Apostila Introdução

IA536 — Teoria de Sistemas Lineares
P EDRO L. D. P ERES /I VANIL S. B ONATTI
Departamento de Telemática
Faculdade de Engenharia Elétrica e de Computação
Universidade Estadual de Campinas
1o. Semestre de 2005

IA536A - Teoria de Sistemas Lineares - FEEC/UNICAMP Profs. Pedro/Ivanil
Motivação
• Estudo de sistemas fı́sicos descritos por modelos lineares
• Aspectos qualitativos e quantitativos
• Projeto da ação para alterar o desempenho
Linearidade
• Muitos sistemas fı́sicos são lineares em determinadas faixas de operação
• O estudo de modelos lineares pode ser sistematizado (álgebra linear)
• Ponto de partida para o estudo de sistemas fı́sicos não lineares
• Uso intensivo do computador para análise e projeto (capacidade crescente

de cálculo e de memória)
intro 2/4
Aplicações
• Engenharia Mecânica e Civil, Comunicações, Processamento de Sinais,

Economia e Finanças, Aeronáutica, Sistemas de Controle Automático,
Análise, Simulação e Projeto de Circuitos, Navegação
Tópicos Principais
• Estudo de sistemas dinâmicos lineares autônomos
• Propriedades e aplicações da álgebra linear
• Sistemas lineares com entradas e saı́das
• Estabilidade, controlabilidade e observabilidade
• Controle e Estimação
intro 3/4
Sistemas Dinâmicos Lineares
ẋ = Ax + Bu
y = Cx + Du
; ẋ é a derivada de x em relação à variável independente t ∈ R (tempo),

x ∈ Rn é o estado, u ∈ R p é o controle (entrada), y ∈ Rq é a saı́da,
; A ∈ Rn×n é a matriz dinâmica, B ∈ Rn×p é a matriz de entrada (ou de

controle), C ∈ Rq×n é a matriz de saı́da (ou de medidas), D ∈ Rq×p é a
matriz de transmissão direta
; A, B, C e D podem ser variantes no tempo; se não existe a entrada u, o

sistema é chamado autônomo
; Sistema dinâmico linear com n estados, p entradas e q saı́das
intro 4/4
Matrizes e vetores
   
a11 a12 · · · a1n x1
 a21 a22 · · · a2n   x2 
Am×n = 
 .. .. .. 
 ; x= 
 .. 
am1 am2 · · · amn xn
; A ∈ Rm×n: matriz real (elementos são escalares reais), A ∈ Cm×n: matriz

complexa;
; x ∈ Rn (real), x ∈ Cn (complexo)
• Transposição:
 
a11 a21 · · · am1
0
 a12 a22 · · · am2  0
£ ¤ 0 0 0 0 0 0
A =
 .. .. ..  ; x = x1 x2 · · · xn ; (A+B) = A +B ; (AB) = B A

a1n a2n · · · amn
matrizlinear 1/24
• Matriz conjugada Ā (A ∈ Cm×n)

   
1 1+ j 0 1 1− j 0
A =  −3 − 3 j j −1 − 5 j  ; Ā =  −3 + 3 j − j −1 + 5 j 
0 4j 1+ j 0 −4 j 1 − j
 
1 −3 + 3 j 0
• Matriz conjugada transposta A∗ =  1 − j −j −4 j 
0 −1 + 5 j 1 − j
(A + B)∗ = A∗ + B∗ ; (AB)∗ = B∗A∗ ; c ∈ C ⇒ (cA)∗ = c̄A∗
Traço: soma dos elementos da diagonal de uma matriz quadrada
n
An×n =⇒ Tr (A) = ∑ aii ; Tr(AB) = Tr(BA) ; Tr(αA+B) = αTr(A)+Tr(B)
i=1
matrizlinear 2/24
Matrizes
• Simétrica: A = A0 (ai j = a ji)
• Anti-simétrica: A = −A0 (ai j = −a ji)
Se A ∈ Rn×n, então A + A0 é simétrica ; A − A0 é anti-simétrica
Se A ∈ Rm×n, então A0A é simétrica ; AA0 é simétrica
• Hermitiana: A = A∗ (ai j = ā ji)
• Anti-hermitiana: A∗ = −A
Toda matriz quadrada A pode ser expressa de maneira única como
1 1
A = X + jY ; X = (A + A∗) ; Y = (A − A∗) ; X,Y hermitianas
2 2j
matrizlinear 3/24
Determinantes
• Notação: det(A) é o determinante da matriz quadrada A n×n, função escalar

que pode ser calculada a partir de uma linha arbitrária k da matriz
n
det(A) = ∑ ak jCk j
j=1
ou ainda a partir de uma coluna l qualquer
n
det(A) = ∑ ailCil
i=1
sendo C pq os cofatores dados por
Cpq = (−1) p+qM pq

e M pq os menores associados aos elementos a pq da matriz An×n. O menor
M pq é o determinante da matriz de dimensão (n − 1) × (n − 1) obtida a partir
da eliminação da linha p e da coluna q da matriz A.
matrizlinear 4/24
; Determinantes de An×n, para n = 1, 2 e 3:
£ ¤
A = a11 =⇒ det(A) = a11
· ¸
a11 a12
A= =⇒ det(A) = a11a22 − a12a21
a21 a22
 
a11 a12 a13
A =  a21 a22 a23  =⇒ det(A) = a11a22a33 + a12a23a31 + a13a21a32
a31 a32 a33 −a13a22a31 − a12a21a33 − a11a32a23
matrizlinear 5/24
Propriedades dos Determinantes
• Se duas linhas (colunas) são trocadas, troca-se o sinal
• Não se altera se uma linha (coluna) multiplicada por um escalar é somada a

outra linha (coluna)
• Se uma matriz tem duas linhas (colunas) idênticas o determinante é igual a

zero
• det(A0) = det(A) ; det(A∗) = det(Ā)
• det(AB) = det(A) det(B)
• det(αA) = αn det(A) (A ∈ Rn×n)

µ· ¸¶ µ· ¸¶
A B A 0
• det = det = det(A) det(D)
0 D C D
matrizlinear 6/24
Matrizes
• Ortogonal: A ∈ Rn×n, A0A = AA0 = I • Unitária: A ∈ Cn×n, A∗A = AA∗ = I
• Determinante de matriz hermitiana é sempre real: det(A) = det(A∗) =

det(Ā0) = det(Ā)
• Se det(A) = 0 a matriz A é chamada singular
Inversa de uma matriz: An×n possui uma inversa Bn×n = A−1 se

AB = BA = In×n
A inversa de uma matriz é dada por
1
A−1 =
Adj (A)
det(A)
sendo Adj (A) a matriz adjunta da matriz A, definida como
Adj (A) = [Co (A)]0
e Co (A) é a matriz cofatora de A, composta pelos cofatores Ci j da matriz A.
matrizlinear 7/24
; Uma identidade matricial AB = C pode ser particionada de várias maneiras:

· ¸ · ¸ · ¸
A1 £ ¤ A1 B1 A1 B2 C1 C2
B1 B2 = =
A2 A2 B1 A2 B2 C3 C4
· ¸· ¸ · ¸ · ¸
A 1 A2 B1 A1 B1 + A 2 B2 C1
= =
A3 A4 B2 A3 B1 + A 4 B2 C2
· ¸· ¸ · ¸ · ¸
A 1 A2 B1 B2 A1 B1 + A 2 B3 A1 B2 + A 2 B4 C1 C2
= =
A3 A4 B3 B4 A3 B1 + A 4 B3 A3 B2 + A 4 B4 C3 C4
; inversa de matriz ortogonal é igual à transposta A−1 = A0
; inversa de matriz unitária é igual à conjugada transposta A −1 = A∗
• Inversa de uma matriz A ∈ R2×2
· ¸−1 · ¸
a b 1 d −b
=
c d ad − bc −c a
matrizlinear 8/24
Fórmulas para Matrizes Inversas

· ¸
A11 A12
Considere a matriz quadrada A = com A11 e A22 também quadra-
A21 A22
das.
• Se A11 é não-singular: det(A) = det(A11) det(A22 − A21A−1
11 A12 )
· ¸ · ¸· ¸· ¸
A11 A12 I 0 A11 0 I A−1
11 A12
=
A21 A22 A21A−1
11 I 0 ∆ 0 I
11 A12 ; A é não-singular sse ∆ é não-singular

∆ , A22 − A21A−1
• Se A22 é não-singular: det(A) = det(A22) det(A11 − A12A−1

22 A21 )
· ¸ · ¸· ¸· ¸
A11 A12 I A12A−1
22 ∆ˆ 0 I 0
=
A21 A22 0 I 0 A22 A−1
22 A21 I
22 A21 ; A é não-singular sse ∆ é não singular

∆ˆ , A11 − A12A−1 ˆ
∆ (∆)
ˆ é chamado de complemento de Schur de A11 (A22)
matrizlinear 9/24
• Se A é não singular
· ¸−1 · ¸
11 + A11 A12 ∆ A21 A11
A−1 11 A12 ∆
−1 −1
A11 A12 −1
−A−1 −1
=
A21 A22 −∆−1A21A−1 11 ∆
−1
· ¸−1 · ¸
A11 A12 ∆ˆ −1 −∆ˆ −1A12A−1
22
=
A21 A22 −A22 A21∆ˆ
−1 −1
A22 + A22 A21∆ˆ A12A−1
−1 −1 −1
22
; Fórmulas para Matrizes Inversas
(A11 − A12A−1
22 A21 )
−1
= A−1 −1 −1 −1 −1
11 + A11 A12 (A22 − A21 A11 A12 ) A21 A11
(A22 − A21A−1
11 A 12 ) −1
= A −1
22 + A −1
22 A 21 (A 11 − A 12 A −1
22 A 21 ) −1
A 12 A −1
22
matrizlinear 10/24
• Para A bloco-triangular
· ¸−1 · ¸
A11 0 A−1
11 0
=
A21 A22 −A22 A21A−1
−1
11 A−1
22
· ¸−1 · ¸
A11 A12 A−1
11 −A−1
11 A 12 A −1
22
= −1
0 A22 0 A22
• Para matrizes quaisquer B ∈ Cm×n e C ∈ Cn×m

· ¸
Im B
det = det(In +CB) = det(Im + BC)
−C In
• Para quaisquer x, y ∈ Cn: det(In + xy∗) = 1 + y∗x
matrizlinear 11/24
Sistema de Equações Lineares
y1 = a11x1 + a12x2 + · · · + a1nxn

y2 = a21x1 + a22x2 + · · · + a2nxn
..
ym = am1x1 + am2x2 + · · · + amnxn
; Forma matricial: y = Ax
     
y1 a11 a12 · · · a1n x1
 y2   a21 a22 · · · a2n   x2 
y=
 ..  ;
 A=
 .. . . . ..  ;
 x= 
 .. 
ym am1 am2 · · · amn xn
• Interpretação: y é a medida ou valor observado e x é a incógnita; ou y é

a saı́da (resultado) e x é a entrada (ação); y = Ax define um mapeamento
(função ou transformação) que leva x ∈ Rn a y ∈ Rm
matrizlinear 12/24
Equação Característica
• Considere a equação linear λx = Ax, com λ escalar, que pode ser escrita:
(λI − A)x = 0
; Uma solução x 6= 0 existe se e somente se det(λI − A) = 0
; Se A ∈ Rn×n, a expansão fornece uma equação polinomial de ordem n, com

n raı́zes caracterı́sticas λi, i = 1, . . . , n chamadas de autovalores da matriz A.
λixi = Axi ; i = 1, . . . , n
xi: vetor caracterı́stico (autovetor) associado à raiz caracterı́stica (autovalor)

λi
Polinômio Característico: det(λI − A) (mônico, de grau n)
Equação Característica: det(λI − A) = 0
Obs.: A ∈ Rn×n =⇒ λ ∈ C e x ∈ Cn
matrizlinear 13/24
Polinômios Coprimos
; São polinômios que não possuem fator comum. Dados dois polinômios p 0 e
p1, com o grau de p1 menor ou igual ao grau de p0, pode-se usar o algoritmo
euclidiano para determinar se p0 e p1 possuem ou não um fator comum.
• Determine os polinômios p2, . . . , pk tais que pi+1 seja o resto da divisão de

pi−1 por pi.
• Dessa forma, garante-se que os polinômios pi possuem grau estritamente

decrescente e que existem polinômios qi, i = 1, . . . , k tais que pi−1 = qi pi + pi+1.
• A seqüência termina quando encontra-se um pk que divide pk−1, ou, se p0

e p1 não possuem fator comum, a seqüência termina com pk igual a uma
constante não nula. Se houver um fator comum, o maior denominador comum
entre p0 e p1 é dado pelo pk que divide pk−1.
matrizlinear 14/24
Exemplo: Considere p0 = s3 − 6s2 + 11s − 6 e p1 = s2 − 5s + 4.
p0 = (s − 1) p1 + (2s − 2)
| {z } | {z }
q1 p2
p1 = (0.5s − 2) p2 + |{z}
0
| {z }
q2 p3
p2 = 2(s − 1) é o maior denominador comum
Exemplo: p0 = s3 + 4s2 − 2s + 1 e p1 = s2 + 2s − 1.
p0 = (s + 2)p1 + (−5s + 3)
p1 = (−0.2s − 0.52)p2 + 0.56
=⇒ não possuem fator comum
matrizlinear 15/24
Polinômios Coprimos
A matriz de Sylvester pode ser usada para se determinar se dois polinômios

são ou não coprimos.
Considere, por exemplo, os polinômios
p(s) = p0 + p1s + p2s2 + p3s3

q(s) = q0 + q1s + q2s2 + q3s3
A existência de um fator comum implica que existem polinômios

a(s) = a0 + a1s + a2s2 ; b(s) = b0 + b1s + b2s2
tais que
p(s) a(s)
= =⇒ p(s)b(s) + q(s)(−a(s)) = 0
q(s) b(s)
matrizlinear 16/24
; Agrupando as incógnitas (coeficientes de a(s) e b(s)) em um vetor, por

exemplo, na seguinte ordem
£ ¤0
x = −a0 b0 −a1 b1 −a2 b2
e, correspondentemente, os coeficientes de p(s) e q(s) em uma matriz, tem-se
 
q 0 p0 0 0 0 0
 q 1 p1 q0 p0 0 0 
 
 q2 p2 q1 p1 q0 p0 
Sx ,  q3 p3 q2 p2 q1 p1  x = 0

 
 0 0 q 3 p3 q2 p2 
0 0 0 0 q 3 p3
que possui solução diferente da trivial se e somente se det(S) = 0.
S é conhecida como a matriz de Sylvester associada aos polinômios p(s) e

q(s), e pode ser construı́da de diversas maneiras equivalentes, dependendo do
empilhamento escolhido para o vetor x.
; Os polinômios são coprimos se e somente det(S) 6= 0.
matrizlinear 17/24
Função Linear
x+y
Uma função f : Rn → Rm é linear y
se
• f (x + y) = f (x) + f (y), ∀ x, y ∈
Rn
• f (αx) = α f (x), ∀ x ∈ Rn, ∀ α ∈ x
PSfrag replacements
R
Isto é, vale o princípio da super- f (y)
posição
f (x)
f (x + y)
Exemplo: f (x) = Ax, A ∈ Rm×n
• Qualquer função linear f : Rn → Rm pode ser escrita na forma f (x) = Ax
matrizlinear 18/24
Função Linear Função Afim

y = f (x) y = f (x) + k
k replacements
PSfrag
PSfrag replacements
x x
Função Linear por partes
y = f (x)
PSfrag replacements
x
matrizlinear 19/24
Interpretação
n
y = Ax ⇒ yi = ∑ ai j x j ; i = 1···m
j=1
• ai j : fator de ganho da j-ésima entrada x j para a i-ésima saı́da yi
i-ésima linha de A se relaciona com a i-ésima saı́da
j-ésima coluna de A se relaciona com a j-ésima entrada
a23 = 0 implica que a segunda saı́da y2 não depende da terceira entrada x3
; Por exemplo, A diagonal (isto é ai j = 0 para i 6= j) implica que a i-ésima

saı́da depende apenas da i-ésima entrada
matrizlinear 20/24
Exemplo: circuito linear estático (contendo apenas resistores, fontes in-

PSfrag replacements
dependentes e fontes dependentes). Denominando x j as tensões das fontes
independentes e yi as variáveis (tensão ou corrente) do circuito, tem-se
x1
R3
+ − y1 y2
y3
+ + y3 = 0
+ +
+
R1 R2
y1 R1 y2 R2 x2
− −
− y1 = x 1 + y 2 ; y 2 = R3 y3 + x 2
    
1/R1 1/R2 1 y1 0
 1 −1 0   y2  =  x1 
0 1 −R3 y3 x2
   
y1 R1(R2 + R3) R 1 R2 · ¸
 y2  = 1  −R2R3  x1
R1 R2
R1 R2 + R 1 R3 + R 2 R3 x2
y3 −R2 −(R1 + R2)
; Auxı́lio de ferramentas de computação simbólica
matrizlinear 21/24
Linearização
• Funções não-lineares f : Rn → Rm diferenciáveis em x0 ∈ Rn
Para x próximo de x0, f (x) é muito próximo de f (x0) + D f (x0)(x − x0)
¯
∂ fi ¯¯
Matriz jacobiano: D f (x0)i j =
∂x j ¯ x0
Se y = f (x), y0 = f (x0), define-se δx , x − x0 (variação da entrada) e δy ,

y − y0 (variação da saı́da), e portanto
δy ≈ D f (x0)δx
• Para pequenas variações em torno de x0, o comportamento é aproximada-

mente linear
matrizlinear 22/24
Sistemas Dinâmicos Lineares
ẋ = Ax + Bu ; y = Cx + Du
• Sistemas Autônomos (u = 0): Com- • Pode ser alterado através da entrada

portamento pode ser determinado a u(t)
4
partir de uma condição inicial conhe- 3
cida 10
2
1
8
y
6
−1
4
−2
y
2
−3
0
PSfrag replacements
−4
−2 −5
0 1 2 3 4 5 6 7 8 9 10
PSfrag replacements tempo

−4
−6
0 1 2 3 4 5 6 7 8 9 10
tempo
; Comportamento pode ser estudado a partir dos “modos”
matrizlinear 23/24
Sistemas Não Lineares

• Comportamento pode ser imprevisı́vel, dependente da condição inicial, caó-
tico, . . .
4 4
3 3
2 2
1 1
y1
y2
0 0
−1 −1
−2 −2
−3
PSfrag replacements −3
PSfrag replacements
−4 −4
0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 80 100 120 140 160 180 200
tempo tempo
3
1
y2
−1
−2
PSfrag replacements
−3
−4 −3 −2 −1 0 1 2 3 4
y1
matrizlinear 24/24
Equações Diferenciais
• Sistemas lineares invariantes no tempo podem ser descritos por equações
diferenciais ordinárias a coeficientes constantes. Em geral, a ordem da equação
está associada ao número de armazenadores de energia.
Sistema Autônomo
• Equação de Primeira Ordem: x + τẋ = 0, τ é a constante de tempo
1
Modo próprio: x(t) = K exp(λt); Equação caracterı́stica: λ + = 0
τ
t
Solução: x(t) = K exp(− )
τ
• Equação de Segunda Ordem: ẍ + 2αẋ + ω20x = 0
α: coeficiente de amortecimento; ω0: freqüência natural de oscilação
Dois modos próprios do tipo: x(t) = K exp(λt)
Equação caracterı́stica: λ2 + 2αλ + ω20 = 0
Solução: (λ1 6= λ2): x(t) = K1 exp(λ1t) + K2 exp(λ2t);
(λ1 = λ2 = λ): x(t) = K1 exp(λt) + K2t exp(λt)
dif 1/21
Sistemas Não Autônomos

• Método dos Coeficientes a Determinar (sistema de ordem n)
n m
x(t) = ∑ ci pi(t) + ∑ b j f j(t)
i=1 j=0
⇑ ⇑
transitória forçada
A solução é uma combinação linear dos n modos próprios p i(t) e das m + 1

derivadas linearmente independentes f j (t) da entrada (por definição, f 0(t) =
f (t)).
Os coeficientes b j são calculados substituindo-se o termo “forçado” na equa-
ção, e os coeficientes ci são determinados ajustando-se a solução às condições
iniciais.
Modos Próprios: Conjunto de n funções linearmente independentes que cons-
tituem uma base para a solução da equação homogênea de um sistema linear
com n armazenadores de energia.
dif 2/21
• Sistematização
1) Calcular os modos próprios (raı́zes da equação caracterı́stica).
2) Substituir a componente forçada na equação para obter os seus coeficientes.
3) Com as condições iniciais, obter os demais coeficientes.
dif 3/21
Exemplo: x + 5ẋ = t + 10; x(0) = −10
5λ + 1 = 0 =⇒ λ = −0.2
x f = k1t + k =⇒ k1t + k + 5k1 = t + 10; k1 = 1; k = 5 =⇒ x f = t + 5
x(t) = k0 exp(−0.2t) + t + 5; x(0) = −10 =⇒ k0 = −15
Portanto: x(t) = −15 exp(−0.2t) + t + 5

25
20
15
10
t +5
0 x(t)
PSfrag replacements
−5
−10
0 2 4 6 8 10 12 14 16 18 20
t
dif 4/21
Exemplo: ẍ + 3ẋ + 2x = t 3; x(0) = 5, ẋ(0) = −2
λ2 + 3λ + 2 = 0 =⇒ λ1 = −1 , λ2 = −2
x f = k3t 3 +k2t 2 +k1t +k =⇒ k3 = 0.5 , k2 = −2.25 , k1 = 5.25 , k = −5.625
x(t) = a1 exp(−t) + a2 exp(−2t) + 0.5t 3 − 2.25t 2 + 5.25t − 5.625
x(0) = 5 , ẋ(0) = −2 =⇒ a1 = 14 ; a2 = −3.375
30
25
20
15
10
5 x(t)
PSfrag replacements
−5
x f (t)
−10
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
t
dif 5/21
Função Degrau Unitário u(t)
• Definição: uε(t)
uε (t)


 0 , t <0
1 

PSfrag replacements

uε(t) , (1/ε)t , 0 < t < ε



t >ε

ε t 1 ,

u(t)
PSfrag replacements 1
u(t) , lim uε(t)
ε→0+
t
dif 6/21
Função Impulso Unitário δ(t)
• Definição: δε(t)
δε (t) 

 0 , t <0
PSfrag replacements 1/ε 

d 
δε(t) , uε(t) = 1/ε , 0 < t < ε
dt 


0 , t >ε
ε t 

δ(t)
1 d
PSfrag replacements
δ(t) , lim δε(t) δ(t) = u(t)
ε→0+ dt
t
dif 7/21
Z +∞
• Propriedade: f (t)δ(t)dt = f (0) , ∀ f (t) contı́nua em t = 0
−∞
Prova:
Z +∞ Z +∞ Z ε1
I= f (t)δ(t)dt = lim f (t)δε(t)dt = lim f (t)dt
−∞ ε→0+ −∞ ε→0+ 0 ε
Z b
Teorema do Valor Médio: f (t)dt = f (c)(b − a) , c ∈ (a, b)
a
=⇒ I = lim f (y)(ε − 0) , y ∈ (0, ε)
ε→0+ ε
a c b
I= lim f (y) = f (0)

ε→0 +
y ∈ (0, ε)
f (·) =⇒ Função Contı́nua =⇒ f (0−) = f (0) = f (0+)
dif 8/21
Z +∞ Z +∞
• Resumo: f (t)δ(t)dt = f (0) , f (t)δ(t − a)dt = f (a)
−∞ −∞
Z +∞
• Corolário: para f (t) = 1: δ(t)dt = 1 =⇒ Área Unitária
−∞
• Propriedade: δ(t) é uma “função” par
Z +∞
f (t)δ(−t)dt = f (0)
−∞
fazendo ζ = −t,
Z −∞ Z +∞
= − f (−ζ)δ(ζ)dζ = f (−ζ)δ(ζ)dζ =
+∞ −∞
Z +∞
= f (−t)δ(t)dt = f (−0) = f (0)
−∞
pois f (·) é contı́nua. =⇒ δ(−t) = δ(t)
dif 9/21
• Entrada em Degrau
PSfrag replacements
R i
+ +
e C v
− −
e(t)

E , t >0 E
e(t) = Eu(t) = PSfrag replacements
0 , t <0

t
Como a função degrau vale zero no intervalo (−∞, 0), e o circuito é dissipativo,
a tensão no capacitor em t = 0 é nula.
Assim, a resposta à entrada em degrau pode ser estudada a partir da resposta

a uma entrada constante E com condições iniciais nulas.
dif 10/21
Método dos coeficientes a determinar
v f (t) = AE , t >0
v f + τv̇ f = e =⇒ AE = E =⇒ A=1
t
v(t) = K exp(− ) + E
τ
v(0) = 0, =⇒ K = −E,
h t i
v(t) = E 1 − exp(− ) , t > 0 e v(t) = 0 , t < 0
τ
h t i
v(t) = E 1 − exp(− ) u(t)
τ
v(t)
PSfrag replacements E
τ t
dif 11/21
v(t)
PSfrag replacements E
τ t
dv E t h t i
= exp(− )u(t) + E 1 − exp(− ) δ(t)
dt τ τ τ
Dado o caráter amostrador do impulso, só interessa o valor da função que o
multiplica em t = 0.
Z +∞
f (t)δ(t)dt = f (0)
−∞
h t i dv E t
Como E 1 − exp(− ) = 0 para t = 0: = exp(− )u(t)
τ dt τ τ
dv E
Em t = 0+, (0+) =
dt τ
dif 12/21
• Resposta ao Impulso , h(t): (Entrada e(t) = δ(t))

=⇒ Condições Iniciais Nulas (v(0) = 0)
d d
δ(t) , u(t) ; h(t) = [ resposta ao degrau ]
dt dt
Pois
h(t) + τḣ(t) = δ(t) 


=⇒ h(t) = v̇(t)
v(t) + τv̇(t) = u(t)

d nh ³ t í o
=⇒ h(t) = 1 − exp − u(t)
dt τ
1 ³ t´ h ³ t í
h(t) = exp − u(t) + 1 − exp − δ(t)
τ τ τ
h ³ t í 1 ³ t´
Em t = 0, 1 − exp − = 0; h(t) = exp − u(t)
τ τ τ
dif 13/21
Transformada de Laplace
• f (t) função no tempo, nula para t < 0
Z ∞
F(s) , f (t) exp(−st)dt
0
s , σ + jω: freqüência complexa
Notação: F(s) = L [ f (t)]

Pode ser aplicada na solução de equações integro-diferenciais com coeficientes
constantes:
• Torna algébricas as equações diferenciais.
• Simplifica o cálculo da resposta impulsiva.
Seja V (s) = L [v(t)] (v(t) vale zero para t < 0)

• L [v̇(t)] = sV (s) − v(0)
• L [v̈(t)] = s2V (s) − sv(0) − v̇(0)
dif 14/21
Exemplo: ẍ + 2ẋ + 2x = 0 ; x(0) = 5 , ẋ(0) = −2
2 5(s + 2) −2
(s +2s+2)X(s) = (s+2)x(0)+ ẋ(0) =⇒ X(s) = 2 +
s + 2s + 2 s2 + 2s + 2
2.5 − j2.5 2.5 + j2.5 j −j
Frações Parciais: X(s) = + + +
s+1− j s+1+ j s+1− j s+1+ j
x(t) = (2.5 − j1.5) exp[(−1 + j)t] + (2.5 + j1.5) exp[(−1 − j)t]
5
x(t)
2
x(t) = L −1[X(s)];
1
0
PSfrag replacements
−1
0 1 2 3 4 5 6
t
dif 15/21
Exemplo (resposta ao impulso): ẍ + 2ẋ + 2x = δ(t) ; x(0) = ẋ(0) = 0
1
2
(s + 2s + 2)X(s) = 1 ; X(s) = 2 ; x(t) = L −1[X(s)]
s + 2s + 2
− j0.5 j0.5
Frações Parciais: X(s) = +
s+1− j s+1+ j
x(t) = − j0.5 exp[(−1 + j)t] + j0.5 exp[(−1 − j)t]
0.35
0.3
0.25
x(t)
0.2
0.15
0.1
0.05
−0.05
0 1 2 3 4 5 6
t
dif 16/21
Expansão em Frações Parciais

Objetivo: facilitar o cálculo da Transformada Inversa de Laplace.
N(s)
Seja a função racional em s descrita por
D(s)
Caso 1: Grau de N(s) < Grau de D(s)
a) D(s) não tem raı́zes múltiplas.
s+1 s+1 A B C
= = + +
s3 + s2 − 6s s(s − 2)(s + 3) s s − 2 s + 3
¯
N(s) ¯¯ 1
A=s =−
D(s) ¯s = 0 6
¯
N(s) ¯¯ 3
B = (s − 2) =
D(s) ¯s = 2 10
¯
N(s) ¯¯ 2
C = (s + 3) =−
D(s) s = −3
¯ 15
• Alternativamente, é possı́vel usar identidade polinomial para o cálculo das
constantes a determinar.
dif 17/21
b) D(s) com raı́zes múltiplas.
s+1 A B C D
= + + +
s(s − 2)3 s (s − 2) (s − 2)2 (s − 2)3
¯ ¯
N(s) ¯¯ 1 3 N(s) ¯
¯ 3
A=s = − ; D = (s − 2) =
D(s) ¯s = 0 8 D(s) ¯s = 2 2
· ¸¯ · ¸¯ ¯
d 3 N(s) ¯
¯ d s+1 ¯ ¯ −1 ¯¯ −1
C= (s − 2) = = 2¯ =
ds D(s) ¯s = 2 ds s ¯s = 2 s s=2 4
3
· ¸¯
d A(s − 2) 2
¯
pois + B(s − 2) +C(s − 2) + D ¯¯ =C
ds s s=2
2
· ¸¯ ¯
d 3 N(s) ¯ 2 ¯¯ 1
¯
2B = 2 (s − 2) = =
ds D(s) ¯s = 2 s3 ¯s = 2 4
2 3
· ¸¯
d A(s − 2) 2
¯
pois 2 + B(s − 2) +C(s − 2) + D ¯¯ = 2B
ds s s=2
dif 18/21
Caso 2: Grau de N(s) ≥ Grau D(s)

Reduzir ao caso anterior através de Divisão de Polinômios.
(s + 2)3 2 D s3 + 6s2 + 12s + 8

= As + Bs +C + =
(s + 1) s+1 s+1
s3 + 6s2 + 12s + 8 /s+1
s3 + s 2 s2 + 5s + 7
5s2 + 12s + 8
5s2 + 5s
7s + 8
7s + 7
+1
(s + 2)3 1
= s2 + 5s + 7 +
s+1 s+1
dif 19/21
Tabela de Transformadas de Laplace
Função no Tempo Transformada

Z +∞
f (t)u(t) F(s) , f (t) exp(−st)dt
0
δ(t) 1
δ(n)(t) sn
tn 1
u(t) ; u(t) 1/s ;
n! sn+1
tn 1 1
exp(−at)u(t) ; exp(−at)u(t) ;
n! s+a (s + a)n+1
s ω
cos(ωt)u(t) ; sin(ωt)u(t) ;
s2 + ω 2 s2 + ω 2
s+a ω
exp(−at) cos(ωt)u(t) ; exp(−at) sin(ωt)u(t) ;
(s + a)2 + ω2 (s + a)2 + ω2
Obs. A multiplicação de uma função f (t) por u(t) (degrau unitário) indica que
f (t) = 0 para t < 0.
dif 20/21
Equação a Diferenças
• Primeira ordem: x(k + 1) = ρx(k) , x(0) = 1
x(k) = Aλk =⇒ Aλk+1 = Aρλk =⇒ λ = ρ
x(0) = 1 =⇒ x(k) = ρk
• Segunda ordem: x(k + 2) + 3x(k + 1) + 2x(k) = 0 ; x(0) = 1 , x(1) = 2
x(k) = Aλk modo próprio

=⇒ Aλk (λ2 + 3λ + 2) = 0 ; λ1 = −1 , λ2 = −2
x(k) = A1(−1)k + A2(−2)k ; A1 = 4 , A2 = −3
x(k) = {1, 2, −8, 20, −44, 92, . . .} seqüência
• Coeficientes a determinar
• Transformada Z
dif 21/21

Apostila Introdução

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apostila Introdução

Uploaded by

Copyright:

Available Formats

IA536 — Teoria de Sistemas Lineares

P EDRO L. D. P ERES /I VANIL S. B ONATTI

1o. Semestre de 2005

• Estudo de sistemas fı́sicos descritos por modelos lineares

• Aspectos qualitativos e quantitativos

• Projeto da ação para alterar o desempenho

• Muitos sistemas fı́sicos são lineares em determinadas faixas de operação

• O estudo de modelos lineares pode ser sistematizado (álgebra linear)

• Ponto de partida para o estudo de sistemas fı́sicos não lineares

• Uso intensivo do computador para análise e projeto (capacidade crescente

• Engenharia Mecânica e Civil, Comunicações, Processamento de Sinais,

• Estudo de sistemas dinâmicos lineares autônomos

• Propriedades e aplicações da álgebra linear

• Sistemas lineares com entradas e saı́das

• Estabilidade, controlabilidade e observabilidade

Sistemas Dinâmicos Lineares

; ẋ é a derivada de x em relação à variável independente t ∈ R (tempo),

; A ∈ Rn×n é a matriz dinâmica, B ∈ Rn×p é a matriz de entrada (ou de

; A, B, C e D podem ser variantes no tempo; se não existe a entrada u, o

; Sistema dinâmico linear com n estados, p entradas e q saı́das

; A ∈ Rm×n: matriz real (elementos são escalares reais), A ∈ Cm×n: matriz

a1n a2n · · · amn

• Matriz conjugada Ā (A ∈ Cm×n)

(A + B)∗ = A∗ + B∗ ; (AB)∗ = B∗A∗ ; c ∈ C ⇒ (cA)∗ = c̄A∗

Traço: soma dos elementos da diagonal de uma matriz quadrada

• Simétrica: A = A0 (ai j = a ji)

• Anti-simétrica: A = −A0 (ai j = −a ji)

Se A ∈ Rn×n, então A + A0 é simétrica ; A − A0 é anti-simétrica

Se A ∈ Rm×n, então A0A é simétrica ; AA0 é simétrica

• Hermitiana: A = A∗ (ai j = ā ji)

Toda matriz quadrada A pode ser expressa de maneira única como

• Notação: det(A) é o determinante da matriz quadrada A n×n, função escalar

Cpq = (−1) p+qM pq

; Determinantes de An×n, para n = 1, 2 e 3:

Propriedades dos Determinantes

• Se duas linhas (colunas) são trocadas, troca-se o sinal

• Não se altera se uma linha (coluna) multiplicada por um escalar é somada a

• Se uma matriz tem duas linhas (colunas) idênticas o determinante é igual a

• det(A0) = det(A) ; det(A∗) = det(Ā)

• det(AB) = det(A) det(B)

• det(αA) = αn det(A) (A ∈ Rn×n)

• Ortogonal: A ∈ Rn×n, A0A = AA0 = I • Unitária: A ∈ Cn×n, A∗A = AA∗ = I

• Determinante de matriz hermitiana é sempre real: det(A) = det(A∗) =

• Se det(A) = 0 a matriz A é chamada singular

Inversa de uma matriz: An×n possui uma inversa Bn×n = A−1 se

; Uma identidade matricial AB = C pode ser particionada de várias maneiras:

; inversa de matriz ortogonal é igual à transposta A−1 = A0

; inversa de matriz unitária é igual à conjugada transposta A −1 = A∗

• Inversa de uma matriz A ∈ R2×2

Fórmulas para Matrizes Inversas

11 A12 ; A é não-singular sse ∆ é não-singular

• Se A22 é não-singular: det(A) = det(A22) det(A11 − A12A−1

22 A21 ; A é não-singular sse ∆ é não singular

; Fórmulas para Matrizes Inversas

• Para matrizes quaisquer B ∈ Cm×n e C ∈ Cn×m

• Para quaisquer x, y ∈ Cn: det(In + xy∗) = 1 + y∗x

Sistema de Equações Lineares

y1 = a11x1 + a12x2 + · · · + a1nxn

• Interpretação: y é a medida ou valor observado e x é a incógnita; ou y é

; Se A ∈ Rn×n, a expansão fornece uma equação polinomial de ordem n, com

xi: vetor caracterı́stico (autovetor) associado à raiz caracterı́stica (autovalor)

• Determine os polinômios p2, . . . , pk tais que pi+1 seja o resto da divisão de

• Dessa forma, garante-se que os polinômios pi possuem grau estritamente