + v21 = 2v11 2v11 + v21 = 2v21 Para obtener un vector propio asociado a 1 = 2 podemos escoger arbitrariamente un valor para v11 o para v21 . Por ejemplo, si escogemos v11 = 1 obtenemos v21 = 2. En consecuencia, un vector propio asociado a 1 = 2 ser 1 v1 = 2 en general a v1 = 2a

p.37/93

Valores y Vectores Propios

Los vectores propios asociados a 2 = 3 tambin deben cumplir Av = v: Av2 = 1 v2 4 1 2 1 v12 v12 =3 v22 v22 4v12 + v22 3v12 = 2v12 + v22 3v22

Se crea entonces un segundo sistema de ecuaciones con innitas soluciones: 4v12 + v22 = 3v12 2v12 + v22 = 3v22

p.38/93

Valores y Vectores Propios

4v12 + v22 = 3v12 2v12 + v22 = 3v22 Para obtener un vector propio asociado a 2 = 3 podemos escoger arbitrariamente un valor para v12 o para v22 . Por ejemplo, si escogemos v12 = 1 obtenemos v22 = 1. En consecuencia, un vector propio asociado a 2 = 3 ser 1 v2 = 1 en general a v2 = a

p.39/93

Valores y Vectores Propios

Ejemplo: Obtener los valores y vectores propios de la matriz 2 1 A= 1 2 Construimos la matriz B = (I A) y hallamos su determinante: 2 1 1 0 B = (I A) = 1 2 0 1 ( 2) 1 B= 1 ( 2)

p.40/93

Valores y Vectores Propios

( 2) 1 B= 1 ( 2) (A) = det(B) = ( 2)2 + 1 = 2 4 + 5 Los valores propios de A sern las raices de (A) 1,2 = 2 j

p.41/93

Valores y Vectores Propios

Al aplicar Av = v para 1 y 2 se obtienen dos sistemas de ecuaciones con innitas soluciones
2v + v = (2 + j)v11 11 21 v11 + 2v21 = (2 + j)v21 2v + v = (2 j)v12 12 22 v12 + 2v22 = (2 j)v22

Seleccionando arbitrariamente v11 = 1 y v12 = 1 se obtiene 1 1 v2 = v1 = j j o en general a v1 = ja a v2 = ja

p.42/93

Forma Cannica de Jordan Valores propios diferentes

Sea A una matriz de orden n n Sean 1 , 2 , , n los n valores propios de A, Todos diferentes vi un vector caractersitico asociado a i con i = 1, 2, , n

El conjunto V = {v1 , v2 , , vn } es linealmente independiente, y por lo tanto sirve como una base para el espacio vectorial. Si se efectua un cambio de base a la nueva base V , la matriz A se transforma en la matriz = M1 AM

p.43/93

Forma Cannica de Jordan Valores propios diferentes

= M1 AM La matriz Lambda es la matriz diagonalizada, o la Forma cannica de Jordan de A, y se dene dene asi: 1 0 0 0 0 2 = . . .. . . . . . . . . 0 0 n M = v1 v2 v n

La matriz M se denomina la Matriz Modal, y se dene asi:

p.44/93

Forma Cannica de Jordan Valores propios diferentes

= M1 AM Demostracin: Comprobamos que M = AM: 1 0 0 0 0 2 M = v1 v2 vn . . . . . . . . . . . . 0 0 n M = 1 v1 2 v2 n vn

AM = A v1 v2 vn = Av1 Av2 Avn Como Avi = i vi entonces M = AM

p.45/93

Ejemplo
La transformacin lineal representada por la matriz 4 1 A= 2 1 cuyos valores propios son 1 = 2, 2 = 3 con vectores propios v1 v2 : 1 v1 = 2 1 v2 = 1

p.46/93

Ejemplo
4 1 A= 2 1 A Tiene una representacin en la base {v1 v2 } dada por la matriz diagonal 1 1 = M AM = 2 1
1 1

4 1 2 1

1 1 2 1

1 0 2 0 = = M AM = 0 2 0 3

p.47/93

Ejemplo
La transformacin lineal representada por la matriz 2 1 A= 1 2 cuyos valores propios son 1,2 = 2 j con vectores propios v1 v2 : 1 v1 = j 1 v2 = j

p.48/93

Ejemplo
2 1 A= 1 2 A tiene una representacin en la base {v1 v2 } dada por la matriz diagonal j/2 j/2 = M AM = j/2 j/2
1 1

2 1 1 2

1 1 j j

1 0 2+j 0 = M AM = = 0 2j 0 2

p.49/93

Forma Cannica de Jordan Valores propios repetidos

= M1 AM En general, los vectores propios obtenidos no necesariamente sern linealmente independientes, por lo tanto, la matriz modal M tendr columnas que son linealmente dependientes y su determinante ser 0; como consecuencia no ser posible obtener M1 y no se podr calcular = M1 AM. No obstante, en ocasiones si es posible diagonalizar una matriz con valores propios repetidos, y siempre es posible diagonalizarla por bloques

p.50/93

Degeneracidad
Dada una transformacin lineal A de orden n n, de valores propios 1 , 2 , , n , se dene la degeneracidad del valor propio i , denotada por di , como el nmero de vectores propios de linealmente independientes asociados a un valor propio i , y se calcula asi: di = n (i I A) en donde (X) es el rango de la matriz X, que equivale al nmero de columnas (o las) linealmente independientes de X

p.51/93

Ejemplo
Obtener los valores y vectores propios de la matriz A = y diagonalizarla 1 2 A= 2 5 Construimos la matriz B = (I A) y hallamos su determinante:

( 1) 1 2 1 0 = B = (IA) = 2 ( 2 5 0 1 () = det(B) = ( 1)( 5) + 4 = 6 + 9 () = ( 3)2

2

p.52/93

Ejemplo
Los valores propios de A sern las raices de () 1 = 2 = = 3 La degeneracidad de = 3 se obtiene asi: d1 = 2 (3I A) d1 = 2 3 1 2 2 35 =2 2 2 2 2

d1 = 2 1 = 1

p.53/93

Ejemplo
Lo anterior signica que aunque tiene multiplicidad 2, slo es posible encontrar un vector linealmente independiente que resulta ser 1 v1 = 1 en general a v1 = a

No es posible construir una base para el espacio de dimensin 2 con un slo vector, por lo tanto no es posible diagonalizar A

p.54/93

Ejemplo
Obtener los valores y vectores propios de la matriz A = y diagonalizarla 3 0 1 A = 1 2 1 1 0 3

Construimos (I A): ( 3) 0 1 I A = 1 ( 2) 1 1 0 ( 3)

() = (3)2 (2)(2) = 3 82 +2016

p.55/93

Ejemplo
() = (3)2 (2)(2) = 3 82 +2016

Las raices del polinomio son 1 = 2 = 2, 3 = 4. Para determinar la degeneracidad de 1 calculamos 1 I A 1 0 1 (2 3) 0 1 IA = 1 (2 2) 1 = 1 0 1 1 0 1 1 0 (2 3) d1 = n (I A) d1 = 3 1 = 2 Existen dos vectores propios linealmente independientes asociados a 1 = 2 = 2

p.56/93

Ejemplo
Los dos vectores propios asociados a 1 = 2 = 2 junto con el vector propio asociado a 3 = 4 pueden formar una base y por tanto es posible diagonalizar A. Para obtener los tres vectores propios empleamos Av = v: d 3 0 1 a a 3 0 1 1 2 1 b = 2 b 1 2 1 e = 4 f 1 0 3 c c 1 0 3 Se originan los sistemas de ecuaciones 3a c = 2a 3d f = 4a a + 2b c = 2b d + 2e f = 4e a + 3c = 2c d + 3f = 4f

p.57/93

Ejemplo
3a c = 2a a + 2b c = 2b a + 3c = 2c a=c 3d f = 4a d + 2e f = 4e d + 3f = 4f d = e = f

Se convierten en

Podemos construir dos vectores linealmente independientes v1 , v2 que satisfacen a = c y un tercero v3 que satisface d = e = f , por ejemplo 1 1 1 v 2 = 1 v3 = 1 v 1 = 0 1 1 1

p.58/93

Ejemplo
En la base {v1 v2 v3 } la transformacin A se representa por : = M1 AM

1 0 0 2 0 0 = M1 AM = 0 2 0 = 0 2 0 0 0 4 0 0 3

p.59/93

Forma Cannica de Jordan Valores propios repetidos

Cuando no se puede encontrar un conjunto de vectores propios linealmente independiente lo sucientemente grande para diagonalizar la matriz, debe acudirse al concepto de vectores propios generalizados para lograr una diagonalizacin por bloques. El concepto de vector propio generalizado, y la forma de calcularlos se sale del mbito de este curso. No obstante, es posible determinar en forma sencilla cul es la forma de la matriz diagonalizada por bloques, o Forma Cannica de Jordan de una matriz.

p.60/93

Forma Cannica de Jordan Valores propios repetidos

J es la forma cannica de Jordan de la matriz A J1 0 0 0 J 0 2 J = . . .. . . . . . . . . 0 0 Js j 0 . Ji = . . 0 0 1 0 0 j 1 0 . ... . 0 . ... 1 0 0 0 0 j

p.61/93

Forma Cannica de Jordan Valores propios repetidos

Cada bloque de Jordan est asociado a un valor propio de la matriz A. Para conocer la forma exacta de la matriz J es necesario responder estas preguntas: Cuntos bloques tiene asociados cada valor propio no repetido de la matriz A? De qu tamao es cada uno de los bloques de Jordan asociados a cada valor propio no repetido de la matriz A? Existe un algoritmo para contestar estas preguntas

p.62/93

Forma Cannica de Jordan Valores propios repetidos

Algoritmo: Se plantea para un valor propio , y deber aplicarse para cada valor propio diferente: 1. Se dene la matriz B = A I 2. Se calcula (B0 ), (B1 ), (B2 ), , (B)r hasta que no haya cambio al incrementar el exponente 3. Se calculan las nulidades 0 , 1 , 2 , , r , en donde i = n (Bi ) 4. Se calcula i = i i 1, para i = 1, 2, , r.

p.63/93

Forma Cannica de Jordan Valores propios repetidos

5. Se construye el diagrama de Matthew con la forma que se presenta en la gura: el nmero de celdas de cada la del diagrama de Matthew est determinado por i

r 2 1

Figura 4: Diagrama de Matthew vacio simple

p.64/93

Forma Cannica de Jordan Valores propios repetidos

6. Utilizar las siguientes convenciones: a) Identicar el nmero de columnas del diagrama como q b) Identicar las columnas del diagrama como c1 , c2 , , cq de izquierda a derecha c) Identicar el tamao de cada columna como h1 , h 2 , , h q 7. En esas condiciones el nmero de bloques de Jordan asociados al valor propio es q, y el tamao de cada uno de esos bloques es h1 , h 2 , , h q

p.65/93

Forma Cannica de Jordan Valores propios repetidos

Un general, la forma cannica de Jordan ser entonces:
J= J11 0 . . . 0 0 0 0 . . . J1q1 ... Jm1 0 . . . 0 0 0 0 . . . Jmqm J12 . .. . . . 0 0

Jm2 . ... . . 0

p.66/93

Forma Cannica de Jordan Valores propios repetidos

j 0 . Jji = . . 0 0 1 0 0 j 1 0 . ... . 0 . ... 1 0 0 0 0 j h

ij hij

p.67/93

Ejemplo
Sea A la matriz 3 1 1 1 0 0 1 1 1 1 0 0 0 0 2 0 1 1 A= 0 0 0 2 1 1 0 0 0 0 1 1 0 0 0 0 1 1

Para calcular los valores propios de A hacemos det (A I) = [(3)(1)+1](2)2 [(1)2 1] det (A I) = ( 2)5 = 0

p.68/93

Ejemplo
det (A I) = ( 2)5 = 0 Es decir, A tiene un valor propio 2 de multiplicidad 5 y un valor propio 0 de multiplicidad 1. Nos proponemos encontrar el diagrama de Matthew de los vectores propios asociados a 1 = 2. Para ello denimos B = (A 2I) y calculamos B0 , B1 B2 , B3 , , sus rangos y nulidades B0 = I (A 2I)0 = 6 0 = 6 6 = 0

p.69/93

Ejemplo
1 1 1 1 0 0 1 1 1 1 0 0 0 0 0 0 1 1 B= 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 0 1 1

(A 2I) = 4 1 = 6 4 = 2

p.70/93

Ejemplo
0 0 0 B2 = 0 0 0 2 2 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 2 (A 2I)2 = 2 2 = 6 2 = 4

0 0 0 0

p.71/93

Ejemplo
0 0 0 B3 = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 4 4 (A 2I)3 = 1 3 = 6 1 = 5

0 0 0 4

0 0 0 0

Dado que 3 = 1 no es necesario continuar, pues 4 = 3 .

p.72/93

Ejemplo
Con la informacin anterior podemos calcular i : 3 = 3 2 = 5 4 = 1 2 = 2 1 = 4 2 = 2 1 = 1 0 = 2 0 = 2 El diagrama de Matthew resulta ser De donde se deduce que q = 2, h1 = 3 y h2 = 2

p.73/93

Ejemplo
q = 2, h1 = 3 y h2 = 2. La forma cannica de Jordan de la matriz A ser 2 1 0 0 0 0 0 2 1 0 0 0 0 0 2 0 0 0 1 J = M AM 0 0 0 2 1 0 0 0 0 0 2 0 0 0 0 0 0 0

p.74/93

Forma cannica de Jordan Valores propios complejos

Cuando existen valores propios complejo es posible efectuar otro cambio de coordenadas diferente que produce tambin una matriz diagonal por bloques, pero real, conocida como la Forma cannica Real de Jordan. La nueva matriz modal MR remplaza cada pareja de vectores propios complejos conjugados por dos vectores reales, uno con la parte real y otro con la parte imaginaria de los vectores remplazados. Para un valor propio complejo = a jb que no se repite, el bloque de Jordan asociado tendr la forma a b Ji = b a

p.75/93

Ejemplo
Sea la matriz A 0 0,5 0 A = 0 0 2 1 1 2 2,3 = 0,5 j0,866

Los valores propios de A son 1 = 1

p.76/93

Ejemplo
La Forma Cannica de Jordan de A y la matriz modal que la producen son: 1 0 0 J = 0 0,5 + j0,866 0 0 0 0,5 j0,866

0,408 (0,015 j0,408) (0,015 + j0,40 M = 0,816 (0,721 + j0,382) (0,721 j0,382 0,408 (0,346 j0,217) (0,346 + j0,217

p.77/93

Ejemplo
Para obtener la Forma Cannica Real de Jordan de A construimos la matriz real MR , y vericamos. 0,408 0,015 0,408 MR = 0,816 0,721 0,382 0,408 0,346 0,217 1 0 0 JR = M1 AMR 0 0,5 0,866 R 0 0,866 0,5

p.78/93

Funciones Cuadradas

de

Matrices

Sea f () una funcin que opera sobre un escalar, y sea A una matriz cuadrada n n. cmo calcular f (A) ? Es decir, como extender f () de los escalares a las matrices?. Si f () es un polinomio, la extensin a las matrices se fundamenta en la denicin Ak = AA A k veces A0 = I

p.79/93

Funciones Cuadradas

de

Matrices

Si la matriz A tiene una representacin cannica de Jordan J obtenida con la matriz modal M, es decir, si A = MJM1 entonces Ak = (MJM1 )(MJM1 ) (MJM1 ) k veces Ak = M (J J) M1 k veces Ak = MJk M1

p.80/93

Funciones Cuadradas

de

Matrices

Como J es un a matriz diagonal por bloques, el clculo de Jk puede efectuarse como sigue: J1 0 0 Jk 0 0 1 0 J 0 0 Jk 0 2 2 k J = . . .. J = . . .. . . . . . . . . . . . . . . . . 0 0 Jn 0 0 Jk n

p.81/93

Funciones Cuadradas

de

Matrices

Un polinomio genrico f () = a0 + a1 + a2 2 + + an n puede calcularse en A como f (A) = a0 I + a1 A + a2 A2 + + an An o en funcin de las matrices M y J: f (A) = a0 MM1 + a1 MJM1 + + an MJn M f (A) = Mf (J)M1

p.82/93

Ejemplo

Calcular Ak cuando A es una matriz diagonal: k 0 0 1 0 0 1 0 k 0 0 0 2 2 k A = . . .. A = . . .. . . . . . . . . . . . . . . . . 0 0 n 0 0 k n

p.83/93

Ejemplo
Calcular Ak cuando A es una matriz con la forma de los bloques reales de Jordan para el caso en que los valores propios son imaginarios puros 0 b A= b 0 Calculamos los primeros trminos A1 , A2 , A3 , : 0 b 1 A = b 0 b4 0 A4 = 0 b4 b2 0 A2 = 0 b2 0 b5 A5 = b5 0

0 b3 A3 = 3 b 0 b6 0 A6 = 0 b6

p.84/93

Ejemplo
Observando la secuencia se puede inferir que (1) k bk 2 0 si k es par k k 0 (1) 2 b Ak = k1 0 (1) 2 bk si k es impar (1) k+1 bk 2 0

p.85/93

Funciones Cuadradas

de

Matrices

Tambin es posible extender una funcin f () que no sea un polinomio de los escalares a las matrices empleando la representacin de f () en series de Taylor expandidas alrededor de 0 (series de MacLaurin):

f () =
k=0

k dk f () k! d k

De esta forma se puede expresar f () como un polinomio de . Si A es una matriz cuadrada, puede calcularse f (A) empleando ese polinomio.

p.86/93

Funciones Cuadradas

de

Matrices

Algunas expansiones de funciones comunes: t 2 t2 3 tk 4 tk et = 1 + + + + + 1! 2! 3! 4! a2 t 2 a 4 t 4 a 6 t 6 a 8 t 8 cos at = 1 + + + 2! 4! 6! 8! at a3 t3 a5 t5 a7 t7 + + sin at = 1! 3! 5! 7!

p.87/93

Ejemplo
Sea A una matriz diagonal. Calcular eAt eAt At A2 t2 A3 tk A4 tk =I+ + + + + 1! 2! 3! 4!

1 0 1 . . . 0 .. . 0 1 0 2 . . . 0 0 0 . . . .. . 0 0 . . .

At

0 . . . 0

0 t + . 1! . . 1 0 2 2 . . . 0

0 . . .

0 .. .

2 1

t2 + 2!

0 . . . 0

2 n

p.88/93

Ejemplo
eAt g1 (t) 0 0 g (t) 2 = . . . . . . 0 0 0 0 . ... . . gn (t)

i t 2 t 2 3 t 3 gi (t) = (1 + + i + i + ) 1! 2! 3! e 1 t 0 0 0 e 2 t 0 At e = . . . ... . . . . . . 0 0 e n t

p.89/93

Ejemplo
Sea A una matriz con la forma de los bloques reales de Jordan para el caso en que los valores propios son imaginarios puros. e
At

At A2 t2 A3 tk A4 tk =I+ + + + + 1! 2! 3! 4! t 0 b t2 b2 0 1 0 + + = 0 1 1! b 0 2! 0 b2 t3 0 b3 t 4 b4 0 + + 3 4 + 0 3! b 4! 0 b

eAt

p.90/93

Ejemplo
e
At

t2 b 2 t4 b 4 (1 2! + 2! + ) tb t3 b 3 t5 b 5 ( 1! + 3! 5! + )

( tb 1! (1

t3 b 3 3! t2 b 2 2!

t5 b 5 + 5! t4 b 4 + 2!

+ +

Cada uno de los trminos de la matriz corresponde a la expansin de Taylor de una sinusoide , por lo tanto eAt puede calcularse como e
At

cos(bt) sin(bt) = sin(bt) cos(bt)

p.91/93

Ejemplo
Sea A una matriz con la forma de los bloques reales de Jordan a b A= b a Para calcular emathbf At escribimos A como la suma de dos matrices: a b a 0 0 b A= =B+C= + b a 0 a b 0

p.92/93

Ejemplo
De tal manera que eAt = eBt eCt . e
Bt

eat 0 = 0 eat

Ct

cos(bt) sin(bt) = sin(bt) cos(bt)

y por lo tanto e
At

eat 0 = 0 eat
At

cos(bt) sin(bt) sin(bt) cos(bt)

eat cos(bt) eat sin(bt) = eat sin(bt) eat cos(bt)

p.93/93