Factorización de rango completo y aplicaciones
|
|
- Isabel Barbero Godoy
- hace 6 años
- Vistas:
Transcripción
1 XXI Congreso de Ecuaciones Diferenciales y Aplicaciones XI Congreso de Matemática Aplicada Ciudad Real, septiembre 2009 (pp. 1 8) Factorización de rango completo y aplicaciones R. Cantó 1, B. Ricarte 1, A.M. Urbano 1 1 Institut de Matemàtica Multidisciplinar, Universidad Politécnica de Valencia, E Valencia. s: rcanto@mat.upv.es, bearibe@mat.upv.es, amurbano@mat.upv.es. Palabras clave: forma de Jordan. Factorización de rango completo, factorización de Cholesky, factorización thin QR, Resumen En este trabajo se estudian algunas aplicaciones de la factorización de rango completo tales como la factorización de Cholesky de una matriz simétrica no invertible, la factorización thin QR de matrices rectangulares y el cálculo de valores y vectores propios de una matriz singular. 1. Introducción Dada una matriz A R n m con rank(a) = r, una factorización de la forma A = F G, donde F R n r, G R r m y rank(f ) = rank(g) = r, se conoce como descomposición de rango completo de la matriz A. Notar que, si A = F G es una factorización de rango completo, entonces cualquier otra factorización de este tipo puede obtenerse de la forma A = (F M 1 )(MG) donde M R r r es una matriz invertible. Si exigimos que la matriz G esté en forma escalonada reducida superior unitaria entonces la factorización obtenida es única. Utilizando la descomposición de rango completo de una matriz, extendemos algunos resultados conocidos para matrices invertibles o con rango completo por columnas a matrices rectangulares que no tienen rango completo. Concretamente, obtenemos la factorización de Cholesky de rango completo de matrices singulares A A, cuya aplicación a matrices totalmente positivas (P) o estrictamente totalmente positivas (SP) permite afirmar que el factor triangular inferior de Cholesky es P o SP. Por otra parte, es conocido que la factorización QR es, entre otras cosas, un camino alternativo para resolver sistemas de ecuaciones lineales, ya que por ser Q ortogonal resolver el sistema Ax = b es equivalente a resolver el sistema Rx = Q b, el cual es mucho más sencillo por ser R triangular superior. Cuando la matriz A es rectangular con rango completo por columnas Golub y Van oan [4, eorema 5.2.2] definen el concepto de 1
2 R. Cantó, B. Ricarte, A.M. Urbano thin QR factorization y prueban que es única. Esta nueva factorización permite reducir el tamaño de las matrices Q y R, y, como consecuencia, reducir el tamaño del sistema a resolver. Nosotros vamos a extender dicho concepto a matrices rectangulares pero sin rango máximo por columnas. a aplicación a matrices P y SP permite asegurar que la matriz R de esta factorización es P o SP. Dada una matriz cuadrada singular podemos, a partir del eorema de Flanders [3], obtener sus valores propios, vectores propios y forma de Jordan, reduciendo el orden de la matriz mediante factorizaciones de rango completo. 2. Factorización de Cholesky oda matriz simétrica, definida positiva A R n n admite una única factorización de Cholesky A =, donde R n n es triangular inferior con diagonal principal positiva. Si A es semidefinida positiva existe una matriz de permutación P tal que P A admite factorización de Cholesky y, en este caso, es fácil comprobar que en general dicha descomposición no es única. Cuando la matriz semidefinida positiva A tiene rango igual a r y la forma escalonada superior unitaria de sus r primeras filas linealmente independientes puede obtenerse sin intercambio de filas aplicando [1, heorem 1] se deduce que A tiene una única factorización de Cholesky, que puede obtenerse aplicando el método de quasi-gauss [1]. Cuando la matriz A es rectangular se obtiene la factorización de Cholesky de A A. Si A tiene rango completo por columnas, entonces A A es simétrica definida positiva, en otro caso es simétrica semidefinida positiva y, como indica el siguiente resultado, tiene una única factorización de Cholesky de rango completo. eorema 1 Sea A R n m una matriz tal que rank(a) = r. Entonces, A A admite una única factorización de Cholesky de rango completo A A =, donde R m r es una matriz en forma escalonada inferior, con entradas principales positivas y rango completo por columnas. Nota 1 El eorema 1 nos permite afirmar que la factorización de Cholesky de rango completo de A A puede obtenerse aplicando el algoritmo de quasi-gauss sin intercambio de filas. En general, no sucede lo mismo cuando se intenta aplicar el algoritmo de quasi- Neville. Nota 2 Cuando la matriz A R n m con rango r es P, entonces A A también es P y en este caso se verifica 1. El factor triangular inferior A de la factorización de Cholesky de rango completo de A A es P [2]. 2. Como el índice de la matriz A A es igual a 1, la inversa de grupo y la inversa de Drazin coinciden. En este caso dicha inversa viene dada por la matriz simétrica con rango r siguiente: (A A) D = A ( A (A A) A ) 1 A = A ( A A ) 2 A donde A es el factor triangular inferior de Cholesky. Como A es P entonces, ( A A ) 2 es P -matriz y por tanto, la inversa de Drazin es P0 -matriz. 2
3 Factorización de rango completo y aplicaciones 3. Factorización hin QR de matrices rectangulares Dada una matriz A R n m con rango completo por columnas Golub y Van oan [4] definen la factorización thin QR de A como la única factorización de la forma A = Q 1 R 1 donde Q 1 R n m tiene columnas ortonormales y R 1 R m m es triangular superior con las entradas de la diagonal principal positivas. En [4, heorem ] prueban que esta factorización es única y, además, R 1 = donde es el factor triangular inferior de la factorización de Cholesky de A A. Usando la factorización de rango completo el siguiente teorema extiende la factorización thin QR a matrices rectangulares sin rango completo. eorema 2 Sea A R n m una matriz tal que rank(a) = r. Entonces, existe una matriz Q 1 R n r con columnas ortonormales y una matriz escalonada superior R 1 R r m con la entrada principal de cada fila positiva, tal que A = Q 1 R 1. Además, R1 es el factor escalonado inferior de Cholesky de A A. Demostración: Aplicando el algoritmo de quasi-gauss [1] a la matriz A obtenemos la factorización de rango completo A = F U, donde F R n r tiene rango completo por columnas y U R r m es una matriz escalonada reducida superior unitaria con rango completo por filas. Como F R n r tiene rango completo por columnas admite una única factorización thin QR, F = Q 1F R 1F donde Q 1F R n r tiene columnas ortonormales y R 1F R r r es triangular superior con entradas diagonales positivas. Por tanto, A = F U = Q 1F R 1F U = Q 1F (R 1F U) = Q 1 R 1 donde Q 1 = Q 1F R n r y R 1 = R 1F U R r m está en forma escalonada superior con la entrada principal en cada fila positiva. Además, como A A = (Q 1 R 1 ) (Q 1 R 1 ) = R1 R 1, tenemos que R 1 = es el factor escalonado superior de Cholesky de A A. Nota 3 Observar que la matriz de rango completo R 1 es única y como consecuencia se deduce que Q 1 es también única. Esta factorización se conoce como factorización thin QR de una matriz A R n m con rank(a) = r. Nota 4 Si A es P, teniendo en cuenta la Nota 2 podemos asegurar que R 1 es también P. Cuando A es totalmente no positiva se obtiene un resultado análogo por ser A A P. 4. Forma de Jordan Sea A R n n una matriz con rank(a) = r < n, y sea A = F U una factorización de rango completo tal que F R n r, U R r n y rank(f ) = rank(u) = r. A partir del eorema de Flanders [3] tenemos el siguiente resultado, Proposición 1 Sea A R n n una matriz tal que rank(a) = r < n y sea A = F U una factorización de rango completo tal que F R n r, U R r n, ambas con rango r. Consideremos la matriz A 2 = UF R r r. Entonces, A y A 2 tienen los mismos divisores elementales asociados a los valores propios no nulos. Además, si s 1 s 2 s p (s 1 s 2 s p) son los tamaños de los bloques de Jordan asociados al valor propio cero en A (A 2 ), entonces s i s i = 1 para todo i. 3
4 R. Cantó, B. Ricarte, A.M. Urbano Nota 5 Como rank(a 2 ) = rank(a 2 ), si A 2 es singular podemos volver a aplicar la Proposición 1 y obtener la matriz A 3 tal que rank(a 3 ) = rank(a 2 2 ) = rank(a3 ). Por tanto, dada una matriz A R n n que verifica rank(a) = r > rank(a 2 ) = r 2 > > rank(a w ) = r w = rank(a j ), j > w aplicando la Proposition 1 w-veces obtenemos una sucesión de matrices A 2, A 3,..., A w, A w+1 tales que rank(a i ) = rank(a i ) = r i, i = 2, 3,..., w +1 con A w+1 invertible. A partir de la estructura de Jordan de esta última matriz obtenemos la estructura de Jordan de la matriz A asociada a los valores propios no nulos. Además, teniendo en cuenta los rangos de las matrices A 2, A 3,..., A w, A w+1 obtenemos la estructura de Jordan de A asociada al valor propio nulo. Ejemplo 1 Consideremos la matriz A R 8 8 con rank(a) = A = Esta matriz admite la siguiente factorización de rango completo A = = F U. a matriz A 2 = UF tiene rank(a 2 ) = rank(a 2 ) = 4 y puede ser factorizada de la forma A 2 = UF = = F A 2 U A a matriz A 3 = U A2 F A2 con rank(a 3 ) = rank(a 2 2 ) = rank(a3 ) = 3 puede factorizarse de la forma A 3 = U A2 F A2 = = F A3 U A
5 Finalmente A 4 = U A3 F A3 = Factorización de rango completo y aplicaciones a matriz A 4 es invertible siendo sus valores propios λ 1 = 12 y λ 2 = 8 con multiplicidades algebraicas m(λ 1 ) = 1 y m(λ 2 ) = 2. Aplicando la Proposición 1 tenemos que los valores propios de A son λ 1 = 12, λ 2 = 8 y λ 3 = 0, con multiplicidades algebraicas m(λ 1 ) = 1, m(λ 2 ) = 2 y m(λ 3 ) = 5. Como rank(a) = 6, rank(a 2 ) = rank(a 2 ) = 4, rank(a 3 ) = rank(a 3 ) = 3 y rank(a 4 ) = rank(a 4 ) = 3, tenemos que dim(ker(a)) = 2, dim(ker(a 2 )) = 4 y dim(ker(a 3 )) = 5. Por tanto, los tamaños de los bloques de Jordan asociados al valor propio λ 3 = 0 son 3 y 2, siendo su estructura de Jordan J A = diag (J 3 (0), J 2 (0), J 1 (12), J 2 (8)). Conocidos los valores propios de la matriz A vamos a ver ahora cómo obtener las cadenas de Jordan asociadas a dichos valores propios. Supongamos que s 1 s 2... s p 1 son los tamaños de los bloques de Jordan asociados al valor propio cero. Consideremos la factorización de rango completo A = F U y la matriz A 2 = UF R r r. Distinguiremos dos casos: (a) rank(a 2 ) = rank(a) = r En este caso la matriz A 2 es invertible y A no tiene vectores propios generalizados asociados con el valor propio λ = 0. os vectores propios de A asociados a dicho valor propio son las soluciones no nulas del sistema U x = 0. Con las soluciones obtenidas podemos formar las columnas de la matriz V, de manera que AV = O R n (n r). Para los valores propios no nulos se verifica el siguiente resultado, Proposición 2 Si {v r, v r 1,..., v 2, v 1 } es una cadena de Jordan de la matriz A 2 asociada al valor propio no nulo λ, entonces {F v r, F v r 1,..., F v 2, F v 1 } es una cadena de Jordan de A asociada al mismo valor propio. Demostración: Por la Proposición 1 la estructura de Jordan de A 2 y A asociada a los valores propios no nulos es la misma. Como {v r, v r 1,..., v 2, v 1 } es una cadena de Jordan de A 2 asociada al valor propio λ tenemos Multiplicando por F A 2 v j = (UF )v j = v j 1 + λv j, j = r, r 1,..., 2, A 2 v 1 = (UF )v 1 = λv 1. F A 2 v j = F (UF )v j = (F U)(F v j ) = F v j 1 + λ(f v j ), j = r, r 1,..., 2, F A 2 v 1 = F (UF )v 1 = (F U)(F v 1 ) = λ(f v 1 ). Puesto que F tiene rango completo por columnas los vectores F v j, j = 1, 2,..., r, son linealmente independientes. Por tanto, {F v r, F v r 1,..., F v 2, F v 1 } es una cadena de Jordan de A asociada al valor propio λ. Si las columnas de Q R r r son los vectores y vectores propios generalizados de A 2 entonces las columnas de la matriz F Q R n r son los correspondientes vectores y vectores propios generalizados de A asociados a los valores propios no nulos, esto es A 2 = QJ t Q 1 UF = QJ t Q 1 UF Q = QJ t (F U)(F Q) = (F Q)J t A(F Q) = (F Q)J t 5
6 R. Cantó, B. Ricarte, A.M. Urbano Con V y F Q construimos la matriz S = [V F Q] R n n. Dicha matriz verifica que S 1 AS = J A. (b) rank(a 2 ) < rank(a) = r En este caso hay vectores propios y vectores propios generalizados asociados al valor propio λ = 0. Supongamos que A 2 tiene q bloques de Jordan de tamaño s 1 1 s 2 1 s q 1 1 asociados a dicho valor propio. Por la Proposición 1 A tiene al menos q bloques de Jordan de tamaño s 1 s 2 s q 2 asociados al mismo valor propio. El siguiente resultado proporciona la relación que existe entre dichas cadenas de Jordan. Proposición 3 Sea v isi 1, v i si 2,..., v i 2, v i1 una cadena de Jordan de A 2 de longitud s i 1 asociada al valor propio nulo. Entonces, existe un vector no nulo v isi tal que {v isi, F v isi 1, F v isi 2,..., F v i 2, F v i1 } es una cadena de Jordan de A de longitud s i asociada al valor propio nulo. Demostración: Como v isi 1, v i si 2,..., v i 2, v i1 es una cadena de Jordan de A 2 asociada al valor propio nulo tenemos que Por tanto { A2 v ij = v ij 1, j = s i 1, s i 2,..., 3, 2, A 2 v i1 = 0. A 2 v ij = UF v ij = v ij 1 = (F U)(F v ij ) = F v ij 1, j = s i 1, s i 2,..., 2, A 2 v i1 = UF v i1 = 0 = (F U)(F v i1 ) = 0. Como F tiene rango completo por columnas y v ij 0 entonces, F v ij 0 para j = s i 1, s i 2,..., 2, 1. Como consecuencia {F v isi 1, F v i si 2,..., F v i 2, F v i1 } es una cadena de Jordan de A, de longitud s i 1 asociada al valor propio cero. Para extender esta cadena a una cadena de Jordan de longitud s i necesitamos un vector x 0, x ker(a s i ) pero x ker(a s i 1 ), esto es x ker(a s i ) ker(a s i 1 ) y tal que Ax = F v isi 1. De nuevo, como F tiene rango completo por columnas tenemos que Ax = F Ux = F v isi 1 = F (Ux v isi 1 ) = 0 = Ux = v i si 1. Dicho sistema tiene solución ya que U tiene rango completo por filas. Supongamos que x = v isi una solución, esto es Uv isi = v isi 1. Obviamente v i si ker(a s i ) ker(a s i 1 ), ya que en otro caso A s i 1 v isi = 0 = (F U)(F U) (F U)(F U)v isi = 0 = F A s i 2 2 Uv isi = 0 = F A s i 2 2 v isi 1 = 0 = A s i 2 2 v isi 1 = 0, lo cual es absurdo puesto que v isi 1 ker(as i 1 2 ) ker(a s i 2 2 ). Por tanto, el conjunto de vectores {v isi, F v, F v isi 1 i,..., F v si 2 i 2, F v i1 } es una cadena de Jordan de A de longitud s i asociada al valor propio λ = 0. 6
7 Factorización de rango completo y aplicaciones El siguiente diagrama describe el resultado del teorema anterior: ker(a s i ) ker(a si 1 ) v isi ker(a s i 1 2 ) ker(a s i 2 2 ) v isi 1 ker(a si 1 ) ker(a si 2 ) F v isi 1 ker(a s i 2 2 ) ker(a s i 3 2 ) v isi 2 ker(a si 2 ) ker(a si 3 ) F v isi 2. = ker(a 2 2 ) ker(a 2) v i2 ker(a 2 ) ker(a) F v i2 ker(a 2 ) v i1 ker(a) F v i1 Por tanto, todas las cadenas de Jordan de A 2 asociadas al valor propio cero pueden ser extendidas a cadenas de Jordan de A asociadas al mismo valor propio. Si p = q, esto es, si el número de cadenas de Jordan asociadas al valor propio cero de las matrices A 2 y A es el mismo, aplicando la Proposición 3 a cada cadena de A 2 obtenemos la correspondiente cadena de Jordan de A. Si p > q, además de esas cadenas de Jordan, necesitamos p q vectores propios más, los cuales son las soluciones no nulas del sistema Ux = 0 linealmente independientes con los q vectores propios {F v 11, F v 21,..., F v q1 } obtenidos. Para los valores propios no nulos procedemos como en el caso anterior. Ejemplo 2 Consideremos la matriz A R 8 8 del ejemplo 1. Sabemos que A tiene dos bloques de Jordan de tamaño 3 y 2 asociados al valor propio λ 3 = 0, un bloque de Jordan de tamaño 1 asociado a λ 1 = 12 y un bloque de Jordan de tamaño 2 asociado a λ 2 = 8. Para obtener los vectores propios asociados a los valores propios no nulos empezamos con la matriz A Para λ 1 = 12 tenemos E A4 (12) = Env{t = (0, 1, 1)} E A3 (12) = Env{F A3 t} E A2 (12) = Env{F A2 F A3 t} E A (12) = Env{F F A2 F A3 t} Por tanto, simplificando tenemos que E A (12) = Env{(0, 1, 0, 1, 0, 1, 0, 1)}. 2. Para λ 2 = 8 la matriz A 4 tiene la siguiente cadena de Jordan de longitud 2, ker((8i A 4 ) 2 ) ker(8i A 4 ) r 2 = (1, 1, 1) ker(8i A 4 ) r 1 = (0, 2, 2) a correspondiente cadena de Jordan de A asociada con dicho valor propio es ker((8i A) 2 ) ker(8i A) F F A2 F A3 r 2 ker(8i A) F F A2 F A3 r 1 simplificando tenemos (2, 7, 2, 7, 2, 7, 2, 7) ker((8i A) 2 ) ker(8i A) y (0, 8, 0, 8, 0, 8, 0, 8) ker(8i A).. 7
8 R. Cantó, B. Ricarte, A.M. Urbano Para obtener las cadenas de Jordan asociadas al valor propio nulo hemos de tener en cuenta que asociadas a dicho valor propio A 3 tiene sólo una cadena de Jordan de longitud 1, A 2 tiene dos cadenas de Jordan de longitudes 2 y 1, y A tiene dos cadenas de Jordan de longitudes 3 y 2. Por la Proposición 3 tenemos y para A ker(a 2 2 ) ker(a 2) r 2 ker(a 3 ) z 1 ker(a 2 ) r 1 = F A2 z 1 s 1 ker(a 3 ) ker(a 2 ) v 3 ker(a 2 ) ker(a) v 2 = F r 2 u 2 ker(a) v 1 = F r 1 u 1 = F s 1 Primero, resolviendo el sistema A 3 x = 0 obtenemos que z 1 = (1, 0, 0, 1) y aplicando la Proposición 3 r 1 = F A2 z 1 = (0, 0, 0, 4, 0, 4) y v 1 = F r 1 = (8, 0, 8, 0, 8, 0, 8, 0) De nuevo por la Proposición 3 sabemos que el vector r 2 es una solución del sistema U A2 x = z 1. Por tanto, r 2 = (2, 0, 1, 1, 1, 1) v 2 = F r 2 = (2, 0, 2, 4, 2, 4, 2, 0) El vector propio s 1 es una solución no nula del sistema U A2 x = 0, de manera que los vectores {s 1, r 1 } sean linealmente independientes. omando s 1 = (1, 0, 1, 0, 0, 0) u 1 = F s 1 = (0, 2, 0, 2, 0, 2, 0, 2) Finalmente, los vectores v 3 y u 2 son soluciones de los sistemas Agradecimientos U A x = r 2 v 3 = x = (3, 1, 2, 0, 2, 0, 1, 1) U A x = s 1 u 2 = x = (2, 1, 2, 1, 1, 1, 1, 1) rabajo financiado por el proyecto DGI MM y por el proyecto de incentivación de la investigación de la Universidad Politécnica de Valencia. Referencias [1] R. Cantó, B. Ricarte and A. M. Urbano, Full rank factorization and Flanders theorem, Sometido. [2] R. Cantó, B. Ricarte and A. M. Urbano, Characterization of rectangular P and SP matrices, Sometido. [3] H. Flanders, Elementary divisors of AB and BA, Proceedings of the American Mathematical Society, 2, 6 (1951), [4] J. H. Golub and C. F. Van oan, Matrix Computations, he Johns Hopkins University Press,
Factorización de matrices totalmente no positivas y totalmente negativas
XXI Congreso de Ecuaciones Diferenciales y Aplicaciones XI Congreso de Matemática Aplicada Ciudad Real, 21-25 septiembre 2009 (pp. 1 8) Factorización de matrices totalmente no positivas y totalmente negativas
Más detallesA.M. Urbano, R. Cantó, B. Ricarte Institut de Matemàtica Multidisciplinar, Universitat Politècnica de València, E Valencia
Factorización de Cholesky de matrices singulares A.M. Urbano, R. Cantó, B. Ricarte Institut de Matemàtica Multidisciplinar, Universitat Politècnica de València, E-460 Valencia amurbano@mat.upv.es,rcanto@mat.upv.es,bearibe@mat.upv.es,
Más detallesPropiedades de las Matrices Totalmente no Positivas
XX Congreso de Ecuaciones Diferenciales y Aplicaciones X Congreso de Matemática Aplicada Sevilla, 24-28 septiembre 2007 (pp 1 8) Propiedades de las Matrices Totalmente no Positivas R Cantó 1, B Ricarte
Más detallesMatrices 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,
Más detallesFactorización 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
Más detalles6.8. 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
Más detallesDepartamento de Ingeniería Matemática - Universidad de Chile
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Álgebra Lineal 8-7 Formas cuadráticas SEMANA 4: FORMAS CUADRÁTICAS 7 Formas cuadráticas y matrices definidas positivas
Más detallesMatrices Inversas. Rango Matrices Elementales
Matrices Inversas. Rango Matrices Elementales Araceli Guzmán y Guillermo Garro Facultad de Ciencias UNAM Semestre 2018-1 doyouwantmektalwar.wordpress.com Matrices Matrices identidad La matriz identidad
Más detallesDefinición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices 1.1. Conceptos básicos y ejemplos Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. NOTA:
Más detalles3. 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
Más detallesValores y Vectores Propios
Valores y Vectores Propios Iván Huerta Facultad de Matemáticas Pontificia Universidad Católica de Chile ihuerta@mat.puc.cl Segundo Semestre, 1999 Definición Valores y Vectores Propios Valores y Vectores
Más detallesÁlgebra 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
Más detallesTema 1 CÁLCULO MATRICIAL y ECUACIONES LINEALES
Tema 1 CÁLCULO MATRICIAL y ECUACIONES LINEALES Prof. Rafael López Camino Universidad de Granada 1 Matrices Definición 1.1 Una matriz (real) de n filas y m columnas es una expresión de la forma a 11...
Más detallesTema 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)
Más detallesTEMA 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
Más detallesÁlgebra 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
Más detallesValores 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
Más detallesMatrices triangulares y descomposición LU
Matrices triangulares y descomposición LU Problemas para examen Si en algún problema se pide calcular el número de flops (operaciones aritméticas con punto flotante), entonces en el examen será suficiente
Más detallesClase 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
Más detallesÁLGEBRA LINEAL I NOTAS DE CLASE UNIDAD 2
ÁLGEBRA LINEAL I NOTAS DE CLASE UNIDAD 2 Abstract Estas notas conciernen al álgebra de matrices y serán actualizadas conforme el material se cubre Las notas no son substituto de la clase pues solo contienen
Más detalles3. ÁLGEBRA LINEAL // 3.1. SISTEMAS DE
3. ÁLGEBRA LINEAL // 3.1. SISTEMAS DE ECUACIONES LINEALES Y MATRICES COMPLEMENTOS PARA LA FORMACIÓN DISCIPLINAR EN MATEMÁTICAS Curso 2011-2012 3.1.1. Resolución de sistemas de ecuaciones lineales. Método
Más detallesMatrices 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....................................
Más detallesTema 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)
Más detallesProfesor Francisco R. Villatoro 13 de Diciembre de 1999 SOLUCIONES. 1. Una matriz A de n n es diagonalmente dominante (estrictamente) por filas si
Cuarta relación de problemas Técnicas Numéricas Profesor Francisco R. Villatoro 13 de Diciembre de 1999 SOLUCIONES 1. Una matriz A de n n es diagonalmente dominante estrictamente por filas si a ii > a
Más detallesDefinición: Dos matrices A y B son iguales si tienen el mismo orden y coinciden los elementos que ocupan el mismo lugar.
UNIDAD 03: MATRICES Y DETERMINANTES. 3.1 Conceptos de Matrices. 3.1.1 Definición de matriz. Definición: Se lama matriz de orden m x n a un arreglo rectangular de números dispuestos en m renglones y n columnas.
Más detallesMatrices. Álgebra de matrices.
Matrices. Álgebra de matrices. 1. Definiciones generales Definición 1.1 Si m y n son dos números naturales, se llama matriz de números reales de orden m n a una aplicación A : {1, 2, 3,..., m} {1, 2, 3,...,
Más detallesTema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico.
Tema 1: Matrices El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. 1. Terminología Comenzamos con la definición de matriz
Más detallesTEMA 1: MATRICES Y DETERMINANTES
TEMA 1: MATRICES Y DETERMINANTES 1 Matrices Definición 11 Una matriz es un arreglo rectangular de números reales de la forma a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Las líneas horizontales (verticales)
Más detallesMatrices, determinantes y sistemas de ecuaciones lineales
Matrices, determinantes y sistemas de ecuaciones lineales David Ariza-Ruiz 10 de octubre de 2012 1 Matrices Una matriz es una tabla numérica rectangular de m filas y n columnas dispuesta de la siguiente
Más detallesDescomposición en valores singulares de una matriz
Descomposición en valores singulares de una matriz Estas notas están dedicadas a demostrar una extensión del teorema espectral conocida como descomposición en valores singulares (SVD en inglés) de gran
Más detallesResolución 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
Más detallesTema 1: Matrices. Sistemas de ecuaciones. Determinantes
Tema 1: Matrices. Sistemas de ecuaciones. Determinantes José M. Salazar Octubre de 2016 Tema 1: Matrices. Sistemas de ecuaciones. Determinantes Lección 1. Matrices. Sistemas de ecuaciones. Determinantes
Más detallesCapítulo V. Valores y vectores propios. Diagonalización de operadores lineales.
Capítulo V Valores y vectores propios. Diagonalización de operadores lineales. Hemos visto que la aplicaciones lineales de en están definidas a través de una expresión de la forma ; pero esta fórmula puede
Más detallesde la forma ), i =1,..., m, j =1,..., n, o simplemente por (a i j ).
INTRODUCCIÓN. MATRICES Y DETERMINANTES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales.
Más detallesSEL - 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
Más detallesMATRICES. Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
MATRICES Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
Más detallesMatemáticas. 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
Más detallesProcedimiento para encontrar la inversa de una matriz cuadrada (Método de Gauss-Jordan).
Ejemplo 19: Demuestre que la matriz A es invertible y escríbala como un producto de matrices elementales. Solución: Para resolver el problema, se reduce A a I y se registran las operaciones elementales
Más detallesPropiedades de los Determinantes
Propiedades de los Determinantes Departamento de Matemáticas, CCIR/ITESM 26 de mayo de 2010 Índice 19.1. Propiedades............................................... 1 19.2. La adjunta de una matriz cuadrada..................................
Más detallesAlgebra lineal Matrices
Algebra lineal Matrices Una matriz A un arreglo rectangular de números dispuestos en m renglones (filas) y n columnas. Fila 1 La componente o elemento ij de A, denotado por es el número que aparece en
Más detalles2. 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
Más detallesUna matriz es un arreglo rectangular de números. Los números en el arreglo se llaman elementos de la matriz. ) ( + ( ) ( )
MATRICES Una matriz es un arreglo rectangular de números. Los números en el arreglo se llaman elementos de la matriz. Ejemplo 1. Algunos ejemplos de matrices ( + ( ) ( + ( ) El tamaño o el orden de una
Más detallesSEL 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
Más detallesTEMA 7: MATRICES. OPERACIONES.
TEMA 7: MATRICES. OPERACIONES. 1. MATRICES. TIPOS DE MATRICES. Se llama matriz de orden m x n (m filas y n columnas) a un conjunto de m n elementos, distribuidos en m filas y n columnas y encerrados entre
Más detallesApuntes de álgebra lineal. Eduardo Liz Marzán. Enero de 2015.
Apuntes de álgebra lineal Eduardo Liz Marzán Enero de 2015 Índice general 1 Introducción 7 11 Operaciones internas y estructura de cuerpo 7 12 Números complejos 8 13 Vectores 10 2 Matrices y determinantes
Más detallesAlgoritmo 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.
Más detallesMatrices, 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
Más detallesEstos apuntes se han sacado de la página de internet de vitutor con pequeñas modificaciones.
TEMA 1: MATRICES Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones ordenados en filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
Más detallesMatrices con inversa positiva
XX Congreso de Ecuaciones Diferenciales y Aplicaciones X Congreso de Matemática Aplicada Sevilla 24-28 septiembre 2007 (pp. 1 8) Matrices con inversa positiva MANUEL F. ABAD 1 JUAN R. TORREGROSA 1 1 Dpto.
Más detallesSistema 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
Más detallesMATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES
6 de Abril de MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES (Clase ) Departamento de Matemática Aplicada Facultad de Ingeniería Universidad Central de Venezuela . Producto de matrices. Aplicaciones
Más detallesMATRICES. Jaime Garrido Oliver
MATRICES Jaime Garrido Oliver ÍNDICE DE CONTENIDOS ÍNDICE DE CONTENIDOS... 2 MATRICES... 3 1.1. INTRODUCCIÓN.... 3 2. TIPOS DE MATRICES... 4 2.1. Matriz Fila, Matriz Columna... 4 2.2. Matrices cuadradas...
Más detallesFormas cuadráticas. Natalia Boal María Luisa Sein-Echaluce Universidad de Zaragoza
Formas cuadráticas Natalia Boal María Luisa Sein-Echaluce Universidad de Zaragoza A lo largo de todo el capítulo consideraremos que V un espacio vectorial real de dimensión finita n. 1 Formas bilineales
Más detallesDefinición (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................................
Más detallesTema 11.- Autovalores y Autovectores.
Álgebra 004-005 Ingenieros Industriales Departamento de Matemática Aplicada II Universidad de Sevilla Tema - Autovalores y Autovectores Definición, propiedades e interpretación geométrica La ecuación característica
Más detallesResolución 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
Más detallesDeterminantes. Reducción de matrices. Caso diagonalizable
Tema 4 Determinantes Reducción de matrices Caso diagonalizable En este tema consideraremos matrices cuadradas y, para ellas, introduciremos el concepto de autovalor de una matriz Veremos también cómo algunas
Más detallesc-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.
Más detallesÁlgebra Lineal. Tema 5 Ecuaciones diferenciales lineales
Álgebra Lineal. Tema 5 Dep. Matemática Aplicada. UMA Tasa relativa de crecimiento Si x(t representa alguna cantidad física como el volumen de una sustancia, la población de ciertas especies, o el número
Más detallesMatrices 3. Matrices. Verónica Briceño V. agosto 2012
3 agosto 2012 En esta Presentación... En esta Presentación veremos: Matriz Inversa En esta Presentación... En esta Presentación veremos: Matriz Inversa Determinante En esta Presentación... En esta Presentación
Más detallesMatemáticas Física Curso de Temporada Verano Ing. Pablo Marcelo Flores Jara
Matemáticas Física Curso de Temporada Verano 2016 Ing. Pablo Marcelo Flores Jara pablofloresjara@gmail.com UNIDAD III: INTRODUCCIÓN AL CÁLCULO MATRICIAL Ing. Pablo Marcelo Flores Jara pablofloresjara@gmail.com
Más detallesAPÉNDICE A. Algebra matricial
APÉNDICE A Algebra matricial El estudio de la econometría requiere cierta familiaridad con el álgebra matricial. La teoría de matrices simplifica la descripción, desarrollo y aplicación de los métodos
Más detallesAlgoritmo 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
Más detallesa ij x i x j = [x] t B A+At ) t = At +(A t ) t = At +A x i x j + a ij + a ji x j x i = s ij x i x j + s ji x j x i 2
68 Matemáticas I : Álgebra Lineal Tema 7 Formas cuadráticas Aunque, pueda parecernos que vamos a estudiar un nuevo concepto, un caso particular de las formas cudráticas ya ha sido estudiado, pues el cuadrado
Más detallesUna 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
Más detallesElementos de Cálculo Numérico
Universidad de Buenos Aires - Facultad de Ciencias Exactas y Naturales - Depto. de Matemática Elementos de Cálculo Numérico Primer cuatrimestre 2006 Práctica N 2: Condicionamiento de una matriz. Descomposición
Más detallesTema 1. 1 Álgebra lineal. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. 1.1 Vectores de R n. 1. Vectores. 2.
Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Tema 1 Álgebra lineal 1. Vectores 2. Matrices 1 Álgebra lineal Aurea Grané
Más detallesTema 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
Más detallesAlgunos resultados acerca de B-matrices.
XXI Congreso de Ecuaciones Diferenciales y Aplicaciones XI Congreso de Matemática Aplicada Ciudad Real, 21-25 septiembre 2009 (pp. 1 8) Algunos resultados acerca de B-matrices. Manuel F. Abad 1, María
Más detallesCURSO BÁSICO DE MATEMÁTICAS PARA ESTUDIANTES DE ECONÓMICAS Y EMPRESARIALES
CONCEPTO MATRICES Se llama matriz de orden (dimensión) m n a un conjunto de m n elementos dispuestos en m filas y n columnas Se representa por A = a 11 a 12 a 1n a 21 a 22 a 2n a m1 a m2 a mn j=1,2,,n
Más detallesAutovalores y autovectores Diagonalización y formas canónicas
Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores.propiedades Sea V un espacio vectorial sobre K y f End(V ). Fijada una base de V, existirá una matriz cuadrada A,
Más detallesÁlgebra Lineal. Tema 7. La forma canónica de Jordan
Álgebra Lineal Tema 7 La forma canónica de Jordan Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J S ALAS, A T ORRENTE Y EJS V ILLASEÑOR Índice
Más detallesALGEBRA y ALGEBRA LINEAL
520142 ALGEBRA y ALGEBRA LINEAL Primer Semestre, Universidad de Concepción CAPITULO 7. MATRICES DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Matriz Sean
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detalles!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
Más detallesUNIVERSIDAD SIMON BOLIVAR MA1116 abril-julio de 2009 Departamento de Matemáticas Puras y Aplicadas. Ejercicios sugeridos para :
IX / 9 UNIVERSIDAD SIMON BOLIVAR MA6 abril-julio de 9 Ejercicios sugeridos para : los temas de las clases del 3 de junio y de julio de 9. Temas : Autovalores y autovectores. Matrices similares; diagonalización.
Más detallesDescomposición 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
Más detallesCapítulo 2. Determinantes Introducción. Definiciones
Capítulo 2 Determinantes 2.1. Introducción. Definiciones Si nos centramos en la resolución de un sistema A x = b con A una matriz n n, podemos calcular A 1 y la resolución es inmendiata. El problema es
Más detallesInstituto 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
Más detalles11.SISTEMAS DE ECUACIONES LINEALES DEFINICIÓN DE ECUACIÓN LINEAL DEFINICIÓN DE SISTEMA LINEAL Y CONJUNTO SOLUCIÓN
ÍNDICE 11SISTEMAS DE ECUACIONES LINEALES 219 111 DEFINICIÓN DE ECUACIÓN LINEAL 219 112 DEFINICIÓN DE SISTEMA LINEAL Y CONJUNTO SOLUCIÓN 220 113 EQUIVALENCIA Y COMPATIBILIDAD 220 11 REPRESENTACIÓN MATRICIAL
Más detallesSistemas Lineales y Matrices
Profesores Hernán Giraldo y Omar Saldarriaga Instituto de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Ejemplo Solución de sistemas de ecuaciones lineales, usaremos este
Más detallesTema 6: Resolución aproximada de sistemas de ecuaciones lineales
Métodos Numéricos: Resumen y ejemplos Tema 6: Resolución aproximada de sistemas de ecuaciones lineales Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de
Más detallesGrado en Ciencias Ambientales. Matemáticas. Curso 10/11.
Grado en Ciencias Ambientales. Matemáticas. Curso 0/. Problemas Tema 2. Matrices y Determinantes. Matrices.. Determinar dos matrices cuadradas de orden 2, X e Y tales que: 2 2X 5Y = 2 ; X + 2Y = 4.2. Calcular
Más detallesRango de una matriz. Objetivos. Definir el rango de renglones y el rango de columnas de una matriz. Mostrar que estos rangos coinciden.
Rango de una matriz Objetivos. Definir el rango de renglones y el rango de columnas de una matriz. Mostrar que estos rangos coinciden. Requisitos. Rango de una lista de vectores, operaciones elementales
Más detallesRelación de problemas. Álgebra lineal.
Relación de problemas Álgebra lineal Tema 1 Sección 1 Matrices Determinantes Sistemas lineales Matrices Ejercicio 11 Consideremos las siguientes matrices: ( 1 2 A = 1 1 ) ( 1 1 B = 0 1 ) C = 1 0 0 0 1
Más detallesTema 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
Más detallesI. 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,
Más detallesDeterminantes Introducción a los determinantes. Recordemos la definición del determinante de una matriz A de 2 2 ( fórmula.
Capítulo 5 Determinantes 5.1. Introducción a los determinantes Recordemos la definición del determinante de una matriz A de 2 2 ( fórmula 2.4 ) [ ] a b det = ad bc c d La proposición 2.16 implica que el
Más detallesTEMA V. Pues bien, a estas caracterizaciones de los sistemas de ecuaciones lineales se las llamó matrices. En el caso del sistema considerado tenemos:
TEMA V 1. MATRICES Y SISTEMAS DE ECUACIONES LINEALES. Sea el siguiente sistema de ecuaciones lineales: Realmente quien determina la naturaleza y las soluciones del sistema, no son las incógnitas: x, y,
Más detallesALN. 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
Más detallesMatemática 2 MAT022. Clase 6 (Complementos) Departamento de Matemática Universidad Técnica Federico Santa María. Determinante de una matriz
Matemática 2 MAT022 Clase 6 (Complementos) Departamento de Matemática Universidad Técnica Federico Santa María Tabla de Contenidos 1 Determinante de una matriz Sea A la matriz de orden 2 2 con coeficientes
Más detalles( b) No se puede ya que la matriz tiene 2 columnas y el vector tiene 3 filas x x + 2y 3z.
Ejercicios resueltos tema : Matrices y sistemas lineales EJERCICIO : Escribir las siguientes matrices: a A (a ij 4, a ij i j. b B (b ij 4, b ij ( i+j. { si i j, c C (b ij 4, c ij si i < j. A, B + + + +
Más detallesUNIDAD I: SISTEMAS DE DOS ECUACIONES CON DOS INCÓGNITAS
UNIDAD I: SISTEMAS DE DOS ECUACIONES CON DOS INCÓGNITAS Sistemas de dos ecuaciones con dos incógnitas. Método de igualación. Método de reducción. Método de sustitución Método de eliminación Gaussiana.
Más detalles3.7. Determinantes. Definición. El determinante de una matriz cuadrada es la suma equilibrada de todos esos posibles Definición de determinante.
37 Determinantes 11 Definición de determinante Para calcular el determinante de una matriz cuadrada de orden n tenemos que saber elegir n elementos de la matriz de forma que tomemos solo un elemento de
Más detallesEcuaciones matriciales AX = B y XA = B. Cálculo de la matriz inversa
Ecuaciones matriciales AX = B y XA = B Cálculo de la matriz inversa Objetivos Aprender a resolver ecuaciones matriciales de la forma AX = B y XA = B Aprender a calcular la matriz inversa con la eliminación
Más detallesCálculo 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
Más detallesax + by = 1 cx + dy = 0
1.61. Considere el sistema ax + by = 1 cx + dy = 0 Muestre que si ad bc 0, el sistema tiene solución única x = d/(ad bc, y = c/(ad bc. Demostrar además que si ad bc = 0, c 0 o d 0, entonces el sistema
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detallesVectores y Matrices. Tema 3: Repaso de Álgebra Lineal Parte I. Contenidos
Tema 3: Repaso de Álgebra Lineal Parte I Virginia Mazzone Contenidos Vectores y Matrices Bases y Ortonormailizaciòn Norma de Vectores Ecuaciones Lineales Algenraicas Ejercicios Vectores y Matrices Los
Más detalles6.7. Clasificación de formas cuadráticas
6.7 Clasificación de s s 1.1. Definición de s s en R n El concepto básico que sirve para definir una es el de polinomio homogéneo de segundo grado en varias variables. En toda esta sección sobreentenderemos
Más detalles