Factorización QR Método iterativo de Jacobi
|
|
- Lucía Juárez Santos
- hace 5 años
- Vistas:
Transcripción
1 Clase No. 13: MAT 251 Factorización QR Método iterativo de Jacobi Dr. Alonso Ramírez Manzanares CIMAT A.C. cimat.mx web: alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT A.C. cimat.mx Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
2 Ajuste de una recta (I) Tenemos un conjunto de puntos {x i } m i=1, con x i = (x i, y i ). El modelo y = ax + b no sirve para el siguiente conjunto de datos X Y Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
3 Ajuste de una recta (II) Usamos la siguiente formulación: Sea x = ( x, ȳ) el centroide de los puntos, x = 1 m x i, m i=1 ȳ = 1 m y i. m i=1 Y X Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
4 Ajuste de una recta (III) Idealmente x debería estar sobre la recta que vamos a ajustar, de modo que si x es otro punto sobre la recta, se debe tener que n (x x) = 0. Como los datos no están sobre una recta, debemos tener ε i = (x i x) n = [ x i x y i ȳ ]n i = 1,..., m. Si definimos ε 1 x 1 x ε =. =. ε m x m x Entonces queremos minimizar y 1 ȳ. n = An y m ȳ m min ε 2 i i=1 = ε 2 = ε ε = n A An Note que Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
5 Ajuste de una recta (IV) La matriz A A es semidefinida positiva. Falta agregar una condición al problema. Así como está planteado el problema, el vector n = 0 es solución. Pedimos que, por ejemplo, n = 1. Esto equivale a pedir que n n = 1. Entonces el problema que queremos resolver es min n n A An sujeto a n n = 1. Para resolverlo, construimos la función Lagrangiana L(n, λ) = n A An λ(n n 1). Calculamos su gradiente e igualamos a cero: 2A An 2λn = 0 = A An = λn Esto es, la solución es un eigenvector de la matriz A A. Si sustituimos en la función de error tenemos n A An = n (λn) = λn n = λ Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
6 Ajuste de una recta (V) Por lo tanto, el error mínimo se obtiene si elegimos n como el eigenvector asociado al eigenvalor más pequeño. Para cada conjunto de datos, se obtienen los resultados siguientes: Y Eigenvalores: λ 1 = , λ 2 = Eigenvectores v 1 = , v = X Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
7 Ajuste de una recta (VI) Y n Eigenvalores: λ 1 = , λ 2 = Eigenvectores v 1 = , v = X Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
8 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 1 donde Q R m m es una matriz ortogonal y R 1 R n n es una matriz triangular superior. Se dice que la matriz R es trapezoidal superior. Esta factorización es útil para resolver sistemas de ecuaciones lineales, problemas de mínimos cuadrados y problemas de eigenvalores. Las maneras más comunes de calcular la factorización QR son aplicando las transformaciones de Householder, las rotaciones de Givens, el proceso de ortogonalización de Gram-Schmidt. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
9 Transformaciones de Householder Sea v R n, v = 0. La matriz de Householder se define como P = I 2 v v vv. La matriz es simétrica y ortogonal y, por tanto, P 2 = I. x span(v) La figura muestra porque se le llama reflexión. El objetivo de esta matriz es usarla para producir ceros en la matriz que queremos factorizar. Para hacerlo, debemos considerar el problema: Dados los vectores x y y, cómo calculamos P tal que Px = y? v P x Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
10 Cálculo de la transformación de Householder Puesto que P realiza una reflexión, se debe cumplir que y 2 = x 2 para poder calcular P. Hay que notar que P es invariante a la escala de v. x y tiene la dirección del vector que queremos. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
11 Cálculo de la transformación de Householder Puesto que P realiza una reflexión, se debe cumplir que y 2 = x 2 para poder calcular P. Hay que notar que P es invariante a la escala de v. x y tiene la dirección del vector que queremos. Así, podemos definir v = x y. Para que P produzca el mayor número de ceros, debemos tener que y = σe 1, donde e 1 es el vector canónico que tiene un 1 como primer elemento y el resto son ceros, y σ = ± x. Entonces v = x y = x σe 1. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
12 Cálculo de la transformación de Householder Puesto que P realiza una reflexión, se debe cumplir que y 2 = x 2 para poder calcular P. Hay que notar que P es invariante a la escala de v. x y tiene la dirección del vector que queremos. Así, podemos definir v = x y. Para que P produzca el mayor número de ceros, debemos tener que y = σe 1, donde e 1 es el vector canónico que tiene un 1 como primer elemento y el resto son ceros, y σ = ± x. Entonces v = x y = x σe 1. Sea x = (x 1, x 2,..., x n ). Para evitar errores por sustracción conviene definir σ = sign(x 1 ) x. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
13 Uso de la transformación de Householder (I) El proceso se ilustra en la siguiente figura para una matriz 4 3. P 1 0 P 2 0 P 3 0 A = = R Sea A 1 = A y a 1 su primer columna. Calculamos la matriz de Householder P 1 tal que P 1 a 1 = σe 1, con σ = sign(a 11 ) a 1, y hagamos P 1 = P 1. Así, A 2 = P 1 A 1 tiene ceros en la primera columna, excepto en el primer elemento. En el paso k-ésimo tenemos Rk 1 z A k = k B k, R 0 x k C k 1 R (k 1) (k 1), x k R m k+1, z k R k 1 k y R k 1 es triangular superior. Definimos la matriz de Householder P k tal que P k x k = σe 1, con σ = sign(x k1 ) x k, y Ik 1 0 P k = 0 P k Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
14 Uso de la transformación de Householder (II) A k+1 = P Ik 1 0 Rk 1 z k A k = k B k Rk 1 z = k B k 0 P k 0 x k C k 0 σe 1 P k C k No es necesario construir las matrices de Householder. Es suficiente con determinar v, puesto que con β = 2/v v. Definimos Q = P 1 P 2 P n. P k A k = (I βvv )A k = A k βv(v A k ), Es mejor hacer el cálculo de Q multiplicando de derecha a izquierda. El número de operaciones es 2n 2 (m n/3). Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
15 Rotaciones de Givens (I) Una rotación de Givens, G(i, j, θ) = [g ij ] R n n, es una matriz que coincide con la matriz identidad, excepto en cuatro entradas: g ii = g jj = cos θ = c, g ij = sin θ = s, g ji = sin θ = s c 0 0 s G(i, j, θ) = s 0 0 c Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
16 Rotaciones de Givens (II) Si y = G(i, j, θ)x, entonces Si y j = 0, entonces x k k = i, j, y k = cx i + sx j k = i, sx i + cx j k = j. x j s =, c = x 2 i + x 2 j x i x 2 i + x 2 j Las rotaciones de Givens son usadas para crear ceros, uno a la vez. La siguiente figura ilustra el proceso. G 41 A = 0 G G Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
17 Rotaciones de Givens (III) G G G 43 0 = R En general, se genera una secuencia G k de rotaciones de Givens tales que G s G s 1 G 1 A = R. Tenemos que G k G k = I, por lo que Q = G 1 G s 1 G s. El número de operaciones realizadas es 3n 2 (m n/3). Este número es mayor que cuando se usan reflexiones de Householder. Aun así, hay casos en los que conviene más aplicar las rotaciones de Givens para calcular la factorización QR. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
18 Ortogonalización de Gram-Schmidt (I) Proceso de Gram-Schmidt Sea x 1,..., x n un conjunto de n vectores linealmente independientes. Entonces podemos construir un conjunto v 1,..., v n de vectores ortogonales con el siguiente proceso. Iniciamos haciendo v 1 = x 1. k 1 x k v k = x k v i v i=1 i 2 v i para k = 2,..., n Usando el proceso de ortogonalización de Gram-Schmidt se puede calcular la factorización directamente de la ecuación A = QR, con A, Q R m n, Q ortonormal y R R n n. Denotemos por a j y q j a las columnas de la matrices A y Q, respectivamente. Entonces j a j = r kj q k k=1 Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
19 Ortogonalización de Gram-Schmidt (II) Supongamos que para i = 1,..., j 1 ya tenemos determinadas las columnas q i de Q. Por la ortonormalidad de las columnas de Q, se debe tener que q i j a j = r kj q i k=1 q k = r ij (1) Entonces podemos definir donde v j = a j j 1 k=1 q j = 1 r jj v j, (2) r kj q k, r jj = v j. (3) De esta forma, (1) y (3) nos dan los elementos de la columna j de la matriz Q y R. Así, podemos ir construyendo columna por columna. El costo computacional es de 2mn 2. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
20 Solución de mínimos cuadrados usando QR (I) Sea A R m n con m n y rank(a) = n. Si A tiene una factorización QR, entonces Q R A = 0 entonces Ax b 2 2 = Q 2 2 Ax b 2 2 = Q Ax Q b 2 Rx c 2 2 = d 2 c donde = Q d b. Así, Ax b 2 2 = Rx c d 2 2. Se sigue que la solución (única) de mínimos cuadrados es x = R 1 c y que el residual es Ax b 2 2 = d 2 2. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
21 Ejemplo de mínimos cuadrados usando QR (I) Resolver con min Ax b A = , b = Tenemos que R = , Q = Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
22 Ejemplo de mínimos cuadrados usando QR (II) Entonces hay que resolver el sistema x = c donde c son las dos primeras componentes del vector Q b = Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
23 Cálculo de eigenvalores basado en QR Algoritmo basado en QR Dada la matriz A (0) y fijar k = 0. Iterar los siguientes pasos hasta convergencia: 1 Q (k) R (k) = A (k). 2 A (k+1) = R (k) Q (k). 3 k = k + 1. En la diagonal de la última matriz A (k) generada se encuentran los eigenvalores de la matriz A (0). Un criterio para convergencia es que ver si Q (k) = [Q (k) ij ] se cumple que para alguna tolerancia dada τ. 1 Q (k) ii < τ, Q (k) ij < τ, i = j; Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
24 Ejemplo del cálculo de eigenvalores (I) A = σ(a) { , , }. En k = 1152 iteraciones se tiene que Q (k) = , A (k) = Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
25 Método iterativo de Jacobi (I) Sea A (0) R n n una matriz simétrica y G(i, j, θ) una rotación de Givens. Entonces A (1) = G A (0) G es una matriz simétrica similar a A (0). Además, tenemos la siguiente relación entre las entradas de las matrices: A (1) ii = c 2 A (0) ii 2scA (0) ij + s 2 A (0) jj A (1) jj = s 2 A (0) ii + 2scA (0) ij + c 2 A (0) jj A (1) ij = (c 2 s 2 )A (0) ij + sc(a (0) ii A (0) jj ) A (1) ik = ca (0) ik A (1) ij = sa (0) ik A (1) kl = A (0) kl sa(0) jk + A(0) jk k, l = i, j k = i, j k = i, j Escogemos θ de modo que A (1) ij = A (1) ji = 0. Entonces tan 2θ = 2A (0) ij A (0) jj A (0) ii Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
26 Método iterativo de Jacobi (II) El proceso se repite de forma iterativa definiendo A (k+1) = G A (k) G. Lo ideal es escoger el elemento A (0) ij de mayor magnitud para acelerar el proceso. En la práctica se van revisando cada elemento fuera de la diagonal, y si es mejor que cierta tolerancia, se aplica el proceso anterior para hacerlo cero. Se tienen que dar varios barridos a la matriz porque el proceso iterativo no preserva los ceros que previamente se han creado. Al final se obtiene una matriz A (k) que es diagonal y los elementos en ella corresponden a los eigenvalores de la matriz original. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 24
Clase 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 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 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 detallesMétodos iterativos para resolver sistemas de ecuaciones lineales
Clase No. 9: MAT 251 Métodos iterativos para resolver sistemas de ecuaciones lineales Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/salram/met_num/ Dr. Joaquín
Más detallesMAT web:
Clase No. 7: MAT 251 Matrices definidas positivas Matrices simétricas Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesMétodo de mínimos cuadrados (Continuación)
Clase No. 11: MAT 251 Método de mínimos cuadrados (Continuación) Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT
Más detallesMétodo de mínimo cuadrados (continuación)
Clase No. 10: Método de mínimo cuadrados (continuación) MAT 251 Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesEigenvalores y eigenvectores. Método de la potencia
Clase No. 12: MAT 251 Eigenvalores y eigenvectores. Método de la potencia Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo
Más detallesDr. Alonso Ramírez Manzanares CIMAT A.C. cimat.mx web: alram/met_num/
Clase No. 4 (Parte 2): MAT 251 Factorización LU Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT A.C. e-mail: joaquin@
Más detallesMatrices bandadas Cálculo de la inversa y determinante Normas vectoriales y matriciales
Clase No. 8: MAT 251 Matrices bandadas Cálculo de la inversa y determinante Normas vectoriales y matriciales Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesDr. Alonso Ramírez Manzanares CIMAT A.C. cimat.mx web: alram/met_num/
Clase No 4: MAT 251 Factorización LU Dr Alonso Ramírez Manzanares CIMAT AC e-mail: alram@ cimatmx web: http://wwwcimatmx/ alram/met_num/ Dr Joaquín Peña Acevedo CIMAT AC e-mail: joaquin@ cimatmx Joaquín
Más detallesRepaso de algebra matricial
Clase No. 3 (Parte 1): MAT 251 Repaso de algebra matricial Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín
Más 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 detallesFormulación de Galerkin El método de los elementos finitos
Clase No. 28: MAT 251 Formulación de Galerkin El método de los elementos finitos Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/
Más detallesCuadratura Gaussiana basada en polinomios ortogonales.
Clase No. 20: MAT 251 Cuadratura Gaussiana basada en polinomios ortogonales. Dr. Alonso Ramírez Manzanares CIMAT, A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña
Más 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 detallesDiferenciación numérica: Método de Euler implícito Métodos tipo Runge-Kutta
Clase No. 24: Diferenciación numérica: Método de Euler implícito Métodos tipo Runge-Kutta MAT 251 Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/alram/met_num/
Más detallesDiferenciación numérica: Sistemas de ecuaciones lineales ordinarias Método de disparo Método predictor-corrector
Clase No. 23: Diferenciación numérica: Sistemas de ecuaciones lineales ordinarias Método de disparo Método predictor-corrector MAT 251 Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato
Más detallesOCW-V.Muto Los métodos de transformación ortogonal. Cap. XX CAPITULO XX. LOS METODOS DE TRANSFORMACION ORTOGONAL
CAPITULO XX. LOS METODOS DE TRANSFORMACION ORTOGONAL 1. LAS TRANSFORMACIONES DE HOUSEHOLDER Debido a las posibles dificultades numéricas del uso de las ecuaciones normales, los modernos métodos de mínimos
Más detallesProblema de convolución y deconvolución Diferencias finitas para EDO
Clase No. 24: Problema de convolución y deconvolución Diferencias finitas para EDO MAT 251 Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/alram/met_num/
Más detallesDiferenciación numérica: Sistemas de ecuaciones lineales ordinarias Método predictor-corrector Método de disparo
Clase No. 25: Diferenciación numérica: Sistemas de ecuaciones lineales ordinarias Método predictor-corrector Método de disparo MAT 251 Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web:
Más detallesPropiedades de matrices simétricas definidas positivas:
Propiedades de matrices simétricas definidas positivas: Propiedades de matrices simétricas definidas positivas: Sea A =[a ij ] 2 R n n. La matriz A es simétrica si A = A >. La matriz A es definida positiva
Más detallesCap 3: Álgebra lineal
Universidad Nacional de Ingeniería Facultad de Ciencias Cálculo Numérico 1 IF321 Cap 3: Álgebra lineal Prof: J. Solano 2018-I INTRODUCCION Aqui trabjaremos con operaciones basicas con matrices, tales como
Más detallesEspacios Euclídeos. Natalia Boal María Luisa Sein-Echaluce Universidad de Zaragoza
Espacios Euclídeos Natalia Boal María Luisa Sein-Echaluce Universidad de Zaragoza A lo largo de todo el capítulo consideraremos que V un espacio vectorial real de dimensión finita. 1 Producto escalar Definición.
Más detallesTeoría de la aproximación Métodos de Mínimos cuadrados
Teoría de la aproximación Métodos de Mínimos cuadrados MAT-251 Dr. CIMAT A.C. e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT A.C. e-mail: joaquin@cimat.mx
Más 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 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 detallesUso de LS. Esta matriz de 3x3 simétrica y definida positiva es un tensor de difusión de hidrógeno. , con gi en R 3. i S 0 exp bgt i Dg i i
Uso de LS MX 2 min S, con gi en R 3 i S 0 exp bgt i Dg i i Esta matriz de 3x3 simétrica y definida positiva es un tensor de difusión de hidrógeno. En cada posición del cerebro tenemos una matriz Tractografía
Más 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 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 detallesTeoría de la aproximación Métodos de Mínimos cuadrados
Teoría de la aproximación Métodos de Mínimos cuadrados MAT-251 Dr. Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT
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 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 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 detallesMétodos iterativos de solución de SEL
Métodos iterativos de solución de SEL Método de Gauss-Seidel MAT-251 Dr. CIMAT A.C. e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT A.C. e-mail: joaquin@cimat.mx
Más detallesIntroducción a EDP: Ecuaciones hiperbólicas y parabólicas
Clase No. 27: MAT 251 Introducción a EDP: Ecuaciones hiperbólicas y parabólicas Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/
Más detallesÚltimas notas de SVD
Últimas notas de SVD MAT-251 Dr. CIMAT A.C. e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Salvador Botello CIMAT A.C. e-mail: botello@cimat.mx Relación entre los valores singulares
Más detallesMétodos iterativos de solución de SEL
Métodos iterativos de solución de SEL Método de Gauss-Seidel MAT-251 Dr. Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Joaquín Peña Acevedo
Más detallesAlgoritmo de la factorización LU
Algoritmo de la factorización LU. Objetivo. Estudiar el algoritmo de la factorización LU de una matriz cuadrada invertible.. Requisitos: Matrices elementales y su relación con operaciones elementales.
Más detallesErrores por la representación de punto flotante y propagación de errores
Clase No. 2: Errores por la representación de punto flotante y propagación de errores MAT 251 Dr. Alonso Ramírez Manzanares CIMAT, A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesA.M. Urbano, R. Cantó, B. Ricarte Institut de Matemàtica Multidisciplinar, Universitat Politècnica de València, E Valencia
Factorización de Cholesky de matrices singulares A.M. Urbano, R. Cantó, B. Ricarte Institut de Matemàtica Multidisciplinar, Universitat Politècnica de València, E-460 Valencia amurbano@mat.upv.es,rcanto@mat.upv.es,bearibe@mat.upv.es,
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 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 detallesEjercicio 1 Explica por qué el coste de invertir una matriz utilizando el algoritmo LU es de orden
CUESTIONES Ejercicio 1 Explica por qué el coste de invertir una matriz utilizando el algoritmo LU es de orden cúbico Ejercicio 2 Explica por qué si λ 1 ě λ 2 ě ě λ n son los valores propios de la matrix
Más detallesSolución de sistemas lineales
Solución de sistemas lineales Felipe Osorio http://www.ies.ucv.cl/fosorio Instituto de Estadística Pontificia Universidad Católica de Valparaíso Marzo 31, 2015 1 / 12 Solución de sistemas lineales El problema
Más detallesProyecciones Ortogonales y Proceso de Gram-Schmidt
Proyecciones Ortogonales y Proceso de Gram-Schmidt Departamento de Matemáticas, CCIR/ITESM 9 de febrero de Índice..Introducción.................................................Ortogonalidad a un espacio........................................proyección
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 detallesResolución de Sistema de Ecuaciones Lineales
Resolución de Sistema de Ecuaciones Lineales Hermes Pantoja Carhuavilca Facultad de Ingeniería Mecanica Universidad Nacional de Ingenieria Métodos Numérico Hermes Pantoja Carhuavilca 1 de 29 CONTENIDO
Más detallesCálculo de autovalores
Cálculo de autovalores Damián Ginestar Peiró Departamento de Matemática Aplicada Universidad Politécnica de Valencia Curso 2011-2012 (UPV) Cálculo de autovalores Curso 2011-2012 1 / 28 Índice 1 Preliminares
Más detallesPráctica 1: Sistemas de Ecuaciones Lineales - Matrices
ALGEBRA LINEAL Primer Cuatrimestre 2017 Práctica 1: Sistemas de Ecuaciones Lineales - Matrices En todas las prácticas, K es un cuerpo; en general K = Q (los números racionales, R (los números reales o
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 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 detallesFactorización LU y la librería GSL. Graficaciíon en Gnuplot
Clase No 6: Factorización LU y la librería GSL Graficaciíon en Gnuplot MAT 251 Dr Alonso Ramírez Manzanares CIMAT, AC e-mail: alram@ cimatmx web: http://wwwcimatmx/ alram/met_num/ Dr Joaquín Peña Acevedo
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 detallesDescomposición del valor singular y sus aplicaciones
7 Descomposición del valor singular y sus aplicaciones Marlene J. Soldevilla Olivares William C. Echegaray Castillo Resumen El presente trabajo damos algunas propiedades de los valores singulares de una
Más detallesSEL - Métodos Directos
Facultad de Ingeniería Mecánica Universidad Nacional de Ingeniería Métodos Numéricos Contenido 1 Métodos Directos Generalidades sobre Métodos Directos Eliminación Gaussiana Pivoteo Factorización LU Generalidades
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 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 detallesFactorización de matrices
CAPÍTULO Factorización de matrices En este capítulo se estudian algunas de las técnicas más utilizadas para factorizar matrices, es decir, técnicas que permiten escribir una matriz como producto de dos
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 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 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 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 detallesUna forma fácil de recordar esta suma (regla de Sarrus): Primero vamos a estudiar algunas propiedades de los determinantes.
Una forma fácil de recordar esta suma (regla de Sarrus): Ejemplos: Tarea: realizar al menos tres ejercicios de cálculo de determinantes de matrices de 2x2 y otros tres de 3x3. PARA DETERMINANTES DE MATRICES
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 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 detallesAlgoritmo de factorización LU
Algoritmo de factorización LU Objetivos. Estudiar el algoritmo de la factorización LU de una matriz cuadrada invertible. Requisitos. Matrices elementales y su relación con operaciones elementales, matriz
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 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 detallesPropagación de errores
Clase No. 2: MAT 251 Propagación de errores Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo
Más detallesDiferenciación numérica: Método de Euler explícito
Clase No. 21: MAT 251 Diferenciación numérica: Método de Euler explícito Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más 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 detalles102 EJERCICIOS DE ALGEBRA LINEAL por Francisco Rivero Mendoza Ph.D.
102 EJERCICIOS DE ALGEBRA LINEAL por Francisco Rivero Mendoza Ph.D. Tema 1. Espacios Vectoriales. 1. Dar la definición de cuerpo. Dar tres ejemplos de cuerpos. Dar un ejemplo de un cuerpo finito 2. Defina
Más detallesMétodos de factorización para resolver sistemas de ecuaciones lineales. 22 de agosto, 2012
Cálculo numérico Métodos de factorización para resolver sistemas de ecuaciones lineales 22 de agosto, 2012 1 Factorización LU Considera el siguiente ejemplo de factorización LU de una matriz en un sistema
Más detallesSEL Métodos Directos
SEL Pantoja Carhuavilca Métodos Numérico Agenda métodos directos Encuentra una solución en un número finito de operaciones(en ausencia de errores de redondeo) transformando el sistema en un sistema equivalente
Más detallesSISTEMAS DE ECUACIONES
16 de Mayo de 2013 SISTEMAS DE ECUACIONES Departamento de Matemática Aplicada Facultad de Ingeniería Universidad Central de Venezuela Cálculo Numérico José Luis Quintero 1 Puntos a tratar 1. Sistemas fáciles
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 para matrices especiales. Descomposición de Cholesky
Métodos para matrices especiales. Descomposición de Cholesky MAT-251 Dr. CIMAT A.C. e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT A.C. e-mail: joaquin@cimat.mx
Más 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 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 detallesDiferenciación numérica: Método de Euler explícito
Clase No. 21: MAT 251 Diferenciación numérica: Método de Euler explícito Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más 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 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 detallesEl método de la potencia para el cálculo del autovalor dominante de una matriz se basa en el siguiente teorema.
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 8.1.1 (M. de la potencia]
Más detallesMétodos numéricos para la determinación de autovalores
Métodos numéricos para la determinación de autovalores Pablo J. Santamaría Introducción Muchos problemas de interés conducen al cálculo, o por lo menos a la estimación, de los valores característicos o
Más detallesCálculo Numérico III Curso 2010/11
Cálculo Numérico III Curso 2010/11 Problemas del Tema 1 1. Sean {x 0, x 1,..., x n } IR con x i x j si i j. Hoja de problemas - Parte I a) Hallar el polinomio de grado n que interpola a la función en los
Más detallesf(x, y, z, t) = (x + y t, x + 2y z 3t, 3x + 5y 2z 7t).
Universidade de Vigo Departamento de Matemática Aplicada II E.T.S.I. Minas Álgebra Convocatoria de enero de 20 de enero de 20 (2.5 p.) ) Se considera la aplicación lineal f : R 4 R definida por: f(x y
Más detallesÁlgebra Lineal. Tema 13. Mínimos cuadrados. Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas
Álgebra Lineal Tema 3. Mínimos cuadrados Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J. S ALAS, A. T ORRENTE Y E.J.S. V ILLASEÑOR Índice
Más detallesMétodo de Gradientes Conjugados.
Método de Gradientes Conjugados. Lourdes Fabiola Uribe Richaud & Juan Esaú Trejo Espino. Instituto Politécnico Nacional Escuela Superior de Física y Matemáticas February 17, 2015 1 Método de Direcciones
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 detallesSistemas de Ecuaciones Lineales
Sistemas de Ecuaciones Lineales José Vicente Romero Bauset ETSIT-curso 2009/200 José Vicente Romero Bauset Tema 2.- Sistemas de Ecuaciones Lineales Sistema de ecuaciones lineales Un sistema de ecuaciones
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 detallesResolución de sistemas de ecuaciones lineales
Tema 2 Resolución de sistemas de ecuaciones lineales 21 Métodos directos de resolución de sistemas de ecuaciones lineales 211 Resolución de sistemas triangulares Definición 211 Una matriz A se dice triangular
Más detalles