El método de la potencia para el cálculo del autovalor dominante de una matriz se basa en el siguiente teorema.
|
|
- María Antonia Lara Cuenca
- hace 5 años
- Vistas:
Transcripción
1 Práctica 8 Cálculo de autovalores 8.1. Método de la potencia El método de la potencia para el cálculo del autovalor dominante de una matriz se basa en el siguiente teorema. Teorema (M. de la potencia] Dada una matriz A R n n que tiene n autovalores distintos λ 1,..., λ n que están ordenados de forma que λ 1 > λ 2 λ n Si se elige x 0 de forma adecuada las sucesiones X k = ( ) x 1, x k T 2,..., x n que se generan del siguiente modo: y ck y donde y 0 = Ax 0, y k = Ax k, x k+1 = x k+1 c k+1, { } c k+1 = máx x k i, 1 i n converge al autovector dominante de A y al autovalor dominante. O sea, lím c k = λ 1, k lím x k = v 1. k El método de la potencia se puede implementar mediante la siguiente función de Matlab: 44
2 function [lambda,v]=potencia(a,x,epsilon,max1) % Input A: una matrix nxn % x: aproximacion inicial para el autovector % epsilon: tolerancia % max1: numero maximo de iteraciones % % Output lambda: el autovalor dominante % V: el autovalor dominante % lambda=0; cnt=0; err=1; estado=1; while((cnt<=1)&(estado==1)) y=a*x; [m,j]=max(abs(y)); c1=m; y=y/c1; % test de los errores dc=abs(lambda-c1); dv=norm(x-y); err=max(dc,dv); x=y; lambda=c1; estado=0; if (err>epsilon) estado=1; end cnt=cnt+1; end v=x; 45
3 8.2. Método de iteración del subespacio Cuando se manejan matrices grandes y dispersas calcular todos sus autovalores y sus correspondientes autovectores es un proceso muy costoso. En general, para este tipo de matrices se considera un problema parcial de autovalores. Así si A, se buscan p (p << n) autovalores dominantes, λ 1, λ 2,..., λ p y sus correspondientes autovectores x 1,..., x p, de forma que AX = XΛ con X = (x 1,..., x p ), Λ = diag (λ 1,..., λ p ) Para resolver este problema numéricamente se suelen utilizar métodos iterativos cuya operación principal es el producto matriz-vector. Un ejemplo de este tipo de métodos es el método de iteración del subespacio. El método de iteración del subespacio prácticamente se basa en continuas repeticiones de productos AX, empezando desde una solución inicial, X 0, hasta la obtención de los autovectores asociados a los autovalores dominantes de la matriz A, y en cada iteración, es necesario transformar la matriz X para que no pierda la propiedad de ortonormalidad. El producto de AX se calcula ejecutando los productos matriz-vector Ax, donde x representa cualquier columna de X. Describiremos, a continuación, dos algoritmos del método de iteración del subespacio. El primero, hace uso de la proyección de Rayleigh-Ritz no simétrica, y el segundo, se basa en la proyección de Rayleigh-Ritz simétrica Método de Iteración del Subespacio con proyección de Rayleigh- Ritz no Simétrica. El primer algoritmo que vamos a describir se basa en el método de Iteración del Subespacio multipaso con una proyección de Rayleigh-Ritz no simétrica, que se estructura en los siguientes pasos: Algoritmo 1: 1.- Comienzo: Elegir un sistema incial de vectores linealmente independientes X 1 = {x 1, x 2,..., x p }, y un valor inicial del parámetro de iteración, iter. El algoritmo desarrollado permite al usuario elegir entre tomar como estimación inicial los vectores que generan el subespacio invariante, 46
4 obtenidos en casos previos, o generan una base de p vectores, cuyas componentes se eligen como números aleatorios del intervalo [ 1, 1]. La base elegida se ortonormaliza mediante el algoritmo de Gram-Schmidt modificado. Inicializar k = Bucle de Autovalores: Mientras no se de la convergencia, hacer: a) Para i = 1 hasta iter Calcular Z k = AX k Asignar X k = Z k Fin para. b) Ortonormalizar Z k en Z k+1, usando el algoritmo de Gram-Schmidt modificado. c) Calcular la proyección de Rayleigh-Ritz Âk+1 = (Z k+1 ) T AZ k+1. d) Resolver el problema de autovalores p dimensional  k+1 = Q k+1 Δ k+1 (Q k+1 ) T, con Δ k+1 = diag(s 1, s 2,..., s p ) k+1, donde (s i ) k+1 es un autovalor de Âk+1 que es una aproximación a un autovalor dominante de A. e) Calcular la nueva solución inicial X k+1 = Z k+1 Q k+1. f) Comprobar el criterio de convergencia. g) k = k + 1. Fin mientras. El criterio de convergencia empleado es el siguiente: abs(x k+1 i ) abs(x k i ) abs(x k+1 i ) < tol; i = 1,..., p, (8.1) donde es la 2-norma de un vector, y abs(x k+1 i ) es el vector resultante de tomar el módulo de las componentes de la columna i ésima de la matriz X k+1. Hemos considerado el valor absoluto de las componentes del vector debido al hecho de que algunos autovectores, de una iteración a la siguiente cambian su orientación, y esto provoca un cambio de signo global en el autovector. Los valores típicos que se han tomado para el parámetro del criterio de convergencia, tol, han sido 10 3 y Una vez satisfecho el criterio de convergencia en el algoritmo anterior, se obtienen directamente los p autovalores dominantes de la matriz A, (s k+1 i ), i = 1,..., p, y sus correspondientes autovectores, {x k+1 1,..., x k+1 p }. 47
5 Método de Iteración del Subespacio con Proyección de Rayleight-Ritz Simétrica. Este método es similar al expuesto anteriormente, la diferencia principal es que utiliza la proyección de Rayleigh-Ritz simétrica en vez de la no simétrica. El método puede estructurarse de la siguiente forma: Algoritmo 2: 1.- Comienzo: Elegir una base inicial X 1 = {x 1,..., x p } de p vectores de la matriz A. Los vectores se eligen de la misma forma que en el algoritmo anterior, y son normalizados utilizando el algoritmo de Gram-Schmidt modificado. Inicializar el contador, k = Bucle de Autovalores: Mientras no se de el criterio de convergencia: a) Calcular Z k = AX k. b) Formar la proyección de Rayleigh-Ritz simétrica Âk+1 = (Z k+1 ) T Z k+1 c) Resolver el problema de autovalores p dimensional  k+1 Q k+1 = Q k+1 (Δ k+1 ) 2, con (Δ k+1 ) 2 = diag(s 2 1, s 2 2,..., s 2 p) k+1, donde (s 2 i ) k+1 es un autovalor de Âk+1. Y calcular la matriz trasformación T k+1 = Q k+1 (Δ k+1 ) 1. d) Construir la nueva solución inicial orotnormal X k+1 = Z k+1 Q k+1. e) Comprobar el criterio de convergencia. f) k = k + 1. Fin mientras. El criterio de convergencia usado en este algoritmo, es el mismo que se ha utilizado en el algoritmo anterior, (8.1). Si utilizamos el primer algoritmo, una vez logrado el criterio de convergencia del buble de autovalores, se obtienen directamente los p autovalores dominantes de la matriz A y sus correspondientes autovectores asociados. Mientras 48
6 que si se utiliza el segundo algoritmo, al cumplirse el criterio de convergencia, se obtiene una base ortonormal, X k+1, del subespacio engendrado por los p autovectores dominantes de la matriz A. Para calcular los pautovectores asociados a los p autovalores dominantes de la matriz A, X = {x 1,..., x p }, debemos calcular una matriz de transformación, U, de tal forma que X = X k+1 U. La matriz U es de dimensión p p. Para calcular esta matriz, partimos del problema de autovalores inicial AX = XΛ, donde Λ es una matriz diagonal cuyos elementos son los p-autovalores dominantes de A. Multiplicando esta ecuación por (X k+1 ) T obtenemos la matriz U como solución del problema de autovalores p-dimensional donde ˆB = (X k+1 ) T AX k+1. ˆBU = UΛ, 8.3. Ejercicios E.1 Obtén el autovalor y el autovector dominante de la matriz A = E.2 Un proceso de Markov se puede describir por una matriz cuadrada cuyas entradas son todas positivas y su suma vale 1. Por ejemplo, si P 0 = (x 0, y 0, z 0 ) T es el número de personas en una ciudad que prefieren la marca X, Y y Z, respectivamente. Cada mes la gente decide usar la misma marca o cambiar de marca. La probabilidad que el ususario de la marca X cambie a la marca Y o Z es 0,3 y 0,3, respectivamente. La probabilidad que un usuario de la marca Y cambie a la marca Z o Z es 0,3 y 0,2, respectivamente. La probabilidad que un usuario de la marca Z cambia a la marca X o a la marca Y es 0,1 y 0,3, respectivamente. La matriz de transición para el proceso es P k+1 = AP k = A = 49 0,4 0,3 0,1 0,3 0,5 0,3 0,3 0,2 0,6 x k y k z k
7 Si existe un P de forma que AP = P, entonces P es un autovector de A con autovalor 1. Además P es un estado estacionario del proceso de Markov. Comprueba que λ = 1 es un autovalor de A y obtén un posible estado estacionario. E.3.- Dada la matriz A = se sabe que tiene un autovalor cercano a 0,5. Implementa el método de la potencia inversa para obtener este autovalor de A y su correspondiente autovector. E.4.- Como ya vimos, los vectores almacenados en los ficheros V.dat, I.dat y J.dat en la hoja web definen una matriz dispersa en formato coordenando. Utiliza el método de la potencia combinado con el método de defacción de Wielandt para obtener los tres primeros autovalores dominantes de esta matriz y sus correspondientes autovectores. Implementa las dos versiones del método de iteración del subespacio expuestas anteriormente y utilizalas para calcular los tres autovectores dominantes de la matriz y sus correspondientes autovectores. Comprueba los resultados utilizando la función eigs( ) de Matlab. 50
Cálculo de autovalores
Cálculo de autovalores Damián Ginestar Peiró Departamento de Matemática Aplicada Universidad Politécnica de Valencia Curso 2011-2012 (UPV) Cálculo de autovalores Curso 2011-2012 1 / 28 Índice 1 Preliminares
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 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 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 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 detallesValores y vectores propios. Laboratorio de Matemáticas
Valores y vectores propios Laboratorio de Matemáticas Conceptos básicos v vector propio asociado al valor propio λ Av = λ v Polinomio característico de la matriz A p(λ) = det(a- λ I) Ecuación característica
Más detallesEjercicios resueltos del capítulo 4
Ejercicios resueltos del capítulo 4 Ejercicios impares resueltos..a Calcular los autovalores y subespacios invariantes asociados a la matriz: A = Calculamos el polinomio característico y resolvemos: λ
Más detallesSistemas de ecuaciones no lineales
Práctica 6 Sistemas de ecuaciones no lineales En esta práctica revisaremos algunos métodos básicos para la resolución numérica de sistemas de ecuaciones no lineales 61 Método iterativo del punto fijo Partimos
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 detallesMétodos de gradiente. Métodos de Krylov
Métodos de gradiente. Métodos de Krylov Damián Ginestar Peiró Departamento de Matemática Aplicada Universidad Politécnica de Valencia Curso 2012-2013 (UPV) Métodos de gradiente. Métodos de Krylov Curso
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 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 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 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 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 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 detallesDeducción de las fórmulas del método del gradiente conjugado
Deducción de las fórmulas del método del gradiente conjugado Objetivos. Demostrar el teorema sobre los subespacios de Krylov en el método del gradiente conjugado. Requisitos. Subespacios generados por
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 detallesMétodos iterativos para sistemas de ecuaciones lineales
Métodos iterativos para sistemas de ecuaciones lineales Natalia Boal - Manuel Palacios - Sergio Serrano Departamento de Matemática Aplicada Obetivos Trabaar con los métodos iterativos habituales (Jacobi,
Más detallesTÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA
ESCUELA ESTUDIOS DE TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA DEPARTAMENTO DE INGENIERÍA INFORMÁTICA MATEMÁTICA APLICADA I ÁLGERA LINEAL OLETINES DE PROLEMAS Curso 8-9 Sistemas de ecuaciones lineales.
Más detallesResolución de Ecuaciones no lineales. Juan Manuel Rodríguez Prieto
Resolución de Ecuaciones no lineales Juan Manuel Rodríguez Prieto Resolución de Ecuaciones no lineales Objetivos Aprender a resolver ecuaciones de la forma: f () = 0 Donde f es una función no-lineal de
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 detallesALN - Curso 2007 Gradiente Conjugado
ALN - Curso 27 Gradiente Conjugado Cecilia González Pérez Junio 27 Métodos Iterativos Pueden ser: Métodos estacionarios Métodos no estacionarios Métodos no estacionarios hacen uso de información, evaluada
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 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 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 detallesMétodos de Krylov. Damián Ginestar Peiró. Departamento de Matemática Aplicada Universidad Politécnica de Valencia. Curso
Métodos de Krylov Damián Ginestar Peiró Departamento de Matemática Aplicada Universidad Politécnica de Valencia Curso 2013-2014 (UPV) Métodos de Krylov Curso 2013-2014 1 / 57 Índice 1 Introducción 2 Matrices
Más detallesResolución de Ecuaciones no lineales. Juan Manuel Rodríguez Prieto
Resolución de Ecuaciones no lineales Juan Manuel Rodríguez Prieto Resolución de Ecuaciones no lineales Objetivos Aprender a resolver ecuaciones de la forma: f () = 0 Donde f es una función no-lineal de
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 detalles1. ESPACIO EUCLÍDEO. ISOMETRÍAS
1 1. ESPACIO EUCLÍDEO. ISOMETRÍAS Muchos de los fenómenos que se investigan en la geometría utilizan nociones como las de longitud de un vector y ángulo entre vectores. Para introducir estos dos conceptos
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: Espacios vectoriales
PROBLEMAS DE MATEMÁTICAS Parte I: Álgebra Primero de Químicas FACULTAD DE CIENCIAS QUÍMICAS Departamento de Matemáticas Universidad de Castilla-La Mancha Tema 1: Espacios vectoriales 1 Determina si cada
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 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 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 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 detallesTema 21. Exponencial de una matriz Formas canónicas de Jordan.
Tema 21 Exponencial de una matriz En este tema vamos a definir y calcular la exponencial de una matriz cuadrada mediante una expresión formalmente análoga al desarrollo en serie de potencias de la exponencial
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 detallesEXAMEN PARCIAL DE METODOS NUMERICOS (MB536)
EXAMEN PARCIAL DE METODOS NUMERICOS (MB536) SOLO SE PERMITE EL USO DE UNA HOJA DE FORMULARIO Y CALCULADORA ESCRIBA CLARAMENTE SUS PROCEDIMIENTOS PROHIBIDO EL USO DE CELULARES U OTROS EQUIPOS DE COMUNICACION
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Métodos Iterativos para Resolver Sistemas Lineales Departamento de Matemáticas ITESM Métodos Iterativos para Resolver Sistemas Lineales Álgebra Lineal - p. 1/30 En esta lectura veremos
Más detallesDiagonalización de una Matriz
Diagonalización de una Matriz Departamento de Matemáticas, CCIR/ITESM 9 de febrero de 2011 Índice 19.1.Introducción............................................... 1 19.2.Matriz diagonalizable..........................................
Más detallesÁlgebra Lineal 2015 Práctica 5: Diagonalización.
Álgebra Lineal 2015 Práctica 5: Diagonalización. 1. Sean T (a, b) = (4a b, b+2a), B = {(1, 0), (0, 1)} y C = {(1, 3), (2, 5)}. (a) Hallar la matriz camio de base de B a C, la matriz cambio de base de C
Más detallesE.T.S. Minas: Métodos Matemáticos Soluciones Tema 4 Métodos iterativos para sistemas de ecuaciones
ETS Minas: Métodos Matemáticos Soluciones Tema Métodos iterativos para sistemas de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesÁlgebra. Ingeniería Industrial. Curso 2006/2007 Examen de Septiembre
Álgebra. Ingeniería Industrial. Curso / Examen de Septiembre OBSERVACIONES: Cada hoja entregada debe contener el nombre, apellidos y número de identificación escrito de forma clara. No mezclar ejercicios
Más detalles1. Efectuar las siguientes operaciones, expresando el resultado en forma binómica: (1 i)(2 i)(i 3) ; 344 ( i) 231 i(1 + i) 5
1.5.1 Complejos 1. Efectuar las siguientes operaciones, expresando el resultado en forma binómica: i 1 ; 2 + i ; 2i 2 i 1 + i +i; 5 (1 i)(2 i)(i 3) ; i344 +( i) 231 ; (1 + i) 5 + 1 (1 i) 5 1 ; 2. Usar,
Más detallesDescomposición QR. Problemas para examen. Agradezco a Aldo Iván Leal García por varias correcciones importantes.
Descomposición QR Problemas para examen Agradezco a Aldo Iván Leal García por varias correcciones importantes. Reflexión de Householder (repaso) 1. Reflexión ortogonal respecto a un hipersubespacio (repaso).
Más detallesSolución de problemas I 1
Universidad Autónoma de Madrid Álgebra II. Físicas. Curso 5 6 Solución de problemas I Álgebra II Curso 5-6. Proyecciones en el producto escalar estándar Ejercicio 7.7. (a) Dada la ecuación x + y z, dar
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 detallesÁLGEBRA LINEAL. EXAMEN EXTRAORDINARIO 2 de julio de 2012 Duración del examen: 3 horas Fecha publicación notas: 11 de julio
ÁLGEBRA LINEAL EXAMEN EXTRAORDINARIO 2 de julio de 22 Duración del examen: 3 horas Fecha publicación notas: de julio Fecha revisión examen: 3 de julio Apellidos: Nombre: Grupo: Titulación: ESCRIBA EL APELLIDO
Más detallesMATRICES Y SISTEMAS DE ECUACIONES
MATRICES Y SISTEMAS DE ECUACIONES Definición Una matriz real de orden m n es una tabla ordenada de m n números reales a 11 a 12 a 1n A = a 21 a 22 a 2n a m1 a m2 a mn en la cual las líneas horizontales
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 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 detallesMétodos numéricos para sistemas de ecuaciones. (Prácticas)
Métodos numéricos para sistemas de ecuaciones (Prácticas) Métodos iterativos UNIVERSIDAD POLITÉCNICA DE VALENCIA 1 Índice general 3. Métodos iterativos 3 3.1. Métodos iterativos básicos....................
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 detallesMétodo de Jacobi. Juan Manuel Rodríguez Prieto
Juan Manuel Rodríguez Prieto Objetivos resolver un sistema de ecuaciones de la forma Ax en qué situaciones los métodos iterativos son más convenientes a los métodos directos b 5 2 1 1 4 x La solución del
Más detalles(a) (0.5 puntos) Compruebe que esta ecuación tiene exactamente una solución en el intervalo
UNIVERSIDAD DIEGO PORTALES. FACULTAD DE INGENIERÍA. INSTITUTO DE CIENCIAS BÁSICAS. Cálculo Numérico, Control 1. Semestre Otoño 007 Problema 1. Se desea encontrar una raíz de la función f(x) = cos (x) x.
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 detallesÁgueda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1. Se llama producto escalar sobre un espacio vectorial real V a cualquier aplicación
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1 6 Espacios euclídeos 6.1 Producto escalar. Espacio euclídeo Se llama producto escalar sobre un espacio vectorial real V a cualquier aplicación
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 detallesProducto escalar. x y. x = x x y cos α =
resumen06 1 Producto escalar Vectores ortogonales y proyecciones La definición matemática de producto escalar es bastante amplia porque recoge toda expresión bilineal que sirva razonablemente para medir
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 detallesMétodo 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 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 detallesPROBLEMAS DE ÁLGEBRA LINEAL INGENIERÍA DE TELECOMUNICACIONES - E.T.S.I.T. CURSO 2005/06
PROBLEMAS DE ÁLGEBRA LINEAL INGENIERÍA DE TELECOMUNICACIONES - E.T.S.I.T. CURSO 200/06 1. Utilizar el método de eliminación de Gauss para resolver el sistema de ecuaciones lineales siguiente: 2 x 1 2 x
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 detallesRelación 1. Espacios vectoriales
MATEMÁTICAS PARA LA EMPRESA Curso 2007/08 Relación 1. Espacios vectoriales 1. (a) En IR 2 se consideran las operaciones habituales: (x, y) + (x, y ) = (x + x, y + y ) λ(x, y) = (λx, λy) Demuestra que IR
Más detallesAl considerar varios polígonos regulares inscritos resulta: perímetro del cuadrado < π. perímetro del 96 gono < π
AMPLIACIÓN DE MATEMÁTICAS INTRODUCCIÓN Método Constructivo: Conjunto de instrucciones que permiten calcular la solución de un problema, bien en un número finito de pasos, bien en un proceso de paso al
Más detallesSi u y v son vectores cualquiera en W, entonces u + v esta en W. Si c es cualquier numero real y u es cualquier vector en W, entonces cu esta en W.
Unidad 4 Espacios vectoriales reales 4.1 Subespacios Si V es un espacio vectorial y W un subconjunto no vacío de V. Entonces W es un subespacio de V si se cumplen las siguientes condiciones Si u y v son
Más detallesPrerrequisitos de la asignatura Álgebra Lineal Numérica
Prerrequisitos de la asignatura Álgebra Lineal Numérica El propósito de Álgebra Lineal Numérica es analizar algoritmos típicos de álgebra lineal, optimizando la rapidez y la precisión. Para analizar la
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 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 detallesÁlgebra II(61.08, 81.02) Segundo cuatrimestre 2017 Práctica 4. Autovalores y autovectores de matrices. Diagonalización.
Álgebra II(6108, 8102) Segundo cuatrimestre 2017 Práctica 4 Autovalores y autovectores de matrices Diagonalización Nota: salvo indicación particular, se considera que todas las matrices pertenecen a C
Más detalles3. ÁLGEBRA LINEAL // 3.3. AUTOVALORES Y
3. ÁLGEBRA LINEAL // 3.3. AUTOVALORES Y AUTOVECTORES. SISTEMAS DE EVOLUCIÓN. COMPLEMENTOS PARA LA FORMACIÓN DISCIPLINAR EN MATEMÁTICAS Curso 2011-2012 3.3.1. Ejemplos de sistemas de evolución discretos
Más detallesEjercicios tipo test de las lecciones 1 y El vector e = ( 1, 0, λ) está en el plano generado por los vectores u = (1, 2, 1) y
Álgebra lineal y Geometría I Gloria Serrano Sotelo Departamento de MATEMÁTICAS Ejercicios tipo test de las lecciones 1 y 2. 1. El vector e = ( 1, 0, λ) está en el plano generado por los vectores u = (1,
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 detallesGeometría de Señales Espacios de Hilbert y aproximaciones
Geometría de Señales Espacios de Hilbert y aproximaciones Temario Teorema de Parseval y Conservación de la Norma. Aproximaciones por proyección Ejemplos Teorema de Parseval Sea x la representación de un
Más detallesEXAMEN PARCIAL DE METODOS NUMERICOS (MB536)
UNIVERSIDAD NACIONAL DE INGENIERIA P.A. 013- FACULTAD DE INGENIERIA MECANICA 18/10/013 EXAMEN PARCIAL DE METODOS NUMERICOS (MB36) SOLO SE PERMITE EL USO DE UNA HOJA DE FORMULARIO Y CALCULADORA ESCRIBA
Más detallesÁLGEBRA LINEAL II Práctica
ÁLGEBRA LINEAL II Práctica 2.1-2.2 Espacios Euclídeos. Ortogonalidad (Curso 2011 2012) 1. Se considera un espacio euclídeo de dimensión 3, y en él una base {ē 1, ē 2, ē 3 } tal que el módulo de ē 1 y el
Más detallesUNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERÍA DEPARTAMENTO DE MATEMÁTICA CLAVE M
UNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERÍA DEPARTAMENTO DE MATEMÁTICA CLAVE-6-4-M--00-0 CURSO: Matemática aplicada JORNADA: SEMESTRE: Matutina do. Semestre AÑO: 0 TIPO DE EXAMEN: Examen
Más detallesUNIVERSIDAD SIMON BOLIVAR MA1116 abril-julio de 2009 Departamento de Matemáticas Puras y Aplicadas. Ejercicios sugeridos para :
IX / 9 UNIVERSIDAD SIMON BOLIVAR MA6 abril-julio de 9 Ejercicios sugeridos para : los temas de las clases del 3 de junio y de julio de 9. Temas : Autovalores y autovectores. Matrices similares; diagonalización.
Más detallesINTRODUCCIÓN. Qué es una computadora? Dispositivo físico para procesar información a través de algoritmos.
INTRODUCCIÓN Qué es una computadora? Dispositivo físico para procesar información a través de algoritmos. Algoritmo: procedimiento definido para procesar información realizable físicamente. Complejidad:
Más detallesTema 6. Análisis Factorial.
Tema 6 Análisis Factorial El modelo Sea Y = (Y,, Y p ) t un vector aleatorio con vector de medias µ y matriz de covarianzas Σ Supondremos que existe un número entero m < p, una matriz L de orden p m de
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 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 detallesMatrices y determinantes
Matrices y determinantes 1 Matrices Una matriz de orden m n es un conjunto de m n números ordenados en m filas y n columnas Por ejemplo, 1 1 2 0 2 0 2 1 1 1 2 1 3 0 2 es una matriz de orden 3 5 Una matriz
Más detallesEspacios vectoriales con producto escalar
147 Fundamentos de Matemáticas : Álgebra Lineal Capítulo 10 Espacios vectoriales con producto escalar 10.1 Producto escalar. Norma. Distancia Definición 71.- Un producto escalar o producto interior en
Más detallesMétodos numéricos para sistemas de ecuaciones. (Prácticas) Damián Ginestar Peiró UNIVERSIDAD POLITÉCNICA DE VALENCIA
Métodos numéricos para sistemas de ecuaciones (Prácticas) Damián Ginestar Peiró UNIVERSIDAD POLITÉCNICA DE VALENCIA 1 Índice general 4. Métodos iterativos 3 4.1. Métodos iterativos básicos....................
Más detallesEl cuestionario virtual estara disponible los días 11, 12, 13, 14, 15 y 16 de enero.
Fundamentos de Matematicas. Prueba de Evaluación a Distancia. Curso 016-17 Se debe marcar una sola respuesta correcta. Cada pregunta acertada suma 1 punto, las incorrectas restan 0.. Las preguntas en blanco
Más detallesUna invitación al estudio de las cadenas de Markov
Una invitación al estudio de las cadenas de Markov Víctor RIVERO Centro de Investigación en Matemáticas A. C. Taller de solución de problemas de probabilidad, 21-25 de Enero de 2008. 1/ 1 Potencias de
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 detallesMatemáticas para la Empresa
Matemáticas para la Empresa 1 o L. A. D. E. Curso 2008/09 Relación 1. Espacios Vectoriales 1. a) En IR 2 se consideran las operaciones habituales: (x, y) + (x, y ) = (x + x, y + y ) λ(x, y) = (λx, λy)
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 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 detallesOrtogonalización de Gram Schmidt
Ortogonalización de Gram Schmidt Objetivos. Estudiar el proceso de ortogonalización de Gram Schmidt que permite construir de una lista arbitraria de vectores a,..., a m una lista ortogonal b,..., b m que
Más detallesTareas de matrices especiales
Tareas de matrices especiales Objetivos. Estudiar una clase especial de matrices. Para matrices de esta clase realizar un algoritmo rápido de multiplicación por vectores. Aplicar este algoritmo para resolver
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 detallesTratamiento de Señales Laboratorio 1 (2h) Cadenas de Markov
Tratamiento de Señales Laboratorio 1 (2h) Cadenas de Markov Curso 2011/2012 Materiales: (a) Ordenadores equipados con Matlab Objetivos: (a) Estudiar las cadenas de Markov como una familia de secuencias
Más detallesEjercicios: Estimando π con métodos Monte Carlo y cálculo del mayor autovalor de una matriz
Ejercicios: Estimando π con métodos Monte Carlo y cálculo del mayor autovalor de una matriz 6 de marzo de 05. Cálculo de π con métodos Monte Carlo El objetivo de este ejercicio consiste en estimar el valor
Más detalles