Documentos de Académico
Documentos de Profesional
Documentos de Cultura
N
E ANTONIO JOSE DE SUCRE
X VICE RECTORADO BARQUISIMETO
P DEPARTAMENTO DE INGENIERIA ELECTRONICA
O
CAPITULO 2
ANALISIS MATRICIAL
2.0 Introducción
Los objetivos que deben alcanzarse al finalizar el estudio de este capítulo son los siguientes:
1. Dada una matriz real, determinar tanto su ecuación característica como sus valores propios.
2. Determinar los vectores propios, la matriz modal y la matriz diagonal asociados a una matriz real
con autovalores diferentes.
5. Hallar la expresió n en el tiempo del vector de estado de un sistema autónomo con autovalores
diferentes a través de la interpretación modal.
Las diferencias para este capítulo son [1], [2], [4], [5], [6], [7], [8], [10], [11], [12], [15],
[16], [18].
definiciones son poco rigurosas ya que están dirigidas más hacia el estudio de sistemas de control
que hacia el estudio de álgebra lineal.
Definición 2-1
Un conjunto de elementos escalares a, b, c, ..., forma un campo F si para cualesquiera dos
elementos de F, a y b, se cumple que a+b, a-b y a/b (b ≠ 0) son también elementos de F.
Los campos utilizados en este libro son el campo de los números reales, R, y, en pocos
casos, el campo de los números complejos, C.
Definición 2-2
Se llama vector n-dimensional o de orden n sobre un campo F a un conjunto de n elementos
xi de F. Se denota como
x1
x
x= 2
M
xn
Definición 2-3
Un espacio vectorial V sobre un campo F se define como el conjunto de vectores en F que
satisfacen las siguientes condiciones:
1. Para cada par de vectores x y z , la suma x+0 pertenece a V. Además la suma de vectores es
conmutativa y asociativa.
Definición 2-4
Los vectores x1, x2, ..., xn definidos sobre V son linealmente independientes si
c1 x1 + c2 x2 + ... + cn xn = 0 (2-1)
En caso contrario, es decir, si existen constantes c1 , c2 ,..., cn no todas cero para las cuales
se satisface la ecuació n (2-1), los vectores se dicen linealmente dependientes.
Ejemplo 2-1
Considérense los vectores
1 2
x1 = ; x2 =
1 −1
1 2 0
C1 + C2 =
1 −1 0
Ejemplo 2-2
El conjunto de vectores x1, x2 , x3 con x1 = 0, x1 y x3 diferentes de cero es un conjunto
linealmente dependiente ya que
c1 x 1 + c 2 x 2 + c 3 x 3 = 0
ó
c1 0 + c2 x 2 + c3 x 3 = 0
se satisface para c2 = c3 = 0 y c1 = 1 de aquí que todo conjunto de vectores que incluya un vector 0
se considera linealmente dependiente.
Definición 2-5
Un conjunto de vectores x1, x2, ..., xn en V se denomina base del espacio vectorial V si esos
n vectores son linealmente independientes, de manera que cualquier vector x en V puede ser
expresado como una combinación única de los vectores x i .
n
x = ∑ αi x i (2-2)
i =1
Definición 2-6
El número de vectores de una base en un espacio V se denomina dimensión de V. Si el
número es n entonces V es un espacio n-dimensional.
Versión 1.2 - Abril 98
CAPITULO 2: Análisis Matricial 5
Ejemplo 2-3
El conjunto de vectores linealmente independientes
1 0 0
x1 = 0; x 2 = 1; x 3 = 0
0 0 1
y1
y = y2 ; con yi constantes
y3
y = y1 x1 + y 2 x 2 + y 3 x 3
Teorema 2-1
Sean xZ y xw las representaciones de un vector x de orden n con respecto a las bases Z =
{z1, z2, ..., zn}, y W = {w1, w2, .., wn}. La relación entre ambas representaciones viene dada como
X ⇔ Z X z =W Xw
X z = Z −1 W X w
ó (2-3)
X z = PX w
Demostración:
La representación del vector con respecto a la base Z es
a1
n a
x = ∑ a i z i = a1 z1 + a 2 z 2 +L+a n z n = [z 1 z 2 L z n ] 2 = Zx z
i =1 M
a n
Versión 1.2 - Abril 98
CAPITULO 2: Análisis Matricial 6
b1
n b
x = ∑ bi w i = b1 w1 + b2 w 2 +L+bn wn = [w1 w2 L w n ] 2 = W x w
i =1 M
bn
Z xz = W xw
xz = Z-1 W xw
Ejemplo 2-4
Considere la base Z = {z1, z2} donde
1 0
Z=
0 1
3 2
W = { w1 w2 } =
1 2
−1 3 2 −1 1 0 2
xw = W Zxz =
1 2 0 1 2
0
xw =
1
Definición 2-7
La norma de un vector x se denota como x y está definida como la raíz cuadrada no
negativa del producto escalar xT x, es decir
x = xT x = x +x +L+ x n
2 2 2
1 2
(2-4)
x
ui = (2-5)
x
Ejemplo 2-5
Normalizar el x = [1 0 1]Τ
Calculando
x = (1) 2 + ( 0) 2 + (1) 2 = 2
1 1 2
x 1
u= = 0 = 0
x 2 1 2
1
Obsérvese que
u = uΤ . u = 1
Definición 2-8:
Si el producto interno de dos vectores x y z es igual a cero (xT z = 0) entonces se dice que
los vectores son ortogonales entre sí.
Ejemplo 2-6
Los vectores
(x Τ
1 ) ( ) ( )
. x 2 = x 1Τ . x 3 = x Τ2 . x 3 = 0
Ejemplo 2-7
En un espacio n-dimensional V, el conjunto de n vectores unitarios
1 0 0
0 1 0
x1 = 0 ; x 2 = 0 ; L ; x n = 0
M M M
0 0 1
constituyen un conjunto de vectores ortogonales (por ser unitarios y ortogonales a la vez se les llama
ortonormales) y forman la base fundamental del espacio n-dimensional V. A menos que se indique lo
contrario, cualquier vector especificado de ahora en adelante estará definido con respecto a esta
base.
Definición 2-9
Sea el conjunto de vectores U = {u1, u2, ..., un} una base del espacio vectorial V. La base
recíproca de U es el conjunto de vectores R = {r1, r2, ..., rn} tal que
r Τi ⋅ u j = 0 si i ≠ j
i, j = 1, 2, ... n
r Τi ⋅ u j = 1 si i = j
0 si i ≠ j
δ ij = si i = j (2-6)
1
entonces
r Τi . u j = δ ij ( i, j = 1, 2 , L , n ) (2-7)
Los vectores r1, r2, ..., rn constituyen un conjunto linealmente independientes y por lo tanto
son otra base de V. Si se define U como la matriz cuyas columnas son los vectores ui y R como la
matriz cuyas columnas son los vectores r i , entonces U = R ( ) T −1
= R−T .
Ejemplo 2-8
Calcular los vectores recíprocos de
1 2
u1 = ; u2
1 3
1 2
U =
1 3
su inversa será
−1 3 − 2
= RT =
1
U
− 1
3 − 1
r 1 = ; r2 =
− 2 1
Al ser u1 y u2 linealmente independiente constituyan una base del espacio R2, lo mismo
sucede con r1 y r2. Graficando estos vectores en un plano se observa que u1 es perpendicular a r2,
ya que r Τ ( Τ
)
2 u 1 = 0 y u2 es perpendicular a r 1 r i . u 2 = 0 . Véase la Figura 2-1.
[1,0]
u2
r2
u1
[0,1]
r1
Figura 2-1
Representación de los vectores u1 y u2 y sus correspondientes vectores recíprocos del Ejemplo 2-8
Los vectores recíprocos se pueden utilizar para hallar la expresión de un vector con
respecto a una base dada. Supóngase que se tiene una base x1, x2,..., xn del espacio V, por tanto es
posible expresar cualquier vector x en V como
Versión 1.2 - Abril 98
CAPITULO 2: Análisis Matricial 10
n
x = ∑ α i x i = α 1 x 1 + α 2 x 2 +L+α n x n (2-8)
i =1
( ) ( ) (
r 1Τ . x = α 1 r 1Τ x 1 + α 2 r 1Τ x 2 +L + α n r Τ1 x n )
r1Τ x = α 1 (1) + 0 +L + 0 = α 1
Multiplicando la ecuación sucesivamente por r2Τ ,L, rnΤ se obtiene que en general
αi = r iΤ x
( )
n
x = ∑ r Τi x x i (2-9)
i =1
Ejemplo 2-9
Expresar el vector x = [-1 2]T en función de la base U dada en el Ejemplo 2-8.
x = r1Τ x u1 + r Τ
2 x u2
− 1 − 1
x = [3 −2] u1 + [− 1 1] u 2
2 2
x = −7u1 + 3u2
Sean V y W dos espacios vectoriales y sea L una función que a cada vector de V le asigne
un vector único en W, entonces, se dice que L mapea o aplica V en W y se denota L:V → W .
Definición 2-10
Una función L:V → W se dice que es una transformación lineal si para cualesquiera
vectores v1 y v2 en V y para todo escalar ki se cumple que si
L( v i ) = w i
entonces
L( k1 v1 + k 2 v 2 ) = k 1 L( v 1 ) + k 2 L( v 2 ) = k1 w1 + k 2 w2
La ecuación matricial
A x= y (2-10)
donde A es una matriz (nxm), x es un vector (mx1) y y es un vector (nx1), es una transformación
lineal: la matriz A transforma el vector x de un espacio m-dimensional en un vector y de un espacio
n-dimensional. Las transformaciones lineales no se reducen a este caso, llamado transformación
matricial, pero es el de mayor utilización en el análisis de sistemas lineales, de aquí que se estudien
detalladamente a continuación.
La ecuación (2-10) no siempre tiene solución. Para conocer si existen vectores x solución
de esa ecuación y determinar cuantas soluciones linealmente independientes se pueden encontrar es
necesario introducir los conceptos presentados seguidamente.
Definición 2-11
Considere la transformación de la ecuación (2-10). Se denomina imagen (o recorrido) de A
el conjunto de todos los vectores y de un espacio n-dimensional W para los cuales existe al menos
un vector x en un espacio m-dimensional V que satisface la ecuación (2-10).
Ejemplo 2-10
Sea la matriz
2 −1
A=
−4 2
y1 a11 a12 L a1 m x1
y a a22 L a2 m x2
2 = 21
M M M
yn an1 an 2 L anm xm
ó
Versión 1.2 - Abril 98
CAPITULO 2: Análisis Matricial 12
Es posible decir con base en esta última ecuación que la imagen (o recorrido) de A es el
conjunto de todas las posibles combinaciones lineales de las columnas de la matriz A. La imagen de
A constituye un espacio vectorial dentro de W (subespacio de W), por lo tanto su dimensión es igual
al máximo número de vectores linealmente independientes en dicho subespacio.
Definición 2-12
El rango r de una matriz A es el máximo número de columnas linealmente independiente en
A, es decir, la dimensión de la imagen (recorrido) de A (dim ℜ( A)) .
Ejemplo 2-11
Determinar el rango de las matrices
1 −1 0
1 −1
A = 2 1 B=
1
1
2
3 0 1
1 1
A1 =
0 1
lo que indica que el rango de A es r = 2. Ya que B tiene determinante diferente de cero, la mayor
submatriz de B que especifica su rango es ella misma, por lo tanto el rango de B es r = 2. Analizado
de otra manera: A tiene 2 columnas linealmente independientes, la tercera es combinación de las 2
primeras, mientras que las 2 columnas de B son linealmente independientes, esto conduce al mismo
resultado r = 2 para ambas matrices.
Se puede demostrar ( [4] , Pág. 83) que el máximo número de columnas linealmente
independientes de una matriz es igual al máximo número de filas linealmente independientes. Luego,
el rango de una matriz puede ser calculado observando el número de relaciones lineales de filas o
columnas entre sí.
Teorema 2-2
Considere la ecuación (2-10). Dada la matriz A y cualquier vector y existe un vector x
solución de la ecuación (2-10) si y sólo si el rango de A es igual a n (al número de filas de A).
Definición 2-15
Se denomina núcleo de A al conjunto de todos los vectores x del espacio n-dimensional V
para los cuales A x = 0 . El núcleo de A es un subespacio de V, su dimensión se denomina nulidad
de A y se denota por la letra ‘q’ (q = dim ℵ( A) ) .
Existe una relación entre el rango y la nulidad de toda matriz A la cual puede ser expresada
por el siguiente teorema.
Rango(A ) + Nulidad(A ) = n
ó
r+q=n
Véase referencia [18] pág. 223 para la demostración de este teorema.
Ejemplo 2-12
Determinar la nulidad de la matriz
2 2 3 1
0 0 1 0
A=
1 1 1 1
1 1 1 1
La matriz A tiene 3 columnas (y filas) linealmente independiente, por ello, r=3. Ya que n=4
entonces
Este resultado indica que para la ecuación A x = 0, usando la matriz A dada, sólo existirá un
vector x solución de dicha ecuación.
x = P xw
y = P yw
P yw = A P xw
yw = P -1 A P xw
yw = B xw
donde
B = P -1 A P
Ejemplo 2-13
Hallar la matriz semejante de A expresada en función de la base W donde
0 1 1 1
A= W=
2 −1 1 −2
P = Z -1 W
1 1
P=ΙW=
1 −2
Luego
1 0
B = P−1 AP =
0 −2
Definición 2-14
Sea A una matriz real (nxn). Un valor de λ para el cual la ecuación
A xi = λ xi (2-11)
tiene una solución no trivial (xi ≠ 0), se denomina valor propio de la matriz A.
En algunos textos, en lugar del vocablo valores propios, utilizan los términos valores
característicos, raíces latentes, eingenvalores o autovalores.
( λ I − A) x i = 0 (2-12)
Para que esta ecuación tenga una solución no trivial se debe cumplir que el determinante de
la matriz (λI - A), llamada Matriz Característica de A, sea igual a cero (véase Definición 2-13),
es decir
λI − A = 0 (2-13)
P( λ) = λn + a n λn −1 + L + a 2 λ + a1 = 0 (2-14)
Ejemplo 2-14
Encuentre los autovalores de la matriz
1 1 −2
A = −1 2 1
0 1 −1
La matriz característica de A es
λ − 1 −1 2
( λI − A) = −1 λ− 2 −1
0 −1 λ + 1
λI − A = λ3 − 2λ2 − λ + 2
P ( λ) = ( λ − 1)( λ + 1)( λ − 2)
Una propiedad muy importante de los valores propios de la ecuación características radica
en ser invariantes bajo transformaciones de semejanza, esto significa que dos matrices semejantes
tienen la misma ecuación característica y, por supuesto, los mismos autovalores. Para demostrarlo,
supóngase dos matrices semejantes A y B tal que B = P -1 A P donde P es la matriz de
transformación. La matriz característica de B es (λI-B), pero
(λI − B ) = ( λI − Ρ −1 ΑΡ )
(
= λΡ −1 I Ρ − Ρ −1 ΑΡ )
= Ρ − 1 (λΙ − Α)Ρ
λI − B = Ρ −1 λI − A Ρ
pero
Ρ−1 Ρ = I
Luego
λI − B = λI − A
Definición 2-15
Un vector x i ≠ 0 , solución de la ecuación
A xi = λi x i (2-15)
( λi I − A) x i = 0 (2-16)
( λi I − A) x i = 0 (2-17)
es, según el Teorema 2-3, igual a 1 (q = n - r = n-(n-1)=1) lo cual indica que existe un vector
propio xi ≠ 0 solución de la ecuación (2-17) asociado a cada autovalor λi.
Teorema 2-4
Si los n autovalores de una matriz A (nxn) son diferentes entonces los n vectores propios
correspondientes son linealmente independientes y constituyen una base.
Demostración:
Por contradicción. Supóngase que los vectores propios son dependientes de tal manera que
los vectores x1, x2, ..., xk sean independientes y los vectores xk+1, ..., xn sean dependientes de los
primeros. Entonces por la ecuación (2-2) un vector propio xs puede ser expresado como
k
x s = ∑ αi x i ; s = k + 1, L , n
i −1
A x s = λs x s
Luego
k k
A ∑ αi x i = λs ∑ αi x i
i =1 i =1
k k
∑ αi A x i = ∑ αi λs x i
i =1 i =1
k k
∑ αi λi x i = ∑ αi λs x i
i =1 i =1
∑ αi ( λi − λs ) x i = 0
k
i =1
Debido a que no todos los αi son iguales a cero y (λi - λs) ≠ 0 por ser autovalores
diferentes entonces el conjunto de vectores propios xi, es decir, x1, x2, ..., xk es dependiente lo cual
contradice la suposición y por lo tanto el conjunto de n vectores propios es linealmente independiente
y constituye una base.
Ejemplo 2-15
Determine los vectores propios de la matriz
−3 0 −1
A = 0 0 1
2 0 0
La ecuación característica de A es
λ+ 3 0 1
(λΙ − A) = 0 λ −1
−2 0 λ
Luego
λ1 = −1 ⇒ (λ1Ι − Α) x1 = 0
2 0 1 x11 0
0 −1 −1 x21 = 0
−2 0 −1 x31 0
Estas 2 ecuaciones tienen 3 incógnitas, por ello se debe escoger arbitrariamente una de las
incógnitas, siempre y cuando xi ≠ 0 . Tomando x31 = 2 se tiene
λ2 = − 2 ⇒ ( λ2 Ι − Α) x 2 = 0
1 0 1 x12
0 −2 −1 x = 0
22
−2 0 −2 x 32
de donde
x12 + x 32 = 0 ; x12 = − x 32
−2 x22 − x 32 = 0 ; x 22 = −0,5 x 32
Escogiendo x32 = 2
− x32 − 2
x 2 = − 0,5x 32 = − 1
x 32 2
λ3 = 0 ⇒ ( λ3 Ι − Α) x 3 = 0
3 0 1 x13
0 0 −1 x = 0
23
−2 0 0 x 33
de donde
3 x13 + x 33 = 0
x33 = 0
−2 x13 = 0 ; x13 = 0
0 0
x 3 = x 23 = 1
0 0
En algunos casos, se acostumbra normalizar los vectores propios (véase Definición 2-7)
para evitar confusiones. Es conveniente escoger los vectores propios de manera que posean la
mayor cantidad posible de ceros y unos pero sin dejar de ser linealmente independientes, esto con la
finalidad de facilitar cálculos posteriores.
Aunque todo lo expresado hasta el momento en esta sección es válido para toda matriz con
autovalores diferentes vale la pena estudiar el caso particular de las matrices simétricas puesto que
será útil posteriormente conocer algunas de sus propiedades.
Teorema 2-5
Los valores propios de una matriz real simétrica son todos reales (Véase[13]).
Teorema 2-6
Los vectores propios asociados a los valores propios diferentes de una matriz real simétrica
forman un conjunto ortogonal.
Versión 1.2 - Abril 98
CAPITULO 2: Análisis Matricial 21
Demostración:
Si los vectores propios x1 y x2 de una matriz real simétrica A son ortogonales se debe
cumplir que x Τ
1 x 2 = 0 . Si los autovalores correspondientes son λ1 y λ2 , λ1 ≠ λ2 , entonces
λ1 x1 = A x1
λ2 x 2 = A x 2
λ1 x 1Τ x 2 = x Τ1 ΑΤ x 2
x Τ1 λ2 x 2 = x1Τ Α x 2
λ1 x 1Τ x 2 = x Τ1 Α x 2 = λ2 x 1Τ x 2
de donde
( λ1 − λ2 ) x Τ1 x 2 =0
Ejemplo 2-16
Considere la matriz real simétrica
1 1
Α=
1 1
La matriz característica de A es
λ − 1 −1
(λΙ − Α) =
−1 λ − 1
Usando λ1 = 0
( λ1 I − A) x1 = 0
x 11 + x 21 = 0
x11 − 1
Luego x 1 = =
− x11 1
Para λ2 = 2
(λ2 Ι − Α) x 2 = 0
1 −1 x12
−1 =0
1 x22
x 12 − x 22 = 0
x12 1
Luego x 2 = =
x12 1
Se verifica que x Τ Τ
1 x 2 = x2 x1 = 0
Teorema 2-7
Si una matriz A de orden (nxn) posee n autovalores diferentes λ1 , λ2 ,..., λn , entonces, A
puede ser diagonalizada, es decir, transformada en una matriz diagonal Λ por medio de la ecuación
λ1 0
λ2
Λ = Μ −1 ΑΜ = (2-18)
O
0 λn
M ≡ [x 1 x2 L xn ] (2-19)
Demostración:
Sea x1 , x2 ,..., xn los vectores propios asociados a los autovalores λ1 , λ2 ,..., λn ,de manera que se
cumple A xi = λi xi. Entonces
A M = A [ x1 x2 L xn ]
A M = [ A x1 Ax2 L A xn ]
A M = [ λ1 x 1 λ2 x 2 L λn x n ]
λ1 0
λ2
AM = [ x1 x2 L xn ]
O
0 λn
AM =MΛ
Λ = M −1 A M
Ejemplo 2-17
Considere la matriz A del Ejemplo 2-15. Tomando los valores propios allí calculados se
forma la matriz modal
−1 − 2 0
Μ = [x 1 x2 x 3 ] = − 2 − 1 1
2 2 0
Luego
−1 0 0
Λ=Μ −1
ΑΜ = 0 −2 0
0 0 0
Versión 1.2 - Abril 98
CAPITULO 2: Análisis Matricial 24
x& = Α x + Β u
(2-20)
y=C x
donde x es el vector de estado (nx1); u es el vector de entradas (rx1); y el vector de salidas (mx1);
A es una matriz (nxn) con n autovalores diferentes; B y C son matrices de orden (nxr) y (nxn)
respectivamente.
Es posible utilizar la matriz modal M asociada a la matriz A, para una transformación lineal
de la forma
x= Mq (2-21)
donde q es un nuevo vector de estado. Aplicando esta transformación a las ecuaciones (2-20) se
tiene
Μ q& = Α Μ q + Β u
y = CΜq
q& = Μ −1 Α Μ q + Μ −1 Β u
y = CΜ q
q& = Λ q + Β n u
(2-22)
y = Cn q
Las ecuaciones (2-22) se conocen como representación en la Forma Normal (FN) del
sistema de ecuación (2-20). Las nuevas variables q1, q2, .., qn, están desacopladas es decir, su
ecuación es de la forma
q&i = λi qi + bi u
Ejemplo 2-18
Obtener la representación en la Forma Normal (FN) del sistema descrito por las ecuaciones
2 0 −1 0
x& = 0 2 0 x + 1 u
−1 0 2 0
y = [0 0 1]x
1 0 1 1 / 2 0 1 / 2
Μ = 0 1 0 ;Μ = 0 1 0
− 1
Luego
1 0 0
Λ=Μ −1
Α Μ = 0 2 0
0 0 3
0
bn = Μ b = 1
−1
0
c Τn = cΤ Μ = [1 / 2 0 − 1 / 2]
q& = Λ q + b n u
y = c nΤ q
0 1 0 L 0
0 0 1 L 0
Αc = M M M L M
0 0 0 L 1
−a1 −a 2 − a3 L −a n
Ρ (λ) = λn + an λn − 1 + L + a2 λ + a1 = 0
Si las raíces de esta ecuación son λ1, λ2, ..., λn, todos diferentes y siendo a su vez los
autovalores de Ac , entonces los vectores propios asociados estarán definidos por la ecuación
(λi I − A c ) x i = 0
por consiguiente
λi −1 0 L 0 x1i
0 λi −1 L 0 x 2 i
M M M L M M =0
0 0 0 L − 1 x ( n −1 ) i
−a 1 −a 2 −a 3 L λi + a n x ni
de donde se obtiene
λi x1i − x2 i = 0
λi x2 i − x 3i = 0
M
λi x( n − 1) i − xni = 0
a1 x1i + a2 x2 i +L+ ( λi + a n ) xni = 0
1
λ
i
xi = λ2i (2-23)
M
λni −1
1 1 L 1
λ λ2 L λn
1
Μ = λ21 λ22 L λ2n (2-24)
M M L M
λn1 −1 n −1
λ2 L λnn− 1
Ejemplo 2-19
Obtener la matriz modal correspondiente a la matriz
0 1 0
Ac = 0 0 1
−6 5 2
P (λ) = λ3 − 2 λ2 − 5 λ + 6 = 0
P (λ) = ( λ − 1) (λ + 2) ( λ − 3) = 0
1 1 1 1 1 1
Μ = λ1 λ2 λ3 = 1 −2 3
λ21 λ22 λ23 1 4 9
Ejemplo 2-20
Hallar los vectores propios correspondientes a la matriz
2 1 0
A = 1 2 0
1 1 1
λ − 2 −1 0
(λΙ − Α) = −1 λ− 2 0
−1 −1 λ − 1
−1 −1 0
(λ1 Ι − Α) = −1 −1 0
−1 −1 0
( λ1 Ι − Α) x 1 = 0
de la cual se obtienen dos soluciones independientes
1 0
x 1 = −1 ; x 2 = 0
0 1
Para λ3 = 3 se tiene
1
x 3 = 1
1
Ejemplo 2-21
Dada la siguiente matriz, calcular sus vectores propios
−3 −3 −1
A = 1 0 0
0 1 0
La matriz característica es
λ + 3 3 1
( λΙ − Α) = −1 λ 0
0 −1 λ
2 3 1
(λΙ − Α) λ = −1 = −1 −1 0
0 −1 −1
(λ I − A) x 1 = 0
para λ = -1 es ese vector propio
1
x1 = −1
1
Ejemplo 2-22
Hallar los vectores propios asociados a la matriz simétrica
2 0 1
Α = 0 3 0
1 0 2
La matriz característica es
λ − 2 0 −1
(λΙ − Α) = 0 λ− 3 0
−1 0 λ − 2
P (λ) = λ I − A = ( λ − 3) 2 (λ −1) = 0
( λi I − A) x i = 0
Para λ1 = 3 se tiene
1 0 −1 x 11
0 0 0 x21 = 0 (i)
−1 0 1 x31
o bien
x11 − x31 = 0
1
x 1 = 0
1
x12 − x32 = 0
x12
x 1 x 2 = [1 0 1] x22 = x12 + x32 = 0
Τ
x32
0
x2 = 1
0
1
x 3 = 0
−1
Cuando se considera una matriz A con autovalores repetidos y de igual manera que en el
caso de autovalores diferentes, es necesario hallar una nueva base para la transformación de A en
una matriz semejante más fácil de manipular y analizar. La nueva matriz semejante a una matriz A
con autovalores repetidos se conoce como Forma Canónica de Jordán o Forma de Jordán (FJ)
y se designa por la letra J. La forma de Jordán tiene las siguientes características.
1. Los elementos de la diagonal principal son los valores propios de A (o de J, por ser matrices
semejantes).
λ1 1
0 0
λ1
J = λ1
λ2 1
0
0 λ2
λ1 0
λ2 1 0
J=
0 0 λ2 1
0 0 λ2
λi 1 0 L 0
0 λi 1 L 0
J ki = M 0 O O M (2-25)
M M M O 1
0 0 0 L λi
J1i( λi ) 0
J2 i ( λi )
J = O (2-26)
J ki ( λi )
0 J kr ( λn )
Teorema 2-8
Existe un bloque de Jordán de orden k asociado a un valor propio λi si y sólo si los k
vectores linealmente independientes x1 , x2 ,…, xk (vectores propios generalizados) satisfacen las
ecuaciones
(λi Ι − Α) x 1 = 0
(λi Ι − Α) x 2 = − x 1 (2-27)
M
(λi Ι − Α) x k = − x k −1
Demostración
λi 1 0 L 0
0 λi 1 L 0
J =0 0 λi L 0
M M M O L
0 0 0 L λi
T-1 A T = J (2-28)
ó
AT=TJ (2-29)
La matriz T estará constituida por vectores linealmente independientes que constituyen una
base
Τ = [ x1 x2 L xk ] (2-30)
λi 1 0 L 0
0 λi 1 L 0
Α [ x1 x2 L x k ] = [ x1 x2 L xk ] 0 0 λi L 0
M M M O M
0 0 0 L λi
y por consiguiente
Α x i = λi x1
Α x 2 = λi x 2 + x i
M
Α x k = λi x k + x k − 1
Ejemplo 2-23
Determine la forma de Jordán correspondiente a la matriz A del Ejemplo 2-20.
1 0 0
J = 0 1 0
0 0 3
Ejemplo 2-24
Determine los vectores propios generalizados y la matriz J correspondiente a la matriz A del
Ejemplo 2-21.
−1 1 0
J = 0 −1 1
0 0 −1
Obsérvese que J está constituida por un único bloque 3x3, por ello los vectores propios
generalizados corresponden a la solución de las 3 primeras ecuaciones (2-27). Así se tiene
i) ( λ1 I − A) x1 = 0
1
x 1 = −1
1
ii) ( λ1 I − A) x 2 = − x1
2 3 1 x12 1
− 1 − 1 0 x = − − 1
22
0 − 1 − 1 x 32 1
− x12 − x22 = 1
− x22 − x32 = −1
Luego
−1
x 2 = 0
1
iii) ( λ1 I − A) x 3 = − x 2
2 3 1 x13 −1
−1 −1 0 x 23 = − 0
0 −1 −1 x 33 1
− x13 − x23 = 1
− x23 − x33 = −1
Luego
0
x 3 = 0
1
Ejemplo 2-25
Hallar las matrices J y T correspondientes a
2 0 0 0
0 1 1 0
Α=
0 1 3 2
0 1 −1 2
La matriz característica es
λ − 2 0 0 0
0 λ −1 −1 0
(λΙ − Α ) =
0 −1 λ− 3 − 2
0 −1 1 λ − 2
La ecuación característica será P(λ) = |λI-A| = (λ-2)4 =0. Entonces existe un autovalor λ =
2 de multiplicidad m = 4. Evaluando (λI-A) para este autovalor se tiene
0 0 0 0
0 1 −1 0
( λΙ − Α) λ =2 =
0 −1 −1 −2
0 −1 1 0
Esta matriz es de rango r=2 y su nulidad es q=n-r= 2. La forma de Jordán debe contener 2
bloques. Esto conduce a las siguientes dos alternativas
2 1 0 0 2 1 0 0
0 2 0 0 0 2 1 0
J1 = ó J2 =
0 0 2 1 0 0 2 0
0 0 0 2 0 0 0 2
La forma correcta se determina por ensayo y error. Para ello, se parte de cualquiera de las
alternativas. Tomando J1 la cual tiene 2 bloques de orden 2, se deben aplicar las 2 primeras
ecuaciones (2-27) para cada bloque. Así, para el primer bloque
i) ( λ1 I − A) x1 = 0 , de donde se tiene
x 21 − x 31 = 0→ x 21 = x 31
− x21 − x31 − 2 x 41 = 0→ x 21 = x 41
x11
x
x 1 = 21
x 21
− x 21
ii) ( λ1 I − A) x 2 = − x1
Esto conduce a
0 = x11
x22 − x 32 = − x21
x 32 = x21 + x33 →
x 42 = − x22
− x22 − x32 − 2 x 42 = − x21
0 x12
x x
x1 = 21
;x = 22
x 21 2 x21 + x 22
− x 21 − x22
i) (λ1 I − A) x 3 = 0
ii) ( λ1 I − A) x1 = x 3
por consiguiente
0 x 14
x x
x3 = 23
; x4 = 24
x 23 x 23 + x 24
− x 23 − x 24
Sin embargo, no es posible asignar valores para tener 4 vectores linealmente independientes.
De aquí que la forma J1 no es la correcta y se debe analizar J2. Para el bloque (3x3) de J2 se utilizan
las 3 primeras ecuaciones (2-27) las 2 primeras proporcionan el resultado ya conocido.
0 x12
x x
x 1 = 21 ; x2 =
22
x 21 x 21 + x 22
− x 21 − x 22
La tercera ecuación es
iii) ( λ1 I − A) x 3 = − x2
de donde
x13
x
23
x 3 = x + x
22 23
x 21
2
y además x12 = 0
0 0 1
1 0 0
x1 = ; x 2 = ; x3 =
1 1 0
−1 0 0,5
( λ1 I − A) x 4 = 0
Una solución de esta ecuación es
1
0
x4 =
0
0
0 0 1 1
1 0 0 0
Τ=
1 1 0 0
−1 0 0 ,5 0
1 1 0 0
0 2 1 0
J =
0 0 2 0
0 0 0 2
x& = A x + B u
(2-31)
y =Cx
donde A es de orden (nxn) con autovalores repetidos. La matriz de transformación T puede ser
utilizada para obtener un nuevo vector de estado z usando la ecuación
x = Tz (2-32)
&z = T -1 A T z + T −1 B u
y = CTz
&z = J z + B j u
(2-33)
y= Cj z
z& = λi zi + zi +1 + bi u
Ejemplo 2-26
Transforme la siguiente representación FE de un sistema a su correspondiente
representación en la forma de Jordán
−1 2 −1 0 0
x& = 0 −1 0 x + 2
0 u
0 0 −1 3 0
y = [1 0 0] x
−1 1 0
J = 0 −1 0
0 0 −1
y la matriz de transformación es
1 0 0
T = 0 1 1
0 1 2
−1 1 0 0 0
z& = 0 −1 0 z + 1 0 u
0 0 −1 1 0
y = [1 0 0] z
0 1 0 L 0
0 0 1 L 0
Αc = (2-34)
M M M L M
−a1 −a 2 − a3 L −a n
1 0 0L 0 1L 1
λ1 1 0L 0 λ2 L λk
2
λ22 L λ2k
λ1 2 λ1 1L 0
λ3 3λ21 3 λ1L 0 λ32 L λ3
Τ= 1 k (2-35)
M M M M M M
λn1 − 1
λn −1
d
λ= λ1
( ) λ=λ
d 2 λn − 1 ( ) λ= λ
d m −1 λn −1
λn2− 1L
λnk− 1
dλ 2! d 2
1
( m − 1) ! dλn −1 1
λ1 1 0 0
0 λ1 1 0
M M
0
O
J= 0 0 0 λ1
λ2
O
0 λk
Ejemplo 2-27
Obtener las matrices J y T correspondiente a
0 1 0 0
0 0 1 0
Ac =
0 0 0 1
−1 0 2 0
P (λ) = λ4 − 2 λ + 1 = 0
P (λ) = ( λ + 1) 2 ( λ − 1) 2 = 0
1 1 0 0
0 1 0 0
J=
0 0 −1 1
0 0 0 −1
1 0 1 0 1 0 1 0
λ 1 1
1 λ 1 −1 1
Τ= 2 =
1
λ1 2 λ1 λ22 2λ2 1 2 1 −2
3
λ1 3λ21 λ32 3λ22 1 3 −1 3
Nótese que para cada autovalor repetido aparece en J un bloque de orden m y en T existen
m columnas en la secuencia en derivación indicada en (2-35).
x& = Α x (2-36)
con un vector de condiciones iniciales x(0) y donde x es el vector de estado (nx1) y A es una matriz
(nxn) con n autovalores diferentes λi .
n
x( t ) = ∑ αi ( t ) ui (2-37)
i =1
donde ui son los vectores propios normalizados de A. Evaluando la ecuación anterior para t = 0 se
tiene
n
x( 0) = ∑ αi (0)u i
i =1
αi ( 0) = riΤ x( 0)
n n
∑α
& i (t ) ui = Α ∑ αi ( t ) ui
i =1 i =1
n
= ∑ αi ( t ) Α ui
i =1
pero
A ui = λi ui
Luego
n n
& i ( t ) ui = ∑ αi ( t ) λi ui
∑α
i =1 i =1
& i ( t ) = λi αi ( t )
α
[
αi (t ) = e λ i t αi (0) = e λ i t r Ti x( 0) ]
Sustituyendo en (2-37) se llega a
[ ]
x (t ) = ∑ e λ i t r Ti x( 0) u i
n
(2-38)
i =1
El término e λi t representa el i-ésimo modo del sistema y la ecuación (2-38) representa una
superposición de todos los modos del sistema de ecuación (2-36).
Para el caso cuando x(0) es proporcional a un vector propio normalizado ui se tiene que la
[ ]
excitación r i x (0) será nula si i ≠ j y sólo se excitará el modo e λi t .
T
Ejemplo 2-28
Para el sistema descrito por la ecuación de estado autónomo
0 1 1
x& = x(o ) =
−5
x;
−6 1
1 1 1 1
x1 = = −2 ; x 2 = λ = −3
λ1 2
1 5 1 10
u1 = ; u 2 =
−2 5 −3 10
[
r1Τ = 3 5 ]
5 ; r2Τ = −2 10 [ − 10 ]
Versión 1.2 - Abril 98
CAPITULO 2: Análisis Matricial 44
1 1 5 1 1 10
x (t ) = e − 2 t 3 5[ ]
5
1 −2
+ e −2
5
−3 t
[ 10 ]
− 10
1 −3 10
4 − 3t −3 4 e −2 t − 3e −3 t
x (t ) = e − 2t
−8 + e 9 = −3 t − 2t
9 e − 8e
PROBLEMAS
P2-1 Calcular los valores y vectores propios así como la matriz diagonal correspondientes a las
siguientes matrices
1 0 1 0 1 0
a) Α = 0 1 −1 b) Α = 0 0 1
1 −1 0 0 1 0
−1 0 0 0
2 −1 0 0
1
Α = 1 1
0 1
c) 2 d) Α=
0 0 0 1
−1 1 0
0 0 −4 5
P2-2 Calcule los valores y vectores propios asociados a las matrices simétricas indicadas a
continuación:
5 0 0 0
4 −1 1 0 2
Α = −1 −1
1 2
a) 4 b) Α=
0 2 1 2
1 −1 4
0 2 2 1
2 0 0 0
0 0 0 0
1
Α = 0 1
1 1
c) 0 d) Α=
0 1 3 2
0 4 −2
0 1 −1 2
1 0 1 −1 0 1 0 0
0 −1 1 0 0 0 1 0
e) Α= f) Α=
0 0 1 0 0 0 0 1
0 0 0 −1 0 0 0 1
1 2 −1 0
x& = 0 1 0 x + 1 u
a)
1 −4 3 2
y = [1 0 0] x
1 0 1 0
x& = 0 1 −1 x + 0 u
b)
1 −1 0 3
y = [1 1 0] x
−1 2 −1 0 1
x& = 0 −1 0 x + 1 0 u
c) 0 0 −1 1 0
1 1 0
y=
1
x
0 0
P2-5 Hallar la expresión para y(t) en función de los modos del sistema descrito por las
ecuaciones FCC
x& c = Αc x c
y = [1 1 1] x c
1
x c (0) = 3
3