XAX > i 0. i 4 2i. 2 i i 8
|
|
- Alfonso Cruz Valdéz
- hace 6 años
- Vistas:
Transcripción
1 Álgebra Lineal Caítulo. Tóicos Eseciales y Alicaciones.. Matrices y formas ositivas En esta sección estudiamos matrices ositivas, formas sesquilineales ositivas, y formas cuadráticas ositivas. a. Matrices comlejas ositivas. De nición. Sea A M n (C), se dice que A es ositiva si XAX > ara cada vector X = [x ; : : : ; x n ] C n, donde X = X T. Ejemlo. La matriz i A = i i i 8 es ositiva. En efecto, a + ib a + ib a + ib i i i i 8 a ib a ib a ib = a b a b + a b a b + a + a + b + 8a + b + 8b = (a + b ) + (a b ) + (a b ) + (a + b ) + a + b + b + a + a + b > ara cada vector X = a + ib a + ib a + ib C. Otras caracterizaciones de las matrices comlejas ositivas son las siguientes. Proosición. Sea A M n (C), entonces las siguientes condiciones son equivalentes: (a) A es ositiva (b) La ecuación < X; Y >= XAY de ne un roducto interno en C n. (c) A = A y ara el roducto interno canónico en C n se tiene que (X; XA) > ara cada vector no nulo X de C n. (d) A = A y los menores rinciales de A son ositivos, es decir, todos los determinantes de la forma son ositivos. a a k det.. a k a kk, k n
2 Demostración. (a) ) (b): sean X; Y; Z C n, entonces < X; Y + Z >= XA (Y + Z) = XA (Y + Z ) = XAY + XAZ =< X; Y > + < X; Z >; < :X; Y >= (:X) AY = : < X; Y >; < X; X >= XAX > ara cada X no nulo de C n : Probemos que < Y; X >= < X; Y >. En efecto, sean X; Y C n, entonces < X + Y; X + Y >=< X + Y; X > + < X + Y; Y > = (X + Y ) AX + (X + Y ) AY = XAX + Y AX + XAY + Y AY ero or hiótesis < Z; Z > R ara cada Z C n, or lo tanto < X + Y; X + Y > ; XAX ; Y AY R, luego Y AX + XAY =< Y; X > + < X; Y > R. De igual manera, < X + iy; X + iy >=< X + iy; X > + < X + iy; iy > = (X + iy ) AX + (X + iy ) A (iy ) = XAX + iy AX ixay + Y AY R luego iy AX ixay = i < Y; X > i < X; Y > R. Por lo tanto, < Y; X > + < X; Y >= < Y; X > + < X; Y > = < Y; X > + < X; Y > i < Y; X > i < X; Y >= i < Y; X > i < X; Y > = i< Y; X > + i< X; Y >: Podemos multilicar la segunda igualdad or i y sumarla a la rimera es decir < Y; X > + < X; Y >= < Y; X > < X; Y > < X; Y >= < Y; X > < X; Y >= < Y; X >. Esto comleta la rueba de que < X; Y > de ne un roducto interno en C n. (b))(c): Veamos rimero que A es hermitiana, es decir, A = A. Probemos que a ij = a ji ara cada i; j n. Consideremos los vectores canónicos e i y e j de C n, entonces < e i ; e j >= e i Ae j = a ij < e j ; e i >= e j Ae i = a ji ) a ij =< e i ; e j >= < e j ; e i > = a ji :
3 Recordemos que el roducto interno canónico en C n viene dado or (X; Y ) = XY, luego (X; XA) = X (XA) = XA X = XAX =< X; X > >, ara X no nulo de C n : (c))(d): solo hay que robar lo relativo a los menores rinciales de la matriz A. Para comenzar robemos que det (A) >. Puesto que A es hermitiana, entonces A es diagonalizable, y los valores roios de A son reales. Sea Y un vector roio corresondiente al valor roio, entonces AY = :Y, entonces (AY ) = (:Y ), luego Y A = Y = Y, de donde, (Y ; Y A ) = (Y ; Y ) = (Y ; Y ) = (Y ; Y ) >, y como también (Y ; Y ) >, entonces >. Hemos robado que los valores roios son ositivos. En consecuencia, det (A) >. Ahora notemos que siendo A hermitiana, entonces cada submatriz A k = a a k.. a k a kk, k n es también hermitiana. Además (X k ; X k A k ) > ara cada vector no nulo X k de C k. En efecto, sea X k C k un vector no nulo, comletando con ceros construimos un vector no nulo X de C n, X = [X k j ], uesto que (X; XA) >, entonces a a k a n x x k... a k a kk a kn =... a n a nk a nn x a + + x k a k x a k + + x k a kk = X luego el roducto interno canónico de X con X es ositivo y coincide con (X k ; X k A k ). Por lo robado antes, det (A k ) >. (d))(a): Paso. Veamos que existe una matriz triangular suerior P = [ ij ] con kk = ; k n, y ara la cual se tiene que B =: AP es triangular inferior. La existencia de P se uede lantear de la siguiente manera: b ik = a i k + + a ik k k + a ik kk + a ik+ k+k + + a in nk ) b ik = a i k + + a ik k k + a ik ara cada k > : Como se quiere que B sea triangular inferior entonces también se debe tener que b ik = ara k > i, entonces se debe cumlir que a i k + + a ik k k + a ik = ara k > i
4 es decir se tienen las siguientes relaciones a k + + a k k k + a k = a k + + a k k k + a k =. a k k + + a k k k k + a k k = es decir el sistema a a k.. k. = a k. a k a k k k k a k k debe tener solución ara cada k >. Pero esto está garantizado ya que det (A k ) >. Luego la matriz P existe y AP es triangular inferior. Paso. P es triangular inferior y P B = P AP es también triangular inferior. Sea D =: P AP, entonces D = P A P = P AP ya que A es hermitiana. Siendo D hermitiana y triangular inferior, entonces D = P B es necesariamente diagonal, D = d... d n Paso. Consideremos las columnas B () ; : : : ; B (n) de B y las columnas A () ; : : : ; A (n) de A; entonces : B (r) = A () r + + A (r) rr + + A (n) nr = A (r) + A () r + + A (r ) r ;r De esto se obtiene que la columna r de la submatriz B k es igual a la columna r de la submatriz A k + una combinación lineal de las restantes columnas de esta última matriz. Para efectos del cálculo del determinante se tiene entonces que det (B k ) = det (A k ), k n: De igual forma, consideremos las las de D y de B: D (r) = rb () + + rrb (r) + + rnb (n) = B (r) + + rr B (r )
5 De esto se obtiene que la la r de la submatriz D k es igual a la la r de la submatriz B k + una combinación lineal de las restantes la de esta última matriz. Para efectos del cálculo del determinante se tiene entonces que En total se tiene que det (D k ) = det (B k ), k n: det (A k ) = det (D k ), k n: Pero det (D k ) = d d k = det (A k ) > ara cada k n, entonces todos los elementos diagonales de D son ositivos. Se tiene entonces que D = P AP es diagonal con elementos ositivos or la diagonal. Esto imlica que Y DY =j y j d + + j y n j d n > ara cada vector columna no nulo Y = (y ; : : : ; y n ) T con entradas comlejas. Paso. Para terminar robemos que A es una matriz ositiva. Recordemos que P es una matriz triangular suerior con kk = ; k n, or lo tanto P es invertible. Sea X un vector no nulo de C n, entonces X es también un vector no nulo y existe Y C n no nulo tal que P Y = X, luego X = (P Y ) = Y P y de esta forma es decir, Y DY = Y P AP Y > XAX > : Otra caracterización de las matrices comlejas ositivas corresonde a la descomosición de Cholesky. Proosición. Sea A M n (C). Entonces, A es ositiva si y sólo si existe una matriz invertible P M n (C) tal que A = P P. Demostración. )) Si A es ositiva entonces la ecuación < X; Y >= XAY de ne un roducto interno en C n. Con este roducto interno se uede construir una base ortonormal en C n, los vectores de esta base se ueden disoner en las columnas de una matriz Q. De otra arte, notemos que A es la matriz de este roducto interno en la base canónica de C n, or lo tanto las dos matrices están relacionadas or Q T AQ = E: Como Q es invertible, entonces A = Q T Q. De nimos entonces P = Q, de tal forma que Q T = P. Es decir, A = P P. () Suongamos que existe P invertible tal que A = P P, entonces ara cada vector no nulo X de C n se tiene que P X es no nulo, luego
6 XAX = XP P X = (P X ) (P X ) >. Las ruebas de las roosiciones anteriores muestran ciertas roiedades interesantes de las matrices comlejas ositivas. Proosición. Sea A M n (C) una matriz ositiva. Entonces, () det (A) > () A es invertible () Los valores roios de A son reales ositivos () A es hermitinana y or lo tanto diagonalizable or medio de una matriz unitaria. () A es también ositiva () A T es también ositiva () Para cada k n, A k es también ositiva. b. Matrices reales ositivas. Las matrices reales ositivas se de nen en forma similar al caso comlejo ero con la siguiente modi cación: en la Proosición no es osible demostrar (a))(b) ya que no disonemos de un escalar i tal que su cuadrado sea nulo. Por lo tanto, debemos modi car la de nición de matriz real ositiva de la siguiente manera. De nición. Sea A M n (R), se dice que A es ositiva si A = A T y XAX T > ara cada vector X = [x ; : : : ; x n ] R n. Proosición. Sea A M n (R), entonces las siguientes condiciones son equivalentes: (a) A es ositiva (b) La ecuación < X; Y >= XAY T de ne un roducto interno en C n. (c) A = A T y ara el roducto interno canónico en R n se tiene que (X; XA) > ara cada vector no nulo X de R n. (d) A = A T y los menores rinciales de A son ositivos, es decir, todos los determinantes de la forma a a k det.., k n a k a kk son ositivos. (e) Existe una matriz invertible P M n (R) tal que A = P T P. Proosición. Sea A M n (R) una matriz ositiva. Entonces, () det (A) > () A es invertible () Los valores roios de A son reales ositivos
7 () A es simétrica y or lo tanto diagonalizable or medio de una matriz ortogonal. () A es también ositiva () A T es también ositiva () Para cada k n, A k es también ositiva. Ejemlo. La matriz A = 8 es ositiva. Pero la matriz B = es simétrica ero no es ositiva: De otra arte, la matriz real es tal que 8 8 C = x x x x = : = x + x > ara cada vector no nulo (x ; x ) R. Pero C no es simétrica. También odemos observar que la sola condición de ositividad (sin simetría!) en el caso real no garantiza valores roios ositivos, en efecto los valores roios de C son i; + i (notemos que C no es una matriz ositiva comleja ya que con x = i y con x =, se tiene que x + x = ). Por último veamos que en el caso real, la sola condición de valores roios ositivos no garantiza ser matriz ositiva. En efecto, la matriz real Ejemlo. Calculemos la descomosición de Cholesky de la matriz A del ejemlo anterior: con el SWP obtenemos
8 Comrobemos esta resuesta con el método descrito en la demostración de la Proosición. Podemos tomar la base canónica de R y con el roducto interno inducido or A construimos una base ortonormal de R a través del método de Gram-Schmidt: v = e = (; ; ) v = e < e ; v > < v ; v > v v = e < e ; v > < v ; v > v < e ; v > < v ; v > v Entonces, v = e v = (; ; ) v = (; ; ) = ; ; Normalizando se tiene (; ; ) = (; ; ) ; ; ; ; 8
9 q = v kv k = (; ; ) < v ; v > (; ; ) = = ; ; q = v kv k = ; ; < v ; v > = ; ; q = q = v kv k = ; ; < v ; v > = ; q ; = Por lo tanto 8 ; ; ; ; A = = : c. Formas sesquilineales ositivas Proosición. Sea f una forma sesquilineal de nida sobre un esacio comlejo V de dimensión nita n. Si X es una base de V tal que A = m X (f) es ositiva, entonces ara cualquier otra base Y de V se tiene que B = m Y (f) es también ositiva. Demostración. Sabemos que si C es la matriz de cambio de X a Y entonces Sea X un vector no nulo de C n, entonces B = C T AC: XBX = XC T ACX = XC T AC X T T = XC T A C T T X T = XC T A XC T = Y AY > ya que Y = XC T es no nulo. 9
10 De nición. Sea f una forma sesquilineal de nida sobre un esacio comlejo V de dimensión nita n. Se dice que f es ositiva si existe una base X en V tal que m X (f) es ositiva. Notemos que la matriz A de una forma sesquilineal comleja ositiva f es siemre hermitiana, or lo tanto, ara A valen las roiedades resentadas en las Proosiciones, y. d. Formas bilineales ositivas Proosición. Sea f una forma bilineal simétrica de nida sobre un esacio real V de dimensión nita n. Si X es una base de V tal que A = m X (f) es ositiva, entonces ara cualquier otra base Y de V se tiene que B = m Y (f) es también ositiva. Si A es la matriz de una forma bilineal simétrica ositiva f, entonces ara A valen las roiedades resentadas en las Proosiciones y. e. Formas cuadráticas ositivas De nición. (a) Sea q una forma cuadrática de nida a artir de una forma sequilineal hermitiana f sobre un esacio V, se dice que q es ositiva si existe una base X en V tal que la matriz de f en la base X es ositiva. (b) Sea q una forma cuadrática de nida a artir de una forma bilineal simétrica f sobre un esacio V, se dice que q es ositiva si existe una base X en V tal que la matriz de f en la base X es ositiva. Corolario. La diagonalización de una forma cuadrática ositiva mediante el método de valores roios exuesto en el Teorema de la Lección del Caítulo tiene sólo coe cientes ositivos: los valores roios de la matriz de la forma cuadrática.
Departamento de Ingeniería Matemática- Universidad de Chile
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Álgebra Lineal 08-4 Matrices elementales SEMANA 2: MATRICES Como veremos la resolución de sistemas de ecuaciones via
Más detallesClase 8 Matrices Álgebra Lineal
Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas
Más detalles6.6. Diagonalización de matrices simétricas o hermitianas. Ejemplo de una diagonalización de una matriz simétrica
6.6 Diagonalización de matrices simétricas o hermitianas Ejemplo de una diagonalización de una matriz simétrica Matrices hermitianas Los autovalores de las matrices reales simétricas o complejas hermitianas
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Fracciones continuas, ecuación de Pell y unidades en el anillo de enteros de los cuerpos cuadráticos
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS EAP DE MATEMÁTICA PURA Fracciones continuas, ecuación de Pell y unidades en el anillo de enteros de los cueros cuadráticos Caítulo
Más detallesMATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASE # 12
MATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASE # Ecuaciones Una ecuación es la a rmación de que dos exresiones algebraicas son iguales. Los siguientes son ejemlos de ecuaciones:
Más detallesMatrices: repaso. Denotaremos con M m n el conjunto de matrices de tamaño m n, o sea, de m filas y n columnas. Una matriz A M m n es de la forma A =
Matrices: repaso Denotaremos con M m n el conjunto de matrices de tamaño m n, o sea, de m filas y n columnas Una matriz A M m n es de la forma a 11 a 1n A = a m1 a mn Denotaremos A ij = a ij el coeficiente
Más detallesEspacios Vectoriales, Valores y Vectores Propios
, Valores y Vectores Propios José Juan Rincón Pasaye, División de Estudios de Postgrado FIE-UMSNH Curso Propedéutico de Matemáticas para la Maestría en Ciencias opciones: Sistemas de Control y Sistemas
Más detallesALGEBRA LINEAL. David Delepine, Mauro Napsuciale, Simón Rodríguez
ALGEBRA LINEAL David Delepine, Mauro Napsuciale, Simón Rodríguez 30 de octubre de 2005 Índice general 1. Espacios euclidianos 2 1.1. Productos escalares........................ 2 1.2. Normas y distancias.......................
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 detallesIRREDUCIBILIDAD EN K[X 1,..., X n ]
IRREDUCIBILIDAD EN K[X 1,..., X n ] SAURON Índice General 1. DFU y anillos de olinomios 1 2. Irreducibilidad de olinomios sobre un DFU 3 3. Algunos ejemlos 5 Referencias 6 1. DFU y anillos de olinomios
Más detalles1 Isometrías vectoriales.
Eugenia Rosado ETSM Curso 9-. Isometrías vectoriales. Sea E un espacio vectorial euclídeo. De nición Una aplicación f : E! E se dice transformación ortogonal o isometría vectorial si conserva el producto
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 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 detallesVALORES Y VECTORES PROPIOS
VALORES Y VECTORES PROPIOS En diversos campos de la ingeniería y las matemáticas surge el problema de calcular los valores escalares λ y los vectores x 0 tales que para la matriz cuadrada A se cumple Ax
Más detallesAlgunos Tipos de matrices. Matrices. Algunos Tipos de matrices. Algunos Tipos de matrices
Matrices Una matriz de orden m n es un conjunto ordenado de m n números reales dispuestos en m filas y n columnas de la forma: A = a 11 a 12 a 1j a 1n a 21 a 22 a 2j a 2n a i1 a i2 a ij a in a m1 a m2
Más detallesDefinición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices 1.1. Conceptos básicos y ejemplos Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. NOTA:
Más 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 detallesMatrices Particionadas Traza de una Matriz
CAPÍTULO Matrices Particionadas Traza de una Matriz Este capítulo consta de tres secciones Las dos primeras versan sobre matrices particionadas La tercera sección trata sobre la traza de una matriz En
Más detallesMétodos directos para resolver sistemas de ecuaciones lineales
Métodos directos para resolver sistemas de ecuaciones lineales Problemas para examen Si en algún problema se pide calcular el número de flops (operaciones aritméticas con punto flotante), entonces en el
Más detallesSistemas de Ecuaciones. Lineales II
Sistemas de Ecuaciones Lineales II Factorización LU: Eliminación Gaussiana Relación con la factorización LU 521230-1 - DIM Universidad de Concepción Solución de sistemas con matriz triangular Dadas L =
Más detallesINVERSA DE UNA MATRIZ
INVERSA DE UNA MATRIZ Profesores Omar Darío Saldarriaga Ortíz Ivan Darío Gómez Hernán Giraldo 2009 Definición Sean x = x 1 x n y y = y 1 y n vectores de n componentes, definimos el producto interno o producto
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 detallesMatemáticas - Guía 1 Proposiciones
LOGROS: 1. Reconoce el conceto e roosición. 2. Clasifica las roosiciones en simles y comuestas. 3. Resuelve roosiciones comuestas utilizando los conectivos lógicos. 4. Halla el valor de verdad de una roosición
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Departamento de Matemáticas ITESM Álgebra Lineal - p. 1/16 En esta lectura veremos el proceso para obtener la factorización QR de una matriz. Esta factorización es utilizada para
Más detallesSolución de la Ecuación Cúbica. Discusión de la Fórmula detartaglia-cardano.
Solución de la Ecuación Cúbica. Discusión de la Fórmula detartaglia-cardano. Alvaro H. Salas Universidad de Caldas Universidad Nacional de Colombia-sede Manizales FIZMAKO Research Grou email: asalash00@yahoo.com
Más detallesTEMA 4: Sistemas de ecuaciones lineales II
TEM 4: Sistemas de ecuaciones lineales II ) Teorema de Rouché-Frobenius. ) Sistemas de Cramer: regla de Cramer. 3) Sistemas homogeneos. 4) Eliminación de parámetros. 5) Métodos de factorización. 5) Métodos
Más detallesDescomposición en forma canónica de Jordan (Segunda versión)
Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin
Más detallesMenor, cofactor y comatriz
Menor, cofactor y comatriz Sea A una matriz cuadrada de orden n. Al quitarle la línea i y la columna j se obtiene una submatriz de orden n-1, que se denota habitualmente A i,j. Por ejemplo, con n = 4,
Más detalles1 Autovalores y autovectores asociados a un endomor smo f. Diagonalización.
utovalores y autovectores asociados a un endomor smo f Diagonalización Dado un endomor smo f de un espacio vectorial real V y jada una base B de V obtenemos una única matriz asociada a f respecto de la
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 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 3. Matrices. Verónica Briceño V. agosto 2012
3 agosto 2012 En esta Presentación... En esta Presentación veremos: Matriz Inversa En esta Presentación... En esta Presentación veremos: Matriz Inversa Determinante En esta Presentación... En esta Presentación
Más detallesMatrices. José Vicente Romero Bauset. ETSIT-curso 2009/2010. José Vicente Romero Bauset Tema 1.- Matrices. 1
Matrices José Vicente Romero Bauset ETSIT-curso 2009/2010 José Vicente Romero Bauset Tema 1- Matrices 1 Introducción Por qué estudiar las matrices? Son muchas las situaciones de la vida real en las que
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 detallesx, y = x 0 y 0 + x 1 y 1 + x 2 y 2 + x 3 y 3. Es fácil ver que verifica 1. Es simétrica. x, y = y, x para todo x, y R 4.
1 Tema 2. Sección 1. Espacio vectorial de Minkowski. Manuel Gutiérrez. Departamento de Álgebra, Geometría y Topología. Universidad de Málaga. 29071-Málaga. Spain. Abril de 2010. En este capítulo se recordará
Más detallesde la forma ), i =1,..., m, j =1,..., n, o simplemente por (a i j ).
INTRODUCCIÓN. MATRICES Y DETERMINANTES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales.
Más 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 detallesMatrices y Determinantes.
Tema II Capítulo 1 Matrices Álgebra Lineal I Departamento de Métodos Matemáticos y de Representación UDC Tema II Matrices y Determinantes 1 Matrices 1 Definiciones básicas Definición 11 Una matriz A de
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 detallesPROCESOS DE MARKOV. Definiciones en los Procesos de Markov de Primer Orden:
ROCESOS DE MARKOV rinciio de Markov: Cuando una robabilidad condicional deende únicamente del suceso inmediatamente anterior, cumle con el rinciio de Markov de rimer Orden, es decir. X ( t ) j X () K,
Más detallesTema 4: Matrices y Determinantes. Algunas Notas sobre Matrices y Determinantes. Álgebra Lineal. Curso
Tema 4: Matrices y Determinantes Algunas Notas sobre Matrices y Determinantes Álgebra Lineal Curso 2004-2005 Prof. Manu Vega Índice 1. Determinantes 3 2. Regla de Sarrus 3 3. Propiedades de los determinantes
Más detallesDescomposición en valores singulares de una matriz
Descomposición en valores singulares de una matriz Estas notas están dedicadas a demostrar una extensión del teorema espectral conocida como descomposición en valores singulares (SVD en inglés) de gran
Más detallesDefinición: Dos matrices A y B son iguales si tienen el mismo orden y coinciden los elementos que ocupan el mismo lugar.
UNIDAD 03: MATRICES Y DETERMINANTES. 3.1 Conceptos de Matrices. 3.1.1 Definición de matriz. Definición: Se lama matriz de orden m x n a un arreglo rectangular de números dispuestos en m renglones y n columnas.
Más detalles1 0 4/ 5 13/
1 1 1 7 1 0 4/ 5 13/ 5 R1 R 1+1/5R3 0 0 0 2 R2 R3 0 5 9 22 0 5 9 22 0 0 0 2 Como la matriz tiene un renglón (0, 0, 0, 2) indica que el sistema no tiene solución ya que no existe un número que sea 2 y al
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más 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 detallesPropiedades de los Determinantes
Propiedades de los Determinantes Departamento de Matemáticas, CCIR/ITESM 26 de mayo de 2010 Índice 19.1. Propiedades............................................... 1 19.2. La adjunta de una matriz cuadrada..................................
Más detallesTema 1: Matrices y Determinantes
Tema 1: Matrices y Determinantes September 14, 2009 1 Matrices Definición 11 Una matriz es un arreglo rectangular de números reales a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Se dice que una matriz
Más detallesPara resolver un sistema lineal estan permitidas tres operaciones en las ecuaciones.
Para resolver un sistema lineal estan permitidas tres operaciones en las ecuaciones. 1. La ecuación E i puede multiplicarse por cualquier costante diferente de cero y se puede usar la ecuación resultante
Más detallesMATRICES. Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
MATRICES Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
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 detallesA cada matriz n-cuadrada A = (ai j ) se le asigna un escalar particular denominado determinante de A, denotado por det (A), A o
DETERMINANTES A cada matriz n-cuadrada A = (ai j ) se le asigna un escalar particular denominado determinante de A, denotado por det (A), A o Una tabla ordenada n ð n de escalares situada entre dos líneas
Más detallesUna parábola. Figura 9.1
Caítulo 9 Secciones Cónicas 9.1 La Parábola Definición: Una arábola es el conjunto de todos los untos P del lano que equidistan de una recta fija L, llamada directriz, de un unto F (que no está en L),
Más detallesÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3
ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3 Matrices y determinantes (Curso 010 011). Sea A una matriz diagonal n n y supongamos que todos los elementos de su diagonal son distintos entre sí. Demostrar
Más detallesConjuntos y matrices. Sistemas de ecuaciones lineales
1 Conjuntos y matrices Sistemas de ecuaciones lineales 11 Matrices Nuestro objetivo consiste en estudiar sistemas de ecuaciones del tipo: a 11 x 1 ++ a 1m x m = b 1 a n1 x 1 ++ a nm x m = b n Una solución
Más detalles1. Matrices. Operaciones con matrices
REPASO MUY BÁSICO DE MATRICES. Matrices. Operaciones con matrices.. Introducción Las matrices aparecieron por primera vez hacia el año 850, introducidas por el inglés J. J. Sylvester. Su desarrollo se
Más detallesMATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASE #28
MATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASE #8 Identidades Trigonométricas Una identidad es una ecuación que es válida ara todos los valores de las variables ara los cuales
Más detallesMatriz sobre K = R o C de dimensión m n
2 Matrices y Determinantes 21 Matrices Matriz sobre K = R o C de dimensión m n A = a 11 a 12 a 1n a 21 a 22 a 2n a m1 a m2 a mn Tipos de matrices: Cuadrada: n n = (a ij) i=1,,m j=1,,n Nula: (0) i,j 1 0
Más detallesDeterminantes. Determinante de orden uno. a 11 = a 11 5 = 5
DETERMINANTES Determinantes Concepto de determinante A cada matriz cuadrada A se le asigna un escalar particular denominado determinante de A, denotado por A o por det (A). A = Determinante de orden uno
Más detallesLección 4. Ecuaciones diferenciales. 4. Propiedades algebraicas de las soluciones. Fórmulas de Abel y Liouville.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 0. 4. Proiedades algebraias de las soluiones. Fórmulas de Abel y Liouville. A lo largo de esta seión suondremos que P, Q y R son funiones ontinuas en un intervalo
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más 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 1: Matrices. Sistemas de ecuaciones. Determinantes
Tema 1: Matrices. Sistemas de ecuaciones. Determinantes José M. Salazar Octubre de 2016 Tema 1: Matrices. Sistemas de ecuaciones. Determinantes Lección 1. Matrices. Sistemas de ecuaciones. Determinantes
Más detallesDiagonalización de matrices
7 Diagonalización de matrices 7.1. Matrices diagonalizables Existen diversos procesos en los que el estado en cada uno de sus pasos se puede representar por un determinado vector y en los que, además,
Más detallesTema 3.- Sistemas de ecuaciones lineales incompatibles. Sistemas compatibles e indeterminados.
Tema 3- Sistemas de ecuaciones lineales incompatibles Sistemas compatibles e indeterminados ÍNDICE 31 Solución de mínimos cuadrados de un sistema lineal incompatible de rango máximo: ecuaciones normales
Más detalles3. Sistemas inconsistentes y sistemas indeterminados
3 Sistemas inconsistentes y sistemas indeterminados 31 Factorizaciones ortogonales Si tratamos de resolver un sistema Ax = b mediante la factorización LU o la de Cholesky, lo que hacemos es transformar
Más detallesProcesamiento Digital de Imágenes
Visión or Comutadora Unidad III Procesamiento Digital de Imágenes Rogelio Ferreira Escutia Contenido 1) Oeraciones Individuales a) Transformaciones Punto a Punto b) Transformaciones de 2 Imágenes Punto
Más detallesTEMA V. Pues bien, a estas caracterizaciones de los sistemas de ecuaciones lineales se las llamó matrices. En el caso del sistema considerado tenemos:
TEMA V 1. MATRICES Y SISTEMAS DE ECUACIONES LINEALES. Sea el siguiente sistema de ecuaciones lineales: Realmente quien determina la naturaleza y las soluciones del sistema, no son las incógnitas: x, y,
Más detallesMatrices, determinantes y sistemas de ecuaciones lineales
Matrices, determinantes y sistemas de ecuaciones lineales David Ariza-Ruiz 10 de octubre de 2012 1 Matrices Una matriz es una tabla numérica rectangular de m filas y n columnas dispuesta de la siguiente
Más detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R.
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA ANALÍTICO DE LA ASIGNATURA: ALGEBRA LINEAL Código L2.07.1 PLAN DE ESTUDIOS: 2002 CARRERA: Licenciatura en Matemática DEPARTAMENTO:
Más detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesTEMA 7: MATRICES. OPERACIONES.
TEMA 7: MATRICES. OPERACIONES. 1. MATRICES. TIPOS DE MATRICES. Se llama matriz de orden m x n (m filas y n columnas) a un conjunto de m n elementos, distribuidos en m filas y n columnas y encerrados entre
Más detallesEjemplo 1 Sea V un espacio con producto interno sobre un cuerpo K. A las transformaciones lineales T : V K las llamamos funcionales lineales.
Facultad de Ingeniería - IMERL - Geometría y Álgebra Lineal 2 - Curso 2008. 1 Transformaciones lineales en espacios con producto interno Notas para el curso de Geometría y Algebra Lineal 2 de la Facultad
Más detallesCapitulo 6. Matrices y determinantes
Capitulo 6. Matrices y determinantes Objetivo. El alumno aplicará los conceptos fundamentales de las matrices, determinantes y sus propiedades a problemas que requieran de ellos para su resolución. Contenido.
Más detallesDefinición de la matriz inversa
Definición de la matriz inversa Objetivos Aprender la definición de la matriz inversa Requisitos Multiplicación de matrices, habilidades básicas de resolver sistemas de ecuaciones Ejemplo El número real
Más detallesUna matriz es un arreglo rectangular de elementos. Por ejemplo:
1 MATRICES CONCEPTOS BÁSICOS Definición: Matriz Una matriz es un arreglo rectangular de elementos. Por ejemplo: es una matriz de 3 x 2 (que se lee 3 por 2 ) pues es un arreglo rectangular de números con
Más detallesTema 1. 1 Álgebra lineal. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. 1.1 Vectores de R n. 1. Vectores. 2.
Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Tema 1 Álgebra lineal 1. Vectores 2. Matrices 1 Álgebra lineal Aurea Grané
Más detalles3a b 6a + 2b = 5. Calcula el valor de 3c d 6c + 2d. a + 2b a a + b a + b a + 2b a a a + b a + 2b. = 9b 2 (a + b)
PROBLEMAS RESUELTOS DE DETERMINANTES Determinantes de la selectividad de Andalucía. Determinantes de órdenes, y. Determinantes de orden n. ENUNCIADOS Determinantes de selectividad Antes del.. Se sabe que
Más detallesDescomposición en valores singulares Notas para los cursos 21 y 22 (J.L. Mancilla Aguilar)
Valores Singulares Descomposición en valores singulares Notas para los cursos y (JL Mancilla Aguilar) Tanto los valores singulares como la descomposición en valores singulares de una matriz son conceptos
Más 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 detallesTema I. Matrices y determinantes
Tema I. Matrices y determinantes 2007 Carmen Moreno Valencia 1. Matrices sobre un cuerpo 2. Operaciones con matrices 3. Determinante de una matriz cuadrada 4. Menor complementario y adjunto 5. Cálculo
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 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 detallesAquella que tiene nulos los elementos nos situados en la diagonal principal. Los elementos situados por encima de la diagonal principal son nulos.
Álgebra lineal Matrices Rango de una matriz Orden del mayor menor complementario no nulo. Matriz regular det A Diagonal principal Elementos a ii de la matriz. Si la matriz es cuadrado son los elementos
Más detallesor t o G o n a l i d a d y
Unidad 6 or t o G o n a l i d a d y o r t o n o r M a l i d a d Objetivos: Al inalizar la unidad, el alumno: Determinará cuándo un conjunto de vectores es ortogonal u ortonormal. Obtendrá las coordenadas
Más detallesMatrices y sistemas lineales
15 Matemáticas I : Preliminares Tema 2 Matrices y sistemas lineales 2.1 Definiciones básicas Una matriz es una tabla rectangular de números, es decir, una distribución ordenada de números. Los números
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 detalles1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS
1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS 1.1 SISTEMAS DE ECUACIONES LINEALES Una ecuación lineal es una ecuación polinómica de grado 1, con una o varias incógnitas. Dos ecuaciones son equivalentes
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 detallesTema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico.
Tema 1: Matrices El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. 1. Terminología Comenzamos con la definición de matriz
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 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 detallesb 11 b b 1n b 21 b b 2n. b n1 b n2... b nn
1429 Un cuadrado de n n números enteros se dice que es mágico si la suma de los números de cada una de sus filas o columnas, así como de cada una de las dos diagonales principales, es el mismo Encontrar
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 detallesMétodos directos de resolución de sistemas lineales
Tema 4 Métodos directos de resolución de sistemas lineales 1 Introducción En este tema se estudian algunos métodos de resolución de sistemas de ecuaciones lineales con el mismo número de ecuaciones que
Más detallesTema 6: Diagonalización de matrices
Tema 6: Diagonalización de matrices La intención en este tema es, dada una matriz cuadrada, ver si existe otra matriz semejante a ella que sea diagonal. Recordemos del Tema 4 que dos matrices cuadradas
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 6 FORMAS BILINEALES Y PRODUCTO ESCALAR
TEMA 6 FORMAS BILINEALES Y PRODUCTO ESCALAR Índice 6.1. Formas bilineales....................... 154 6.1.1. Representación matricial de una forma bilineal. 155 6.1.. Formas multilineales reales............
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 detallesMENORES, COFACTORES Y DETERMINANTES
MENORES, COFACTORES Y DETERMINANTES 1. Introducción. 2. Determinante de una matriz de 3 x 3. 3. Menores y cofactores. 4. Determinante de una matriz de n x n. 5. Matriz triangular. 6. Determinante de una
Más detalles