Institut de Matemàtica Multidisciplinar, Universitat Politècnica de València, E Valencia.
|
|
- Elvira Piñeiro Herrero
- hace 6 años
- Vistas:
Transcripción
1 Algunas aplicaciones de un resultado de Brauer R. Cantó, R. Bru, A.M. Urbano Institut de Matemàtica Multidisciplinar, Universitat Politècnica de València, E Valencia Resumen Brauer [1 en 1952 demostró como cambiar un valor propio de una matriz A a partir de una permutación de rango 1 sin modificar el resto de valores propios de A. En este trabajo presentamos algunas aplicaciones que podemos deducir del resultado. En particular, obtenemos, bajo ciertas condiciones, que los polos de un sistema de control en lazo cerrado pueden colocarse de forma arbitraria mediante un feedback de estados, incluso en el caso en que el sistema no sea controlable. Otras aplicaciones están relacionadas con la forma de Jordan de A, el método de deflación de Wielandt para matrices arbitrarias y el de Hotelling para matrices simétricas. In 1953, Perfect [3 presentó una extensión del teorema de Brauer que permitía cambiar r valores propios λ 1,..., λ r, r < n, de la matriz A de orden n, mediante una perturbación de rango r sin cambiar el resto de sus valores propios λ r+1,..., λ n. También presentamos diversas aplicaciones que se deducen de este resultado. Sección en el CEDYA 2011: ALAMA 1. Teorema de Brauer A. Brauer en 1952 demostró el siguiente resultado para una matriz arbitraria. Teorema 1. Sea A una matriz arbitraria, de tamaño n n y con valores propios σ(a) = {λ 1, λ 2,..., λ n }. Sea x k un vector propio de A asociado al valor propio λ k, y sea q un vector n-dimensional cualquiera. Entonces la matrix A + x k q T tiene como valores propios {λ 1,..., λ k 1, λ k + x T k q, λ k+1,..., λ n }. Demostración. Demostramos el teorema suponiendo, sin pérdida de generalidad, que el valor propio que cambiamos es λ 1. [ Sea S = [x 1 Y una matriz invertible y S 1 l1 =. Como Ax V 1 = λ 1 x 1 se verifica S 1 AS = [ l1 V [ l1 A [x 1 Y = V [ λ1 l [Ax 1 AY = 1 AY O V AY de donde obtenemos que σ(v AY ) = {λ 2,..., λ n }. Además, [ [ [ S 1 (x 1 q T l1 )S = (x V 1 q T 1 )S = q T q S = T x 1 q T Y O O O
2 Por tanto, S 1 (A + x 1 q T )S = S 1 AS + S 1 (x 1 q T )S [ [ λ1 l = 1 AY q + T x 1 q T Y O V AY O O [ λ1 + q = T x 1 l 1 AY + q T Y O V AY y como consecuencia σ(a + x 1 q T ) = {λ 1 + q T x 1 } σ(v AY ) = {λ 1 + q T x 1, λ 2,..., λ n }. Nota 1. Si se verifican las tres condiciones siguientes: 1. S cumple que S 1 AS = J A, siendo J A la forma de Jordan de A, 2. λ 1 tiene asociado una cadena de Jordan de longitud uno, es decir, l 1 AY = O 1 (n 1) 3. se elige q como vector ortogonal al resto de vectores propios de A, esto es, q T x i = 0, i = 2,..., n, i.e., q T Y = O 1 (n 1), entonces a partir de la demostración del Teorema 1 se tiene que [ S 1 (A + x 1 q T λ1 + q )S = T x 1 O siendo O V AY [ S 1 λ1 O AS = = J O V AY A. Por tanto, las matrices A y A + x 1 q T tienen la misma estructura de Jordan. Nota 2. En las condiciones del Teorema 1 se verifica que 1. El vector propio x k de la matriz A asociado al valor propio λ k que cambiamos, es también un vector propio de la matrix A + x k q T asociado al valor propio µ k = λ k + x T k q. 2. Los vectores propios de la matrix A + x k q T asociados a los valores propios λ i, i k, que no se modifican son: w i = x i qt x i µ k λ i x k, con µ k = λ k + x T k q. 3. Los vectores propios l T i por la izquierda de A asociados a los valores propios λ i, i k que no cambiamos, son también vectores propios por la izquierda de la matriz A + x k q T asociados a los mismos valores propios.
3 4. Si la matriz A es diagonalizable, entonces el vector propio por la izquierda de A + x k q T asociado a µ k = λ k + x T k q es: r T k = l T k + n i = 1 i k q T x i µ k λ i l T i. Como consecuencia inmediata tenemos los siguientes resultados. Corolario 1. Si λ k es el valor propio dominante de la matriz A y elegimos el vector q de forma que q T x k = λ k, obtenemos el método de deflación de Wielandt dado en 1944 (ver [5). Corolario 2. Sea A una matriz simétrica, de tamaño n n y con valores propios σ(a) = {λ 1, λ 2,..., λ n }, y sea x k un vector propio normalizado de A asociado al valor propio λ k. Entonces, la matriz simétrica A + (µ k λ k )x k x T k tiene como valores propios {λ 1,..., λ k 1, µ k, λ k+1,..., λ n }. Nota Por ser A simétrica sabemos que es diagonalizable y que podemos elegir la matriz de vectores propios X = [x 1 x 2... x n ortogonal. En este caso, la matriz A + (µ k λ k )x k x T k es diagonalizable y los vectores propios asociados a los valores propios que no cambiamos siguen siendo los mismos que los de A. 2. Si µ k = 0 y λ k es el valor propio dominante, el corolario anterior proporciona el método de deflación de Hotelling para matrices simétricas [5. Corolario 3. Sea A una matriz arbitraria, de tamaño n n y con valores propios σ(a) = {λ 1, λ 2,..., λ n }. Sea x k un vector propio de A asociado al valor propio λ k. Entonces, la matriz A + (µ k λ k )x k lk T tiene como valores propios {λ 1,..., λ k 1, µ k, λ k+1,..., λ n }, donde lk T es un vector propio por la izquierda de A asociado a λ k tal que lk T x k = 1. Nota Es inmediato comprobar que, al igual que en el caso anterior, los vectores propios siguen siendo los mismos y la estructura de Jordan de los valores propios que no cambiamos tampoco cambia. 2. Si µ k = 0 y λ k es el valor propio dominante, el corolario anterior proporciona el método de deflación de Hotelling para matrices no simétricas [5. 2. Teoría de Control Otra aplicación que podemos obtener a partir del teorema de Brauer es en Teoría de Control. Concretamente en el problema de asignación de polos cuando el sistema dado por el par (A, b) no es completamente controlable.
4 Consideremos el par (A, b) y sean σ(a) = {λ 1, λ 2,..., λ n } los valores propios de A. Bajo qué condiciones existe un vector f tal que σ(a + bf T ) = {λ 1,..., λ k 1, µ k, λ k+1,..., λ n }? El siguiente resultado responde a dicha pregunta. Proposición 1. Consideremos el par (A, b), sean σ(a) = {λ 1, λ 2,..., λ n } los valores propios de A y x k un vector propio de la matriz A T asociado al valor propio λ k. Si b T x k 0 existe un vector f tal que σ(a + bf T ) = {λ 1,..., λ k 1, µ k, λ k+1,..., λ n }. Nota Dado que el espectro de la matriz A T es el mismo que el de A, se aplica el Teorema de Brauer a la matriz A T para probar la proposición anterior. Teniendo en cuenta este resultado, podemos afirmar que el problema planteado tiene solución siempre que el vector propio x k de la matriz A T asociado al valor propio que queremos cambiar λ k, no sea ortogonal al vector b (es decir b T x k 0). Cuando esta condición se verifica para todos los vectores propios de A T se dice que el par (A, b) es completamente controlable. Esta caracterización es equivalente a decir que rank[b, Ab, A 2 b,..., A n 1 b = n (test de Popov, Belevitch y Hautus [2) y en este caso podemos cambiar cualquier valor propio. El problema de asignación de polos para sistemas de simple entrada y completamente controlables se resuelve transformando la matriz del sistema en una de las formas canónicas conocidas tales como forma Hessenberg, matriz compañera, etc. La ventaja del resultado propuesto es que no necesitamos, por regla general, que el par (A, b) sea completamente controlable y tampoco necesitamos obtener una forma canónica de A. 2. Si el valor propio µ k que introducimos es distinto del resto de valores propios que no cambiamos se verifica que los vectores propios de la matriz A T cambian en la forma descrita en la Nota 2. Por tanto, tenemos que el vector propio de A T asociado al valor propio que cambiamos se mantiene, al igual que los vectores propios de A T asociados a los valores propios que no podemos cambiar porque verifican que b T x i = 0. El resto de vectores propios cambian al vector propio w i correspondiente. 3. Teniendo en cuenta la forma en que cambian los vectores propios de la matriz A T al realizar el feedback de estados, no es difícil comprobar que si inicialmente el producto b T x j 0, una vez realizado el feedback de estados también se verifica que b T w j 0. Ejemplo 1. Consideremos el par (A, b) A = 1 2 1, b =
5 que no es completamente controlable puesto que la matriz de controlabilidad C(A, b) = [b Ab A 2 b = tiene rango 2. El espectro de la matriz A es σ(a) = σ(a T ) = {0, 1, 1} y los vectores propios de A T asociados a cada uno de los valores propios son: x T λ=0 = (α, α, 0) α 0 = b T x λ=0 = 0 x T λ=1 = (α, α, α) α 0 = b T x λ=1 = α x T λ= 1 = (α, 3α, α) α 0 = b T x λ= 1 = α Como podemos observar, aunque el sistema no es completamente controlable, podemos cambiar todos los valores propios excepto λ = 0. Por ejemplo, si queremos cambiar λ = 1 por µ = 0.5 lo único que tenemos que hacer es elegir como vector propio de A T asociado al valor propio λ = 1 el que verifica b T x λ=1 = α = = 0.5 = α = 0.5 Así pues, con f T = ( 0.5, 0.5, 0.5) tenemos A + bf T = y σ(a + bf T ) = {0, 0.5, 1} Los vectores propios de la matriz A T + fb T son w T λ=0 = x T λ=0 bt x λ=0 0.5 xt λ=1 = x T λ=0 = (α, α, 0) w T λ=0.5 = x T λ=1 = (α, α, α) wλ= 1 T = x T λ= 1 bt x λ= 1 ( = α 3, 10 3, 4 ) 3,. x T λ=1 = (α, 3α, α) α ( 0.5, 0.5, 0.5) 1.5 Como hemos comentado, se verifica que los productos b T w λ=0.5 y b T w λ= 1 son distintos de cero, mientras que b T w λ=0 = 0. Así pues, podemos continuar con el proceso de cambiar todos los valores propios menos el nulo. 3. Teorema de Rado En 1955 Perfect [3 presentó un resultado, probado por R. Rado, que es una extensión del Teorema de Brauer. Al igual que en el caso anterior, una
6 consecuencia inmediata de dicho resultado son los métodos de deflación por bloques. Teorema 2. [4, Theorem 5 Sea A una matriz arbitraria, de tamaño n n y con valores propios σ(a) = {λ 1, λ 2,..., λ n }. Sea X = [x 1 x 2... x r una matriz n r, con rank(x) = r y tal que Ax i = λ i x i, i = 1, 2,..., r, y sea C una matriz arbitraria r n. Entonces la matriz A + XC tiene como valores propios {µ 1, µ 2,..., µ r, λ r+1, λ r+2,..., λ n }, donde µ 1, µ 2,..., µ r son los valores propios de la matriz Ω + CX, con Ω = diag(λ 1, λ 2,..., λ r ). Nota En el teorema anterior cambiamos en un solo paso los valores propios {λ 1,..., λ r } por {µ 1, µ 2,..., µ r }. Con relación a los vectores propios asociados {x 1, x 2,..., x r } ya no son, por regla general, vectores propios asociados a los nuevos valores propios de la matriz A + XC. 2. Si la matriz arbitraria C la elegimos de manera que cumpla CX = diag(µ 1 λ 1, µ 2 λ 2,..., µ r λ r ) tendremos que Ω + CX = diag(µ 1, µ 2,..., µ r ) y los vectores propios asociados {x 1, x 2,..., x r } a los valores propios que cambiamos pasan a ser los vectores propios asociados a los nuevos valores propios de la matriz A + XC. 3. Si la matriz A es diagonalizable, x r+1, x r+2,..., x n son los vectores propios asociados a los valores propios que no cambiamos λ r+1, λ r+2,..., λ n y Ω + CX = diag(µ 1, µ 2,..., µ r ), entonces los vectores propios de la matriz A + XC asociados a dichos valores propios son: w i = x i r j=1 donde c j es la fila j-ésima de la matriz C. c j x i µ j λ i x j i = r + 1, r + 2,..., n A partir del Teorema 2 podemos obtener los siguientes resultados. Corolario 4. Sea A una matriz simétrica, de tamaño n n y con valores propios σ(a) = {λ 1, λ 2,..., λ n }. Sea X = [x 1, x 2,..., x r una matriz de vectores propios de A ortonormales y asociados a los valores propios λ 1, λ 2,..., λ r. Sea Ω = diag(λ 1, λ 2,..., λ r ), Θ = diag(µ 1 λ 1, µ 2 λ 2,..., µ r λ r ) y C = ΘX T, entonces la matriz simétrica B = A + XC tiene como valores propios {µ 1, µ 2,..., µ r, λ r+1, λ r+2,..., λ n }. Nota En este caso es inmediato comprobar que los vectores propios asociados a los valores propios que no cambian siguen siendo los mismos. 2. Si µ i = 0 para i = 1, 2,..., r y {λ 1, λ 2,..., λ r } son los r primeros valores propios dominantes de la matriz A, el resultado anterior es la extensión del método de deflación de Hotelling para matrices simétricas.
7 Corolario 5. Sea A una matriz arbitraria de tamaño n n y con valores propios σ(a) = {λ 1, λ 2,..., λ n }. Sean X = [x 1, x 2,..., x r e L = [l 1, l 2,..., l r dos matrices n r, con rank(x) = rank(l) = r, tales que Ax i = λ i x i, l T i A = λ il T i y L T X = I. Sea Ω = diag(λ 1, λ 2,..., λ r ), Θ = diag(µ 1 λ 1, µ 2 λ 2,..., µ r λ r ) y C = ΘL T, entonces la matriz B = A + XC tiene como valores propios {µ 1, µ 2,..., µ r, λ r+1, λ r+2,..., λ n }. Nota Es inmediato comprobar que, al igual que en el caso anterior, los vectores propios siguen siendo los mismos y la estructura de Jordan de los valores propios que no cambiamos tampoco cambia. 2. Si µ i = 0 para i = 1, 2,..., r y {λ 1, λ 2,..., λ r } son los r primeros valores propios dominantes de la matriz A, el corolario anterior es la extensión del método de deflación de Hotelling para matrices no simétricas. Agradecimientos Este trabajo está financiado por el proyecto de la DGI MTM y el Programa de Apoyo a la Investigación y Desarrollo (PAID-06-10) de la UPV. Bibliografía [1 A. Brauer. Limits for the characteristic roots of matrices IV: Applications to stochastic matrices. Duke Math. J., vol. 19 (1952), [2 M. L. J. Hautus. Controllability and observability condition of linear autonomous systems. Ned. Akad. Wetenschappen, Proc. Ser. A, vol. 72, (1969), [3 H. Perfect. Methods of constructing certain stochastic matrices. II. Duke Math. J., vol. 22 (1955), [4 R. L. Soto, O. Rojo. Applications of a Brauer theorem in the nonnegative inverse eigenvalue problem. Linear Algebra and its Applications, vol. 416 (2006), [5 J. H. Wilkinson, The Algebraic Eigenvalue Problem, Oxford Science, Oxford, Inglaterra, 1965.
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
Más detallesProducto Hadamard de B-matrices. 1. Introducción
Producto Hadamard de B-matrices Manuel F. Abad, María T. Gassó, Juan R. Torregrosa Instituto de Matemática Multidisciplinar, Universitat Politècnica de València. (ALAMA) maabrod@mat.upv.es, mgasso@mat.upv.es,
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 detallesFactorización 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 detalles1.2 Valores y vectores propios. Método de las potencias y Rayleigh.
20 Prelininares. 1.2 Valores y vectores propios. Método de las potencias y Rayleigh. 1.2.1 Cálculo del Polinomio Caracterstico: ALGORITMO DE SOURIAU. ENTRADA: la matriz A 1 = A, p 1 = traza(a 1 ), n =
Más detallesUNIVERSIDAD DE CONCEPCION FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA MATEMATICA
AL GEBRA III UNIVERSIDAD DE CONCEPCION FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA MATEMATICA ALGEBRA III DEFINICION : Sea L : V V un operador lineal sobre el espacio vectorial
Más detallesVALORES Y VECTORES PROPIOS
VALORES Y VECTORES PROPIOS En diversos campos de la ingeniería y las matemáticas surge el problema de calcular los valores escalares λ y los vectores x 0 tales que para la matriz cuadrada A se cumple Ax
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 detallesSumas subdirectas de M-matrices invertibles
Sumas subdirectas de M-matrices invertibles Rafael Bru * Francisco Pedroche * Daniel B. Szyld ** CEDYA 00 - Congreso de Ecuaciones Diferenciales y Aplicaciones. Leganés, 19 al de Septiembre de 00. Madrid,
Más detallesTema 2: Diagonalización
TEORÍA DE ÁLGEBRA II: Tema 2. DIPLOMATURA DE ESTADÍSTICA 1 Tema 2: Diagonalización 1 Introducción Sea f : R n R n lineal. Dada una base B de R n podemos asociar a f la matriz A 1 = [f, B] M n. Si C es
Más detallesLista de problemas de álgebra, 2016
Instituto Politécnico Nacional Escuela Superior de Física y Matemáticas Posgrado en Ciencias Físicomatemáticas Línea de Matemáticas Lista de problemas de álgebra 2016 Egor Maximenko: En mi opinión cualquier
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 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 detallesDiagonalización. Tema Valores y vectores propios Planteamiento del problema Valores y vectores propios
61 Matemáticas I : Álgebra Lineal Tema 6 Diagonalización 61 Valores y vectores propios 611 Planteamiento del problema Problema general de diagonalización Dado un operador lineal f sobre un espacio vectorial
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 detallesCapítulo 1: Diagonalización de matrices
Capítulo : Diagonalización de matrices Matrices y determinantes Definición Una matriz es un arreglo rectangular de números reales a a a m a A a a m a n a n a nm La matriz es de orden n m si consta de n
Más detallesTema 2. Aplicaciones lineales. Diagonalización de endomorfismos.
Tema 2. Aplicaciones lineales. Diagonalización de endomorfismos. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada
Más detalles1.IV Aproximación numérica de valores y vectores propios.
.IV Aproximación numérica de valores y vectores propios. Manuel Palacios Departamento de Matemática Aplicada Centro Politécnico Superior. Universidad de Zaragoza Primavera 2007 Contents Introducción 2
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 detallesRango 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
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 detallesRESUMEN DEL TEMA 7 VALORES Y VECTORES PROPIOS
RESUMEN DEL TEMA 7 VALORES Y VECTORES PROPIOS 1. Determinantes El determinante de una matriz cuadrada n n A = a 21 a 22 a 2n a n1 a n2 a nn es un número real, y se representa por: A = a 21 a 22 a 2n a
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 8.- NORMAS DE MATRICES Y
Álgebra II: Tema 8. TEMA 8.- NORMAS DE MATRICES Y NúMERO DE CONDICIóN Índice. Introducción 2. Norma vectorial y norma matricial. 2 2.. Norma matricial inducida por normas vectoriales......... 4 2.2. Algunos
Más detalles6.6. 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
Más detallesUniversidad Nacional de Colombia Departamento de Matemáticas Álgebra Lineal - Grupo 1 Resumen Unidad n 3
Universidad Nacional de Colombia Departamento de Matemáticas 1000003-5 Álgebra Lineal - Grupo 1 Resumen Unidad n 3 Vectores en R n Definición. El conjunto de las n-tuplas ordenadas de números reales se
Más detallesProblemas y Ejercicios Resueltos. Tema 6: Diagonalizacion.
Problemas y Ejercicios Resueltos. Tema 6: Diagonalizacion. Ejercicios 1.- Sea f End V. Demostrar que la suma de subespacios f-invariantes es f-invariante. Solución. Sean U, W dos subespacios f-invariantes
Más detallesESPACIOS VECTORIALES
ESPACIOS VECTORIALES Luisa Martín Horcajo U.P.M. Definición: Vector libre. Operaciones Un vector fijo es una segmento orientado, que queda caracterizado por su origen A y su extremo B y se representa por
Más detallesSOBRE LA CONVERGENCIA DEL MÉTODO ITERATIVO DE SCHWARZ PARA SISTEMAS SINGULARES
MÉTODOS COMPUTACIONAIS EM ENGENHARIA Lisboa, 31 de Maio - 2 de Junho, 2004 APMTAC, Portugal 2004 SOBRE LA CONVERGENCIA DEL MÉTODO ITERATIVO DE SCHWARZ PARA SISTEMAS SINGULARES Rafael Bru, Francisco Pedroche
Más detallesTema 5: Sistemas de ecuaciones lineales.
TEORÍA DE ÁLGEBRA: Tema 5 DIPLOMATURA DE ESTADÍSTICA 1 Tema 5: Sistemas de ecuaciones lineales 1 Definiciones generales Definición 11 Una ecuación lineal con n incognitas es una expresión del tipo a 1
Más detallesParte 3. Vectores y valores propios
Parte 3. Vectores y valores propios Gustavo Montero Escuela Universitaria Politécnica Universidad de Las Palmas de Gran Canaria Curso 2004-2005 1 Introducción a los valores y vectores propios 2 3 4 5 Valores
Más detallesDescomposición en forma canónica de Jordan (Segunda versión)
Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin
Más detalles6 Vectores. Dependencia e independencia lineal.
6 Vectores. Dependencia e independencia lineal. Introducción Hay fenómenos reales que se pueden representar adecuadamente mediante un número con su adecuada unidad de medida. Sin embargo para representar
Más detallesEs decir, det A = producto de diagonal principal producto de diagonal secundaria. Determinante de una matriz cuadrada de orden 3
1.- DETERMINANTE DE UNA MATRIZ CUADRADA Determinante de una matriz cuadrada de orden 1 Dada una matriz cuadrada de orden 1, A = (a), se define det A = det (a) = a Determinante de una matriz cuadrada de
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 detallesAplicaciones Lineales. Diagonalización de matrices.
Tema 2 Aplicaciones Lineales. Diagonalización de matrices. 2.1. Definiciones y propiedades Nota 2.1.1. En este tema trabajaremos con los Espacios Vectoriales R n y R m definidos sobre el cuerpo R. Definición
Más detallesJugando con matrices positivas: eficiencia de un estado inicial.
Florentino García Santos: In Memoriam Universidad de Granada, 20, págs. -8 Jugando con matrices positivas: eficiencia de un estado inicial. Margarita Arias Juan Campos Resumen Conocedores del interés que
Más detallesEspacios 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
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 detallesx, 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
Más detallesap l i c a c i o n e s d e l a s
Unidad 9 ap l i c a c i o n e s d e l a s transformaciones lineales Objetivos: Al inalizar la unidad, el alumno: Relacionará algunas transformaciones especiales con movimientos geométricos de vectores
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 detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R.
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA ANALÍTICO DE LA ASIGNATURA: ALGEBRA LINEAL Código L2.07.1 PLAN DE ESTUDIOS: 2002 CARRERA: Licenciatura en Matemática DEPARTAMENTO:
Más detallesGrado en Edificación MATERIAL DOCENTE: PRESENTACIÓN DEL TEMA III. Ana Isabel Garralda Guillem y Manuel Ruiz Galán
MATEMÁTICAS TICAS I Grado en Edificación MATERIAL DOCENTE: PRESENTACIÓN DEL TEMA III Ana Isabel Garralda Guillem y Manuel Ruiz Galán Tema. Diagonalización de matrices.1. Diagonalización de matrices por
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 detalles2 Espacios vectoriales
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1 2 Espacios vectoriales 2.1 Espacio vectorial Un espacio vectorial sobre un cuerpo K (en general R o C) es un conjunto V sobre el que hay
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 detallesEste documento es de distribución gratuita y llega gracias a El mayor portal de recursos educativos a tu servicio!
Este documento es de distribución gratuita y llega gracias a Ciencia Matemática El mayor portal de recursos educativos a tu servicio! Capítulo 5 Cónicas 5.1 Definiciones y ecuaciones reducidas Nota En
Más detallesMatrices. Operaciones con matrices.
Matrices. Operaciones con matrices. Ejercicio. Dadas las matrices ( ) ( ) 4 A = B = ( ) C = D = 4 5 ( ) 4 E = F = seleccione las que se pueden sumar y súmelas. Ejercicio. Dadas las matrices ( ) ( ) A =
Más detallesTema 9: REDUCCIÓN POR SEMEJANZA DE UNA MATRIZ. DIAGONALIZACIÓN
Álgebra I - Curso 2005/06 - Grupos M1 y M2 Tema 9: REDUCCIÓN POR SEMEJANZA DE UNA MATRIZ DIAGONALIZACIÓN por Mario López Gómez 1 Valores y vectores propios Definición- Dada una matriz cuadrada A K n n,
Más detallesDiagonalización simultánea de formas cuadráticas.
Diagonalización simultánea de formas cuadráticas Lucía Contreras Caballero 14-4-2004 Dadas dos formas cuadráticas, si una de ellas es definida positiva, se puede encontrar una base en la que las dos diagonalizan
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesConjuntos y matrices. Sistemas de ecuaciones lineales
1 Conjuntos y matrices Sistemas de ecuaciones lineales 11 Matrices Nuestro objetivo consiste en estudiar sistemas de ecuaciones del tipo: a 11 x 1 ++ a 1m x m = b 1 a n1 x 1 ++ a nm x m = b n Una solución
Más detallesEjercicios de ECUACIONES DIFERENCIALES ORDINARIAS
Ejercicios de ECUACIONES DIFERENCIALES ORDINARIAS Grado en Matemáticas Curso 203-204 . Ecuaciones lineales con coeficientes constantes Ecuaciones de primer orden. Encontrar la solución de los siguientes
Más detallesMatemáticas II. Prácticas: Matrices y Determinantes ; C = 1 3 5
Matemáticas II Prácticas: Matrices y Determinantes. Sean las matrices cuadradas siguientes: 4 5 6 B = 9 8 7 6 5 4 C = 5 7 9 0 7 8 9 Se pide calcular: a A B + C. b A AB + AC. c A B AB + ACB.. Sean las matrices:
Más detallesUniversidad Nacional de Colombia Departamento de Matemáticas Álgebra Lineal - Grupo 5 Resumen Unidad n 3
Universidad Nacional de Colombia Departamento de Matemáticas 1000003-5 Álgebra Lineal - Grupo 5 Resumen Unidad n 3 Vectores en R n Definición. El conjunto de las n-tuplas ordenadas de números reales se
Más detallesContinuidad y Continuidad Uniforme. Aplicaciones lineales continuas.
Continuidad y Continuidad Uniforme. Aplicaciones lineales continuas. Beatriz Porras 1 Límites Las definiciones de ĺımite de funciones de varias variables son similares a las de los ĺımites de funciones
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 detalles3.3. Número de condición de una matriz.
96 33 Número de condición de una matriz Consideremos el sistema Ax = b, de solución u Queremos controlar qué cambios se producen en la solución cuando hacemos pequeños cambios en las componentes de b o
Más detallesTema 1: Espacios vectoriales
PROBLEMAS DE MATEMÁTICAS Parte I: Álgebra Primero de Ingeniería Química FACULTAD DE CIENCIAS QUÍMICAS Departamento de Matemáticas Universidad de Castilla-La Mancha Tema 1: Espacios vectoriales 1 Determina
Más detallesEspacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados
Capítulo 5 Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados En este tema iniciamos el estudio de los conceptos geométricos de distancia y perpendicularidad en K n. Empezaremos con las definiciones
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 detallesGuía. Álgebra III. Examen parcial III. Forma canónica de Jordan. Producto interno.
Guía. Álgebra III. Examen parcial III. Forma canónica de Jordan. Producto interno. Teoremas con demostraciones que se pueden incluir en el examen: 1. Fórmula para f(j m (λ)), donde J m (λ) es el bloque
Más detallesAlgebra 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
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 detalles6. Forma canónica de matrices
6. Forma canónica de matrices Manuel Palacios Departamento de Matemática Aplicada Centro Politécnico Superior Universidad de Zaragoza Otoño 2010 Contents 6 6. Forma canónica de matrices 7 6.1 Introducción....................................
Más detalles58 7. ESPACIOS COCIENTE
CAPíULO 7 Espacios cociente En esta sección estudiamos el cociente de un espacio vectorial por un subespacio W. Este cociente se define como el conjunto cociente de por una relación de equivalencia conveniente.
Más detallesMatrices 1 (Problemas). c
º Bachillerato Matrices 1 (Problemas) 1.- Efectúa las siguientes operaciones con matrices: a) 1 4 5 6 + b) 5 7 9 11 1 1 1 1 1 1 c). 4 d) 6. 1 6 1 18 1 g) 0 0 0 0 a 0 b 0. 0 b 0 0 0 c c 0 0.- Siendo A =
Más detallesDiagonalización. Índice General. Nelson Möller. 1 Matrices Semejantes 2. 2 Matrices diagonalizables 2
Diagonalización Nelson Möller Índice General 1 Matrices Semejantes 2 2 Matrices diagonalizables 2 3 Polinomio característico de una matriz 4 3.2 Valores propios.... 5 4 Vectores propios. 6 4.1 Ejemplo...
Más detallesValores propios y vectores propios Diagonalización
CAPÍTULO Valores propios y vectores propios Diagonalización Este capítulo consta de cuatro secciones Con el fin de dar una idea de lo que se hará en las dos primeras secciones, se considerará un espacio
Más detallesEspacios Vectoriales
Espacios Vectoriales Espacios Vectoriales Verónica Briceño V. noviembre 2013 Verónica Briceño V. () Espacios Vectoriales noviembre 2013 1 / 47 En esta Presentación... En esta Presentación veremos: Espacios
Más detallesResumen de Teoría de Matrices
Resumen de Teoría de Matrices Rubén Alexis Sáez Morcillo Ana Isabel Martínez Domínguez 1 de Octubre de 2004 1. Matrices. Generalidades. Definición 1.1. Se llama matriz de orden m n sobre un cuerpo K a
Más detallesLa estructura de un cuerpo finito.
9. CUERPOS FINITOS El objetivo de este capítulo es determinar la estructura de todos los cuerpos finitos. Probaremos en primer lugar que todo cuerpo finito tiene p n elementos, donde p es la característica
Más detallesBa s e, d i M e n s i ó n y Mat r i z
Unidad 4 Ba s e, d i M e n s i ó n y Mat r i z de transición Objetivos: Al inalizar la unidad, el alumno: Conocerá la deinición de base de un espacio vectorial Identiicará bases canónicas para algunos
Más detallesÁlgebra Lineal EDITORIAL UNIVERSITAT POLITÈCNICA DE VALÈNCIA
Josefa Marín Molina Ángel Balaguer Beser María José Felipe Román María Teresa Capilla Romá Álgebra Lineal EDITORIAL UNIVERSITAT POLITÈCNICA DE VALÈNCIA Colección Académica Para referenciar esta publicación
Más detallesParte 3. Vectores y valores propios
Parte 3. Vectores y valores propios Gustavo Montero Escuela Universitaria Politécnica Universidad de Las Palmas de Gran Canaria Curso 2006-2007 Valores y vectores propios Valor propio Se dice que el número
Más detalles1 Vectores de R n. Tema 1. Álgebra matricial. 1.2 Dependencia lineal
Diplomatura en Estadística 1 Tema 1. Álgebra matricial 1. Vectores 1.1 Definiciones básicas 1.2 Dependencia lineal 2. Matrices 2.1 Rango de una matriz 2.2 Matrices cuadradas 3. Vectores y valores propios
Más detallesf(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
Más detalles520142: ALGEBRA y ALGEBRA LINEAL
520142: ALGEBRA y ALGEBRA LINEAL Segundo Semestre 2008, Universidad de Concepción CAPITULO 10: Espacios Vectoriales DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición
Más detallesTALLER DE MATEMÁTICAS 1 ECUACIONES POLINÓMICAS
TALLER DE MATEMÁTICAS 1 ECUACIONES POLINÓMICAS NOTAS Toda expresión algebraica del tipo a n x n + a n 1 x n 1 + + a 1 x + a 0 es un polinomio de grado n, si a n 0. Es bien conocida la fórmula que da las
Más detallesEl grupo lineal proyectivo. Homologías. Afinidades.
Tema 3- El grupo lineal proyectivo Homologías Afinidades 31 El grupo lineal proyectivo Recordamos que en el tema anterior hemos definido, para una variedad lineal proyectiva L P n no vacía, el grupo lineal
Más detalles3. Transformaciones ortogonales. En todo el capítulo trabajaremos sobre un espacio vectorial euclídeo U.
3 Transformaciones ortogonales En todo el capítulo trabajaremos sobre un espacio vectorial euclídeo U 1 Definición Definición 11 Una transformación ortogonal f de un espacio eculídeo U es un endomorfismo
Más detallesTEMA 4: CALCULO NUMERICO DE AUTOVALORES
Lino Alvarez - Aurea Martinez METODOS NUMERICOS TEMA 4: CALCULO NUMERICO DE AUTOVALORES 1 INTRODUCCION La determinación de autovalores y autovectores de una matriz cuadrada A de orden n es un problema
Más detallesMás ejercicios y soluciones en fisicaymat.wordpress.com MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES
MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES - Considere el sistema 3 5 7 0 3 3 6 0 3 4 6 0 a) Estudie para qué valores del número real a, la única solución del sistema es la nula. b) Resuélvalo, si
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 detallesCuatro Problemas de Algebra en la IMO.
Cuatro Problemas de Algebra en la IMO. Rafael Sánchez Lamoneda UCV. Escuela de Matemáticas Barquisimeto, 10 de Marzo de 2008 Introducción. El objetivo de esta conferencia es analizar cuatro problemas de
Más detalles2. Teorema de las multiplicidades algebraica y geométrica.
Guía. Álgebra III. Examen parcial II. Valores y vectores propios. Forma canónica de Jordan. Teoremas con demostraciones que se pueden incluir en el examen El examen puede incluir una demostración entera
Más detalles102 EJERCICIOS DE ALGEBRA LINEAL por Francisco Rivero Mendoza Ph.D.
102 EJERCICIOS DE ALGEBRA LINEAL por Francisco Rivero Mendoza Ph.D. Tema 1. Espacios Vectoriales. 1. Dar la definición de cuerpo. Dar tres ejemplos de cuerpos. Dar un ejemplo de un cuerpo finito 2. Defina
Más detallesECUACIONES EN DERIVADAS PARCIALES Tópicos previos
ECUACIONES EN DERIVADAS PARCIALES Tópicos previos Para tomar el curso de ecuaciones en derivadas parciales es importante la familiaridad del alumno con los conceptos que se detallan a continuación. Sugerimos
Más detallesDiagonalización de matrices
7 Diagonalización de matrices 7.1. Matrices diagonalizables Existen diversos procesos en los que el estado en cada uno de sus pasos se puede representar por un determinado vector y en los que, además,
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesACTIVIDADES SELECTIVIDAD MATRICES
ACTIVIDADES SELECTIVIDAD MATRICES Ejercicio 1 Para qué valores de m tiene solución la ecuación matricial? (b) Resuelve la ecuación matricial dada para. Ejercicio 2 Siendo I la matriz identidad de orden
Más detalles4. Endomorfismos. 2 Autovalores y autovectores. 1 Introducción. 2.1 Definición y propiedades. 2.2 Subespacios característicos.
Tema III Capítulo 4 Endomorfismos Álgebra Lineal I Departamento de Métodos Matemáticos y de Representación UDC 4 Endomorfismos 1 Introducción Vimos en el capítulo anterior que un endomorfismo es una aplicación
Más detallesAPUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES
APUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES Ignacio López Torres. Reservados todos los derechos. Prohibida la reproducción total o parcial de esta obra, por cualquier medio electrónico
Más detalles. Probar que las matrices de la forma B = k A + r I, donde k y r son números. 2x + az = 0. ax + y = n. Calcular: 0 1
ÁLGEBRA 1 (Junio, 1994) Comprueba que el determinante 3 1 1 1 1 3 1 1 1 1 3 1 1 1 1 3 es nulo sin desarrollarlo Explica el proceso que sigues (Junio, 1994) Considerar la matriz A = 1 1 1 reales e I la
Más detallesContinuidad y monotonía
Tema 14 Continuidad y monotonía Generalizando lo que se hizo en su momento para sucesiones, definiremos la monotonía de una función, en forma bien fácil de adivinar. Probaremos entonces dos resultados
Más detallesCONJUNTO R n. = (5, 2, 10) de 3, son linealmente. = (2,1,3) y v 3. = (0,1, 1) y u 3. = (2,0,3, 1), u 3. = (1,1, 0,m), v 2
CONJUNTO R n.- Considerar los vectores u = (, -3, ) y v = (, -, ) de 3 : a) Escribir, si es posible, los vectores (, 7, -4) y (, -5, 4) como combinación lineal de u y v. b) Para qué valores de x es el
Más detallesCónicas. Clasificación.
Tema 7 Cónicas. Clasificación. Desde el punto de vista algebraico una cónica es una ecuación de segundo grado en las variables x, y. De ese modo, la ecuación general de una cónica viene dada por una expresión
Más detallesEigenvalores 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
Más detallesAlgunos Tipos de matrices. Matrices. Algunos Tipos de matrices. Algunos Tipos de matrices
Matrices Una matriz de orden m n es un conjunto ordenado de m n números reales dispuestos en m filas y n columnas de la forma: A = a 11 a 12 a 1j a 1n a 21 a 22 a 2j a 2n a i1 a i2 a ij a in a m1 a m2
Más detalles