La importancia de las factorizaciones matriciales no negativas en la minería de datos y el procesamiento de
|
|
|
- Trinidad Soledad Rojas Ortíz
- hace 7 años
- Vistas:
Transcripción
1 La importancia de las factorizaciones matriciales no negativas en la minería de datos y el procesamiento de imágenes Humberto Madrid, Irma García, Federico Garza Centro de Investigación en Matemáticas Aplicadas Universidad Autónoma de Coahuila II Encuentro México-Cuba de Métodos Numéricos y Optimización Enero 2013 Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
2 Matrices Actualmente en diversas aplicaciones se manejan grandes cantidades de datos que son almacenados en forma matricial. Algunos ejemplos: Datos de censos poblaciones de INEGI Imágenes digitales Matrices término-documento para realizar búsquedas en internet Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
3 Ejemplos Madrid, García, Garza (UAdeC) Figura: FMNN minería Caption datos y procesamiento for datosinegi imag. Enero / 33
4 Ejemplos Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
5 Introducción Con los datos en su representación matricial, es posible emplear técnicas de Algebra Lineal para extraer información relevante. Se utilizan en muchas ocasiones factorizaciones matriciales. Sin embargo, debido a la gran cantidad de información en las bases de datos actuales, las factorizaciones clásicas no son adecuadas para trabajar con matrices de grandes dimensiones. Es necesario trabajar con nuevas factorizaciones: Factorizaciones matriciales no negativas. Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
6 Factorizaciones clásicas Factorización LU: La matriz A se descompone en el producto de dos matrices triangulares. A = LU Es quizás la factorización matricial más conocida y utilizada en la resolución de sistemas de ecuaciones lineales. Si Ax = b entonces LUx = b El sistema original se transforma en la solución de dos sistemas triangulares Ly = b, Ux = y Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
7 LU Si A = LU, entonces de donde (a 1, a 2,, a n ) = (Lu 1, Lu 2,, Lu n ) a i = Lu i = u i1 l 1 + u i2 l 2 + u in l n Podemos pensar que las columnas de L forman una base del espacio columna de A. Las coordenadas de cada columna de A en la base L son los elementos de la correspondiente columna de U. Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
8 QR Pero si hablamos de bases del espacio columna... son mejores las bases ortogonales. Factorización QR. A = QR Q ortonormal, R triangular superior. Las columnas de Q forman una base ortogonal del espacio columna de A. Aplicación más común: mínimos cuadrados. Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
9 QR Aplicaciones de la factorización QR: Motores de búsqueda. Ejemplo: Documentos Términos 1. Club Monarcas Morelia en el fútbol de México 1. monarca 2. Ecología de la mariposa monarca 2. Morelia 3. Lista de monarcas de España 3. fútbol 4. Fundación santuario de la mariposa monarca 4. España 5. El equipo de la fuerza Monarcas Morelia 5. mariposa 6. Federación Mexicana de fútbol asociación 6. ecología 7. Instituto Nacional de Ecología Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
10 QR La matriz término documento asociada es D 1 D 2 D 3 D 4 D 5 D 6 D 7 T T T , T T T Términos 1.monarca 2.Morelia 3.fútbol 4.España 5.mariposa 6.ecología Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
11 QR Una petición de búsqueda se representa como un vector de m 1 de la forma q = (q 1 q 2... q m ) t donde { 1 si el término Ti aparece en la petición q i = 0 en otro caso Por ejemplo si queremos buscar documentos conteniendo las palabras clave mariposa y monarca, la petición se representa como el vector q = ( ) t Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
12 QR Una forma de realizar la búsqueda es formando el producto del vector petición con la matriz término documento, esto es, calcular p t = q t A en el ejemplo p t = (1, 2, 1, 2, 1, 0, 0) Si A es la matriz término-documento de Internet, el cómputo de q t A resulta prohibitivo en operaciones. Conviene economizar la búsqueda, una forma de hacerlo es utilizar la factorización QR. Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
13 QR Si A tiene rango r, entonces Q es m r y R es r n. El total de multiplicaciones para el producto q t A es de mn. q t A = q t QR el número de multiplicaciones que se requieren para formar este producto: q t Q (q t Q)R TOTAL Multiplicaciones mr r(r+1) 2 + r(n r 1) mr + r(r+1) 2 + r(n r 1) Ejemplo, si m = 100, n = 1000 y r = 10, tenemos que mr + r(r + 1) 2 + r(n r 1) = y mn = úú Ahorro de casi el 90 % de multiplicaciones.!! Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
14 SVD Factorización SVD (Singular Value Decomposition) A = UΣV t U base ortonormal del espacio columna V base ortonormal del espacio renglón σ 1 σ 2... Σ = σr σ 1 σ 2 σ r 0, r es el rango de A. 0 0 Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
15 SVD Se tiene que A r = U r Σ r V t r = A Donde considera las primeras r columnas de cada matriz. A se puede aproximar por A k, k < r. Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
16 SVD Aplicación: Compresión de imágenes. Imagen original A de k = 10 Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
17 SVD Aplicación: Compresión de imágenes. k = 50 k = 100 Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
18 Reducción de dimensión En lugar de A r se trabaja con A k, k < r, con esto se trabaja en un espacio de dimensión menor. Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
19 Ventajas de las factorizaciones matriciales Sean A m n, W m r, H r n, con r =rango(a) y A = WH Figura: A = WH Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
20 Ventajas de las factorizaciones matriciales Ax = W (Hx) Figura: Ax = W (Hx) El lado derecho requiere menos multiplicaciones. Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
21 Ventajas de las factorizaciones matriciales Supongamos r =rango(a) a j = Wh j = h j1 w 1 + h j2 w h jr w r Esto nos dice que las columnas de W son una base para el espacio columna de A. Ax = W (Hx) nos dice que Hx son las coordenadas de Ax en la base W. En el fondo estamos trabajando en un subespacio de dimensión menor. Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
22 Al trabajar con bases ortogonales se tienen elementos positivos y negativos. En muchas aplicaciones los elementos negativos no tienen una representación en el contexto del problema. Sería conveniente contar con factorizaciones matriciales donde todos los elementos sean no-negativos. Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
23 Factorizaciones matriciales no negativas Con A 0, W 0, H 0. Ejemplo matriz término-documento A = A = WH Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
24 Factorizaciones matriciales no negativas W = H = Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
25 Factorizaciones matriciales no negativas a 1 = W h 1 = W = w w Como podemos observar la primera columna de H que corresponde al primer documento depende de los vectores base dos y cuatro de W, la segunda columna de W tiene las entradas uno y dos distintas de cero, es decir está relacionado con los términos monarca y Morelia. El vector cuatro de W está relacionado únicamente con el término futbol, ya que solo su entrada tres es distinta de cero, estos son precisamente los términos que se encuentran originalmente en el documento uno. De forma análoga para los otros vectores documento. Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
26 Factorizaciones matriciales no negativas Componentes 0 de H Columnas de H Terminos Tema Grupo 1 2 o 4 1, 5 y 6 Futbol, Monarcas y Morelia. Deporte. Grupo 2 1 o 3 2, 4 y 7 Ecologia, Mariposa y Monarca. Preservacion de la fauna. Grupo España y Monarcas. Monarquía. Nos podemos dar cuenta que las factorizaciones no negativas de matrices también pueden funcionar como una herramienta de agrupamiento de documentos. Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
27 Factorizaciones matriciales no negativas Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
28 Factorización Matricial No Negativa. Dada una matriz A m n, encontrar W, H tales que: o A = W H mín W 0,H 0 A W H F F representa la norma de Frobenius. Donde, W m k, H k n W 0, H 0 k min(m, n) Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
29 Algunas Aplicaciones Restauración de imagenes. Agrupamiento de datos. Minería de textos. Inspección de correo electrónico. Reconocimiento de rostros. Reconocimiento de escritura a mano. Clasificación de texturas. Bioinformática (Expresión de genes, microarreglos de ADN) Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
30 Algunos Algoritmos para FMNN Mínimos Cuadrados Alternantes No Negativos. Regla de Actualización Multiplicativa. Métodos de Gradiente descendiente. Mínimos Cuadrados Jerárquicos. Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
31 Restauración de imágenes Imagen Original Datos ausentes Imagen Restaurada Matriz Restaurada Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
32 Restauración de imágenes Imagen Original Datos ausentes Imagen restaurada Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
33 Bibliografía Madrid, García, Garza (UAdeC) FMNN minería datos y procesamiento imag. Enero / 33
Valores singulares. Producto escalar y ortogonalidad. Proposición. Curso < x, y >= si F = C. Si x C n x i=1
Valores singulares Curso 2017-18 1 Producto escalar y ortogonalidad < x, y >= n y i x i = y T x si F = R, n y i x i = y x Si x C n x x = n x i 2 = x 2 2. si F = C Si x, y C n x y = y x, pero si x, y R
Gustavo Rodríguez Gómez. Agosto Dicembre 2011
Computación Científica Gustavo Rodríguez Gómez INAOE Agosto Dicembre 2011 1 / 44 Capítulo III Descomposición de Matrices 2 / 44 1 Descomposición de Matrices Notación Matrices Operaciones con Matrices 2
6.8. Descomposición mediante valores singulares. v 2 =
68 Descomposición mediante valores singulares Los valores singulares de una matriz m n Supongamos que A es una matriz real cualquiera Los autovalores de A T A tienen la siguiente propiedad A T Ax = λx
Prácticas de Matemáticas II: Álgebra lineal
Prácticas de Matemáticas II: Álgebra lineal Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj Prácticas de Matemáticas II: Álgebra lineal
Algebra lineal de dimensión finita
Algebra lineal de dimensión finita Métodos para calcular autovalores Pseudoinversa Algebra lineal númerica 1 Teorema:[Teorema 1.6] Sea A es una matriz real simétrica. Si Q(x) =< Ax, x > entonces: λ 1 =
Clase No. 13: Factorización QR MAT 251. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 16
Clase No 13: Factorización QR MAT 251 Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) 03102011 1 / 16 Factorización QR Sea A R m n con m n La factorización QR de A es A = QR = [Q 1 Q 2 ] R1 = Q 0 1 R
Uso de LS. Esta matriz de 3x3 simétrica y definida positiva es un tensor de difusión de hidrógeno. , con gi en R 3. i S 0 exp bgt i Dg i i
Uso de LS MX 2 min S, con gi en R 3 i S 0 exp bgt i Dg i i Esta matriz de 3x3 simétrica y definida positiva es un tensor de difusión de hidrógeno. En cada posición del cerebro tenemos una matriz Tractografía
Clase 7 Herramientas de Álgebra Lineal
Clase 7 Herramientas de Álgebra Lineal 1 Formas cuadráticas La descomposición en valores singulares 3 Normas de matrices 4 Ejercicios Dada una matriz M R n n, la función escalar x T Mx, donde x R n, es
Sistemas de Ecuaciones. Lineales II
Sistemas de Ecuaciones Lineales II Factorización LU: Eliminación Gaussiana Relación con la factorización LU 521230-1 - DIM Universidad de Concepción Solución de sistemas con matriz triangular Dadas L =
Prerrequisitos de la asignatura Álgebra Lineal Numérica
Prerrequisitos de la asignatura Álgebra Lineal Numérica El propósito de Álgebra Lineal Numérica es analizar algoritmos típicos de álgebra lineal, optimizando la rapidez y la precisión. Para analizar la
Resolución de Sistema de Ecuaciones Lineales
Resolución de Sistema de Ecuaciones Lineales Hermes Pantoja Carhuavilca Facultad de Ingeniería Mecanica Universidad Nacional de Ingenieria Métodos Numérico Hermes Pantoja Carhuavilca 1 de 37 CONTENIDO
Matriz inversa generalizada y descomposición del valor singular
Matriz inversa generalizada y descomposición del valor singular Divulgación Fernando Velasco Luna y Jesús Hernández Suárez Laboratorio de Investigación y Asesoría Estadística, Facultad de Estadística e
Sistema de Ecuaciones Lineales
Pantoja Carhuavilca Métodos Computacionales Agenda Ejemplos Ejemplos Aplicaciones de los Sistemas La solución de sistemas lineales de ecuaciones lineales es un tema clásico de las matemáticas, rico en
ALN - SVD. In. Co. Facultad de Ingeniería Universidad de la República
ALN - SVD In. Co. Facultad de Ingeniería Universidad de la República Índice Definición Propiedades de SVD Ejemplo de SVD Métodos para calcular SVD Aplicaciones de SVD Repaso de matrices: m xm Una matriz
Factorización de matrices
CAPÍTULO Factorización de matrices En este capítulo se estudian algunas de las técnicas más utilizadas para factorizar matrices, es decir, técnicas que permiten escribir una matriz como producto de dos
INSTITUTO TECNOLÓGICO METROPOLITANO DECANATURA DE CIENCIAS BÁSICAS CRONOGRAMA DEL CURSO ALGEBRA LINEAL ALX04 SEMESTRE
INSTITUTO TECNOLÓGICO METROPOLITANO DECANATURA DE CIENCIAS BÁSICAS CRONOGRAMA DEL CURSO ALGEBRA LINEAL ALX0 SEMESTRE 1-2015 ORDEN DE PRESENTACIÓN DE LOS CONTENIDOS. 1. Algebra Matricial 2. Espacios Vectoriales
Matrices y Sistemas de Ecuaciones lineales
Matrices y Sistemas de Ecuaciones lineales Llamaremos M m n (K) al conjunto de las matrices A = (a ij ) (i = 1, 2,..., m; j = 1, 2,..., n) donde los elementos a ij pertenecen a un cuerpo K. Las matrices,
Matrices, Determinantes y Sistemas Lineales.
12 de octubre de 2014 Matrices Una matriz A m n es una colección de números ordenados en filas y columnas a 11 a 12 a 1n f 1 a 21 a 22 a 2n f 2....... a m1 a m2 a mn f m c 1 c 2 c n Decimos que la dimensión
Álgebra Lineal Ma1010
Álgebra Lineal Ma1010 Departamento de Matemáticas ITESM Álgebra Lineal - p. 1/16 En esta lectura veremos el proceso para obtener la factorización QR de una matriz. Esta factorización es utilizada para
RESOLUCIÓN DE SISTEMAS LINEALES
Contenido 1 Métodos de Solución Contenido Métodos de Solución 1 Métodos de Solución Desarrollamos el algoritmo de sustitución regresiva, con el que podremos resolver un sistema de ecuaciones lineales cuya
Métodos de factorización para resolver sistemas de ecuaciones lineales. 22 de agosto, 2012
Cálculo numérico Métodos de factorización para resolver sistemas de ecuaciones lineales 22 de agosto, 2012 1 Factorización LU Considera el siguiente ejemplo de factorización LU de una matriz en un sistema
Tema 4: Matrices y Determinantes. Algunas Notas sobre Matrices y Determinantes. Álgebra Lineal. Curso
Tema 4: Matrices y Determinantes Algunas Notas sobre Matrices y Determinantes Álgebra Lineal Curso 2004-2005 Prof. Manu Vega Índice 1. Determinantes 3 2. Regla de Sarrus 3 3. Propiedades de los determinantes
Álgebra y Matemática Discreta
Álgebra y Matemática Discreta Sesión de Teoría 23 (c) 2013 Leandro Marín, Francisco J. Vera, Gema M. Díaz 2 Dic 2013-8 Dic 2013 Introducción La existencia de bases ortonormales es los espacios es muy útil
Algoritmo de factorización LU
Algoritmo de factorización LU Objetivos. Estudiar el algoritmo de la factorización LU de una matriz cuadrada invertible. Requisitos. Matrices elementales y su relación con operaciones elementales, matriz
Rango de una matriz. Jana Rodriguez Hertz GAL 1. 2 de abril de 2013 IMERL
Rango de una matriz Jana Rodriguez Hertz GAL IMERL 2 de abril de 203 rango rango recordemos: rango si A = {A, A 2,..., A n } conjunto de vectores de K n llamamos rango(a) a la máxima cantidad de vectores
Descomposición en Valores singulares(svd)
Descomposición en Valores singulares(svd) Año 200 Referencias [] R.L. Burden, J.Douglas Faires, Análisis Numérico, Grupo Editorial Iberoamericana, México, 985. [2] J. Demmel, Applied Numerical Linear Algebra,
Algebra Lineal * Working draft: México, D.F., a 17 de noviembre de 2010.
Algebra Lineal * José de Jesús Ángel Ángel jjaa@mathcommx Working draft: México, DF, a 17 de noviembre de 2010 Un resumen de los principales temas tratados en un curso de Álgebra Lineal Contenido 1 Sistemas
Instituto Tecnológico Autónomo de México. 1. At =..
Instituto Tecnológico Autónomo de México TRANSPUESTA DE UNA MATRIZ DEFINICION : Transpuesta Sea A = (a ij ) una matriz de mxn Entonces la transpuesta de A, que se escribe A t, es la matriz de nxm obtenida
Tema 4: Sistemas de ecuaciones lineales.
Tema 4: Sistemas de ecuaciones lineales 1 Rango de una matriz Definición Sea A Mat n m (K) Se llama rango de filas de A, y se denota por rg f (A) la dimensión del subespacio vectorial generado por las
Álgebra lineal Prof: Leonid Fridman
Álgebra lineal Prof: Leonid Fridman Vectores y subespacios lineales Vector: Un vector en Rn es una n-tupla de números reales Espacio lineal: Un conjunto no vacío L de elementos x, y, z, que satisface las
Resolución de Sistema de Ecuaciones Lineales
Resolución de Sistema de Ecuaciones Lineales Hermes Pantoja Carhuavilca Facultad de Ingeniería Mecanica Universidad Nacional de Ingenieria Métodos Numérico Hermes Pantoja Carhuavilca 1 de 29 CONTENIDO
Algoritmo de la factorización LU
Algoritmo de la factorización LU. Objetivo. Estudiar el algoritmo de la factorización LU de una matriz cuadrada invertible.. Requisitos: Matrices elementales y su relación con operaciones elementales.
3. Sistemas inconsistentes y sistemas indeterminados
3 Sistemas inconsistentes y sistemas indeterminados 31 Factorizaciones ortogonales Si tratamos de resolver un sistema Ax = b mediante la factorización LU o la de Cholesky, lo que hacemos es transformar
Álgebra de compresión A = U S V T. σ 1 σ 2... A =Σ σ i u i v i. UADE / M. Martins F. Acero / 2004
Álgebra de compresión A = U S V T σ 1 σ 2... A =Σ σ i u i v i T UADE / M. Martins F. Acero / 24 imagen color Una matriz de n x m x 3 números A cada pixel se le asigna un vector de R 3 El vector indica
f(x, y, z, t) = (x + y t, x + 2y z 3t, 3x + 5y 2z 7t).
Universidade de Vigo Departamento de Matemática Aplicada II E.T.S.I. Minas Álgebra Convocatoria de enero de 20 de enero de 20 (2.5 p.) ) Se considera la aplicación lineal f : R 4 R definida por: f(x y
!MATRICES INVERTIBLES
Tema 4.- MATRICES INVERTIBLES!MATRICES INVERTIBLES!TÉCNICAS PARA CALCULAR LA INVERSA DE UNA MATRIZ REGULAR 1 Hemos hablado anteriormente de la matriz cuadrada unidad de orden n (I n ).. Es posible encontrar
Ejercicios tipo test de las lecciones 1 y El vector e = ( 1, 0, λ) está en el plano generado por los vectores u = (1, 2, 1) y
Álgebra lineal y Geometría I Gloria Serrano Sotelo Departamento de MATEMÁTICAS Ejercicios tipo test de las lecciones 1 y 2. 1. El vector e = ( 1, 0, λ) está en el plano generado por los vectores u = (1,
Proyecciones Ortogonales y Proceso de Gram-Schmidt
Proyecciones Ortogonales y Proceso de Gram-Schmidt Departamento de Matemáticas, CCIR/ITESM 9 de febrero de Índice..Introducción.................................................Ortogonalidad a un espacio........................................proyección
Matrices de Proyección
Matrices de Proyección Departamento de Matemáticas, CSI/ITESM 4 de abril de 8 Índice.. Proyección ortogonal............................................ Proyección de un vector en R m....................................
Tema 3.- Sistemas de ecuaciones lineales incompatibles. Sistemas compatibles e indeterminados.
Tema 3- Sistemas de ecuaciones lineales incompatibles Sistemas compatibles e indeterminados ÍNDICE 31 Solución de mínimos cuadrados de un sistema lineal incompatible de rango máximo: ecuaciones normales
2. Álgebra matricial. Inversa de una matriz O B 1 O B 1. Depto. de Álgebra, curso
Depto de Álgebra, curso 2017-2018 2 Álgebra matricial Inversa de una matriz Ejercicio 21 Calcule la matriz inversa de cada una de las matrices siguientes: a 2 1 1 3 2 1 h e, b 2 1 1 5 2 3 2 0 1 1 2 1 1
x, y = x 0 y 0 + x 1 y 1 + x 2 y 2 + x 3 y 3. Es fácil ver que verifica 1. Es simétrica. x, y = y, x para todo x, y R 4.
1 Tema 2. Sección 1. Espacio vectorial de Minkowski. Manuel Gutiérrez. Departamento de Álgebra, Geometría y Topología. Universidad de Málaga. 29071-Málaga. Spain. Abril de 2010. En este capítulo se recordará
Algunos objetivos de la signatura 2. Sean x 1,x 2,...,x n números reales distintos y sean y 1,y 2,...,y n números reales.
Algunos objetivos de la signatura 2 Ajustes por mínimos cuadrados Sean x 1,x 2,...,x n números reales distintos y sean y 1,y 2,...,y n números reales. Algunos objetivos de la signatura 2 Ajustes por mínimos
ALN. Repaso matrices. In. Co. Facultad de Ingeniería Universidad de la República
ALN Repaso matrices In. Co. Facultad de Ingeniería Universidad de la República Definiciones básicas - Vectores Definiciones básicas - Vectores Construcciones Producto interno: ( x, y n i x y i i ' α Producto
Descomposición en valores singulares Notas para los cursos 21 y 22 (J.L. Mancilla Aguilar)
Valores Singulares Descomposición en valores singulares Notas para los cursos y (JL Mancilla Aguilar) Tanto los valores singulares como la descomposición en valores singulares de una matriz son conceptos
Definición (matriz): Definición (dimensión de una matriz): Si una matriz tiene m renglones y n columnas se dice que es de dimensión m n.
Índice general 1. Álgebra de Matrices 1 1.1. Conceptos Fundamentales............................ 1 1.1.1. Vectores y Matrices........................... 1 1.1.2. Transpuesta................................
Asignatura: Horas: Total (horas): Obligatoria X Teóricas 4.5 Semana 4.5 Optativa Prácticas Semanas 72.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO ÁLGEBRA LINEAL 0062 Asignatura Clave 0062 2 09 Semestre Créditos Ciencias Básicas Matemáticas Básicas Ingeniería en Computación
TEMA 1 Álgebra de matrices 4 sesiones. TEMA 2 Determinantes 4 sesiones. TEMA 3 Sistemas de ecuaciones 4 sesiones
1.1. MATEMÁTICAS II TEMPORALIZACIÓN Y SECUENCIACIÓN: TEMA 1 Álgebra de matrices 4 sesiones TEMA 2 Determinantes 4 sesiones TEMA 3 Sistemas de ecuaciones 4 sesiones TEMA 4 Vectores en el espacio 4 sesiones
Factorización de rango completo y aplicaciones
XXI Congreso de Ecuaciones Diferenciales y Aplicaciones XI Congreso de Matemática Aplicada Ciudad Real, 21-25 septiembre 2009 (pp. 1 8) Factorización de rango completo y aplicaciones R. Cantó 1, B. Ricarte
Matemáticas Discretas TC1003
Matemáticas Discretas TC13 Matrices: Conceptos y Operaciones Básicas Departamento de Matemáticas ITESM Matrices: Conceptos y Operaciones Básicas Matemáticas Discretas - p. 1/25 Una matriz A m n es un arreglo
Sistemas de Ecuaciones. Lineales I
Sistemas de Ecuaciones Lineales I Preliminares: Expresión matricial. Dificultades numéricas. 521230-1 - DIM Universidad de Concepción Expresión matricial Todo sistema de ecuaciones lineales puede escribirse
2. Sistemas de ecuaciones lineales
2 Sistemas de ecuaciones lineales 2 Ejercicios resueltos Ejercicio 2 Estudiar el número de condición de Frobenius de la matriz a b A a + ε b Solución: El determinante de A es A ab + ba + ε b ε Si b 0 y
SILABO DE ALGEBRA LINEAL
UNIVERSIDAD TECNICA LUIS VARGAS TORRES DE ESMERALDAS FACULTAD DE INGENIERÍAS Y TECNOLOGÍAS SILABO DE ALGEBRA LINEAL 1. DATOS INFORMATIVOS: Facultad: Ingenierías y Tecnologías Escuela: Ingeniería Mecánica
PROGRAMA DE CURSO. Resultados de Aprendizaje
PROGRAMA DE CURSO Código Nombre MA1102 Algebra Lineal Nombre en Inglés Linear Algebra SCT es Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal 6 10 3,0 2,0 5,0 Requisitos MA1101
Gustavo Rodríguez Gómez. Agosto Dicembre 2011
Computación Científica Gustavo Rodríguez Gómez INAOE Agosto Dicembre 2011 1 / 46 Capítulo II 2 / 46 1 Introducción Métodos Directos Sistemas Triangulares Sustitución Hacia Atrás Invertibilidad de una Matriz
MODULARIDAD Y ESTRUCTURA DE COMUNIDADES EN REDES MATI
MODULARIDAD Y ESTRUCTURA DE COMUNIDADES EN REDES MATI María Isabel Cardeñosa Sánchez Abraham Peña Hoyos 1 Modularidad y estructura de comunidades en redes Introducción Muchos sistemas de interés científico
Una forma fácil de recordar esta suma (regla de Sarrus): Primero vamos a estudiar algunas propiedades de los determinantes.
Una forma fácil de recordar esta suma (regla de Sarrus): Ejemplos: Tarea: realizar al menos tres ejercicios de cálculo de determinantes de matrices de 2x2 y otros tres de 3x3. PARA DETERMINANTES DE MATRICES
Matemática II Tema 3: resolución de sistemas de ecuaciones lineales
Matemática II Tema 3: resolución de sistemas de ecuaciones lineales 2012 2013 Índice Sistemas de ecuaciones lineales 1 Interpretación geométrica y definición 1 Método de eliminación 4 Resolución de sistemas
Lección 8. Matrices y Sistemas de Ecuaciones Lineales
Lección 8 Matrices y Sistemas de Ecuaciones Lineales MIGUEL ANGEL UH ZAPATA 1 Análisis Numérico I Facultad de Matemáticas, UADY Septiembre 2014 1 Centro de Investigación en Matemáticas, Unidad Mérida En
Resolución de sistemas de ecuaciones lineales
Tema 2 Resolución de sistemas de ecuaciones lineales 21 Métodos directos de resolución de sistemas de ecuaciones lineales 211 Resolución de sistemas triangulares Definición 211 Una matriz A se dice triangular
Guía docente de la asignatura Asignatura Materia Álgebra Lineal y Geometría Matemáticas Módulo Titulación Grado de Ingeniería Informática de Servicios y Aplicaciones Plan 413 Código 40801 Periodo de impartición
SEL - Métodos Directos
Facultad de Ingeniería Mecánica Universidad Nacional de Ingeniería Métodos Numéricos Contenido 1 Métodos Directos Generalidades sobre Métodos Directos Eliminación Gaussiana Pivoteo Factorización LU Generalidades
Solución de sistemas lineales
Solución de sistemas lineales Felipe Osorio http://www.ies.ucv.cl/fosorio Instituto de Estadística Pontificia Universidad Católica de Valparaíso Marzo 31, 2015 1 / 12 Solución de sistemas lineales El problema
1ER TRABAJO DE ALGEBRA LINEAL Y GEOMETRÍA PEDRO JAVIER CARMONA LUNA PRESENTADO A: HUGO R. PÉREZ CARRASCAL LIC. EN MATEMÁTICAS UNIVERSIDAD DE CÓRDOBA
1ER TRABAJO DE ALGEBRA LINEAL Y GEOMETRÍA PEDRO JAVIER CARMONA LUNA PRESENTADO A: HUGO R. PÉREZ CARRASCAL LIC. EN MATEMÁTICAS UNIVERSIDAD DE CÓRDOBA FACULTAD DE INGENIERÍAS PROGRAMA DE INGENIERÍA AMBIENTAL
DOCENTE: JESÚS E. BARRIOS P.
DOCENTE: JESÚS E. BARRIOS P. DEFINICIONES Es larga la historia del uso de las matrices para resolver ecuaciones lineales. Un texto matemático chino que proviene del año 300 A. C. a 200 A. C., Nueve capítulos
Mínimos Cuadrados. Departamento de Matemáticas, CCIR/ITESM. 30 de junio de 2011
Mínimos Cuadrados Departamento de Matemáticas, CCIR/ITESM 30 de junio de 011 Índice 4.1.Introducción............................................... 1 4..Error Cuadrático............................................
EJERCICIOS DE ÁLGEBRA LINEAL TEMA 1 ESPACIOS VECTORIALES
EJERCICIOS DE ÁLGEBRA LINEAL TEMA ESPACIOS VECTORIALES MATRICES. SISTEMAS DE ECUACIONES LINEALES Matrices ) Dada la matriz M=, prueba que n n M M, n. ) Demuestra la siguiente implicación: Si I A I AA A
Curso cero Matemáticas en informática : Sistemas de ecuaciones lineales
lineales -Jordan Curso cero Matemáticas en informática : de ecuaciones lineales Septiembre 2005 lineales -Jordan lineales -Jordan Se llama ecuación lineal con n incógnitas a a x + a 2 x 2 + a 3 x 3 + +
2.5 Ejercicios... 59
Índice General 1 Espacios vectoriales 1 1.1 Espacios vectoriales y subespacios......................... 1 1.1.1 Preliminares................................. 1 1.1.2 Espacios vectoriales.............................
Cálculo de autovalores
Cálculo de autovalores Damián Ginestar Peiró Departamento de Matemática Aplicada Universidad Politécnica de Valencia Curso 2011-2012 (UPV) Cálculo de autovalores Curso 2011-2012 1 / 28 Índice 1 Preliminares
Aproximación discreta de mínimos cuadrados con lapack
Aproximación discreta de mínimos cuadrados con lapack Pablo Santamaría v0.2 (Julio 2009) 1. Planteo del problema En general, los problemas que aparecen en la ciencia nos enfrentan a la observación de cantidades
SISTEMAS DE ECUACIONES LINEALES
SISTEMAS DE ECUACIONES LINEALES INTRODUCCIÓN En el presente documento se explican detalladamente dos importantes temas: 1. Descomposición LU. 2. Método de Gauss-Seidel. Se trata de dos importantes herramientas
Matemáticas. Álgebra lineal (parte final ampliada)
Master en Estadística e Investigación Operativa Matemáticas Álgebra lineal (parte final ampliada) Vera Sacristán Departament de Matemàtica Aplicada II Facultat de Matemàtiques i Estadística Universitat
Espacios de una Matriz
Espacios de una Matriz Departamento de Matemáticas, CSI/ITESM 31 de enero de 2008 Índice 4.1. Espacios de una Matriz........................................ 1 4.2. Espacios Lineales............................................
Cálculo numérico. Sistemas de ecuaciones lineales.
José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2010. Las raíces de x 2 bx + c = 0. r = b ± b 2 4c 2 b = 3.6778, c = 0.0020798 r 1 = 3.67723441190... r 2 = 0.00056558809...
Espacios vectoriales reales.
Tema 3 Espacios vectoriales reales. 3.1 Espacios vectoriales. Definición 3.1 Un espacio vectorial real V es un conjunto de elementos denominados vectores, junto con dos operaciones, una que recibe el nombre
Clase 8 Matrices Álgebra Lineal
Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas
ALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Espacios vectoriales
Resumen teoría Prof. Alcón ALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Espacios vectoriales Sea (K, +,.) un cuerpo con característica 0. Podemos pensar K = Q, R o C. Si V es un conjunto cualquiera en el que
Independencia lineal y rango Ejemplos. Rango. Rango y matriz inversa Teorema de Rouché-Frobenius revisitado
Independencia lineal y rango Ejemplos. Rango. Rango y matriz inversa Teorema de Rouché-Frobenius revisitado c Jana Rodriguez Hertz p. /2 Independencia lineal Si el sistema x A + x 2 A 2 + + x n A n = O
SEL Métodos Directos
SEL Pantoja Carhuavilca Métodos Numérico Agenda métodos directos Encuentra una solución en un número finito de operaciones(en ausencia de errores de redondeo) transformando el sistema en un sistema equivalente
Espacios Vectoriales, Valores y Vectores Propios
, Valores y Vectores Propios José Juan Rincón Pasaye, División de Estudios de Postgrado FIE-UMSNH Curso Propedéutico de Matemáticas para la Maestría en Ciencias opciones: Sistemas de Control y Sistemas
Álgebra Lineal Ma843
Álgebra Lineal Ma843 Valores y vectores propios: Departamento de Matemáticas ITESM Valores y vectores propios: Álgebra Lineal - p. 1/9 ducción Uno de los temas fundamentales en Ingeniería es el tema de
c-inversa o inversa generalizada de Rao
c-inversa o inversa generalizada de Rao Definición.- Sea A m n. Se dice que una matriz A c de orden n m es una c-inversa o inversa generalizada en el sentido de Rao si y sólo si se verifica AA c A = A.
Universidad Nacional de Ingeniería Facultad de Ciencias. Física Computacional CC063. Algebra Lineal. Prof: J. Solano 2012-I
Universidad Nacional de Ingeniería Facultad de Ciencias Física Computacional CC063 Algebra Lineal Prof: J. Solano 2012-I Introduccion Aqui trabjaremos con operaciones basicas con matrices, tales como solucion
Álgebra Lineal Ma843
Álgebra Lineal Ma843 Principios de Desarrollo Discursivo/Didáctico Departamento de Matemáticas ITESM Principios de Desarrollo Discursivo/Didáctico Álgebra Lineal - p. 1/12 Problema Fundamental El problema
Matrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CSI/ITESM 20 de agosto de 2008 Índice 121 Introducción 1 122 Transpuesta 1 123 Propiedades de la transpuesta 2 124 Matrices
TEMA 4: Sistemas de ecuaciones lineales II
TEM 4: Sistemas de ecuaciones lineales II ) Teorema de Rouché-Frobenius. ) Sistemas de Cramer: regla de Cramer. 3) Sistemas homogeneos. 4) Eliminación de parámetros. 5) Métodos de factorización. 5) Métodos
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones.
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada Fortes)
Descomposición SVD. Luciano A. Perez. 10 de septiembre de 2015
Descomposición SVD Luciano A. Perez 1 de septiembre de 15 1. Introducción 1.1. La Descomposición Sean n,m N, y sea A C m n ; una descomposición en valores singulares (o SVD) de A es una factorización donde:
UNIVERSIDAD TECNICA LUIS VARGAS TORRES DE ESMERALDAS FACULTAD DE INGENIERÍAS Y TECNOLOGÍAS SILABO DE ALGEBRA LINEAL
UNIVERSIDAD TECNICA LUIS VARGAS TORRES DE ESMERALDAS FACULTAD DE INGENIERÍAS Y TECNOLOGÍAS SILABO DE ALGEBRA LINEAL 1. DATOS INFORMATIVOS: Facultad: Ingenierías y Tecnologías Escuela: Ingeniería Mecánica
Dos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el mismo lugar en ambas son iguales
Introducción Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester. El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A. Cayley
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: ÁLGEBRA LINEAL EN CIENCIAS ECONÓMICO ADMINISTRATIVAS FECHA DE ELABORACIÓN: FEBRERO 2005 ÁREA
6.6. Diagonalización de matrices simétricas o hermitianas. Ejemplo de una diagonalización de una matriz simétrica
6.6 Diagonalización de matrices simétricas o hermitianas Ejemplo de una diagonalización de una matriz simétrica Matrices hermitianas Los autovalores de las matrices reales simétricas o complejas hermitianas
PROGRAMA INSTRUCCIONAL
UNIVERSIDAD FERMÍN TORO VICE RECTORADO ACADÉMICO FACULTAD DE INGENIERÍA PROGRAMA INSTRUCCIONAL DATOS BÁSICOS DE LA ASIGNATURA Nombre de la asignatura: Código Semestre U.C. Pre- Requisito ALGEBRA LINEAL
PROGRAMA DE EXAMEN. Unidad Nº1: Matrices y Función Determinante
Ministerio de Cultura y Educación Universidad Nacional de San Juan Fac. de Ciencias Exactas Físicas y Naturales Ciclo Lectivo 2016 PROGRAMA DE EXAMEN Cátedra: ALGEBRA LINEAL Carrera: Licenciatura en Geofísica
PROGRAMA ANALÍTICO. I. Objetivos El alumno deberá: II. Contenidos del Programa Analítico. Año 2017
Año 2017 PROGRAMA ANALÍTICO Asignatura: ÁLGEBRA Y GEOMETRÍA ANALÍTICA Departamento: Matérias Básicas Unidad Docente Básica: Matemática Bloque: Ciencias Básicas Especialidad: COMÚN A TODAS LAS ESPECIALIDADES
I. Métodos directos para resolución de SEL. Se dice que una matriz A admite una factorización LU indirecta A = LU
I. Métodos directos para resolución de SEL 1. Factorización LU Se dice que una matriz A admite una factorización LU si dicha matriz puede escribirse como el producto de una matriz triangular inferior,
SISTEMAS DE ECUACIONES LINEALES Y MATRICES
y SISTEMAS DE ECUACIONES ES Y MATRICES Sergio Stive Solano 1 Febrero de 2015 1 Visita http://sergiosolanosabie.wikispaces.com y SISTEMAS DE ECUACIONES ES Y MATRICES Sergio Stive Solano 1 Febrero de 2015
Eigenvalores y eigenvectores
Eigenvalores y eigenvectores Los dos problemas principales del álgebra lineal son: resolver sistemas lineales de la forma Ax = b y resolver el problema de eigenvalores. En general, una matriz actúa sobre
MATRICES OPERACIONES BÁSICAS CON MATRICES
MATRICES OPERACIONES BÁSICAS CON MATRICES ANTECEDENTES En el año 1850, fueron introducidas por J.J. Sylvester El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A.