Descomposición del valor singular y sus aplicaciones
|
|
- María Elena Valverde Rico
- hace 5 años
- Vistas:
Transcripción
1 7 Descomposición del valor singular y sus aplicaciones Marlene J. Soldevilla Olivares William C. Echegaray Castillo Resumen El presente trabajo damos algunas propiedades de los valores singulares de una matriz R(m n) que son las raíces cuadradas de los valores propios de y de esta forma se tiene una relación muy importante entre los valores singulares y los valores propios y así obtener aplicaciones importantes en ingeniería biología cálculo variacional etc.. INRODUCCIÓN Sabemos que toda matriz C(m n) puede ser descompuesta en UDV* donde U y V son matrices unitarias D es una matriz que posee una submatriz diagonal diagonal. Si R(m n) entonces U y V son matrices ortogonales reales. Vamos a suponer en adelante que R(m n). Esta descomposición es llamada DESCOMPOSICIÓN DEL VLOR SINGULR DE.. EXISENCI DE L DESCOMPOSICIÓN DEL VLOR SINGULR eorema.. Sea R(m n) una matriz. Entonces existen matrices ortogonales U R(m m) y V R(n n) tales que: U V D D m n. Facultad de Ciencias-Universidad Nacional de Ingeniería Facultad de Ciencias-Universidad Nacional de Ingeniería REVCIUNI 8 () 4
2 74 Marlene J. Soldevilla Olivares William C. Echegaray Castillo Descomposición del Valor Singular y sus plicaciones 75 donde D es una matriz diagonal no singular son matrices nulas. Los elementos de la diagonal de D son no-negativos y estos pueden sin pérdida de generalidad ser ordenados en forma no creciente. El número de elementos en la diagonal de D es igual al r () (rango de ). Consideremos la matriz B B es una matriz simétrica semidefinida positiva. los valores propios de B son no-negativos. Sean λ λ... λ n los valores propios de B y supongamos que: σ σ... σ r > y σ r+ σ r+... σ n Sean v v... v n los vectores propios asociados a λ λ... λ n. Como B es simétrica entonces {v v... v n } es un conjunto ortonormal y satisface: Bv i λ i v i i... n v i v i i... n ( )v i v i i... n ( )v i i... n ( )v i > i... r () y ( )v i i r +... n () además ( )v j i j... r; i j () Definamos: σ v i v i v i v i v i σ σ n vi V {v v... v r } donde v i son vectores asociados a λ i i... r. V {v r+ ;... ; v n } donde v i son vectores asociados a λ i i r +;... n. Entonces V V V V V V ( ) ( v r +... v n ) ( v r +... v n ) (... ) v k k r +... n (4) Definamos u i ---- v i i... r (5) Veamos que { u i } i... r es un conjunto ortonormal u u j (v i ) i (v j ) { u i } i... r es un conjunto ortonormal v i ( ) v j () σ j V V V Definamos U (u u... u r ) y elijamos U (u r+ u r+... u m ) tal que U (U ; U ) sea una matriz ortogonal. si i j por () si i j por () REVCIUNI 8 () 4 REVCIUNI 8 () 4
3 7 Marlene J. Soldevilla Olivares William C. Echegaray Castillo Descomposición del Valor Singular y sus plicaciones 77 Entonces para cualquier k > r tenemos: u k v i u i i... r por (5) por () v i i... r u k u k entonces U V D D m n y v i i r +... n por (4) u k Sea V (V V ) -----v σ -----v σ u.. u. ( U ) V. (v v... v n ) (v. ----v σ r v... v n ). r u m u r +... u m σ σ σ D D σ r m n m n donde D diag (σ... σ r ) R( r r ) Veamos que r ( ) r ( D ) r: Como U V D UU V UD V V UDV V UD ( UU I m m ortogonal ) UDV ( V V I n n ortogonal ) r ( ) r ( UDV ) r ( D ) r Definición... Las componentes de la diagonal de la matriz D son llamadas VLORES SINGULRES DE los números σ... σ r son llamados valores singulares positivos. Definición... Las columnas de U son llamadas VECORES SINGUL- RES POR L IZQUIERD DE y los de V VECORES SINGULRES POR L DERECH DE.. UNICIDD DE L DESCOMPOSICIÓN DEL VLOR SINGULR Existen k min( { m n } ) valores singulares de. Sea r r ( ) valores singulares positivos. Sean σ λ σ λ... σ r λ r > donde λ λ... λ r son los valores propios de. REVCIUNI 8 () 4 REVCIUNI 8 () 4
4 78 Marlene J. Soldevilla Olivares William C. Echegaray Castillo Descomposición del Valor Singular y sus plicaciones 79 Si r < k los (k - r) valores singulares son ceros (teorema.). Luego los valores singulares son únicos. Sin embargo los vectores singulares no son únicos. Ejemplo... Calcular los valores y vectores singulares de:. Cálculo de Valores Singulares: Sea B 4 Entonces el polinomio característico de B es: Luego los ceros del polinomio anterior son: Entonces los valores singulares de son: 4 λ 9 λ ( 4 λ) ( 9 λ) 4 λ -- ( ) y λ -- ( 4 5 7) σ λ -- ( ) y σ λ -- ( 4 5 7). Cálculo de V: La matriz V compuesta por los vectores propios asociados a los valores propios de B en este caso hacemos V V debido a que r r ( ) donde V ( v v ) R( ) y v v R son los vectores propios asociados a λ λ respectivamente. Entonces entonces. Cálculo de U (u u u ) Bv i λ i v i i ; 7 7 ν υ u ν σ ( ) u υ σ ( 4 5 7) Luego elegimos u tal que U (u u u ) sea una matriz ortogonal es decir u 4 4 u u u y u u obteniéndose REVCIUNI 8 () 4 REVCIUNI 8 () 4
5 8 Marlene J. Soldevilla Olivares William C. Echegaray Castillo Descomposición del Valor Singular y sus plicaciones 8 sí tenemos Notas: D U V -- ( ) a. sumiremos en adelante sin pérdida de generalidad que m n; por que si m < n consideraremos que la DESCOMPOSICIÓN DEL VLOR SIN- GULR es para donde UDV entonces la DESCOMPOSICIÓN DEL VLOR SINGULR de V D U. b. sumiremos que los valores singulares son no-crecientes. Luego σ máx σ es el mayor valor singular y σ mín σ r es el menor valor singular diferente de cero y denotemos vs() {σ R/s es un valor singular de }.. RELCIÓN ENRE L DESCOMPOSICIÓN DEL VLOR SINGULR Y L DESCOMPOSICIÓN PROPI El siguiente teorema prueba como la DESCOMPOSICIÓN DEL VLOR SIN- GULR de está relacionada con los valores propios de y. eorema.. Sea R(m n) una matriz UDV la descomposición del valor singular y sea r r(). Entonces σ. V ( )V diag( ) n n σ σ r -- ( 4 5 7) V D DV VD V D D D donde D diag( σ σ... σ r... ) n n luego D V V. Para (U DV )(V D U ) U DD U UD U D D D donde D diag( σ σ... σ r... ) m m luego D U U. Del último eorema se obtiene:. Los vectores singulares derechos v v... v n son los vectores propios de.. Los vectores singulares izquierdos u ; u ;... ; u m son los vectores propios de. σ σ σ r.... son los valores propios de y. σ. U ( )U diag( ) m m σ σ r Ejemplo... Sea Como UDV (V D U )(UDV ) REVCIUNI 8 () 4 REVCIUNI 8 () 4
6 definamos B B - λi λ - λ λ λ Definamos B B - λi λ - λ λ λ λ Los valores propios y vectores propios asociados de B son respectivamente: Los valores propios y vectores propios asociados de B son respectivamente: donde D Se verifica que: V V diag( ) R( ) U U diag( ; ) R( ). Corolario... Sea R(n n) una matriz simétrica con valores propios λ λ... λ n. Entonces los valores singulares de son λ i i... n. Como Del teorema (.) tenemos que: tiene n valores singulares no-negativos que son las raíces de los n valores propios de. Debido a que los valores propios de son... σ λ ; σ λ ;... ; σ n λ n λ υ λ υ λ u λ u --- λ u UDV --- D λ λ λ λ n REVCIUNI 8 () 4 REVCIUNI 8 () 4 8 Marlene J. Soldevilla Olivares William C. Echegaray Castillo Descomposición del Valor Singular y sus plicaciones 8
7 84 Marlene J. Soldevilla Olivares William C. Echegaray Castillo Descomposición del Valor Singular y sus plicaciones 85 Corolario... Una matriz R(n n) es no-singular si y sólo si todos los valores singulares son diferentes de cero. Definamos: P Ũ Ṽ Ũ Ṽ U R( m + n m + n) Sabemos que det( ) det()det( ) det(). Luego es una matriz no-singular det() λ i (valores propios de donde Ũ U Ṽ V det( ) ) i... n (valores singulares de ) i... n eorema.. Sea (m n) (m n) y sea C R(m + n m + n) una matriz definida POR: P CP Ũ Ũ Ũ Ṽ Ṽ m m n n Ṽ Ũ Ũ Ṽ U Sean σ σ... σ n los valores singulares de. Entonces los valores propios de C son: C m m n n P CP D donde D diag(σ σ... σ n ). D λ σ λ σ... λ n σ n λ n+ _ σ λ n+ _ σ... λ n _ σ n λ n+ λ n+ ;... λ m+n. demás: σ σ... σ n _ σ _ σ... _ σ n... son los valores propios de C. Sea UDV donde U (U U ) U R(m n) U R(m m - n) Ejemplo... Sea m - n 4 D D D R(n n) R(m - n n) V R(n n). C R( + + ) REVCIUNI 8 () 4 REVCIUNI 8 () 4
8 8 Marlene J. Soldevilla Olivares William C. Echegaray Castillo Descomposición del Valor Singular y sus plicaciones 87 Usando los resultados del ejemplo (..) se tiene: Entonces tenemos: U (U U ) U R () U R( - ) luego α Ũ U α- + 8 α donde α U Ṽ 7 7 β 7( ) --- V 7 7 donde γ δ 4 γ γ β β β ( 4 5 7) δ 7 δ 8 Ũ Ũ U P R( 5 5) donde Ṽ Ṽ _ donde t P CP diag(t t _ t _ t ) 4. SENSIBILIDD DEL VLOR SINGULR Debido que el cuadrado de los valores singulares de son justamente los valores propios de la matriz simétrica real y estudiar la sensibilidad de los valores singulares es estudiar la sensibilidad de los valores propios entonces veremos esto a través del siguiente: eorema 4. (Peturbación del Valor Singular). Consideremos las siguientes matrices B + E R(m n) (m n). Sean y σ i i ; ;... ; n respectivamente los valores singulares de y B en orden no-decreciente. Entonces - E para todo i; donde. indica la norma. Prueba -- ( ) y t -- ( 4 5 7) Haremos la prueba usando la relación entre los valores singulares de una matriz y los valores propios de la matriz simétrica. à sean σ σ... σ k los valores singulares de diferentes de cero entonces del teorema (.) tenemos que: σ σ... σ k _ σ _ σ... _ σ k son los valores propios de à distintos de cero y los otros m _ k valores propios son ceros. Definamos B B B Ẽ R( m n) E E REVCIUNI 8 () 4 REVCIUNI 8 () 4
9 88 Marlene J. Soldevilla Olivares William C. Echegaray Castillo Descomposición del Valor Singular y sus plicaciones 89 se observa que B - Ã Ẽ. Entonces volviendo a usar el teorema (.) tenemos que los valores propios de B y Ẽ están relacionadas con los valores singulares de B y E respectivamente entonces de acuerdo a un teorema del álgebra lineal tenemos: - Ẽ E Ejemplo Sean entonces los valores propios de son: 4 5 E 7 8 λ. entonces los valores singulares de son: λ λ σ. σ Sea entonces los valores propios de: son: σ B + E entonces los valores singulares de B son: además tenemos que E. luego tenemos: σ - σ.495e - < E B B λ.7 λ λ σ.4958 σ σ REVCIUNI 8 () 4 REVCIUNI 8 () 4
10 9 Marlene J. Soldevilla Olivares William C. Echegaray Castillo Descomposición del Valor Singular y sus plicaciones 9 σ - σ.55948e - < E. σ - σ.775e - < E. eorema 4.. Sea E R(m n) teorema (4.). Entonces i ;... ; n los mismos como en el. F σ + σ + + σ n cuando R(n n) y no-singular. σ n σ min 4. Si R(n n) es una matriz no-singular entonces n i ( ) E F Cond () - σ σ n σ max σ min donde F es llamada la norma de Frobenius. Definición 4... Sea R(n n) una matriz no-singular definimos la Condición de con respecto a la norma y lo denotamos Cond() al número. 5. PLICCIONES Cond() - La descomposición del valor singular puede ser usado para obtener propiedades muy importantes relacionadas a la estructura de las matrices tales como la norma Euclideana bases ortonormales para el espacio nulo problema de almacenamiento en el computador entre otras propiedades como veremos en esta sección. 5. NORMS j i eorema 5.. Sean σ σ... σ n los valores singulares de una matriz R(m n). Entonces. σ σ max n m a ij. Sabemos que por el teorema (.) existen matrices ortogonales U R (m m) V R(n n) tales que: U V una matriz no-singular entonces: UDV D max ({ }) σ σ max. De acuerdo al teorema (.) y la definición de. F tenemos: F UDV F D F σ + + σ n D donde D es. En este caso R(n n) es una matriz no-singular entonces existe - R (n; n) y σ n σ min > luego es el mayor valor singular de - y aplicando el teorema (5.)() tenemos: σ n 4. Sabemos que Cond() - entonces por la parte () y () del presente teorema tenemos: σ n Cond() - i σ min σ σ n D σ max σ min REVCIUNI 8 () 4 REVCIUNI 8 () 4
11 9 Marlene J. Soldevilla Olivares William C. Echegaray Castillo Descomposición del Valor Singular y sus plicaciones 9 Ejemplo 5... Sea 4 5 cuyo valores singulares son: σ σ σ y de acuerdo al teorema (5.) tenemos:. σ F σ + σ + σ σ σ Cond() σ 5. PROBLEM DE LMCENMIENO Cuando se tiene una matriz R(m n) de gran tamaño tenemos el problema de almacenamiento entonces podemos hacer uso de los vectores singulares por la izquierda y por la derecha respectivamente de sabiendo que se tiene r valores singulares positivos y σ r+... σ n y esto nos permite tener (m+n) lugares en la memoria (del computador) en vez de mn; lo cual queda justificado por el siguiente teorema. eorema 5.. Sean R(m n) una matriz y σ σ... σ r > los r valores singulares de. Entonces: Debido al teorema (.) existen matrices ortogonales U R(m m) y V R(n n) tales que: UDV entonces de donde obtenemos: teniendo en cuenta que σ r+... σ n Ejemplo 5... Sea la matriz σ σ r j σ r u j υ j σ σ σ ( u u u m ) σ r r j 4 7 σ r u j v j v v v n 5 cuyos valores singulares son: 8... σ. REVCIUNI 8 () 4 REVCIUNI 8 () 4
12 94 Marlene J. Soldevilla Olivares William C. Echegaray Castillo Descomposición del Valor Singular y sus plicaciones 95 de donde r y de acuerdo al teorema (.) obtenemos: v v u v σ u v σ y de esta manera se tiene: donde y V x ; ahora simplemente resolvemos la última ecuación que es mucho fácil donde D R(m n) es la matriz del teorema (.).. CONCLUSIONES Observamos que la descomposición del valor singular de una matriz R (m; n) abrevia el cálculo debido a la propiedad que tiene una matriz simétrica ( en este caso) con sólo calcular los valores propios de que son no-negativos. Geométricamente la descomposición del valor singular de la matriz R (m n) puede interpretarse como una transformación de la siguiente manera: σ u υ + σ u υ donde x. : R n R m x y (x) Como observamos no hacemos uso de los vectores u y υ. 5. SOLUCIÓN DE SISEMS DE ECUCIONES LINELES Ejemplo... Sea la matriz R( ) en este caso m n entonces los valores singulares de son: σ. σ.5; La descomposición del valor singular de una matriz también puede ser utilizada para resolver sistemas de ecuaciones lineales de la forma: U..8.8 y V entonces tenemos: x b donde R(m n) b R m son dados y x R n es la incógnita a encontrar; entonces hacemos lo siguiente: descomponemos UDV y lo reemplazamos en el sistema original obteniendo UDV x b DV x U b Dy b U b x UDV x consideremos x entonces x.8 REVCIUNI 8 () 4 REVCIUNI 8 () 4
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
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 34 Álgebra matricial y vectores aleatorios Una matriz es un arreglo
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 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 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 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 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 detallesÁlgebra Lineal. Ejercicios de evaluación. Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas
Álgebra Lineal Ejercicios de evaluación Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J. S ALAS, A. T ORRENTE Y E.J.S. V ILLASEÑOR Problema
Más detallesÁlgebra Lineal - Grado de Estadística. Examen final 26 de junio de 2013 APELLIDOS, NOMBRE:
Álgebra Lineal - Grado de Estadística Examen final de junio de APELLIDOS, NOMBRE: DNI: Firma Primer parcial Ejercicio ( Sea A una matriz simétrica definida positiva de orden n y v R n Pruebe que la matriz
Más detalles2.1 Introducción. Propiedades.
19 2 MATRICES II: DETERMINANTES En este segundo capítulo de matrices, aprenderemos a utilizar una herramienta muy importante como son los determinantes Gracias a ellos, podremos calcular la inversa de
Más detallesGustavo 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
Más detallesDepartamento de Ingeniería Matemática - Universidad de Chile
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Álgebra Lineal 08-2 SEMANA 7: ESPACIOS VECTORIALES 3.5. Generadores de un espacio vectorial Sea V un espacio vectorial
Más detallesSoluciones a los ejercicios del examen final
Álgebra Lineal Curso 206/7 6 de junio de 207 Soluciones a los ejercicios del examen final Se considera la aplicación lineal L : R 3 R 3 definida por L(x, y, z) = (z x, x + y + z, x y 3z). a) Hallar la
Más detallesSoluciones a los ejercicios del examen final C =. 1 0
Universidade de Vigo Departamento de Matemática Aplicada II E T S E de Minas Álgebra Lineal Curso 205/6 de enero de 206 Soluciones a los ejercicios del examen final Se considera el subespacio U {X M 2
Más detallesEspacios Euclídeos. Natalia Boal María Luisa Sein-Echaluce Universidad de Zaragoza
Espacios Euclídeos 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. 1 Producto escalar Definición.
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 detallesÁlgebra Lineal. Tema 11. El Teorema Espectral en R. Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas
Álgebra Lineal Tema. El Teorema Espectral en R Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J. S ALAS, A. T ORRENTE Y E.J.S. V ILLASEÑOR Índice
Más detallesTEMA III: DIAGONALIZACIÓN.
TEMA III: DIAGONALIZACIÓN. OBJETIVOS: Generales: 1. Captar el motivo que justifica el problema de la diagonalización de endomorfismos. 2. Resolver y aplicar dicho problema cuando sea posible. Específicos:
Más detallesPodemos pues formular los dos problemas anteriores en términos de matrices.
Tema 5 Diagonalización 51 Introducción Valores y vectores propios 511 Planteamiento del problema Problema general de diagonalización Dado un operador lineal f sobre un espacio vectorial V de dimensión
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 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 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 detallesProducto Escalar. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Producto Escalar 1 / 31
Producto Escalar AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Producto Escalar 1 / 31 Objetivos Al finalizar este tema tendrás que: Saber usar el producto escalar. Calcular
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 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 detallesÁlgebra Lineal - Grado de Estadística. Examen final 27 de junio de 2014 APELLIDOS, NOMBRE:
Álgebra Lineal - Grado de Estadística Examen final 7 de junio de 4 APELLIDOS, NOMBRE: DNI: irma Primer parcial Ejercicio Consideremos matrices A m m, B, C n n, Pruebe que bajo la hipótesis de que las inversas
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 detallesa) Lo primero que hacemos es buscar las imágenes de los vectores de la base canónica: f(1,0,0) = (3, 5, 6) f(0,1,0) = ( 2, 3, 4) f(0,0,1) = (1, 2, 3)
. Sea f: R 3 R 3 la aplicación lineal definida por las ecuaciones: f(x, y, z) = (3x y + z, 5x 3y + z, 6x 4y + 3z) a) Encontrar la matriz A de f en las bases canónicas. b) Es f biyectiva? Si lo es, encontrar
Más detallesFactorización QR Método iterativo de Jacobi
Clase No. 13: MAT 251 Factorización QR Método iterativo de Jacobi Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT
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 detallesSistemas de ecuaciones lineales
CAPíTULO 6 Sistemas de ecuaciones lineales 1 Rango de una matriz a 11 a 1n Sea A = M m n (K) El rango por filas de la matriz A es la dimensión del a m1 a mn subespacio vectorial de K n generado por sus
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 detallesTEMA 7. Matrices y determinantes.
TEMA 7 Matrices y determinantes. 1. Matrices. Generalidades Definición 1 Sea E un conjunto cualquiera, m, n IN. Definimos matriz de orden m n sobre E a una expresión de la forma: a 11 a 12... a 1n a 21
Más detalles2.7 Aplicaciones del Teorema de Jordan
26 Álgebra lineal 27 Aplicaciones del Teorema de Jordan En esta sección seguimos suponiendo que K C Endomorfismos y matrices nilpotentes Definición Decimos que una matriz A M n (C es nilpotente si existe
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 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 detalles6.5.7 Orientación de un espacio vectorial eucĺıdeo Producto vectorial Diagonalización de formas bilineales simétricas...
Contents 6 Formas Bilineales y Producto Escalar 3 6.1 Formas bilineales............................... 3 6.1.1 Matriz de una forma bilineal....................... 4 6.1. Formas bilineales simétricas.......................
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 detallesDescomposición 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,
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 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 detallesSesión 18: Diagonalización (I) Método práctico para diagonalizar una matriz cuadrada A M nxn K
Sesión 8: Diagonalización (I) Método práctico para diagonalizar una matriz cuadrada A M nxn K ) Calculamos los valores propios de A y sus multiplicidades algebraicas con: d A λ = det A λi nxn = Si d A
Más detallesMatrices y sistemas de ecuaciones
Matrices y sistemas de ecuaciones María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Matrices y sistemas de ecuaciones Matemáticas I 1 / 59 Definición de Matriz Matrices
Más detallesMATRICES DETERMINANTES
MATRICES Y DETERMINANTES 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
Más detallesClase 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
Más detallesEjercicios Resueltos Tema 5
Ejercicios Resueltos Tema 5 Ejercicio 1 Estudiar si la forma bilineal f : R n R n R definida por k f ((x 1,..., x n ), (y 1,..., y n )) = x i y i, siendo 1 k < n, es un producto escalar de R n i=1 Solución.
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 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 detallesCálculo 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...
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 detallesSistemas de ecuaciones lineales dependientes de un parámetro
Vamos a hacer uso del Teorema de Rouché-Frobenius para resolver sistemas de ecuaciones lineales de primer grado. En particular, dedicaremos este artículo a resolver sistemas de ecuaciones lineales que
Más detallesEspacios vectoriales con producto interno
Espacios vectoriales con producto interno Problemas teóricos En todos los problemas relacionados con el caso complejo se supone que el producto interno es lineal con respecto al segundo argumento. Definición
Más detallesAP = A p 1 p 2 p n = Ap 1 Ap 2. λ 1 p 21 λ 2 p 22 λ n p 2n. .. = λ 1 p 1 λ 2 p 2
Capítulo 6 Diagonalización 6 Valores y vectores propios 6 Planteamiento del problema Problema general de diagonalización Dado un operador lineal f sobre un espacio vectorial V, nos planteamos el problema
Más detallesdia G o n a l i z a c i ó n
Unidad elementos característicos dia G o n a l i z a c i ó n Objetivos: Al inalizar la unidad, el alumno: Encontrará los valores y los vectores característicos de una matriz. Utilizará los elementos característicos
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 detallesA = [a 1 a 2 a 3. El sistema Ax = c tiene infinitas soluciones N. Existe un único vector x tal que T (x) = c X. T es suprayectiva
Asignatura: ÁLGEBRA LINEAL Fecha: 6 de Julio de Fecha publicación notas: 6 de Julio de Fecha revisión examen: de Julio de Duración del examen: horas y media APELLIDOS Y NOMBRE: DNI: Titulación:. ( punto:,
Más detallesFactorización 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 detallesBeltrami demostró que si A es una matriz de la forma bilineal real, no singular y cuadrada, entonces existe una descomposición del tipo.
DESCOMPOSICIÓN EN VALORES SINGULARES Y SUS APLICACIONES EN IMÁGENES Integrantes: Alexander aube, Matias Ruiz Diaz, Cristian Fernández. INRODUCCIÓN Los valores singulares han sido estudiados por diversas
Más detallesÁlgebra Lineal. Tema 6. Transformaciones lineales y matrices
Álgebra Lineal Tema 6. Transformaciones lineales y matrices Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J. S ALAS, A. T ORRENTE Y E.J.S.
Más detallesProposición Sea V un espacio vectorial sobre K de dimensión n y B una base de V. Gl(n, K) = {A M(n n, K) A = 0}.
Tema 6 Formas canónicas 6.1 Introducción Proposición 6.1.1. Sea V un espacio vectorial sobre K de dimensión n y B una base de V. La aplicación Φ B : End(V ) M(n n, K) definida por Φ B (f) = M B (f), es
Más detallesL(a, b, c, d) = (a + c, 2a 2b + 2c + d, a c, 4a 4b + 4c + 2d).
Universidade de Vigo Departamento de Matemática Aplicada II E.T.S.I. Minas Álgebra Convocatoria de enero de 1 18 de enero de 1 (5 p. 1 Para cada α R se considera el siguiente subespacio de R 4 : U α =
Más detallesMATRICES. Entonces, A y B son matrices cuadradas de orden 3 y 2 respectivamente.
1 MATRICES Una matriz es una tabla ordenada de escalares a ij de la forma La matriz anterior se denota también por (a ij ), i =1,..., m, j =1,..., n, o simplemente por (a ij ). Los términos horizontales
Más detallesSISTEMAS DE ECUACIONES LINEALES
SISTEMAS DE ECUACIONES LINEALES Profesores Omar Darío Saldarriaga Ortíz Ivan Darío Gómez Hernán Giraldo 2009 Definición Una matriz es un arreglo rectangular de números reales en m filas y n a 11 a 1n columnas
Más detallesMATRICES. TIPOS DE MATRICES Según el aspecto de las matrices, éstas pueden clasificarse en:
Repaso de Matrices MATRICES Una matriz es una tabla ordenada de escalares a ij de la forma La matriz anterior se denota también por (a ij ), i =1,..., m, j =1,..., n, o simplemente por (a ij ). Los términos
Más detallesEigenvalores y eigenvectores. Método de la potencia
Clase No. 12: MAT 251 Eigenvalores y eigenvectores. Método de la potencia Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo
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 detallesAlgebra 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 =
Más detallesTransformaciones Lineales
Transformaciones Lineales En lo que sigue denotaremos por K al conjunto R ó C Definición Sean V y W dos K-ev (espacios vectoriales sobre K Se llama transformación lineal de V en W a toda función T : V
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 detallesMatriz 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
Más detallesMatrices ortogonales y descomposición QR
Matrices ortogonales y descomposición QR Problemas para examen Agradezco a Aldo Iván Leal García por varias correcciones importantes. Invertibilidad por la izquierda y por la derecha (repaso) 1. Conceptos
Más detallesÁLGEBRA Algunas soluciones a la Práctica 8
ÁLGEBRA Algunas soluciones a la Práctica 8 Aplicaciones bilineales y formas cuadráticas (Curso 24 25 1. Comprobar si las siguientes aplicaciones son o no bilineales y en las que resulten serlo, dar la
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 detallesPrácticas 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
Más detallesa n1 a n2 a nn x n a ij x i x j = [x] t B A+At ) t = At +(A t ) t = At +A x j x i = s ij x i x j + s ji x j x i 2 x i x j + a ij + a ji
16 Fundamentos de Matemáticas : Álgebra Lineal Capítulo 1 Formas cuadráticas Aunque, pueda parecernos que vamos a estudiar un nuevo concepto, un caso particular de las formas cudráticas ya ha sido estudiado,
Más detallesÁlgebra Lineal UCR. Sétimo tema, 2013
Álgebra Lineal UCR Sétimo tema, 2013 Presentaciones basadas principalmente en Arce,C, Castillo,W y González, J. (2004) Álgebra lineal. Tercera edición. UCR. San Pedro. Otras fuentes serán mencionadas cuando
Más detallesExamen Final - soluciones
Algebra Lineal 2, FAMAT-UG, agsto-dic, 2009 PARTE A (60 puntos). Cierto o Falso. Examen Final - soluciones 9 dic, 2009 1. Para todo operador ortogonal T en R n, det(t ) = 1. Falso. T : (x 1,..., x 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 detallesCapítulo 5. Escalado Multidimensional 5.1. ESCALADO MÉTRICO
Capítulo 5 Escalado Multidimensional 5.1. ESCALADO MÉTRICO Dada una matriz de distancias D = (d ij ) o de disimilaridades = (δ ij ) entre n objetos, el escalado métrico consiste en encontrar las coordenadas
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 detallesSea V un conjunto no vacío (cuyos elementos se llamarán vectores) y sea K un cuerpo (cuyos elementos se llamarán escalares).
Capítulo 6 Espacios Vectoriales 6.1 Definiciones Sea V un conjunto no vacío (cuyos elementos se llamarán vectores) y sea K un cuerpo (cuyos elementos se llamarán escalares). Definición 6.1.1 Se dice que
Más detallesa) (0,5 puntos) Calcula la matriz escalonada reducida de A. Cuál es el rango de A?
Asignatura: ÁLGEBRA LINEAL Fecha del examen: de Enero de 6 Fecha publicación notas: 9 de Enero de 6 Fecha revisión examen: de Enero de 6 Duración del examen: horas y minutos APELLIDOS: NOMBRE: Titulación:.
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 detallesSISTEMAS DE ECUACIONES. Un sistema de m ecuaciones lineales con n incógnitas, x 1, x 2,, x n es un conjunto de m igualdades de la forma:
TEMA Sistemas de ecuaciones SISTEMAS DE ECUACIONES. DEFINICIÓN SISTEMAS DE ECUACIONES Un sistema de m ecuaciones lineales con n incógnitas,,,, n es un conjunto de m igualdades de la forma: a a an n b a
Más detalles1.1. CÁLCULO DEL RANGO POR EL MÉTODO DE GAUSS. son matrices escalonadas reducidas mientras que
1 1 PRELIMINARES 11 CÁLCULO DEL RANGO POR EL MÉTODO DE GAUSS Denición 1 Una matriz es escalonada si: 1 Todas las las nulas, si las hay, están en la parte inferior de la matriz 2 El número de ceros al comienzo
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 detallesTema 3: Espacios vectoriales
Tema 3: Espacios vectoriales K denotará un cuerpo. Definición. Se dice que un conjunto no vacio V es un espacio vectorial sobre K o que es un K-espacio vectorial si: 1. En V está definida una operación
Más detalles3. Sistemas inconsistentes y sistemas indeterminados
. Sistemas inconsistentes sistemas indeterminados. Ejercicios resueltos Ejercicio. Dado el sistema: 4x + 5 x + 5 a Realizar la factorización QR de la matriz, resolverlo basándose en ella a. Mediante el
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 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 detalles9. Teoremas espectrales
9 Teoremas espectrales Lema de Schur Ejercicio 9 En los siguientes casos, use el lema de Schur para descomponer, sobre C, la matriz A como producto A = U TU de modo que T sea triangular superior y U unitaria:
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 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 detalles