Eigenvalores y eigenvectores. Método de la potencia
|
|
- Vanesa Fernández Plaza
- hace 5 años
- Vistas:
Transcripción
1 Clase No. 12: MAT 251 Eigenvalores y eigenvectores. Método de la potencia Dr. Alonso Ramírez Manzanares CIMAT A.C. alram@ cimat.mx web: alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT A.C. joaquin@ cimat.mx Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
2 Eigenvalores y eigenvectores de una matriz Sea A R n n. Definición El polinomio p(λ) = det(a λi) es llamado el polinomio característico de A. Las raíces p(λ) = 0 del polinomio son los eigenvalores de A. Definición Un vector v = 0 que satisface Av = λv es un eigenvector de A. Al par ordenado (λ, v) se le llama eigenpar. Observaciones: Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
3 Eigenvalores y eigenvectores de una matriz Sea A R n n. Definición El polinomio p(λ) = det(a λi) es llamado el polinomio característico de A. Las raíces p(λ) = 0 del polinomio son los eigenvalores de A. Definición Un vector v = 0 que satisface Av = λv es un eigenvector de A. Al par ordenado (λ, v) se le llama eigenpar. Observaciones: Como el grado del polinomio característico es n, entonces hay n eigenvalores asociados a A. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
4 Eigenvalores y eigenvectores de una matriz Sea A R n n. Definición El polinomio p(λ) = det(a λi) es llamado el polinomio característico de A. Las raíces p(λ) = 0 del polinomio son los eigenvalores de A. Definición Un vector v = 0 que satisface Av = λv es un eigenvector de A. Al par ordenado (λ, v) se le llama eigenpar. Observaciones: Como el grado del polinomio característico es n, entonces hay n eigenvalores asociados a A. Para cada eigenvalor λ, puesto que det(a λi) = 0, la matriz A λi es singular, por lo que podemos hallar un vector v = 0 tal que (A λi)v = 0. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
5 Radio espectral de la matriz El conjunto σ(a) de todos los eigenvalores distintos de A se llama el espectro de A. El radio espectral ρ(a) de una matriz A se define como ρ(a) = max λ σ(a) λ. Proposición Sea A una matriz n n. Entonces ρ(a) A para cualquier norma natural. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
6 Radio espectral de la matriz El conjunto σ(a) de todos los eigenvalores distintos de A se llama el espectro de A. El radio espectral ρ(a) de una matriz A se define como ρ(a) = max λ σ(a) λ. Proposición Sea A una matriz n n. Entonces ρ(a) A para cualquier norma natural. Para todo eigenpar (λ, v) de A, con v = 1, tenemos λ = λ v = Av A En particular se cumple para ρ(a). En los casos en que hay que demostrar que una cantidad es acotada por A, es mejor mostrar que es acotado por el radio espectral. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
7 Observaciones Dado δ R, Cuales son los eigenvalores de A + δi? Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
8 Observaciones Dado δ R, Cuales son los eigenvalores de A + δi? Si (λ, v) es un eigenpar, entonces (A + δi)v = Av + δv = λv + δv = (λ + δ)v Entonces (λ + δ, v) es un eigenpar de A + δi. Cuales son los eigenvalores de A 1? Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
9 Observaciones Dado δ R, Cuales son los eigenvalores de A + δi? Si (λ, v) es un eigenpar, entonces (A + δi)v = Av + δv = λv + δv = (λ + δ)v Entonces (λ + δ, v) es un eigenpar de A + δi. Cuales son los eigenvalores de A 1? Si (μ, u) es un eigenpar de A 1, entonces A 1 u = μu = AA 1 u = μau = Así, (1/μ, u) es un eigenpar de A 1. 1 μ u = Au Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
10 Matrices simétricas Proposición Sea A una matriz simétrica de tamaño n. Entonces, contando multiplicidades, A tiene n eigenvalores reales λ i, i = 1,..., n, y Av i = λ i v i, v i v j = 0 i = j. Si todos los eigenvalores son distintos, los eigenvectores son únicos, excepto por un factor de escala. La proposición anterior garantiza la descomposición A = VDV. donde V es una matriz unitaria y D una matriz diagonal. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
11 Círculos de Gershgorin Teorema de Gershgorin Sea A una matriz cuadrada arbitraria. Los eigenvalores λ de A = [a ij ] están localizados en la unión de n discos definidos por λ a ii r i donde r i = n a ij i = 1,..., n. j=1 j =i Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
12 Círculos de Gershgorin Teorema de Gershgorin Sea A una matriz cuadrada arbitraria. Los eigenvalores λ de A = [a ij ] están localizados en la unión de n discos definidos por λ a ii r i donde r i = n a ij i = 1,..., n. Lo que nos dice el teorema es que todos los eigenvalores de A están contenidos en la unión C r de los n círculos con centro en a ii y radio r i. Como σ(a ) = σ(a), entonces la unión C c de los círculos definidos por λ a jj c j donde c j = j=1 j =i n a ij j = 1,..., n. contienen a los eigenvalores de A. En resumen, los eigenvalores de A están contenidos en C r C c. i=1 i =j Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
13 Ejemplo de los círculos de Gershgorin (I) n A = = A = max a ij = 7. 1 i n j=1 Como λ A, entonces todos los eigenvalores de A están contenidos en un círculo centrado en 0 y radio 7. Con los círculos, se tiene C r C c Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
14 Ejemplo de los círculos de Gershgorin (II) Si calculamos la intersección, tenemos C r C c Para la matriz dada se tiene que σ(a) = {5, (1 ± 5 5)/2} {5, , }. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
15 Método de la potencia (I) Este método puede encontrar el eigenvalor más grande en valor absoluto y su correspondiente eigenvector. El algoritmo es el siguiente: Método de la potencia Dado un vector inicial v 0 y fijando k = 0, repetimos hasta convergencia los siguientes pasos: y k+1 = Av k v k+1 = y k+1 / y k+1 λ k+1 = (v k+1 ) Av k+1 k = k + 1 El criterio de convergencia puede ser que el residual sea menor que una cierta tolerancia, y k λ k v k < ε. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
16 Método de la potencia (II) Proposición Sea u = 0 y definamos r(μ) = Au μu. Entonces el mínimo de r(μ) 2 es Para este valor, r(μ) es ortogonal a u. μ = u Au u u. Definición Sean v y u dos vectores con v u = 0. Entonces la cantidad se llama un cociente de Rayleigh. v Au v u. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
17 Ejemplo A Usando la matriz A del ejemplo anterior e inicializando con v 0 = (1, 1, 1) se obtiene el valor en 103 iteraciones con Av λv λ Av λv Iteracion Iteracion Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
18 Ejemplo B A = λ Av λv Iteracion Iteracion λ = , Av λv en 15 iteraciones Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
19 Ejemplo C A = λ Av λv Iteracion Iteracion λ = 5.0, Av λv en 949 iteraciones Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
20 Comparación de los ejemplos B y C c( rmax 0.25, rmax ) c(dmin, dmax) c( rmax 0.25, rmax ) c(dmin, dmax) Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
21 Ejemplo D (I) A = λ Av λv Iteracion Iteracion Av λv 5.56 en 100 iteraciones Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
22 Ejemplo D (II) c( rmax 0.25, rmax ) c(dmin, dmax) Ejemplo Eigenvalores B , , , , C , , , , D , , , , Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
23 Convergencia del método de la potencia (I) Supongamos que (λ i, v i ) es un eigenpar de A R n n con λ 1 > λ 2 λ 3 λ n. Dado x 0 R n, se debe tener que x 0 = n i=1 β iv i. Así A k x (0) = n β i λ k i v i. i=1 1 n λ k A k x (0) λ k i = β 1 v 1 + β i 1 i=2 λ k v i. 1 Como λ 1 > λ i para i = 2,..., n, tenemos que Entonces λ k i λ k 1 0 si k 1 λ k A k x (0) = β 1 v 1 + ε (k) con ε (k) 0 si k 1 Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
24 Convergencia del método de la potencia (II) Sea u un vector tal que u v 1 = 0. Entonces u A k+1 x (0) u A k x (0) Puesto que Av 1 = λ 1 v 1, entonces = λ k+1 1 (β 1 u v 1 + u ε (k+1) ) λ k 1 (β λ 1 si k 1u v 1 + u ε (k) ) λ 1 = v 1 Av 1 v 1 v, 1 una elección natural para el vector u es De esta forma tenemos que u = A k x (0) (A k x (0) ) A k+1 x (0) (y(k)) Ay(k) (y(k)) Ay(k) y (k) (A k x (0) ) A k = x (0) (y (k) ) y (k) = y (k) 2 = y (k) A y(k) y (k) Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
25 Convergencia del método de la potencia (III) (A k x (0) ) A k+1 x (0) (A k x (0) ) A k = (v (k) ) Av (k) x (0) Las suposiciones importantes para que método converja son Hay un eigenvalor dominante, es decir, λ 1 > λ i para i = 2,..., n. El vector inicial x (0) no puede ser ortogonal a v 1. Hay que notar otro aspecto importante para el método de la potencia, que se ilustra en el siguiente ejemplo. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
26 Ejemplo E (I) A = λ Av λv Iteracion Iteracion Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
27 Ejemplo E (II) Av λv 1.1 en 1000 iteraciones Los eigenvalores del matriz anterior son , i, i, , c( rmax 0.25, rmax ) x x x x x c(dmin, dmax) Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
28 Ejemplo F (I) A = λ Av λv Iteracion Iteracion Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
29 Ejemplo F (II) λ = , Av λv en 37 iteraciones Los eigenvalores del matriz anterior son , i, i , c( rmax 0.25, rmax ) x x x x x c(dmin, dmax) Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
30 Observaciones (I) Sea A simétrica. Si V = [ v 1 v 2 v n ] es la matriz que tiene por columnas los eigenvectores de A, y D = diag(λ 1, λ 2,..., λ n ) la matriz diagonal con los eigenvalores de A, entonces AV = VD. Proposición Supongamos que (λ i, v i ) es un eigenpar de A, y y que λ 1 tiene multiplicidad 1. Si x es un vector tal que x v 1 = 1, entonces tiene por eigenvalores 0, λ 2,..., λ n. B = A λ 1 v 1 x Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
31 Método de la potencia inversa (I) En lugar de aplicar las iteraciones a la matriz A, el método de la potencia inversa opera con la matriz (A δi) 1. El método converge al eigenvalor más cercano a δ. Método de la potencia inversa Dado un vector inicial x 0, la escalar δ que define la traslación, y fijando k = 0, repetimos hasta que r < ε para obtener el eigenpar (μ, x k ): (A δi)y = x k x = y/ y w = x k / y ρ = x w μ = δ + ρ r = w ρ x x k+1 = x k = k + 1 Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
32 Convergencia del método de la potencia inversa El argumento es el mismo que el usado para el método de la potencia. Note que A δi tiene los mismos eigenvectores que A. Si λ i es un eigenvalor de A, entonces λ i δ es un eigenvalor de A δi. Los eigenvalores de (A δi) 1 son de la forma 1 λ i δ Eligiendo de manera apropiada δ podemos hacer que eigenvalor dominante. 1 λ i δ sea el Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
33 Ejemplo (I) A = C r C c Eigenvalores: , , Tomamos x 0 = (1, 1, 1). Para diferentes valores de σ se obtiene lo siguiente para una tolerancia 10 8 y un máximo de 200 iteraciones: δ Iteraciones Valor final r Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 27
Método de potencia directo e inverso
Clase No. 12: Método de potencia directo e inverso MAT 251 Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) 26.09.2011 1 / 20 Método de la potencia Este método puede encontrar el eigenvalor más grande
Más detallesMétodos iterativos para resolver sistemas de ecuaciones lineales
Clase No. 8 (Parte 1): MAT 251 Métodos iterativos para resolver sistemas de ecuaciones lineales Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/
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 detallesMétodos iterativos para resolver sistemas de ecuaciones lineales
Clase No. 9: MAT 251 Métodos iterativos para resolver sistemas de ecuaciones lineales Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/salram/met_num/ Dr. Joaquín
Más detallesMAT web:
Clase No. 7: MAT 251 Matrices definidas positivas Matrices simétricas Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesDr. Alonso Ramírez Manzanares CIMAT A.C. cimat.mx web: alram/met_num/
Clase No. 4 (Parte 2): MAT 251 Factorización LU 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 A.C. e-mail: joaquin@
Más detallesMatrices bandadas Cálculo de la inversa y determinante Normas vectoriales y matriciales
Clase No. 8: MAT 251 Matrices bandadas Cálculo de la inversa y determinante Normas vectoriales y matriciales Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesDr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato cimat.mx web:
Clase No 12: MAT 251 Factorización QR Dr Alonso Ramírez Manzanares Depto de Matemáticas Univ de Guanajuato e-mail: alram@ cimatmx web: http://wwwcimatmx/alram/met_num/ Dr Joaquín Peña Acevedo CIMAT AC
Más detallesCuadratura Gaussiana basada en polinomios ortogonales.
Clase No. 20: MAT 251 Cuadratura Gaussiana basada en polinomios ortogonales. Dr. Alonso Ramírez Manzanares CIMAT, A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña
Más detallesEjercicio 1 Dada la matriz A = 1. Calcula los valores propios. 2. Determina una base de vectores propios. 3. Diagonaliza la matriz.
Métodos Numéricos: soluciones Tema 7: Valores y vectores propios Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Mayo 8 Versión. Ejercicio Dada
Más detallesE.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 5: Valores y vectores propios
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 5: Valores y vectores propios Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Curso
Más detallesCálculo Numérico. Curso Ejercicios: Preliminares I
Cálculo Numérico. Curso 07-08. Ejercicios: Preliminares I 1. (a) Compruebe que la inversa de una matriz, L, triangular inferior de orden n puede calcularse como sigue: Para j = 1,,..., n e i = j, j + 1,...,
Más detallesRepaso de algebra matricial
Clase No. 3 (Parte 1): MAT 251 Repaso de algebra matricial Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín
Más detallesDr. Alonso Ramírez Manzanares CIMAT A.C. cimat.mx web: alram/met_num/
Clase No 4: MAT 251 Factorización LU Dr Alonso Ramírez Manzanares CIMAT AC e-mail: alram@ cimatmx web: http://wwwcimatmx/ alram/met_num/ Dr Joaquín Peña Acevedo CIMAT AC e-mail: joaquin@ cimatmx Joaquín
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 detalles1.2 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 detallesMétodo de mínimos cuadrados (Continuación)
Clase No. 11: MAT 251 Método de mínimos cuadrados (Continuación) 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 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 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 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 detallesIntroducción a EDP: Ecuaciones hiperbólicas y parabólicas
Clase No. 27: MAT 251 Introducción a EDP: Ecuaciones hiperbólicas y parabólicas Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/
Más detallesMETODOS ITERATIVOS. Hermes Pantoja Carhuavilca. Facultad de Ingeniería Mecanica Universidad Nacional de Ingenieria
Facultad de Ingeniería Mecanica Universidad Nacional de Ingenieria Métodos Numéricos Contenido 1 Métodos Iterativos Introducción Definición Métodos Iterativos Método de Jacobi Convergencia Método de Gauss
Más detallesMétodo de mínimo cuadrados (continuación)
Clase No. 10: Método de mínimo cuadrados (continuación) MAT 251 Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesParte 2. Métodos directos para la resolución de sistemas de ecuaciones lineales
Parte 2. Métodos directos para la resolución de sistemas de ecuaciones lineales Gustavo Montero Escuela Técnica Superior de Ingenieros Industriales University of Las Palmas de Gran Canaria Curso 2006-2007
Más detallesDiferenciación numérica: Sistemas de ecuaciones lineales ordinarias Método predictor-corrector Método de disparo
Clase No. 25: Diferenciación numérica: Sistemas de ecuaciones lineales ordinarias Método predictor-corrector Método de disparo MAT 251 Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web:
Más detallesDiferenciación numérica: Sistemas de ecuaciones lineales ordinarias Método de disparo Método predictor-corrector
Clase No. 23: Diferenciación numérica: Sistemas de ecuaciones lineales ordinarias Método de disparo Método predictor-corrector MAT 251 Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato
Más detallesFormulación de Galerkin El método de los elementos finitos
Clase No. 28: MAT 251 Formulación de Galerkin El método de los elementos finitos Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/
Más detallesFundamentos Matemáticos de la Ingeniería. Tema 4: Diagonalización de matrices. Curso
Fundamentos Matemáticos de la Ingeniería Tema 4 Hoja Escuela Técnica Superior de Ingeniería Civil e Industrial Esp en Hidrología Fundamentos Matemáticos de la Ingeniería Tema 4: Diagonaliación de matrices
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 detallesResolución de Sistema de Ecuaciones Lineales
Resolución de Sistema de Ecuaciones Lineales Hermes Pantoja Carhuavilca Facultad de Ingeniería Industrial Universidad Nacional Mayor de San Marcos Métodos Computacionales Hermes Pantoja Carhuavilca 1 de
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 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 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 detallesProblema de convolución y deconvolución Diferencias finitas para EDO
Clase No. 24: Problema de convolución y deconvolución Diferencias finitas para EDO MAT 251 Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/alram/met_num/
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 detallesUso de LS. Esta matriz de 3x3 simétrica y definida positiva es un tensor de difusión de hidrógeno. , con gi en R 3. i S 0 exp bgt i Dg i i
Uso de LS MX 2 min S, con gi en R 3 i S 0 exp bgt i Dg i i Esta matriz de 3x3 simétrica y definida positiva es un tensor de difusión de hidrógeno. En cada posición del cerebro tenemos una matriz Tractografía
Más detallesDiferenciación numérica: Método de Euler implícito Métodos tipo Runge-Kutta
Clase No. 24: Diferenciación numérica: Método de Euler implícito Métodos tipo Runge-Kutta MAT 251 Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/alram/met_num/
Más detallesMAT1202: Algebra Lineal GUIA N 6 Otoño 2002 Valores y Vectores Propios
Pontificia Universidad Católica de Chile Facultad de Matemáticas MAT1202: Algebra Lineal GUIA N 6 Otoño 2002 Valores y Vectores Propios 1. Determine los valores y vectores propios de 0 3 A + I = 1 3 A
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 detallesEstadística III Repaso de Algebra Lineal
Repaso de Algebra Lineal Vectores Un vector columna de dimensión n 1 es una serie de números dispuestos como sigue: x 1 x 2 x =. x n Un vector fila de dimensión 1 p es una serie de números dispuestos como
Más detallesDiagonalización de matrices
Diagonalización de matrices María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Diagonalización de matrices Matemáticas I 1 / 22 Valores y vectores propios de una matriz 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 detallesANÁLISIS NUMÉRICO II (Curso ) Tercer Curso de Ingeniería Técnica Informática
ANÁLISIS NUMÉRICO II (Curso 2009-2010) Tercer Curso de Ingeniería Técnica Informática Tema2: Cálculo de Autovalores Introducción Los autovalores están presentes en muchas cuestiones de orden práctico:
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 detallesMETODOS NUMERICOS TALLER 3, SEMESTRE
y y METODOS NUMERICOS 67 TALLER SEMESTRE Tema: Método de Newton para resolver FX)= Métodos iterativos de Jacobi Gauss-Seidel y relajación Se recomienda realizar los ejercicios propuestos en el teto guía
Más detalles2.5 Teorema de Jordan
Capítulo 2/ Forma canónica de Jordan (Versión 13-03-2015) 15 2.5 Teorema de Jordan En esta sección queremos abordar ya el caso general de un endomorfismo f : V V cualquiera (no necesariamente con un único
Más detallesErrores por la representación de punto flotante y propagación de errores
Clase No. 2: Errores por la representación de punto flotante y propagación de errores MAT 251 Dr. Alonso Ramírez Manzanares CIMAT, A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
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 detallesDiagonalización de matrices. Kepler C k
Kepler C k 24 Índice. Problema de diagonalización 3.. Semejanza de matrices................................. 3.2. Valores propios y vectores propios........................... 3.3. Matrices y valores propios...............................
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 detallesTRANSFORMACIONES LINEALES 1. TRANSFORMACIONES NÚCLEO E IMAGEN
RANSFORMACIONES LINEALES 1 RANSFORMACIONES NÚCLEO E IMAGEN DEFINICION : Sean V W espacios vectoriales Una transformación lineal de V en W es una función que asigna a cada vector v V un único vector v W
Más detallesValores y Vectores Propios
Respuestas Guía de ejercicios N 7 parte Complemento Valores y Vectores Propios. λ 7 λ λ λ λ + 3λ. Sea v el vector propio asociado al valor propio λ 3 y v el vector propio asociado al valor propio λ. Para
Más detallesMétodos iterativos de solución de SEL
Métodos iterativos de solución de SEL Método de Gauss-Seidel MAT-251 Dr. CIMAT A.C. e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT A.C. e-mail: joaquin@cimat.mx
Más detallesDescomposición del valor singular y sus aplicaciones
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
Más detallesMétodos para matrices especiales. Descomposición de Cholesky
Métodos para matrices especiales. Descomposición de Cholesky MAT-251 Dr. CIMAT A.C. e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT A.C. e-mail: joaquin@cimat.mx
Más detalles4. Autovalores y autovectores
4. Autovalores y autovectores 4. Ejercicios resueltos Ejercicio 4. Realizar la descomposición de Schur de la matriz 0 A = 0 0 Solución: El polinomio característico de la matriz A es λ 0 pλ = detλi A =
Más detallesMETODOS NUMERICOS. Curso
Boletín 1 de prácticas. 1. Localizar las raíces de la ecuación F (x) = 0, para los siguientes casos: (a) F (x) = x + e x. (b) F (x) = 0.5 x + 0.2 sen(x). (c) F (x) = x tg(x). (d) F (x) = x 5 3. (e) F (x)
Más detallesTEMA 6. EIGENVALORES Y EIGENVECTORES
TEMA 6. EIGENVALORES Y EIGENVECTORES M. C. Roberto Rosales Flores INSTITUTO TECNOLÓGICO SUPERIOR DE TLAXCO Ingeniería en Logística M. C. Roberto Rosales Flores (ITST TEMA 6. EIGENVALORES Y EIGENVECTORES
Más detallesMATEMÁTICAS ESPECIALES II PRÁCTICA 5 Parte I - Sistemas de ecuaciones diferenciales de primer orden.
MATEMÁTICAS ESPECIALES II - 8 PRÁCTICA 5 Parte I - Sistemas de ecuaciones diferenciales de primer orden. Considere el sistema de ecuaciones diferenciales ordinarias (EDOs) de primer orden dx dt = f (t,
Más detallesMétodos iterativos de solución de SEL
Métodos iterativos de solución de SEL Método de Gauss-Seidel MAT-251 Dr. Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Joaquín Peña Acevedo
Más detallesDeterminación Numérica de Eigenvalores y Eigenvectores.
Determinación Numérica de Eigenvalores y Eigenvectores José María Rico Martínez Departamento de Ingeniería Mecánica Universidad de Guanajuato, F I M E E Calle Tampico No 912, Col Bellavista CP 3673, Salamanca,
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 detallesTransformaciones lineales autoadjuntas (hermíticas)
Transformaciones lineales autoadjuntas (hermíticas) Objetivos. Estudiar propiedades elementales de transformaciones lineales autoadjuntas. Demostrar que para toda transformación lineal autoadjunta en un
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 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 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 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 detallesEjercicio 1 Explica por qué el coste de invertir una matriz utilizando el algoritmo LU es de orden
CUESTIONES Ejercicio 1 Explica por qué el coste de invertir una matriz utilizando el algoritmo LU es de orden cúbico Ejercicio 2 Explica por qué si λ 1 ě λ 2 ě ě λ n son los valores propios de la matrix
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 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 detallesMétodos Numéricos Grado en Informática Tema 6: Análisis Numérico Matricial II
Métodos Numéricos Grado en Informática Tema 6: Análisis Numérico Matricial II Luis Alvarez León Univ. de Las Palmas de G.C. Luis Alvarez León () Métodos Numéricos Univ. de Las Palmas de G.C. 1 / 84 Contenido
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 detallesVectores y Valores Propios
Capítulo 11 Vectores y Valores Propios Las ideas de vector y valor propio constituyen conceptos centrales del álgebra lineal y resultan una valiosa herramienta en la solución de numerosos problemas de
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 detallesDiferenciación numérica: Método de Euler explícito
Clase No. 21: MAT 251 Diferenciación numérica: Método de Euler explícito Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesPropagación de errores
Clase No. 2: MAT 251 Propagación de errores Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo
Más detallesOCW-V.Muto Sistemas lineales: Preliminares Cap. XIII CAPITULO XIII. METODOS PARA LA RESOLUCION DE SISTEMAS LINEALES: PRELIMINARES
CAPITULO XIII. METODOS PARA LA RESOLUCION DE SISTEMAS LINEALES: PRELIMINARES. SISTEMAS LINEALES DE ECUACIONES En esta tercera parte se consideran técnicas para resolver el sistema de ecuaciones lineales:
Más detallesÚltimas notas de SVD
Últimas notas de SVD MAT-251 Dr. CIMAT A.C. e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Salvador Botello CIMAT A.C. e-mail: botello@cimat.mx Relación entre los valores singulares
Más detallesMétodos matemáticos: Análisis funcional
Métodos matemáticos: Análisis funcional Conceptos y resultados fundamentales Curso 2011/2012 Aquí encontrarás los Teoremas hay que saber para el primer parcial ( 1) así como las definiciones, problemas
Más detallesDiferenciación numérica: Método de Euler explícito
Clase No. 21: MAT 251 Diferenciación numérica: Método de Euler explícito Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detalles1. Matrices no negativas
1. Matrices no negativas Cuando A posee al menos un coeficiente nulo y el resto no negativos, puede ocurrir que algunas de las propiedades probadas no se sigan cumpliendo. Ejemplo 1.1 Si A = ( 0 1 0 0
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 detalles6.8. 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 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 detallesVALORES Y VECTORES PROPIOS
45 Capítulo 6 VALORES Y VECTORES PROPIOS Martínez Héctor Jairo Sanabria Ana María Semestre, 7 6 Introducción Aunque, en general, la imagen de un vector bajo una transformación de un espacio vectorial en
Más detallesTema 5: Espacios Eucĺıdeos.
Espacios Euclídeos 1 Tema 5: Espacios Eucĺıdeos. 1. Producto escalar. Espacios eucĺıdeos. Definición. Sea E un R-espacio vectorial y sea f : E E R una forma bilineal simétrica. Se dice que f es un producto
Más detallesGeometría afín y proyectiva, 2016 SEMANA 4
Geometría afín y proyectiva, 2016 SEMANA 4 Sonia L. Rueda ETS Arquitectura. UPM September 30, 2016 Geometría afín y proyectiva 1. Álgebra Lineal 2. Geometría afín y eucĺıdea 3. Cónicas y cuádricas Álgebra
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 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 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 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 detallesPropiedades de matrices simétricas definidas positivas:
Propiedades de matrices simétricas definidas positivas: Propiedades de matrices simétricas definidas positivas: Sea A =[a ij ] 2 R n n. La matriz A es simétrica si A = A >. La matriz A es definida positiva
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 detallesa) Plantear un sistema de ecuaciones para calcular los coeficientes de f y resolverlo usando la descomposición LU de la matriz del sistema.
E.T.S. de Álgebra Numérica 30 de junio de 2006 Se quiere encontrar una función de la forma f(x) = ax 3 + bx + c que pase por los puntos (1, 4), ( 2, 23) y (2, 21). a) Plantear un sistema de ecuaciones
Más detalles