Cap 3
Cap 3
Cap 3
A=[a11,a12,...,a1m;a21,a22,...,a2m;...].1
Definición 3.2 (Traza de una matriz). Para una matriz cuadrada n × n, la traza es la suma
de los elementos de su diagonal (en M ATLAB trace(A))
n
tr A = ∑ aii .
i =1
1
Ojo con la transpuesta en M ATLAB cuando se trabaja con vectores o matrices complejos; ’ representa la
transpuesta conjugada, la transpuesta sin conjugar es .’.
19
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 20
Definición 3.3 (Determinante de una matriz). El determinante es otra familiar función es-
calar de una matriz cuadrada, det A (M ATLAB det(A)). El determinante puede evaluarse
recursivamente mediante la expansión de Laplace: Sea ci j el cofactor del elemento ai j , o sea
el producto de (−1)i+ j por el determinante de la submatriz (n − 1) × (n − 1) obtenida de
eliminar en A la fila i y la columna j. Entonces para cualquier i fijo, 1 ≤ i ≤ n,
n
det A = ∑ ai j ci j . (3.1)
j=1
Esta es la expansión sobre la fila i. Una expresión análoga existe para la expansión sobre
una columna j.
Vemos de (3.1) que el determinante no es más que la suma de productos de los elemen-
tos de la matriz, por lo que es una función matricial diferenciable todas las veces que uno
quiera.
Si A y B son matrices n × n, entonces
Definición 3.4 (Inversa de una matriz). La matriz cuadrada A tiene una inversa, A−1 ,
AA−1 = A−1 A = I, sii det A 6= 0.
En M ATLAB, la inversa se calcula inv(A). Una fórmula común para A−1 se basa en los
cofactores de A.
Definición 3.5 (Adjunto de una matriz). El adjunto de A, adj A, es la matriz cuyo elemento
i j es el cofactor ji de A — o sea, la transpuesta de la matriz de cofactores.
adj A
A −1 =
det A
La inversa del producto de dos matrices cuadradas no singulares cumple ( AB)−1 = B−1 A−1 .
Otra fórmula muy útil en teorı́a de sistemas lineales es el lema de inversión de matrices.
x
∞
q2 2
1
q1
1 0 1
3.2.2. Ortonormalización
√
Un vector x de Rn está normalizado si k xk = xT x = 1. Dos vectores x1 y x2 son ortogo-
nales si x1T x2 = x2T x1 = 0. Un conjunto de vectores xi , i = 1, 2, . . . , m, es ortonormal si
(
0 si i 6= j ,
xiT x j =
1 si i = j .
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 23
u1 , p1 q1 , u1 /ku1 k ,
u2 , p2 − (q1T p2 )q1 q2 , u2 /ku2 k ,
... ...
−1 T
um , pm − ∑m k =1 ( q k p m ) q k qm , um /kum k .
Ax = y (3.2)
Definición 3.10 (Imagen y rango de una matriz). El espacio imagen, o simplemente ima-
gen, de A es el espacio generado haciendo todas las posibles combinaciones lineales de las
columnas de A. La dimensión de la imagen de A es el rango de A.
Definición 3.11 (Vector nulo y kernel de una matriz). Un vector x se llama vector nulo de
A si Ax = 0. El espacio de todos los vectores nulos de A se llama el kernel o espacio nulo de
A.
son vectores nulos de A (An1 = 0 = An2 ). Como n1 y n2 son LI, {n1 , n2 } es una base del
kernel de A.
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 24
rango( A) ≤ mı́n(m, n) .
Con las definiciones de rango y kernel de una matriz, volvemos al problema de obtener
la solución de la ecuación algebraica (3.2). Los siguientes dos teoremas resumen todos los
casos posibles.
2. Si k > 0 sea {n1 , n2 , . . . , nk } una base del kernel de A. Entonces para cualquier con-
junto de k números reales {αi , i = 1, 2, . . . , k} el vector
x = x p + α1 n1 + α2 n2 + · · · + αk nk
es también solución de Ax = y.
x = x p + α1 n1 + α2 n2
0 1 0
−4 1 2
= 0 + α1 −1 + α2 0 ,
0 0 −1
1. Si A es no singular existe una solución única para cada y, dada por x = A−1 y. En
particular la única solución de Ax = 0 es x = 0.
Ax = y . (3.5)
Ax = y ⇔ AQ x̄ = Q ȳ ⇔ ( Q−1 AQ) x̄ = ȳ
AQ = Q Ā
⇔ A q1 q2 . . . qn = Q ā1 ā2 . . . ān
⇔ Aq1 Aq2 . . . Aqn = Q ā1 Q ā2 . . . Q ān
Calculamos
0 0 17
Ā = Q−1 AQ = 1 0 −15
0 1 5
h0i h −1 i
Podemos comprobar, por ejemplo, que el vector, digamos z = Aq1 = A 0 = 0 verifica
h0i 1 1
la ecuación z = Q ā1 = Q 1 , es decir que ā1 es la representación del vector z en la base
0
{ q 1 , q 2 , . . . , q n }.
Esta es un sistema de ecuaciones lineales algebraicas, que como vimos en § 3.3, admite
soluciones no nulas si la matriz (λI − A) es singular (es decir, tiene determinante nulo).
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 27
Notar que el polinomio ∆(λ ) es mónico, es decir que el coeficiente del término de mayor
orden es 1, de grado n, y de coeficientes reales. Para cada raı́z de ∆(λ ) la matriz (λI − A) es
singular y, por lo tanto, la ecuación algebraica (3.6) admite al menos una solución no nula.
Concluimos que toda raı́z de ∆(λ ) es un autovalor de A; y como ∆(λ ) tiene grado n, la
matriz A necesariamente tiene n autovalores (aunque no necesariamente todos distintos;
puede haber repetidos).
En M ATLAB los autovalores de la matriz A se calculan con la función r = eig(A),
donde r = [λ1 , . . . , λn ]T es un vector con todos los autovalores de A; la función poly(r)
da el polinomio caracterı́stico de A.
Ejemplo 3.5 (Forma block-diagonal real de una matriz con autovalores complejos). Su-
pongamos que la matriz A tiene dos autovalores reales y dos pares de autovalores comple-
jos,
{λ1 , λ2 , σ1 + jω1 , σ1 − jω1 , σ2 + jω2 , σ2 − jω2 }
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 29
con autovectores
{v1 , v2 , u1 + jw1 , u1 − jw1 , u2 + jw2 , u2 − jw2 }.
Formamos entonces la base
{v1 , v2 , u1 , w1 , u2 , w2 } .
En esta base la matriz A tiene la representación
λ1 0 0 0 0 0
0 λ2 0 0 0 0
0 0 σ 1 ω 1 0 0
Ā = 0 0 −ω1 σ1
.
0 0
0 0 0 0 σ2 ω2
0 0 0 0 −ω2 σ2
Vemos que hay un bloque de 2 × 2 por cada par de autovalores complejos conjugados.
α4
En este caso hay 4 autovectores independientes, y A es diagonalizable usando la base
{ n 1 , n 2 , n 3 , n 4 }.
Veamos ahora el otro caso extremo, el kernel de A tiene dimensión 1. En este caso sólo
podemos encontrar una solución independiente. Necesitamos tres vectores independien-
tes más para armar una base. Una forma de lograrlo es usando el concepto de autovalores
generalizados.
Definición 3.14 (Autovector generalizado). Sea A ∈ Rn×n y λ un autovalor de A. Un vector
v es un autovector generalizado de A de grado n asociado al autovalor λ si
( A − λI )n v = 0 y ( A − λI )n−1 v 6= 0
Si n = 1 el problema se reduce al caso recién visto. Para n = 4 definimos los vectores
v4 , v
v3 , ( A − λI )v4 = ( A − λI )v
v2 , ( A − λI )v3 = ( A − λI )2 v
v1 , ( A − λI )v2 = ( A − λI )3 v .
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 30
Av1 = λv1
Av2 = v1 + λv2
Av3 = v2 + λv3
Av4 = v3 + λv4 .
La forma general a la que podemos llevar una matriz va a ser diagonal en bloques,
donde los bloques pueden ser de 1 × 1 para autovalores reales distintos, 2 × 2 para pares
de autovalores complejos conjugados, y bloques de Jordan para autovalores múltiples.
La forma de Jordan puede usarse para establecer propiedades generales de matrices.
Por ejemplo, det A = det( Q−1 ĀQ) = det Q det Q−1 det Ā. Como Ā es triangular, det Ā es
el producto de los autovalores,
n
det A = ∏ λi ( A ) ,
i =1
Definición 3.15 (Matriz Nilpotente). Una matriz A es nilpotente si existe algún k ∈ N tal
que Ak = 0.
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 31
0 0 0 0
En M ATLAB podemos usar [q,d] = eig(A) para calcular los autovalores y la base
de autovectores si A es diagonalizable. Si A no es diagonalizable, Chen (1999) menciona la
función [q,d] = jordan(A), que puede usarse para matrices de dimensión moderada,
pero disponible solamente en las versiones de M ATLAB con el symbolic toolbox).
donde ñi es la dimensión del bloque de Jordan más grande asociado al autovalor λi . Como
el autovalor λi puede tener más de un bloque de Jordan asociado, concluimos que ñi ≤ n.
Ejemplo 3.6. En la matriz
λ 1 0 0
1
0 λ1 0 0
A=
0
0 λ1 0
0 0 0 λ2
El autovalor λ1 tiene multiplicidad 3, y dos bloques de Jordan asociados: órdenes 2 y 1. El
autovalor λ2 tiene multiplicidad 1.
∆(λ ) = ∏ ( λ − λi )n i
= (λ − λ1 )3 (λ − λ2 ) , polinomio caracterı́stico
i
Ψ(λ ) = ∏(λ − λi )ñ i
= (λ − λ1 )2 (λ − λ2 ) , polinomio mı́nimo .
i
f ( A) = q( A)∆( A) + h( A) = q( A)0 + h( A) = h( A) ,
o sea que todo se reduce a determinar los coeficientes del polinomio h(λ ) = ηn−1 λ n−1 +
· · · + η1 λ + η0 .
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 33
f ( λi ) = q ( λi ) ∆ ( λi ) + h ( λi ) = h ( λi ) , para i = 1, 2, . . . , n .
Si A tiene autovalores repetidos, hay que derivar f (λ ) = q(λ )∆(λ ) + h(λ ) hasta obtener las
ecuaciones faltantes.
y ası́ concluimos que η1 = −100, y η0 = −99, o sea, h(λ ) = −100λ − 99. Finalmente,
A100 = η1 A + η0 I
0 1 1 0
= −100 − 99
−1 −2 0 1
−99 −100
= .
100 101
Teorema 3.4 (Evaluación de una función matricial). Sean dados f (λ ) y una matriz A
n × n con polinomio caracterı́stico ∆(λ ) = ∏im=1 (λ − λi )ni , donde ∑im=1 ni = n. Sea h(λ ) =
ηn−1 λ n−1 + · · · + η1 λ + η0 el polinomio de orden n − 1, con coeficientes ηi a determinar, tal
que f ( A) = h( A). Entonces los coeficientes ηi pueden calcularse resolviendo el sistema de
n ecuaciones algebraicas
donde
dk f (λ ) dk h(λ )
(k) (k)
f ( λi ) , y h ( λi ) , .
dλ k λ=λi dλ k λ=λi
= 0 et 0 .
2t t 2t t
e − e 0 2e − e
Ejemplo 3.9. Consideremos el bloque de Jordan de orden 4
λ1 1 0 0
0 λ1 1 0
A= 0 0 λ1 1 .
0 0 0 λ1
f (2) ( λ 1 ) f (3) ( λ 1 )
η0 = f (λ1 ) , η1 = f 0 (λ1 ) , η2 = , η3 = .
2! 3!
La propiedad de nilpotencia de ( A − λI ) cuando A es un bloque de Jordan,
0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0
2 3 4
(λ1 I − A) = 0 0 0 1 , (λ1 I − A) = 0 0 0 0 , (λ1 I − A) = 0 0 0 0 , (λ1 I − A) = 00 00 00 00 ,
0 0 1 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
con radio de convergencia ρ. Si todos los autovalores de A tienen magnitud menor que ρ,
entonces podemos definir f ( A) como
∞
f ( A) = ∑ βi Ai . (3.9)
i =0
y la regla de Leibniz
d g(t) g(t) ∂
Z Z
A(t, τ )dτ = A(t, g(t)) ġ(t) − A(t, f (t)) f˙(t) + A(t, τ )dτ .
dt f (t) f (t) ∂t
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 36
Los autovalores de una matriz simétrica son todos reales, ya que para todo autovalor λ con
autovector v de M = M T ,
1. el escalar v∗ Mv (donde v∗ denota la transpuesta conjugada de v) es real (sea v real o
no),
(v∗ Mv)∗ = v∗ M∗ v = v∗ Mv, y ası́
2. λ debe ser real, dado que
v∗ Mv = v∗ λv = λ (v∗ v) .
Pero entonces
∗
(λI − M)k−1 v (λI − M)k−1 v = v∗ (λI − M∗ )k−1 (λI − M)k−1 v
= v∗ (λI − M)2k−2 v
= v∗ (λI − M)k−2 (λI − M)k v (3.14)
deberı́a ser nulo por (3.12) y no nulo por (3.13). Una contradicción que prueba que M = M T
no puede tener bloques de Jordan de orden mayor que 1, y por lo tanto debe ser semejante
a una matriz diagonal: existe una matriz Q ∈ Rn×n no singular tal que M = QDQ−1 , donde
D ∈ Rn×n es diagonal.
Notar que como M es simétrica y D diagonal,
que implica que QT = Q−1 y QQT = I. Toda matriz no singular Q con esta propiedad se
llama ortogonal, y sus columnas son vectores ortonormales.
4
A puede escribirse en forma compacta como A = Im×m ⊗ A + B ⊗ In×n (⊗: producto de Kronecker).
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 38
Teorema 3.5. Para toda matriz real simétrica M existe una matriz ortogonal Q tal que
M = QDQT o D = QT MQ ,
donde D es una matriz diagonal con los autovalores de M, que son todos reales, en la
diagonal.
λmı́n xT x ≤ xT Mx ≤ λmáx xT x ,
Definición 3.17 (Menores principales). Sea una matriz simétrica M ∈ Rn×n con entradas
{mi j }. Entonces dados los enteros p = 1, . . . , n y {i1 , i2 , . . . , i p }, con 1 ≤ i1 ≤ i2 ≤ · · · ≤
i p ≤ n, definimos los menores principales de la matriz M como
mi1 ,i1 mi1 i2 · · · mi1 i p
mi2 ,i1 mi2 i2 · · · mi2 i p
M(i1 , i2 , . . . , i p ) = det
···
.
··· ··· ···
mi p ,i1 mi p i2 · · · mi p i p
Teorema 3.6 (Matriz definida (semi-definida) positiva). Una matriz simétrica M es defini-
da positiva (semi-definida positiva) sii cualquiera de las siguientes condiciones se satisface:
2. Todos sus primeros menores principales son positivos (todos su menores principales son
no negativos).
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 39
3. Existe una matriz no singular N ∈ Rn×n (una matriz singular N ∈ Rn×n , o una matriz
N ∈ Rm×n , con m < n) tal que M = N T N.
es definida positiva si y sólo si m11 > 0 y m11 m22 − m212 > 0. Es semi-definida positiva si y
sólo si m11 ≥ 0, m22 ≥ 0, y m11 m22 − m212 ≥ 0.
las matrices cuadradas AT A y AAT comparten los mismos autovalores positivos y sólo
difieren en el número de autovalores nulos.
Supongamos que hay r autovalores positivos de M, y sea p = mı́n(m, n). Entonces
podemos ordenar
λ 1 ≥ λ 2 ≥ · · · ≥ λr > 0 = λr+1 = · · · = λ p ,
Los valores singulares de la matriz A son
√
σi , λi , i = 1, . . . , p .
Por el Teorema 3.6, para M = AT A existe una matriz ortogonal Q tal que
QT AT AQ = D = ST S,
donde D es una matriz diagonal con los σi2 en la diagonal. La matriz S es m × n con los σi
en la diagonal.
Teorema 3.7 (Descomposición en Valores Singulares). Para toda matriz A ∈ Rm×n , existen
matrices ortonormales U ∈ Rm×m y V ∈ Rn×n tales que
σ1 0 ··· 0 0 ··· 0
0 σ2
.
··· 0 0 ··· 0
. .. .. . .. ..
. . . .. . ··· .
T
U AV = S , 0 0 · · · σp 0 ··· 0
0 0 ··· 0 0 ··· 0
. .. . .. ..
.. . · · · .. . ··· .
0 0 ··· 0 0 · · · 0 m×n
donde σ1 ≥ σ2 ≥ · · · ≥ σ p ≥ 0.
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 40
Los vectores en las columnas de U = [ u1 ,...,um ] y V = [ v1 ,...,vn ] son los vectores singulares
izquierdos y derechos respectivamente de A.
Es fácil verificar comparando las columnas de las ecuaciones AV = US y AT U = VST
que
Avi = σi ui
i = 1, . . . , p = mı́n(m, n) .
A T ui = σi vi
La descomposición en valores singulares (SVD)5 revela muchas propiedades de la matriz
A. Por ejemplo, si r es el ı́ndice del valor singular positivo más pequeño, entonces
1. el rango de A es r,
4. tenemos la representación
r
A= ∑ σi ui viT .
i =1
Los valores singulares representan precisamente las longitudes de los semiejes del hiper-
elipsoide E = { Ax : k xk = 1}. La Figura 3.3 muestra el conjunto E para una matriz A con
σ1 = 0,8, σ2 = 0,6, σ3 = 0,4.
σ3
0.5
σ2
0
−0.5
σ1
−1
1
0.5 1
0.5
0
0
−0.5
−0.5
−1 −1
k Axk
k Ak = máx = sup k Axk (3.15)
x6=0 k xk k xk=1
5
Singular Value Decomposition.
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 41
Esta norma definida desde la norma de los vectores se llama norma inducida. Usando di-
ferentes normas vectoriales (1, 2, ∞, etc.) obtenemos diferentes normas inducidas. En este
curso vamos a utilizar la norma inducida por la norma vectorial euclı́dea, k xk2 , que es la
que se conoce como norma espectral de una matriz.
Otra propiedad importante de la descomposición en valores singulares de A es que la
norma espectral de A está dada por su mayor valor singular,
k Ak = σ1 .
Ejemplo 3.12. Si λ1 y λ2 son números reales, la norma espectral de
λ1 1
A=
0 λ2
está dada por (3.15) como
q
k Ak = √máx (λ1 x1 + x2 )2 + λ22 x22 .
x21 + x22 =1
λ − λ12
T −λ1
det(λI − A A) = det
−λ1 λ − λ22 − 1
= λ 2 − (1 + λ12 + λ22 )λ + λ12 λ22 .
Las raı́ces de esta cuadrática están dadas por
p
1 + λ12 + λ22 ± (1 + λ12 + λ22 )2 − 4λ12 λ22
λ=
2
El radical puede escribirse de forma que su positividad es obvia. Eligiendo el signo positi-
vo, y después de un poco de álgebra llegamos a
p p
(λ1 + λ2 )2 + 1 + (λ1 − λ2 )2 + 1
k Ak = . (3.16)
2
De (3.16) se ve que
|λ1 + λ2 | + |λ1 − λ2 |
k Ak = σ1 ≥ = máx(|λ1 |, |λ2 |) .
2
La propiedad de que σ1 es mayor que la magnitud mayor de los autovalores de A es
general, y más aún, para cualquier autovalor no nulo λi de A ∈ Rn×n
σ p ≤ | λi | ≤ σ1
k Axk ≤ k Akk xk
k A + Bk ≤ k Ak + k Bk
k ABk ≤ k Akk Bk .
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 42
3.11. Resumen
En este capı́tulo hemos repasado
Las definiciones básicas relativas a vectores y matrices, traza, determinante, e inversa.
Bases y conjuntos ortonormales, independencia lineal, el concepto de norma, y el
método de ortonormalización de Schmidt.
Los resultados principales para la solución de ecuaciones lineales algebraicas, y los
conceptos de imagen, rango y kernel de una matriz. En particular, la ecuación Ax = y
• tiene solución sii y está en la imagen de A.
• tiene solución única si ker( A) = {0} (dim ker( A) = 0).
• tiene infinitas soluciones si dim ker( A) > 0.
Transformaciones de semejanza de matrices, que permiten representar una matriz en
diferentes coordenadas.
Formas diagonales y de Jordan, que muestran la estructura básica de una matriz dada.
No toda matriz puede diagonalizarse, pero siempre se puede obtener la forma de
Jordan (diagonal en bloques).
Funciones polinomiales de matrices y el teorema de Cayley-Hamilton, que dice que
toda matriz satisface su polinomio caracterı́stico.
El polinomio mı́nimo, que es el polinomio de menor orden Ψ(λ ) tal que Ψ( A) = 0. Es
siempre un factor del polinomio caracterı́stico de la matriz (coincide con éste si A no
tiene autovalores repetidos).
Que una función de una matriz cuadrada, f ( A) puede definirse evaluando f (λ ) en el
espectro de A, y por lo tanto, como una combinación lineal de { I, A, . . . , An−1 } (o de
{ I, A, . . . , Añ−1 } donde ñ ≤ n es el orden del polinomio mı́nimo de A).
Diferenciación e integración de matrices, definida elemento a elemento.
La ecuación de Lyapunov AM + MB = C, que es una ecuación lineal algebraica ma-
tricial que tiene solución única M ∈ Rn×m sii los autovalores αi de A ∈ Rn×n , y β j de
B ∈ Rm×m son tales que αi + β j 6= 0, ∀i = 1, . . . , n; j = 1, . . . , m.
Las formas cuadráticas xT Mx, que son funciones escalares cuadráticas en los ele-
mentos del vector x, donde M puede tomarse como simétrica (o ser reemplada por
( M + M T )/2).
Que las matrices simétricas tienen siempre autovalores reales, y que son siempre dia-
gonalizables.
Matrices simétricas definidas, y semi-definidas positivas, que son aquellas M para las
que xT Mx es positiva, y no negativa, respectivamente.
La descomposición en valores singulares de una matriz A. Los valores singulares son
la raı́z cuadrada de los autovalores de AT A.
La norma espectral de una matriz A, que es la inducida por la norma euclı́dea de
vectores, y es el máximo valor singular, σ1 de A.
3. Herramientas de Álgebra Lineal Notas de CAUT2 - 43
3.12. Ejercicios
Ejercicio 3.1. Dados los vectores x1 = [2 − 3 1]T y x2 = [1 1 1]T
1. Calcular sus normas 1, 2 e ∞.
encontrar las representaciones de la matriz A con respecto a las bases {b1 , Ab1 , A2 b1 , A3 b1 }
y {b2 , Ab2 , A2 b2 , A3 b2 }.
Ejercicio 3.6. Representar en forma de Jordan las siguientes matrices
1 4 10 0 1 0 0 4 3
A1 = 0 2 0 A2 = 0 0 1 A3 = 0 20 16 .
0 0 3 −2 −4 −3 0 −25 −20
L e At = (sI − A)−1 .
Ejercicio 3.11. Sean todos los autovalores de A distintos, y sea qi un autovector por derecha
" p1 #
p2
de A asociado a λi , Aqi = λi qi . Sea Q = [ q1 q2 ··· qn ] y P , Q −1 = .. , donde pi es la fila i
.
pn
de P. Mostrar que
Ejercicio 3.16. Dada una constante α > 1, mostrar cómo definir una matriz 2 × 2 A tal que
los autovalores de A sean los dos 1/α y k Ak ≥ α.
Chen, C.-T. (1999), Linear System Theory and Design, 3rd edn, Oxford University Press.
Doyle, J. C., Francis, B. A. & Tannenbaum, A. (1992), Feedback control theory, Macmillan Pub.
Co.
Goodwin, G., Graebe, S. & Salgado, M. (2000), Control System Design, Prentice Hall.
Goodwin, G. & Sin, K. (1984), Adaptive Filtering Prediction and Control, Prentice-Hall, New
Jersey.
Van Loan, C. (1978), ‘Computing integrals involving the matrix exponential’, IEEE Trans.
Automat. Contr. AC-23(3), 395–404.
193