Multivariante Curso Cálculo matricial
|
|
- María Luz Reyes Poblete
- hace 5 años
- Vistas:
Transcripción
1 Multivariante Curso Cálculo matricial Introducción La información de partida en el análisis multivariante es una tabla de datos correspondiente a la medición de distintas variables sobre varios individuos. Por tanto su manejo se facilita con el uso de vectores y matrices y sus propiedades. También será importante visualizar los datos como puntos del espacio para comprender la estructura de los mismos y así poder buscar su rasgos comunes más importantes, así como sus peculiaridades. La observación de una variable sobre n individuos dará lugar a x un punto de R n o a su vector asociado. La observación simultanea de p variables sobre n individuos dará lugar a una matriz de datos Xdonde las filas recogen el valor de las p variables en cada individuo y cada columnas recoge los valores de una variable. Vectores En este apartado se recuerdan las operaciones con vectores y se relacionan con la descripción estadística de una variable. El conjunto de datos asociado al estudio de una variable sobre n individuos generalmente se presentará en forma de vector columna de R n. Con los vectores así obtenidos se podrán realizar las siguientes operaciones: Suma (x: n o hombres en ciertas empresas, y: n o de mujeres en las mismas empresas, x+y: n o total de trabajadores ) Producto por escalar ( cambio de unidades: x/100 cientos de trabajadores) Transposición la transposición de un vector columna da lugar a un vector fila (que generalmente asociaremos a varias variables sobre un mismo individuo) Producto escalar x y = y x = x i y i Norma o módulo del vector x x = x x
2 Multivariante Curso El producto escalar entre dos vectores x e y también se define como x y = x y cos θ es decir la norma de un vector por la proyección del otro sobre él, así si x es unitario x y = módulo de la proyección de y sobre x. También se deduce de esta definición que x y x y (conocida como la desigualdad de Cauchy-Schwartz) Relacionado con el producto escalar está el concepto de vectores ortogonales: x,y vectores de R n son ortogonales si x y = 0 cos θ = 0 θ = 90 0 Veamos ahora la relación entre la media y la varianza con estas operaciones: La media de un conjunto de n datos es proporcional a la proyección del vector asociado sobre el vector constante (todas sus componentes iguales) Vector unitario constante en R n es : 1 n la proyección de x sobre este vector tiene por módulo: 1 n x = nx valor de la proyección 1 n nx = 1x es decir la media es el escalar que define la proyección del vector x sobre el vector 1 La variabilidad de los datos que mide la desviación típica es la distancia estandarizada entre el vector de datos y el vector constante S x = 1 n x x1 = (xi x) 2 n La covarianza entre x e y es el producto escalar de los vectores asociados a la variabilidad de cada uno de ellos: cov(x, y) = 1 n (x x1) 1 n (y y1) Para variables estandarizadas la covarianza coincide con el coeficiente de correlación por ello ortogonalidad de vectores está relacionada con la incorrelación. Los vectores sirven para definir las traslaciones que son aplicaciones de R n en R n Un conjunto de vectores x 1,..., x p se dice que es linealmente dependiente si existen escalares c 1... c p no todos nulos tales que c 1 x 1 + +c p x p = 0 o, lo que es equivalente, uno de los vectores se puede poner como combinación lineal de los otros. Base de un subespacio Espacio generado por los vectores x 1,..., x p Dimensión de un subespacio Subespacio ortogonal a uno dado (espacio nulo asociado a un vector es el subespacio ortogonal al mismo
3 Multivariante Curso Matrices Las matrices juegan un papel importante en el estudio de variables p-dimensionales, tanto para presentar los datos recogidos, como asociadas a las matrices de varianzas covarianzas, que serán matrices cuadradas simétricas y semidefinidas positivas. Entre matrices se tienen las siguientes operaciones: 1 Dadas matrices A n,p = (a ij ) ij, B n,p = (b ij ) ij A+B = (a ij + b ij ) ij αa = (αa ij ) ij Si B p,m, (A*B) n,m = ( p j=1 a ij b jk ) ik 2 Transpuesta de A=A t = (a ji ) (A t ) t = A (A+B) t = A t + B t (A*B) t = B t A t 3 Traza de A=T r(a) = n i=1 a ii es un operador lineal: T r(a+b) = T r(a)+t r(b), Si A n,p, B p,n entonces T r(a*b) = T r(b*a). En consecuencia T r(a*a t ) = i j a2 ij Dados A p,p, x i R p, i = 1,..., n, T = n i=1 x i x t i entonces T r(a*t) = n i=1 x t i A x i. T r(αb) = αt r(b) La traza se puede considerar como una medida del tamaño de la matriz, así en una matriz de varianzas covarianzas la traza es la suma de todas las varianzas de las variables, sin tener en cuenta sus posibles relaciones. 4 Producto de Kronecker: dadas las matrices A n,p, B k,p, A B == c A = A c = ca. (A B) t = A t B t. a 11 B... a 1p B.. a n1 B... a np B (A B)(C D) = AC BD supuesto que los productos de matrices pueden realizarse. En estadística este producto se utiliza para construir matrices cuyos elementos son matrices repetidas, por ejemplo en bloques de variables que tengan la misma matriz de varianzas covarianzas.
4 Multivariante Curso Rango (A)es el número máximo de vectores fila o columna de la matriz linealmente independientes Rango(A) = Rango(A t ) 0 Rango(A) min(n, p). Si M(A) = {y R n /y = Ax} se verifica que dim(m(a))=rango(a). Si N(A) = {x R p /0 = Ax} = Ker(A) se verifica que dim(n(a))+dim(m(a))=p. Rango(A+B) Rango(A) + Rango(B). Rango(A*B) Min(Rango(A), Rango(B)). Rango(A*A t ) = Rango(A t A) = Rango(A). Si B n,n y C p,p son no singulares Rango(B*A*C) = Rango(A). Si A n,m con rango(a)=m y B m,p con Rango(B)=p entonces Rango(A*B) = p. Determinantes Dada una matriz cuadrada A p,p se define su determinante A = τ Π ( 1) τ a 1τ(1) a pτ(p) donde τ es una permutación de las p columnas y τ = +1 según el número de transposiciones sea par o impar. Dada un elemento a ij de una matriz cuadrada A se define su menor asociado, M ij, como el determinante de la matriz resultante de eliminar la fila i y la columna j de A. Se define el cofactor asociado a a ij como C ij = ( 1) i+j M ij. En consecuencia: 1 A = p j=1 a ijc ij = p i=1 a ijc ij. 2 p j=1 a ijc kj = 0 p i=1 a ijc il = 0. 3 Si A es una matriz triangular A = p i=1 a ii. 4 αa = α p A 5 A t = A 6 Si en una matriz se permutan dos filas o columnas el determinante cambia de signo 7 una fila (columna) es combinación lineal de otras el determinante vale cero Ap,p B 8 Si M es una matriz cuadrada que se puede partir M = entonces M = 0 C q,q A C.
5 Multivariante Curso A Bp,p 9 Si M es una matriz cuadrada que se puede partir M = entonces M = C q,q 0 ( 1) pq B C. A Bp,p En consecuencia si M = entonces M = B. I p 0 Ip 0 10 Las matrices del tipo M = verifican que MC = C. A 11 AB = A B (con las dimensiones adecuadas) I q En el caso de vectores de R 2 el determinante de la matriz formada por dos vectores puede interpretarse como el area del paralelogramo definido por los mismos. Sea A = (v 1, v 2 ) entonces: A t A = v t 1v 1 v t 2v 2 v t 1v 2 v t 2v 1 = v 1 2 v 2 2 (1 cos 2 θ); de donde A = v 1 v 2 sinθ, que es el area del paralelogramo definido por (v 1, v 2 ). Este resultado se generaliza para vectores de R n. Si las variables estuviesen centradas A t A es la matriz de varianzas covarianzas por lo que el determinante está relacionado con la independencia de las variables, a mayor determinante mayor independencia, si una variable fuese combinación lineal de las otras A sería cero y el de su matriz de covarianzas también es decir determinante cero indica dependencia lineal entre las variables. Matriz Inversa Dada una matriz cuadrada A p,p se define su inversa A 1 como aquella que verifica A A 1 = A 1 A = I 1 La inversa si existe es única. 2 A 1 existe si y sólo si A = 0. 3 (A 1 ) 1 = A, (A t ) 1 = (A 1 ) t. 4 (αa) 1 = α 1 A 1, (AB) 1 = B 1 A 1 5 Dadas A p,p, B p,n, C n,n, D n,p, y si existen las inversa necesarias (A+BCD) 1 = A 1 A 1 B(C 1 + DA 1 B) 1 DA 1 en particular (A+bd t ) 1 = A 1 A 1 b(1 + d t A 1 b) 1 d t A 1 (A+C) 1 = A 1 A 1 (C 1 + A 1 ) 1 A 1 Estas expresiones serán útiles para calcular el cambio de la matriz de covarianzas cuando se elimina alguna observación.
6 Multivariante Curso A11 A 6 Dada una matriz A = 12 A los elementos de su inversa A 1 11 A 12 = A 21 A 22 A 21 A 22 vienen dados, si existen las inversas necesarias, por A 11 = (A 11 A 12 A 1 22 A 21 ) 1. A 22 = (A 22 A 21 A 1 11 A 12 ) 1. A 12 = A 1 11 A 12 A 22 = A 11 A 12 A A 21 = A 1 22 A 21 A 11 = A 22 A 21 A El manejo de las inversas por cajas es importante en el caso de la matriz de covarianzas porque la matriz Σ 1 va a recoger información sobre la varianza de las distribuciones condicionadas A11 A 7 Dada una matriz A = 12 se verifica que A 21 A 22 A = A 11 A 22 A 21 A 1 11 A 12 = A 22 A 11 A 12 A 1 22 A 21 8 Dadas A p,p, inversible, B p,n, C n,p entonces A+BC = A I p +A 1 BC = A I n +CA 1 B En particular si n=1 entonces A+bd t = A (1 + d t A 1 b) Matriz Ortogonal Dada una matriz cuadrada A p,p se dice que es ortogonal si: AA t = I 1 A = +1 A t = A 1 2 a t ia j = { 1 i = j 0 i j 3 Si A y B son ortogonales C=AB es ortogonal. 4 Las transformaciones por matrices ortogonales conservan las distancias. 5 Caso particular las matrices de permutaciones Las matrices ortogonales representan un giro o una simetría respecto a un plano Matriz Idempotentes Dada una matriz cuadrada A p,p se dice que es idempotente si: AA = A A = 1 ó A = 0
7 Multivariante Curso Las matrices idempotentes representan proyecciones en un subespacio de dimensión igual al rango de la matriz. Matriz de centrado La matriz de centrado H n es aquella que al aplicarla sobre un vector de datos lo transforma en sus desviaciones respecto a la media de sus componentes. H n = I n 1 n J n = I n 1 n 11t 1 H n x = (x i x) i 2 H n 1 = 0 H n J n = J n H n = 0 n. 3 H n es una matriz simétrica e idempotente. 4 rango(h n )=n-1 5 x t H n x = x t H n H n x = n i=1 (x i x) 2 6 Si X n,p es una matriz de datos X t H n X = ns Autovalores y Autovectores de una Matriz Dada una matriz A p,p se define su polinomio característico como q(λ) = A λi p. Se denomina autovalor de A p,p a las soluciones de su polinomio característico. Se denomina autovector de A p,p asociado al autovalor λ i a un vector x i que verifica A x i = λ i x i ( son vectores que al transformarlos por la matriz no cambian de dirección, aunque si pueden cambiar de tamaño, también se pueden llamar las direcciones características de la matriz). La interpretación geométrica de los valores y vectores propios de una matriz simétrica A = (a 1,..., a p ) se considera el elipsoide que pasa por los puntos determinados por estos vectores y con centro el origen de coordenadas, los vectores propios son los ejes principales del elipsoide y los valores propios asociados a la dimensión del eje principal correspondiente. Los vectores y valores propios asociados a la matriz de varianzas covarianzas van a ser importantes en el manejo de la distribución normal multivariante, así como en la búsqueda de direcciones importantes en las nubes de puntos. Se denomina autoespacio asociado a un autovalor al espacio generado por sus autovectores. 1 q(λ) = A λi p = p i=1 (λ i λ).
8 Multivariante Curso q(0) = A = p i=1 λ i. 3 T r(a) = p i=1 a ii = p i=1 λ i. 4 Si C es no singular A y CAC 1 tienen los mismos autovalores. Además si x i es autovector de A asociado a λ i entonces Cx i lo es de CAC 1 asociado al mismo autovalor. 5 Si λ i es autovalor de A entonces λ i + α lo es de (A + αi), y además A y (A + αi) tienen los mismos vectores propios. 6 La dimensión de un autoespacio asociado a un autovalor es a lo sumo la multiplicidad de este. 7 Teorema: Dadas las matrices A p,n, B n,p Los autovalores no nulos de AB son los mismos que los de BA y tienen la misma multiplicidad. Si x i es autovector de AB asociado a un autovalor no nulo entonces Bx i lo es de BA asociado al mismo autovalor. 8 Corolario: Dadas A n,p, B q,n a, b, entonces Aab t B tiene rango a lo sumo 1, el autovalor no nulo, si existe, vale b t BAa y su autovector asociado es Aa 9 Los autovalores de una matriz simétrica son números reales, y su rango coincide con el número de autovalores no nulos. 10 (Descomposición de Jordan) Toda matriz simétrica A se puede descomponer de la forma A =ΓΛΓ t donde Γ es una matriz ortogonal cuyas columnas son los autovectores normalizados de A, Λ es una matriz diagonal con los autovalores de A. Como consecuencia de esta factorización A = ΓΛΓ t = Σλ i u i u t i, es decir A se puede descomponer como suma de matrices de rango 1 con los pesos λ i por tanto si un autovalor es muy pequeño A se puede reconstruir aproximadamente con los restantes autovalores y autovectores. 11 Si A es simétrica A n = ΓΛ n Γ t. 12 Si A es simétrica y definida positiva (A > 0) se puede descomponer como producto de una matriz por su transpuesta (esta descomposición no es única ΓΛ 1/2 o ΓΛ 1/2 Γ t ). 13 Si A es simétrica y semidefinida positiva A se puede descomponer, de forma única, como producto de una matriz triangular inferior T por su transpuesta (descomposición de Cholesky), A = T T t. 14 Dadas A y B matrices simétricas, A definida positiva, existe una matriz H que diagonaliza a las dos anteriores HAH t = I HBH t = D. (H= A 1/2 C, con C la matriz de vectores propios de A 1/2 BA 1/2. 15 Dadas A 0 y B > 0 los autovalores de B 1 A son positivos o nulos y coinciden con los de AB 1 y con los de B 1/2 A B 1/2.
9 Multivariante Curso Formas cuadráticas Una forma cuadrática en R p es una aplicación que se puede definir a través de una matriz simétrica A p,p de la forma Q(x)= x t A x. Si Q(x) > 0 x R p, x > 0 se dice que Q es definida positiva y A también. Si Q(x) 0 x R p se dice que Q es semidefinida positiva y A también. Toda forma cuadrática x t Ax puede expresarse de la forma p i=1 y2 i λ i con y = Γ t x (es decir mediante un cambio de base ortogonal). Si A es definida positiva todos sus autovalores son positivos y también su determinante (análogo para A semidefinida positiva). Si A es semidefinida positiva entonces también lo es C t AC para cualquier C pn. Si A es definida positiva y C es no singular entonces C t AC es definida positiva. Si A es semidefinida positiva, B es definida positiva entonces los autovalores de B 1 A son positivos o nulos. Teorema: Descomposición en valores singulares Toda matriz A n,p de rango r puede descomponerse como producto de tres matrices A=UDV t, dos de ellas ortogonales U n,r, V t r,p, y otra diagonal D con valores positivos, que son las raíces de los autovalores positivos de AA t. Los elementos de D se llaman valores singulares de la matriz A U esta formado por los autovectores unitarios asociados a los autovalores no nulos de AA t V esta formado por los autovectores unitarios asociados a los autovalores no nulos de A t A con esta descomposición A se puede escribir como A = r i=1 d i u i v t i Inversa generalizada Se denomina inversa generalizada, o g-inversa, de una matriz A n,p a otra matriz A n,p que verifica A A A= A. ( Lo que implica que A A debe ser idempotente y también A A ) En general no es única salvo que se le imponen las condiciones de que A A, A A, A A A sean matrices simétricas, obteniéndose la inversa generalizada de Monroe-Penrose. Si A es no singular A = A 1. Si A n,p,con rango(a)=p A = (A t A) 1 A t. Si A n,p,con rango(a)=n A = A t.(aa t ) 1.
10 Multivariante Curso En general utilizando la descomposición del valor singular A = VD 1 U t. Si A= X t X y G=A se cumple G t es también inversa generalizada de A. GX t es g-inversa de X. XGX t es invariante frente a G (es decir no depende de la g-inversa considerada). XGX t es simétrica. XG t X t X = X y X t XGX t = X t XG t X t =X t. XGX t es idempotente. Si y R n, X n,p, con rango(x)=p y se considera el subespacio M(X). La proyección de y sobre M(X) es X(X t X) 1 X t y Si y R n, X n,p y se considera el subespacio M(X). La proyección de y sobre M(X) es X(X t X) X t y (que es única) Derivadas Matriciales Dada f una función de n variables que se pueden identificar con un vector x de R n se define la derivada de f respecto a x, f f, como un vector cuyas componentes son ( x x i ) i. Si f(x)=a t x entonces f x =a Si f(x)=x t x entonces f x =2x Si f(x)=x t Ax con A una matriz simétrica entonces f x =2Ax Dada f una función de np variables que se pueden identificar con una matriz X n,p de se define la derivada de f respecto a X, f f, como una matriz cuyas componentes son ( X x ij ) ij. Si f(x)=a t Xb entonces f X =bat Si f(x)=a t X t Xb entonces f X =(bat +ab t )X t Máximos y Mínimos Dados y R n y una matriz A n,p la función φ(x) = (y Ax) t (y Ax) alcanza un mínimo en x=(a t A) A t y
11 Multivariante Curso Sean A y B dos matrices simétricas, con B>0 entonces el máximo (mínimo) de x t Ax bajo la condición x t Bx=1 se alcanza en un autovector de B 1 A correspondiente al máximo (mínimo) autovalor λ (p), (λ (1) ), y el valor del máximo (mínimo) es λ (p), (λ (1) ) El máximo de f(x)=x t a bajo la condición x t Bx=1, B>0, es (a t B 1 a) 1 2. Además max x t Bx=1 (at x) 2 = a t B 1 a y se alcanza en x= B 1 a (a t B 1 a) 2 1 Producto de Kronecker de matrices Dadas dos matrices A = (a ij ) y B se define el producto directo o producto de Kronecker de A y B, A B, como una nueva matriz formada por las cajas ( a11 B... a 1n B ) a m1 B... a mn B Este producto tiene las siguientes propiedades: 1. α(a B) = αa B = A αb 2. A (B C) = (A B) C = A B C 3. (A B) = A B 4. (A B)(F G) = AF BG, siempre que las dimensiones sean adecuadas 5. (A B) 1 = A 1 B 1 6. A (B + C) = (A B) + (A C) 7. (A + B) C) = (A C) + B C 8. (AXB) v = (B t A)X v Teorema.- Dadas las matrices T m,m y B n,n, con T matriz triangular superior, entonces T B = T n B m. Corolario.- Dadas A m,m y B n,n entonces A B = A n B m. Teorema.- Dadas A m,m y B n,n matrices reales, con autovalores α i y β j respectivamente entonces los autovalores de A B son λ ij = α i β j.
Tema 1. 1 Álgebra lineal. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. 1.1 Vectores de R n. 1. Vectores. 2.
Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Tema 1 Álgebra lineal 1. Vectores 2. Matrices 1 Álgebra lineal Aurea Grané
Más 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 detallesAPÉNDICE A. Algebra matricial
APÉNDICE A Algebra matricial El estudio de la econometría requiere cierta familiaridad con el álgebra matricial. La teoría de matrices simplifica la descripción, desarrollo y aplicación de los métodos
Más 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 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 detalles1 Vectores de R n. Tema 1. Álgebra matricial. 1.2 Dependencia lineal
Diplomatura en Estadística 1 Tema 1. Álgebra matricial 1. Vectores 1.1 Definiciones básicas 1.2 Dependencia lineal 2. Matrices 2.1 Rango de una matriz 2.2 Matrices cuadradas 3. Vectores y valores propios
Más detallesTema 1. Preliminares. 1.1 Resultados algebraicos
Tema 1 Preliminares 11 Resultados algebraicos Consideraremos habitualmente matrices con coeficientes en R y, ocasionalmente, en C Denotaremos por a i j a los elementos de una matriz A, donde el subíndice
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 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 detallesELEMENTOS DE ALGEBRA LINEAL
ELEMENTOS DE ALGEBRA LINEAL Matriz Una matriz de orden o dimensión n x p es una ordenación rectangular de elementos dispuestos en n filas y p columnas de la siguiente forma: a11 a1 a1p a1 a a p A an1 an
Más detallesRepaso de álgebra de matrices y probabilidad. Javier Santibáñez (IIMAS, UNAM) Regresión Semestre / 58
Repaso de álgebra de matrices y probabilidad Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 58 Preliminares Definición (matriz) Una matriz de dimensión m n es un arreglo rectangular de números
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 detallesALGEBRA y ALGEBRA LINEAL
520142 ALGEBRA y ALGEBRA LINEAL Primer Semestre, Universidad de Concepción CAPITULO 7. MATRICES DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Matriz Sean
Más 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 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 Ejercicios no resueltos de la Práctica 3
ÁLGEBRA Ejercicios no resueltos de la Práctica 3 Matrices y determinantes (Curso 2007 2008) 15. Encontrar la (única) respuesta correcta, de entre las indicadas, a las siguientes cuestiones: (b) En una
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 detallesAlgebra Lineal Aplicada para Modelos Lineales
Algebra Lineal Aplicada para Modelos Lineales Yuri Miranda Gonzáles Universidad Mayor de San Andrés Carrera de Estadística Abril 203 En el área de modelos lineales y econometría, la necesidad de contar
Más detalles1. Las matrices se denotan con letras mayúsculas. Por ejemplo, A, B, C, X,...
CAPÍTULO 1 ALGEBRA MATRICIAL 11 Introducción Definición 111 (Matriz) Definimos una matriz como un arreglo rectangular de elementos, llamados escalares, sobre un álgebra F Más que hacer referencia especifica
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesAlgebra Lineal * Working draft: México, D.F., a 17 de noviembre de 2010.
Algebra Lineal * José de Jesús Ángel Ángel jjaa@mathcommx Working draft: México, DF, a 17 de noviembre de 2010 Un resumen de los principales temas tratados en un curso de Álgebra Lineal Contenido 1 Sistemas
Más detallesMATRICES 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 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 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 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 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 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 detallesMatrices. Operaciones con matrices.
Matrices. Operaciones con matrices. Ejercicio. Dadas las matrices ( ) ( ) 4 A = B = ( ) C = D = 4 5 ( ) 4 E = F = seleccione las que se pueden sumar y súmelas. Ejercicio. Dadas las matrices ( ) ( ) A =
Más detallesACTIVIDADES INICIALES
Matrices ACTIVIDADES INICIALES.I. Señala el número de filas y columnas que componen las tablas de cada uno de los siguientes ejemplos. a) Un tablero de ajedrez b) Una quiniela de fútbol c) El cuadro de
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 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 detallesContenido. 2 Operatoria con matrices. 3 Determinantes. 4 Matrices elementales. 1 Definición y tipos de matrices
elementales Diciembre 2010 Contenido Definición y tipos de matrices elementales 1 Definición y tipos de matrices 2 3 4 elementales 5 elementales Definición 1.1 (Matriz) Una matriz de m filas y n columnas
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 detallesBases y dimensión. Problemas teóricos. En todos los problemas se supone que V es un espacio vectorial sobre un campo F. p=1
Bases y dimensión Problemas teóricos Bases de un espacio vectorial En todos los problemas se supone que V es un espacio vectorial sobre un campo F. Definición de base. Sean b 1,..., b n V. Se dice que
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 detallesVectores y Matrices. Tema 3: Repaso de Álgebra Lineal Parte I. Contenidos
Tema 3: Repaso de Álgebra Lineal Parte I Virginia Mazzone Contenidos Vectores y Matrices Bases y Ortonormailizaciòn Norma de Vectores Ecuaciones Lineales Algenraicas Ejercicios Vectores y Matrices Los
Más detallesÁLGEBRA LINEAL Problemas, 2006/2007
ÁLGEBRA LINEAL Problemas, 2006/2007 Nota: si no se especifíca lo contrario suponemos que las matrices y espacios vectoriales están definidos sobre un cuerpo K arbitrario 1 Una matriz A de orden n n se
Más detallesPreparaduría V. 1.- Sea A una matriz diagonal n n cuyo polinomio característico es
Preparaduría V 1.- Sea A una matriz diagonal n n cuyo polinomio característico es (x c 1 ) d1 (x c 2 ) d2... (x c k ) d k donde los c 1,..., c k son distintos dos a dos. Sea V el espacio de matrices n
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 detallesMatrices y determinantes (Curso )
ÁLGEBRA Práctica 3 Matrices y determinantes (Curso 2008 2009) 1. En el conjunto de las matrices n n de elementos reales, demostrar que el producto de matrices triangulares inferiores es otra matriz triangular
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 detallesAnálisis de Correspondencias Simple
1 Capítulo 4 Análisis de Correspondencias Simple 41 INTRODUCCIÓN El Análisis de Correspondencias Simple permite describir las relaciones entre dos variables categóricas dispuestas en una tabla de contingencia
Más detallesEspacios Vectoriales www.math.com.mx
Espacios Vectoriales Definiciones básicas de Espacios Vectoriales www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 007-009 Contenido. Espacios Vectoriales.. Idea Básica de Espacio Vectorial.................................
Más detallesCapítulo 1: Diagonalización de matrices
Capítulo : Diagonalización de matrices Matrices y determinantes Definición Una matriz es un arreglo rectangular de números reales a a a m a A a a m a n a n a nm La matriz es de orden n m si consta de n
Más detallesTema 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 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 detallesMATRICES. 1.- Calcular: g) 0 a b a 0 c b c 0. x x x. x + a b c a x + b c a b x + c. a b b b a b b b a
MATRICES 1.- Calcular: a) 3 2 5 2 1 4 3 1 6 b) 2 1 3 4 2 5 6 0 2 c) 3 1 5 0 5 4 6 3 1 3 2 1 6 7 5 4 d) 7 6 8 5 6 7 10 6 7 8 8 9 8 7 9 6 e) 1 3 2 1 3 5 3 2 3 6 2 2 6 4 5 3 f) 1 1 1 1 1 1 1 g) 1 1 1 1 1
Más detallesMatrices y determinantes. Sistemas de ecuaciones lineales
Tema 0 Matrices y determinantes Sistemas de ecuaciones lineales 01 Introducción Definición 011 Se llama matriz a un conjunto ordenado de números, dispuestos en filas y columnas, formando un rectángulo
Más detallesALGEBRA LINEAL - Práctica N 2 - Segundo cuatrimestre de 2017 Matrices y coordenadas
Departamento de Matemática - Facultad de Ciencias Exactas y Naturales - UBA 1 ALGEBRA LINEAL - Práctica N 2 - Segundo cuatrimestre de 2017 Matrices y coordenadas Ejercicio 1 Sean m n y r N i) Probar que
Más detallesÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3
ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3 Matrices y determinantes (Curso 2011 2012) 2. Sea A una matriz diagonal n n y supongamos que todos los elementos de su diagonal son distintos entre sí.
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 detallesÁLGEBRA MATRICIAL. 1. La traspuesta de A es A; (A ) = A. 2. La inversa de A 1 es A; (A 1 ) 1 = A. 3. (AB) = B A.
ÁLGEBRA MATRICIAL. 1. La traspuesta de A es A; A = A. 2. La inversa de A 1 es A; A 1 1 = A. 3. AB = B A. 4. Las matrices A A y AA son simétricas. 5. AB 1 = B 1 A 1, si A y B son no singulares. 6. Los escalares
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 detallesACTIVIDADES INICIALES
2 Determinantes ACTIVIDADES INICIALES I. Enumera las inversiones que aparecen en las siguientes permutaciones y calcula su paridad, comparándolas con la permutación principal 1234. a) 1342 b) 3412 c) 4321
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 detallesMatrices y Sistemas de Ecuaciones lineales
Matrices y Sistemas de Ecuaciones lineales Llamaremos M m n (K) al conjunto de las matrices A = (a ij ) (i = 1, 2,..., m; j = 1, 2,..., n) donde los elementos a ij pertenecen a un cuerpo K. Las matrices,
Más detallesProblemas de Álgebra Ingeniería Técnica en Informática de Sistemas. Curso 2009/10
Problemas de Álgebra Ingeniería Técnica en Informática de Sistemas Curso 2009/10 Hoja 1 Preliminares 1 Resuelve los siguientes sistemas de ecuaciones de números complejos: { z 1 + iz 2 = 1 i 3z 1 + (1
Más detallesCONTENIDOS MATEMÁTICAS II SEGUNDA EVALUACIÓN CURSO 2017/2018 MATRICES
CONTENIDOS MATEMÁTICAS II SEGUNDA EVALUACIÓN CURSO 2017/2018 Unidades: - Matrices (Bloque Álgebra) - Determinantes (Bloque Álgebra) - Sistemas de ecuaciones lineales (Bloque Álgebra) - Vectores (Bloque
Más detallesPráctica 5. Autovalores y autovectores. Diagonalización de matrices y de transformaciones lineales.
Práctica 5 Autovalores y autovectores Diagonalización de matrices y de transformaciones lineales Nota: salvo indicación particular, se considera que todas las matrices pertenecen a C n n 1 Encuentre los
Más detallesDIAGONALIZACIÓN DE MATRICES CUADRADAS
DIAGONALIZACIÓN DE MATRICES CUADRADAS.- Considerar los vectores u = (, -, ) y v = (, -, ) de : a) Escribir, si es posible, los vectores (, 7, -4) y (, -5, 4) como combinación lineal de u y v. b) Para qué
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 detalles0 a b X = b c 0. f X (A) = AX XA.
Universidade de Vigo Departamento de Matemática Aplicada II E.T.S.I. Industriales Álgebra Lineal Convocatoria de Junio 8 de Junio de 2007 (3 ptos.). Sea V = {A M 3 3 (R) / A t = A}. (a) Demostrar que toda
Más detallesMatrices y Sistemas Lineales
Matrices y Sistemas Lineales Natalia Boal María Luisa Sein-Echaluce Universidad de Zaragoza Matrices sobre IR ó C. Definición Dado un conjunto K (IR ó C) y dos conjuntos finitos de índices I = {,, m} J
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 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 detallesÁlgebra lineal Prof: Leonid Fridman
Álgebra lineal Prof: Leonid Fridman Vectores y subespacios lineales Vector: Un vector en Rn es una n-tupla de números reales Espacio lineal: Un conjunto no vacío L de elementos x, y, z, que satisface las
Más 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 detallesSistemas Lineales y Matrices
Profesores Hernán Giraldo y Omar Saldarriaga Instituto de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Ejemplo Solución de sistemas de ecuaciones lineales, usaremos este
Más detallesALGEBRA. Escuela Politécnica Superior de Málaga
ALGEBRA. Escuela Politécnica Superior de Málaga Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Espacio vectorial. Espacios vectoriales R n. Dependencia e independencia lineal. Base. Matrices y determinantes.
Más detallesAUTÓNOMA DE MADRID. Dpto. Análisis Económico: Economía Cuantitativa UNIVERSIDAD. Soluciones de los ejercicios de Álgebra Lineal.
Soluciones de los ejercicios de Álgebra Lineal Curso 016/017 Versión 4-1-017 Índice general 1. Espacios vectoriales 1.1. Cuestiones test................................. 1.. Problemas.....................................
Más detallesUniversidad de Buenos Aires - Facultad de Ciencias Exactas y Naturales - Departamento de Matemática Segundo Cuatrimestre de 2002 ÁLGEBRA LINEAL
Universidad de Buenos Aires - Facultad de Ciencias Exactas y Naturales - Departamento de Matemática Segundo Cuatrimestre de 2002 ÁLGEBRA LINEAL Práctica N 2: Matrices Ejercicio 1 Probar que los siguientes
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 detallesMATRICES,DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES
Departamento de Matemática Aplicada II EEI ÁLGEBRA Y ESTADÍSTICA Boletín n o 1 (2010-2011 MATRICES,DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES 1 Sean A, B, C, D y E matrices de tamaño 4 5, 4 5, 5 2,
Más detallesMATEMÁTICAS 2º BACH TECNOL. MATRICES. Profesor: Fernando Ureña Portero MATRICES
CONCEPTO DE MATRIZ Definición: Se denomina matriz A o (a ij ) a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas : Columnas Filas Elemento a ij : Cada uno
Más detallesEspacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados
Capítulo 5 Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados En este tema iniciamos el estudio de los conceptos geométricos de distancia y perpendicularidad en K n. Empezaremos con las definiciones
Más detallesTema 4: Estructura vectorial de R n.
TEORÍA DE ÁLGEBRA I: Tema 4. DIPLOMATURA DE ESTADÍSTICA 1 Tema 4: Estructura vectorial de R n. 1 Definiciones y propiedades Definición. 1.1 Denotaremos por R n al conjunto de todas las n-tuplas de números
Más detalles2. Álgebra matricial. Inversa de una matriz O B 1 O B 1. Depto. de Álgebra, curso
Depto de Álgebra, curso 2017-2018 2 Álgebra matricial Inversa de una matriz Ejercicio 21 Calcule la matriz inversa de cada una de las matrices siguientes: a 2 1 1 3 2 1 h e, b 2 1 1 5 2 3 2 0 1 1 2 1 1
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 detallesCAPÍTULO 1. Preliminares
CAPÍTULO 1 Preliminares En este capítulo se recopilan algunas definiciones y algunos resultados básicos que servirán de referencia en el desarrollo de los capítulos posteriores Se consideran aquí varios
Más detallesCONJUNTO R n. = (5, 2, 10) de 3, son linealmente. = (2,1,3) y v 3. = (0,1, 1) y u 3. = (2,0,3, 1), u 3. = (1,1, 0,m), v 2
CONJUNTO R n.- Considerar los vectores u = (, -3, ) y v = (, -, ) de 3 : a) Escribir, si es posible, los vectores (, 7, -4) y (, -5, 4) como combinación lineal de u y v. b) Para qué valores de x es el
Más detallesMatrices. Álgebra de matrices.
Matrices. Álgebra de matrices. 1. Definiciones generales Definición 1.1 Si m y n son dos números naturales, se llama matriz de números reales de orden m n a una aplicación A : {1, 2, 3,..., m} {1, 2, 3,...,
Más detallesMatrices y Determinantes
Capítulo 1 Matrices y Determinantes 11 Matrices Generalidades Definición 11 Sea E un conjunto cualquiera, m, n N Definimos matriz de orden m n sobre E a una expresión de la forma: a 11 a 12 a 1n a 21 a
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 detallesCálculo tensorial. Elvira Martínez Ramírez
Dpto. Física y Mecánica Cálculo tensorial Elvira Martínez Ramírez Notación ransformaciones de coordenadas. Giros de ejes cartesianos ipos de tensores Direcciones principales de un tensor de segundo orden
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 detallesREPASO DE ALGEBRA VECTORIAL
REPASO DE ALGEBRA VECTORIAL Vectores en R 2 : Un vector v en el plano R 2 = XY es un par ordenado de números reales (a,b). Los números reales a y b se llaman componentes del vector v. El vector cero es
Más detallesMatrices y determinantes
Matrices y determinantes A = ( aij)=a mxn m = nº filas y n = nº columnas Orden o dimensión = mxn Matriz cuadrada m=n Matriz rectangular m n Matriz fila A 1xn Definiciones de Matrices a 11 a 12...a 1n a
Más detallesTema 3.1. Espacio eucĺıdeo. Diagonalización ortogonal
Tema 3.1. Espacio eucĺıdeo. Diagonalización ortogonal Definición 1. Sea V un espacio vectorial sobre un cuerpo K. Llamamos forma bilineal a toda aplicación f : V V K ( x, y) f( x, y) que verifica: 1. f(
Más detallessolucionario matemáticas II
solucionario matemáticas II UNIDADES 8-4 bachillerato 8 Determinantes 4 9 Sistemas de ecuaciones lineales 46 Fin bloque II 0 Vectores 8 Rectas planos en el espacio 68 Propiedades métricas 08 Fin bloque
Más detallesMatrices y determinantes
Matrices y determinantes Las matrices y los determinantes son herramientas del álgebra de gran utilidad en muchas disciplinas. Los campos de aplicación de la teoría de las matrices y de los determinantes
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 detallesMATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES X =, siendo 02 M2. tal que AC = B, siendo A =
MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES 1.- Calcular, si es posible, los productos AB y BA A = ( 1 2 4), B = 5 3 0 2.- Comprobar que la matriz X = 4 2 1 3 verifica la ecuación X 2 7X
Más detallesCoordinación de Matemática II (MAT022)
Coordinación de Matemática II (MAT022) Guía de ejercicios N 6 parte Complementos Espacios Vectoriales En los ejercicios que siguen utilizamos la siguientes notaciones: R n [x es el espacio vectorial sobre
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 detallesAutovalores y autovectores Diagonalización y formas canónicas
Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores.propiedades Sea V un espacio vectorial sobre K y f End(V ). Fijada una base de V, existirá una matriz cuadrada A,
Más detallesÁLGEBRA LINEAL I Práctica 3
ÁLGEBRA LINEAL I Práctica 3 Matrices y determinantes (Curso 2011 2012) 1. En el conjunto de las matrices n n de elementos reales, demostrar que el producto de matrices triangulares inferiores es otra matriz
Más detalles