You are on page 1of 32

SISTEMAS LINEALES

Contenido 1.- Material de repaso: Introduccin, Modelos, Linealidad, Herramientas matemticas: Matrices, Transformada de Laplace, etc. 2.- Descripcin en el espacio de estado, dominio del tiempo y dominio de la frecuencia 3.- Controlabilidad y Observabilidad 4.- Retroalimentacin de estado 5.- Observacin de estado 6.- Estabilidad 7.- Sistemas multivariables: Descripcin matricial fraccional 8.- Tpicos avanzados: - Control ptimo} - Control H - Enfoque algebraico (matrices operacionales) - Enfoque geomtrico - Perturbaciones singulares Bibliografa 1.- Linear system Theory and Design. Chi-Tsong Chen 2.- Linear system Theory. Wilson J. Rugh 3.- Linear Systems. Thomas Kailath 4.- Linear Multivariable Control: A geometric approach. W. M. Wonham

-1-

1.- INTRODUCCIN
Objetivo: Estas notas presentan el material introductorio bsico encaminado a soportar un curso de Sistemas Lineales Avanzados. Prerrequisitos: Es recomendable tener antecedentes bsicos en el rea de circuitos elctricos, adems de los cursos bsicos de lgebra, clculo diferencial e integral, nmeros complejos y ecuaciones diferenciales. Glosario Se propone iniciar con la elaboracin de un glosario, en donde se incluyan los trminos que se habrn de aclarar a lo largo del curso, entre ellos, se proponen los siguientes: Sistema lineal convolucin respuesta impulsiva alcanzabilidad observabilidad estabilidad asinttica espacio lineal controlabilidad independencia lineal valores propios estabilidad exponencial estabilidad segn Lyapunov matriz de transicin de estados funcin transferencia formas cannicas forma de Smith - Mc Millan Teorema de Cayley - Hamilton descripcin matricial fraccional valores singulares transformaciones de similaridad robustez observacin de estado ...

-2-

Porqu los Sistemas Lineales?


La interpretacin de la realidad en trminos cuantificables y con propsitos no slo de explicarla, sino tambin de alterarla o incidir en ella para lograr algn fin nos ha llevado a partir de la fsica (que es el la interpretacin detallada de algunos aspectos de la realidad) al concepto ms manejable y pragmtico de sistema. El poder sinttico de este concepto se ha probado en diversos campos, no slo de la ingeniera, sino ltimamente inclusive en ciencias sociales, tales como algunos enfoques en administracin y manejo de recursos humanos. El trmino sistema es utilizado en una gran diversidad de maneras, es difcil dar una definicin que abarque todos los usos que se le da a este trmino y que a la vez sea suficientemente concisa para resultar til. La siguiente pretende ser una definicin de sistema que rene estos requisitos O Un sistema es un conjunto de objetos que interactan entre s o que son interdependientes entre s. El concepto de sistema permite plantear la comprensin de la realidad en dos grandes etapas: identificando sistemas fsicos estableciendo las reglas o leyes que los describen Esta descripcin de los sistemas no es necesariamente completa ni precisa, sino adecuada a nuestra finalidad. A un sistema que hemos identificado para interpretar parte de la realidad la llamamos modelo, de hecho, en ocasiones los trminos modelo y sistema se usan indistintamente. Sencillez Vs. Exactitud Un modelo nunca es una representacin completa de la realidad y de ah vienen sus ventajas y sus desventajas: - es ventajoso porque implica sencillez
-3-

- es desventajoso porque implica inexactitud Sencillez y exactitud son dos caractersticas deseables en un modelo, sin embargo, conforme se gana en una se pierde en la otra y esto ha dado lugar a toda una gama de modelos diferentes para representar un mismo sistema o una misma situacin. En este contexto, los modelos lineales son para muchos, los modelos que sin ser demasiado complejos proporcionan una buena dosis de exactitud en la representacin de una gran variedad de sistemas fsicos. Clasificacin de modelos Los modelos se pueden clasificar desde diversos puntos de vista: - Por su manera de considerar el tiempo: continuos y discretos - Por su naturaleza: fsicos, matemticos, lgicos - Por su predictibilidad: determinsticos, estocsticos Una clasificacin ms detallada se muestra en la siguiente figura
SISTEMA FSICO

MODELO
FSICO MATEMTICO

LGICO

ESTTICO

DINMICO

NUMRICO

ANALTICO

NUMRICO

SIMULACIN

Figura 1. Clasificacin de modelos.


-4-

Modelos matemticos Los modelos matemticos son especialmente tiles por su bajo costo, su formalidad, su gran flexibilidad y su conversin directa a modelos numricos que pueden ser simulados en una computadora. Sin embargo, los modelos matemticos, al igual que otros modelos heredan el conflicto entre sencillez y exactitud, de manera que a travs del desarrollo de esta rea se han buscado diferentes puntos medios entre estos dos extremos.
Equilibrio (?)

Exactitud

Sencillez

S. no lineales p. distribudos estocsticos variantes en el tiempo orden infinito implcitos singulares con retardo, etc...

S. lineales p. concentrados p. invariantes en el tiempo determinsticos

S. estticos

Los diversos grados de complejidad y exactitud se ilustran en la figura 2


Figura 2. Grados de complejidad de los modelos

Una de las consideraciones impuestas tradicionalmente a los modelos en ingeniera ha sido la linealidad, sin embargo, no es la nica que permite un tratamiento sencillo sin perder demasiada exactitud en un gran nmero de casos prcticos. en la siguiente tabla se muestran las consideraciones ms usuales

-5-

Consideracin Linealidad

Parmetros concentrados

Invariancia en el tiempo Causalidad

Significado Es vlido el principio de superposicin entre cualquier par entrada - salida (en estado estacionario) Las dimensiones de los componentes del sistema son pequeas comparadas con las longitudes de onda de las frecuencias de las seales involucradas Ningn componente del sistema contiene parmetros que cambian con el tiempo El sistema no responde antes de que se le aplique alguna entrada

En estas notas la nica consideracin que se cambiar en ocasiones es la de invariancia en el tiempo, as, se tratarn los SLIT (Sistemas Lineales Invariantes en el Tiempo) y ocasionalmente los SLVT (Sistemas Lineales Variantes en el Tiempo). Problemas fundamentales Una motivacin fundamental para plantear modelos, es resolver algn problema, o simplemente dar una explicacin adecuada a una situacin real o ficticia. El problema fundamental que plantea un sistema es la descripcin concisa de su comportamiento entrada - salida y su comportamiento interno. De aqu se desprenden diversos problemas que dependen de lo que deseamos hacer con el sistema: El problema de anlisis consiste en determinar el comportamiento interno y entrada - salida de un sistema El problema de realizacin o diseo consiste en construir un sistema que reproduzca el comportamiento de otro sistema dado.
-6-

El problema de control consiste en elegir adecuadamente la entrada para obtener una salida deseada El problema de observacin (estimacin de estados) consiste en la determinacin del estado interno del sistema a partir de la medicin de entradas y salidas. El problema de identificacin (estimacin de parmetros) consiste en determinar los valores de los parmetros del sistema a partir de mediciones de entrada y salida

SEALES Y SISTEMAS Mientras que las seales son funciones de una o ms variables independientes y contienen informacin acerca de la naturaleza o comportamiento de algn fenmeno, los sistemas reciben seales como entrada y responden a ellas produciendo otras seales a la salida. Esta relacin entre seales y sistemas puede ser representada de manera general en un bloque como en la figura 3

Seales de entrada

SISTEMA ...

Seales de salida

Figura 3. Diagrama de bloques de un sistema en general Estos conceptos son muy generales y abarcan situaciones de muy diversa ndole; por ejemplo: Los voltajes y corrientes como funciones del tiempo aplicados a un circuito son ejemplos de seales y el circuito en s es ejemplo de un
-7-

...

sistema, el cual responder a su vez con voltajes y corrientes dependiendo de los que le son aplicados. Cuando el conductor de un automvil presiona el acelerador, el automvil responde incrementando su velocidad, en este caso, el automvil es el sistema, la presin sobre el acelerador es una seal de entrada y la velocidad del automvil es una seal de salida. Un programa de computadora para el diagnstico de electrocardiogramas puede ser considerado como un sistema que recibe como entrada la seal digitalizada de un electrocardiograma y produce como salida estimaciones sobre parmetros tales como ritmo cardiaco, etc.

Tiempo continuo y tiempo discreto En una seal continua o seal de tiempo continuo x(t), la variable independiente (tiempo) es una variable continua y por ello estas seales estn definidas para cualquier par de instantes de tiempo y para cualquier instante comprendido entre este par. Para este tipo de seales usaremos t para denotar a la variable independiente de tiempo continuo. Por otro lado, una seal discreta o seal de tiempo discreto xk solamente est definida en ciertos instantes discretos de tiempo, de manera que entre cada instante y el siguiente no est definida dicha seal. Una seal de tiempo discreto tambin se puede por lo tanto representar como una lista o secuencia de valores {x1, x2, x3,...}. En este tipo de seales usaremos k para denotar la variable independiente. Son ejemplos tpicos de una seal de tiempo discreto: el valor de una variable en un programa de computadora, el ndice Dow-Jones semanal del mercado de valores, el censo de poblacin anual, el ndice de desempleo, o bien (ver figura 4), la relacin especie-abundancia de una comunidad ecolgica.

-8-

Especies
80

60

40

20 0

10

15

20

25

30

35

Nmero de individuos por especie

Figura 4 Seal que representa la relacin especie-abundancia de una comunidad ecolgica (Adaptada de E.C. Pielou, An introduction to Mathematical Ecology, N. Y. 1969)

Sistemas O Otra manera de ver un sistema es como cualquier proceso que produce una transformacin de seales. Todo sistema debe tener al menos una entrada x y una salida y, la seal de salida est relacionada con la entrada mediante una relacin de transformacin y = f(x). De manera similar a como lo hicimos con las seales, los sistemas pueden ser sistemas de tiempo continuo si transforman seales de entrada de tiempo continuo, en seales de salida de tiempo continuo y sern llamados sistemas de tiempo discreto si transforman seales de entrada de tiempo discreto en seales de salida de tiempo discreto. Interconexin de sistemas. Los diagramas de bloques (ver figura 5) nos permiten representar las operaciones bsicas entre sistemas, esto es, su interconexin, la cual puede ser
-9-

de tres tipos: interconexin en serie o cascada, en paralelo y de retroalimentacin.


A) x y1 f1(x) y2 = f2(y1) f2(y1) =f2(f1(x)) y1 B) x f1(x) + y2 + y1+y2

f2(x) x + f2(y) z f1(z) y

C)

y=f1(z)

Figura 5 Interconexin de sistemas. A) Cascada. B) paralelo. C) Retroalimentacin Propiedades de los sistemas. A continuacin se describen algunas de las propiedades ms importantes de los sistemas. Estas propiedades tienen interpretaciones tanto fsicas como matemticas y son propiedades muy generales, es decir no atienden a la naturaleza fsica del sistema en s, el cual puede ser elctrico, qumico, mecnico, etc. sino ms bien al tipo de transformacin que realiza el sistema sobre las seales de entrada: Sistemas con y sin memoria Un sistema se dice sin memoria si su salida en un instante dado depende de su entrada solamente en ese instante, (un sistema de este tipo en ocasiones es llamado sistema esttico). Por ejemplo, un circuito que contiene una resistencia R alimentada con una fuente de voltaje x(t) responder con una corriente y(t) de acuerdo a la ley de Ohm, y(t) = x(t) / R. Un sistema cuya salida puede depender de entradas en instantes anteriores al actual se denomina sistema con memoria. Este tipo de sistemas tambin
- 10 -

suele llamarse sistema dinmico. El ejemplo ms sencillo de un sistema con memoria es el sistema retardo unitario que produce la salida y(k) como una copia de la entrada x(k) en el instante anterior al actual, es decir y(k) = x(k-1), este sistema suele representarse por el operador retardo q-1 de la siguiente manera y(k) = q-1 x(k) = x(k-1) Un segundo ejemplo es el algoritmo computacional que se encarga de acumular en una sumatoria todos los valores de la entrada x(k) desde que empez a contar el tiempo hasta el instante actual

y(k) = S x(k j)
j =0

Es fcil ver que este algoritmo puede ser visto como la implementacin de la ecuacin de diferencias y(k) = y(k-1) + x(k), con la condicin inicial y(0) = 0. Un ejemplo de un sistema analgico con memoria es un simple capacitor C alimentado por una fuente de corriente x(t), el cual producir un voltaje en sus terminales y(t) dado por

y(t) = x(t)dt
1 C 0

el cual nuevamente puede verse como la implementacin de la ecuacin diferencial dy(t) /dt = x(t) /C con la condicin inicial y(0) =0.

Causalidad. Un sistema es causal si su salida en cualquier instante depende slo de los valores de la entrada en el instante actual o en instantes anteriores. A este tipo de sistemas tambin se le llama no anticipativo, ya que la salida del sistema no anticipa valores futuros de la entrada.

- 11 -

Una consecuencia fundamental de que un sistema sea causal es el hecho de que si se prueban dos entradas a un sistema causal idnticas desde las condiciones iniciales hasta un instante to las salidas correspondientes tambin sern iguales hasta ese mismo instante. Un automvil es un sistema causal, ya que no puede anticipar acciones futuras del conductor, de hecho todos los sistemas fsicos que evolucionan con el tiempo son causales, ya que no pueden anticipar acciones de la entrada antes de que esta ocurra. Sin embargo, cuando los valores de la evolucin de un sistema se tienen almacenados, como suele ocurrir en seales de voz, seales meteorolgicas, indicadores econmicos, etc. de ninguna manera se est obligado a procesar estos datos en forma causal (es decir, en el orden estricto en que fueron ocurriendo) ya que se tiene la informacin de todos los instantes de inters en un intervalo dado. Otro tipo de sistemas que normalmente no son causales son los sistemas en que la variable independiente no es el tiempo, tales como las imgenes, as, el procesamiento de ellas no tiene porque ser causal.

Estabilidad. Intuitivamente, un sistema estable es aquel en que entradas pequeas producen salidas que no divergen, es decir, salidas acotadas. Una de las mejores maneras de ilustrar la diferencia entre sistemas estables e inestables es considerando la figura 6. En dicha figura se muestra una pelota descansando sobre dos tipos diferentes de terreno. Si se considera que la entrada es un pequeo empujn (fuerza impulsiva) horizontal y la salida es la posicin vertical de la pelota se puede intuir fcilmente que la figura 6(a) representa un sistema inestable, mientras que 6(b) es estable.

- 12 -

Impulso

Impulso
(a) (b)

Figura 6 a) Sistema inestable. b) sistema estable Estabilidad entrada acotada - salida acotada o estabilidad en el sentido BIBO (Bounded Input - Bounded Output) define un sistema estable como aquel sistema cuya salida esta acotada siempre y cuando su entrada est acotada. La manera de definir el acotamiento de una seal depende del tipo de anlisis que se quiera realizar, de esta manera, se puede usar el concepto de norma para introducir diferentes tipos de cotas.

Invariancia en el tiempo. Un sistema se dice invariante en el tiempo si un retardo en la seal de entrada produce una seal de salida retardada en la misma cantidad de tiempo, es decir, si y(k) es la salida correspondiente a la entrada x(k) en un sistema invariante en el tiempo, la entrada x(k-d) producir la salida y(k-d). As, por ejemplo, el sistema dado por la ecuacin y(k) = sen[x(k)] es invariante en el tiempo, mientras que el sistema y(k) = kx(k) es variante en el tiempo para verificarlo calcule la salida para x1(k) = x(k-xo) y compare con y(k-ko). Cuando un sistema invariante en el tiempo se describe por ecuaciones diferenciales, o de diferencias, se obtienen coeficientes constantes, en dichos coeficientes normalmente aparecen los parmetros fsicos del sistema, tales como resistencias, capacitancias, masas, coeficientes calorficos, etc.

Linealidad.
- 13 -

Un sistema lineal es aquel que posee la propiedad de superposicin. Dicha propiedad se refiere a que si una entrada es la combinacin lineal (suma ponderada) de varias seales, entonces la salida correspondiente es la combinacin lineal de las salidas correspondientes a cada una de dichas entradas, cuando stas entradas se aplican individualmente. Es decir, si y1(k) es la salida de un sistema lineal cuando la entrada es x1(k) y y2(k) es la salida correspondiente a la entrada x2(k) entonces la salida correspondiente a la combinacin lineal [a x1(k) + b x2(k)] ser [a y1(k) + b y2(k)], donde a y b son constantes. F Observacin. El sistema definido como y(k) = ax(k) + b, donde a, b son constantes NO es un sistema lineal, sin embargo, se dice que es un sistema incrementalmente lineal o afn, ya que los incrementos de la salida responden de manera lineal a incrementos de la entrada, en efecto, es fcil ver que si Dy(k) = y(k) - y(ko) y Dx(k) = x(k) - x(ko) entonces Dy(k) = aDx(k), el cual es un sistema lineal.

- 14 -

HERRAMIENTAS MATEMTICAS
A continuacin se presenta un compendio de herramientas matemticas comnmente usadas en Sistemas Lineales. No se pretende un repaso exhaustivo, pero se trata de rescatar lo ms usual.

Vectores O Dos vectores nx1 x e y se dicen linealmente independientes (L.I.), si alguna combinacin lineal no trivial de ellos produce el vector cero. Es decir, x e y son L.I., si ax+by=0 implica que a=b=0. La definicin se extiende a cualquier cantidad de vectores. O El conjunto de todas las combinaciones lineales de un conjunto dado de vectores es un espacio vectorial denominado el span de dicho conjunto de vectores. Por ejemplo, span{x,y,z}es un subespacio tridimensional del espacio n dimensional Rn si x, y, z son tres vectores nx1 L. I. O Un conjunto de n vectores L. I. nx1 forman una base del espacio de todos los vectores nx1.

- 15 -

O La Norma Euclideana de un vector x nx1, se denota por yxy y se define como x= x x =


T

S x2 i i=1

La siguiente es una lista de propiedades generales de normas. Para vectores x, y arbitrarios nx1 y cualquier escalar a:

x m 0 x = 0 sii x=0 ax = x a x x x + y [ x + y (desigualdad del triangulo) x T y [ xy (desigualdad de Schwarz) Si los elementos de x son complejos, xT se remplaza por el conjugado traspuesto, o traspuesto Hermitiano, denotado x*, o bien, xH

Matrices O Para una matriz A cuadrada, de dimensin nxn, cuyos elementos son aij, la traza de la matriz A se define como el escalar tr A =
i=1

S a ii

Una propiedad fundamental de la traza es que si ambos productos de las matrices A, B estn definidos, entonces tr (AB) = tr (BA)

- 16 -

El determinante de una matriz A nxn (denotado det A, o simplemente |A|) es una conocida funcin escalar de una matriz. ste puede ser calculado mediante la Expansin de Laplace que se describe a continuacin: O Si cij denota el cofactor correspondente a la posicin aij de la matriz A (es decir, cij es (-1)i+j por el determinante de la submatriz (n-1)x(n-1) que resulta de eliminar el rengln i-simo y la columna j-sima de la matriz A) Entonces, para cualquier 1[i [n, det A =

j=1

S a ij c ij .

Esta es la expansin

del determinante a lo largo del rengln i-simo. En forma similar se puede obtener una expansin a lo largo de una columna. La expansin anterior permite el clculo del determinante en forma recursiva, tomando en cuenta que el determinante de un escalar es el escalar mismo. Si B es tambin una matriz nxn, entonces det(AB) = det (BA). O El conjugado de una matriz A nxn (denotado adj A), es la matriz cuyos elementos en la posicin i,j son los cofactores cji de A, es decir, es la matriz traspuesta de cofactores de A. Una matriz A nxn tiene inversa (denotada A-1), si y slo si det Ag0. Una frmula para calcular A-1 se basa en el conjugado de A, como sigue A -1 = adj A det A

Si B es otra matriz nxn, entonces (AB)-1 = B-1A-1.

Valores y vectores propios O Para una matriz A nxn, y un vector x no nulo nx1, cualquier escalar k que cumpla con la ecuacin Ax = kx se denomina valor propio de la matriz A, y al vector x se le llama vector propio correspondiente al valor propio k.
- 17 -

De la definicin se desprende que para un valor propio dado puede haber muchos vectores propios, de hecho, si x es un vector propio, cualquier mltiplo k x (k escalar) es tambin vector propio, en general, el conjunto de los vectores propios para un valor propio dado forma un espacio vectorial denominado el espacio propio correspondiente al valor propio dado. No hay que olvidar que una matriz con elementos reales puede tener valores propios complejos, sin embargo, stos siempre se dan en pares conjugados, ademas, si k es un valor propio del vector x, entonces k (el conjugado de k) es valor propio de x (conjugado de x), es decir, A x =k x. O El polinomio caracterstico de la matriz A se define como det (sIn - A), donde In es la matriz identidad nxn. Las n races del polinomio caracterstico de la matriz A, son precisamente sus n valores propios. Teorema de Cayley - Hamilton.- Si el polinomio caracterstico de la matriz A tiene la forma det (sIn - A) = p(s) = sn + an-1 sn-1 + ... + a1s + a0 Entonces p(A) = An + an-1 An-1 + ... + a1A + a0In = 0n Es decir, una matriz cualquiera A es raz de su polinomio caracterstico. La principal aplicacin del Teorema de Cayley - Hamilton es el hecho de que An+k con km0 se puede expresar como una combinacin lineal de y, A, ..., An-1. O Dada una matriz A nxn, una transformacin de similaridad de A se define como T-1AT, donde T es una matriz invertible. O Si B se obtiene de A mediante una transformacin de similaridad, es decir, si B=T-1AT, se dice que B es similar a A.
- 18 -

La similaridad es una relacin de equivalencia, es decir, cumple con las propiedades: reflexiva, simtrica y transitiva. Por lo tanto, dada una matriz A se pueden definir clases de equivalencia como el conjunto de todas las matrices similares a A. La matriz T-1AT tiene los mismos valores propios que A, es decir, todas las matrices de una misma clase de equivalencia tienen el mismo conjunto de valores propios. Si la matriz A tiene todos sus n valores propios distintos y T tiene como columnas los correspondientes n vectores propios (L.I. por supuesto), entonces T-1AT es una matriz diagonal y los elementos de su diagonal son precisamente los valores propios de A.

@Ejemplo
Para la matriz A = 0 -2 , el polinomio caracterstico es 2 -2 S 2 p(s) = det(sI-A) = det = (s+1+j3)(s+1-j3) -2 S+2

Por lo tanto, los valores propios de A, son: s1 = -1 + j3, s2 = -1 -j3. Sustituyendo sto en Ap=s1p para encontrar un vector propio correspondiente a s1, obtenemos una solucin no trivial, con p1T = [2 1-j3], en forma similar para s2, obtenemos tambin una solucin no trivial p2T = [2 1+j3]. formamos la matriz T usando estos dos vectores columnas, de manera que T= con lo cual 2 2 1-j 3 1+j 3

- 19 -

T -1 =

1 - 1 j 4 4 3 1 + 1 j 4 4 3

1 j 4 3 - 1 j 4 3

finalmente, T -1 AT= -1 + j 3 0 0 -1 - j 3

Sistemas de Ecuaciones Lineales

Un sistema de m ecuaciones lineales con n incgnitas puede escribirse como Ax=b donde A es una matriz conocida mxn, b es un vector conocido mx1 y x es el vector de incgnitas nx1. O El espacio rango o imagen de la matriz A es el espacio vectorial que contiene los vectores mx1 de la forma y=Ax, es decir, el espacio vectorial span(columnas de A) por ello tambin se le llama espacio columna de A. O El espacio nulo o Kernel de la matriz A es el espacio vectorial de los vectores nx1 x tales que Ax=0. En trminos de los conceptos anteriores se pueden expresar las condiciones necesarias y suficientes para que el sistema Ax=b tenga solucin:

- 20 -

El sistema Ax=b tiene una solucin sii b est en la imagen de A. en forma equivalente, la tendr sii bTy=0 para todo vector y en el espacio nulo de AT. Por supuesto, si A es invertible, hay una solucin nica y sta es x=A-1b. O El rango (rank) de una matriz A mxn es la dimensin de la imagen de A El rango de una matriz es igual al nmero de columnas L.I. = nmero de renglones L.I. Una relacin importante que involucra los rangos de dos matrices A y B de dimensiones mxn y nxp respectivamente y de su producto es la siguiente rank A + rank B - n rank (AB) min {rank A, rank B} O La norma inducida de una matriz A mxn puede ser definida en trminos del siguiente problema de minimizacin con restricciones yAy= max yAxy
yxy=1

en donde las normas que aparecen del lado derecho de la expresin son la norma euclideana definida anteriormente para vectores y en este caso, tambin se le llama la norma espectral. Puede ser probado que la norma inducida de una matriz A es igual a la raz cuadrada no negativa del mximo valor propio de ATA o de AAT (estas matrices son simtricas y por lo tanto sus valores propios son reales y no pueden ser negativos), es decir yAy=max k i (A T A) donde i(A) es el valor propio i-simo de ATA. O Al radical que aparece en la expresin anterior se le denota por i y se denomina el i-simo valor singular de la matriz A Es decir, la norma espectral de la matriz A es el mximo valor singular de dicha matriz.
- 21 1[i[n

@Ejemplo
Calcular la norma espectral para la matriz A siguiente A= 12 34

De acuerdo a la definicin, la norma espectral se obtiene de resolver el problema de maximizacin siguiente y A y= max
x 2 +x 2 1 2 =1

(x 1 + 2x 2 ) 2 + (3x 1 + 4x 2 ) 2

En lugar de abordar el problema de maximizacin, podemos calcular los valores propios de ATA, cuyo polinomio caracterstico es det(sI-A T A)=det Y las races de este polinomio son s=15! 221 Eligiendo el signo + se tiene el valor propio mximo, por lo tanto y A y= 15 + 221 =5.465 s-10 -14 =s 2 -30s+4 -14 s-20

r @Ejemplo

Calcular la norma espectral de la matriz A con valores propios reales siguiente


- 22 -

A=

k1 1 0 k2

De acuerdo a la definicin, la norma espectral se obtiene de resolver el problema de maximizacin siguiente y A y= max
x 2 +x 2 =1 1 2

(k 1 x 1 + x 2 ) 2 + k 2 x 2 2 2

En lugar de abordar el problema de maximizacin, podemos calcular los valores propios de ATA, cuyo polinomio caracterstico es s-k 2 -k 1 1 =s 2 -(1+k 2 +k 2 )s+k 2 k 2 det(sI-A A)=det 2 2 1 1 2 -k 1 s-k 2 -1
T

Y las races de este polinomio son (1 + k 2 + k 2 ) ! (1 + k 2 + k 2 ) 2 4k 2 k 2 2 2 1 1 1 2 s= 2 Se puede ver que el radical es siempre positivo, por lo tanto, el mximo valor propio se obtiene eligiendo el signo +, obtenindose y A y=
1 2

(k 1 + k 2 ) 2 + 1 + (k 1 k 2 ) 2 + 1

r
La norma inducida cumple todos los axiomas generales de las normas en Rmxn y algunas propiedades adicionales, por ejemplo: AT=A una consecuencia inmediata es el hecho de que para cualquier vector x nx1, xT=xes la raiz cuadrada del mximo valor propio de xTx o de xxT eligiendo el caso escalar se ve que el resultado coincide con la norma euclideana x. De aqu tambin se desprende que Ax A x para cualquier vector x nx1.
- 23 -

En caso de matrices complejas, las traspuestas en la discusin anterior debern cambiarse por traspuestas Hermitianas.

Formas cuadrticas O Para cualquier matriz Q nxn y cualquier vector x nx1, ambos con elementos reales, la expresin xTQx es denominada una forma cuadrtica. No se pierde generalidad al suponer en una forma cuadrtica que Q es una matriz simtrica, ya que para cualquier matriz Q se cumple que x Qx=x
T T

Q + QT x 2

entonces Q puede ser reemplazada por (Q+QT)/2, la cual siempre es una matriz simtrica. O Una matriz simtrica Q se dice positiva semidefinida si xTQx 0 para todo x. Q se dice positiva definida si es positiva semidefinida y xTQx = 0 solo cuando x=0. O En forma abreviada: Q0 indica que Q es positiva semidefinida. Q>0 indica que Q es positiva definida Q0 indica que Q es negativa semidefinida, es decir, que -Q0 Q<0 indica que Q es negativa definida, es decir, -Q>0 Q>P indica que Q-P es positiva definida (Q-P > 0), etc... Todos los valores propios de una matriz simtrica son reales, de aqu se sigue que Q>0 es equivalente a que todos los valores propios de Q sean positivos. y el que Q0 es equivalente a que todos los valores propios de Q sean no negativos.

- 24 -

Una desigualdad importante para una matriz simtrica Q es la desigualdad de Rayleigh - Ritz, la cual establece que para cualquier vector real x nx1 min xTx xTQx max xTx donde min y max son los valores propios mnimo y mximo de Q, respectivamente. La norma espectral de una matriz Q positiva semidefinida, est dada por Q=max y su traza est acotada por Q tr Q nQ

La Prueba de Sylvester nos permite averiguar si una matriz es o no definida positiva. Sea Q una matriz real y simtrica nxn con elementos qij. Para enteros p=1,...,n y 1 i1<i2<i3<...<ip n, los escalares q i1i1 q i2i1 ... q ipi1 qi1i2 qi2i1 ... q ipi2 ... ... ... ... qi1ip qi2ip ... q ipip

Q(i1,i2,...,ip) = det

son llamados menores principales de Q. Adems, los escalares Q(1,2,...,p), p=1,2,...,n, los cuales son simplemente los determinantes de las submatrices pxp superiores izquierdas de Q: q 11 q 12 q 13 q 11 q 12 Q(1)=q11, Q(1,2) = det , Q(1,2,3)= q 21 q 22 q 23 ,... q 21 q 22 q 31 q 32 q 33 son llamados los primeros menores principales La prueba de Sylvester establece lo siguiente: La matriz simtrica Q es positiva definida, si y slo si Q(1,2,...,p) >0 para p=0,1,...,n
- 25 -

y es negativa definida si y slo si (-1)p Q(1,2,...,p) >0 para p=0,1,...,n Por otro lado, Q es semidefinida positiva si y slo si Q(i1,i2,...,ip) 0 para 1 i1<i2<i3<...<ip n y p=0,1,...,n y es negativa semidefinida definida si y slo si (-1)p Q(i1,i2,...,ip) 0 para 1 i1<i2<i3<...<ip n y p=0,1,...,n

*En el caso de que Q tenga elementos complejos, pero sea Hermitiana, es decir Q=QH, entonces la forma cuadrtica es xHQx. con esta variante se siguen aplicando las definiciones anteriores. 12 es o no positiva definida 25

Ejemplo averiguar si la matriz A=

Usando el Criterio de Sylvester, tenemos que A(1)= 1>0, A(1,2)= 1>0 por lo tanto, A es positiva definida.

q
Ms sobre normas O Para un vector x nx1 se puede definir la familia de Normas p, definidas para nmeros reales p1 como sigue y x yp =

S |x| p i=1

1/p

La norma Euclideana viene siendo el caso particular en que p=2. O Tambin se define la norma uniforme de un vector x nx1, denotada por yxy, como sigue
- 26 -

y x y =max |x i |
1[i[n

O Las normas anteriores estn definidas en espacios vectoriales de dimensin finita, sin embargo en otro tipo de espacios, por ejemplo, para el espacio de las funciones de valor real en el intervalo [0,T], la norma uniforme de una funcin f(t) toma la forma y f(t) y =max |f(t)|
0[t[T

O As, una generalizacin de la norma p para una funcin real f(t) se define como y f(t) y p =

|f(t)| p
0

1/p

Normas inducidas O Para cuaquier funcin lineal f de un espacio vectorial V en un espacio vectorial W, es decir, f:VW, y normas y.yV, y.yW definidas en V y W respectivamente, la norma inducida de f toma la forma y f y= max y f(x) y W
yxy V =1

Como puede verse, en el caso en que una matriz A mxn es vista como funcin lineal de Rn en Rm, es decir, la funcin f(x)=Ax con x en Rn, entonces la norma inducida por la norma Euclideana en estos espacios coincide con la norma inducida o norma espectral definida anteriormente. En forma similar, la norma inducida por la norma uniforme para una matriz A es el mximo de la suma de los valores absolutos de los renglones de A y A y =max S |a ij |
1[i[n j=1 n

- 27 -

Mientras que la norma inducida por la norma 1 para una matriz A es el mximo de la suma de las columnas de A: y A y 1 =max S |a ij |
1[j[n j=1 n

Producto interno y ortogonalidad El concepto de ngulo entre dos vectores x1, x2 en un espacio Euclideano es comnmente expresado en trminos del producto punto: x1x2=x1Tx2, ya que en R2 y R3 el ngulo entre estos dos vectores satisface xTx2 1 cos(h) = y x 1 yy x 2 y Donde las normas que aparecen en el denominador son euclideanas. Lo anterior motiva una generalizacin del producto punto para expresar el ngulo entre dos vectores en Rn como cos(h) = < x1, x2 > y x 1 yy x 2 y

O donde el escalar <x1,x2> = x1Tx2 es el producto interno de x1, x2 en Rn Adems, de acuerdo a la desigualdad de Schwarz |<x1,x2>| yx1y yx2y, con lo cual 0 cos 1y por lo tanto, cos est bien definido. As con est nocin generalizada de ngulo, podemos generalizar la nocin de ortogonalidad como sigue: O Dos vectores x, y se dicen ortogonales si su producto interno es cero, es decir, si <x,y>=0 O En forma similar se puede definir tambin el producto interno para dos funciones reales f(t), g(t) en un intervalo [0,T] como sigue
- 28 -

< f(t), g(t) > = f(t)g(t)dt


0

Obsrvese adems que la norma euclideana es compatible con el producto interno, es decir, yxy2= <x,x>

Producto interno y ecuaciones lineales Sea la matriz A mn, con m>n que define el sistema de m ecuaciones con n incgnitas x = Ay, si premultiplicamos el sistema por AT, obtenemos el sistema ATAx =ATy, denominado ecuaciones normales. De este nuevo sistema podemos encontrar una solucin para x si y slo si la matriz ATA denominada matriz de Gram asociada con A, tiene inversa, lo cual ocurre si y slo si A tiene sus n columnas L.I., es decir, si tiene rango n. La matriz de Gram ATA tiene como elemento ij-simo el producto interno del rengln i-simo y la columna j-sima de A. Si el determinante de esta matriz es diferente de cero, la solucin nica de las ecuaciones normales es: x = (ATA)-1ATy donde el vector ATy tiene como elementos, los productos internos de cada rengln de A con el vector y.

FEs

clsico el hecho de que las ecuaciones normales conllevan un mal condicionamiento numrico. Un mtodo que permite resolver las ecuaciones normales de una manera ms exacta numricamente consiste en factorizar A usando una factorizacin QR (Triangular - ortogonal), es decir, descomponer A=WU, donde W es una matriz unitaria (WTW=I) y U es una matriz triangular superior. Con esto premultiplicamos ambos lados del sistema original, produciendo el sistema Ux=WTy que puede ser resuelto fcilmente por ser triangular.

- 29 -

Condicionamiento numrico de ecuaciones lineales Consideremos el sistema de ecuaciones Ax=y, donde A es nn, suponiendo que y sufre un incremento y, el efecto en x estar dado por (x+x)=A(y+y), en donde x = A-1y. Usando normas, podemos expresar el cambio relativo en x en trminos del cambio relativo en y de acuerdo a y Dy y y Dx y [ k(A) yxy yyy O En donde k(A) se conoce como el nmero de condicin de la matriz A y est definido como k(A) = yAyyA-1y y como yAyyA-1y yAA-1y = 1, cuando k(A) 1 la matriz A est bien condicionada, ya que k(A) acta como un factor de escala de el errores relativos en A a los errores relativos en x. Como puede verse, el nmero de condicin se puede calcular tambin en trminos de los valores singulares () de la matriz A, como sigue k(A) = max(A)/min(A)

Soluciones aproximadas y la Pseudoinversa Si las m ecuaciones originales Ax=y con n incgnitas son consistentes (tienen solucin nica), la solucin de las ecuaciones de Gram correspondientes coincide con la solucin del sistema original Sin embargo, cuando las ecuaciones no son consistentes, el problema de hallar x tal que Ax=y se puede remplazar por el problema ms general de hallar x tal que la norma del error e = A x - y sea mnima. este problema ^ ^ siempre tiene una solucin nica y est dada por x = A@ y
- 30 -

O Donde A@ es llamada la matriz pseudo inversa de A, ya que esta coincide con A-1 cuando A es cuadrad y no singular. Si A tiene columnas L. I. entonces la matriz de Gram (ATA) tiene inversa y entonces A@ = (ATA)-1AT. Si AT tiene columnas L.I., entonces (AAT) tiene inversa y A@ = AT(AAT)-1. En el caso en queni A, ni AT tengan columnas L. I. A@ no tiene una expresin sencilla, sin embargo siempre se cumplen las siguientes propiedades de A@: A A@A = A A@AA@=A@ (AA@) y (A@A) son simtricas Ayuda de MATLAB sobre NORMAS help norm NORM Matrix or vector norm. For matrices.. NORM(X) is the largest singular value of X, max(svd(X)). NORM(X,2) is the same as NORM(X). NORM(X,1) is the 1-norm of X, the largest column sum, = max(sum(abs((X)))). NORM(X,inf) is the infinity norm of X, the largest row sum, = max(sum(abs((X')))). NORM(X,'inf') is same as NORM(X,inf). NORM(X,'fro') is the F-norm, sqrt(sum(diag(X'*X))). NORM(X,P) is available for matrix X only if P is 1, 2, inf or 'fro'. For vectors.. NORM(V,P) = sum(abs(V)^P)^(1/P). NORM(V) = norm(V,2). NORM(V,inf) = max(abs(V)). NORM(V,-inf) = min(abs(V)).
- 31 -

In MATLAB 4.0, if X has complex components, z, then abs(z) = sqrt(z*conj(z)), not abs(real(z)) + abs(imag(z)), which was used in some earlier versions of MATLAB. See also COND, RCOND, CONDEST, NORMEST. Ejemplo: a = 1 3 norm(a) ans = 5.4650 2 4

- 32 -