El estudio de autovalores y autovectores (o valores y vectores propios) de matrices

Tamaño: px
Comenzar la demostración a partir de la página:

Download "El estudio de autovalores y autovectores (o valores y vectores propios) de matrices"

Transcripción

1 Tema V DIAGONALIZACIÓN POR TRANSFORMACIONES DE SEMEJANZA Objetvos Presetar los coceptos de autovalor y autovector, los cuales tee gra mportaca e las aplcacoes práctcas (tato es así, que podría decrse que los autovalores so los rasgos más mportates de práctcamete cualquer sstema dámco). Aalzar el problema de dagoalzacó de ua matrz cuadrada medate ua trasformacó de semejza. V.. INTRODUCCIÓN El estudo de autovalores y autovectores (o valores y vectores propos) de matrces cuadradas y de edomorfsmos es de fudametal mportaca e matemátca aplcada. Debdo a que todo edomorfsmo se puede represetar medate matrces cuadradas, y que dada ua matrz cuadrada se puede terpretar como u edomorfsmo sobre u espaco vectoral fjada ua base, podemos restrgr uestro estudo a autovalores y autovectores de matrces cuadradas, dado que este estudo se puede exteder a los edomorfsmos represetados por éstas. Sea f u edomorfsmo defdo e u espaco vectoral E de dmesó fta. Sea A la matrz cuadrada de orde que represeta este edomorfsmo e ua base dada B E. Como se ha vsto e el Tema IV, s se cosdera otra base B E, el edomorfsmo vedrá represetado por ua matrz A semejate a A: A =P - A P, sedo P la matrz de paso Pága 5

2 de B E a B E. De forma esquemátca E este tema se platea el problema de ecotrar (s es posble) ua base e la que la represetacó del edomorfsmo sea lo más smple posble. E térmos matrcales el problema se traduce e ecotrar la matrz más seclla posble que sea semejate a A, así como la matrz de paso correspodete. Es evdete que cuato más seclla sea la estructura de ua matrz, más fácl será obteer formacó acerca del edomorfsmo al que represeta. Etre las matrces más secllas está las dagoales, las cuales os ofrece muchas facldades de cálculo. Defcó. Se dce que la matrz AœE x (K) es dagoalzable (o que el correspodete edomorfsmo f es dagoalzable) s exste ua matrz D que sea dagoal y semejate a A. E el proceso de reduccó de la matrz A por semejaza a ua matrz "más seclla, hay que teer e cueta s K es el cuerpo R de los úmeros reales o el cuerpo C de los úmeros complejos, pues la aturaleza del cuerpo de escalares fluye otablemete e el proceso, como se comprobará más adelate. Pága 5

3 V.. AUTOVALORES Y AUTOVECTORES: DEFINICIÓN, CÁLCULO Y PROPIEDADES V... Defcó Ejemplo (troduccó a los autovalores y autovectores) E el espaco vectoral E = V, se cosdera el edomorfsmo: f : V V x f ( x) = Smétrco de x respecto del eje OX Expresado e forma aalítca (medate los correspodetes vectores coordeados e la base caóca de V ) f : V V x x x = f ( x) = x -x Estamos teresados e vectores x y e escalares que verfca la gualdad f ( x) = x () Se observa que todos los vectores x de V stuados sobre el eje OX cumple f(x) = x, y todos los vectores x de V stuados sobre el eje OY satsface f(x) = - x. E uestro ejemplo los dos úcos escalares que verfca la gualdad () so = y =-. Los vectores x correspodetes so respectvamete todos los stuados e los ejes coordeados de abscsas y de ordeadas. Defcó. Sea A E ( K), ( KR o C ), matrz asocada a u edomorfsmo x f : F F e ua certa base de F. Los autovalores o valores propos de la matrz A (o del edomorfsmo f) so los escalares K para los que exste u vector o ulo, x K, tal que A x = x ( Es decr, f ( x) = x ) Pága 53

4 S es autovalor de A, los vectores x K ( x 0 ) tales que A x = x, se llama autovectores o vectores propos de A (o de f) asocados a ; estos autovectores (juto co el vector ulo) forma u subespaco vectoral V( ) = { x K / A x = x } deomado subespaco propo de A asocado al autovalor. Ejemplo Cosderemos el espaco vectoral de los vectores geométrcos del plao, V, y e él defmos la trasformacó leal: f : V V x f ( x) = Smétrco de x respecto de la recta r x=y Se observa fáclmete e la gráfca que: ) x V stuado e r x = y sedo x 0 f ( x ) = x = es autovalor de f, y todos los vectores x stuados e la recta r so autovectores de f asocados a. Al ser > 0, f(x) tee el msmo setdo que x ) x V stuado e r y = x sedo x 0 f ( x ) = x Pága 54

5 = es autovalor de f y todos los vectores x stuados sobre la recta y=-x so autovectores de f asocados a. Como < 0, f(x) tee setdo opuesto a x. E ambos casos = >, por lo que se dce que f dlata x. Ua vez realzados alguos ejemplos geométrcos de cálculo de autovalores y autovectores, procederemos a presetar su cálculo aalítco. V... Cálculo de autovalores y autovectores La ecuacó Ax=x que srve para defr los autovalores y autovectores se puede escrbr como (A-Ι)x = 0, co lo que los autovectores, s exste, so los vectores solucó de dcho sstema homogéeo. Sabemos que este sstema tee solucoes dsttas de la trval ula s y sólo s la matrz (A-Ι) es sgular, lo cual ocurre s y sólo s el determate de A-Ι es gual a cero: A-Ι = 0. Así, podemos prmero ecotrar los autovalores de A, es decr aquellos valores œk que hace A-Ι = 0 y, a cotuacó, los subespacos propos V(), para lo que deberá resolverse el sstema Ax = x, o equvaletemete (A-Ι)x = 0, para cada valor propo. Estudemos prevamete la aturaleza de la expresó A-Ι. Defcó. Se llama polomo característco de ua matrz cuadrada A, de orde, defda sobre K, al polomo p A ()= A-Ι, que es u polomo co coefcetes e K y de grado e la varable. La ecuacó p A ()=0 se llama ecuacó característca de A. Podemos decr por lo tato que K (R o C) es autovalor de A M x (K) s y sólo s es raíz del polomo característco (o equvaletemete, solucó de la ecuacó característca) y está e K. Por el Teorema Fudametal del Álgebra, todo polomo de orde posee exactamete raíces (etre reales y complejas). Por lo tato, s K es el cuerpo C de los úmeros complejos etoces A posee exactamete autovalores, sedo el orde de la matrz. Por otro lado, s K es el cuerpo R de los úmeros Pága 55

6 reales, el polomo característco de A tedrá també raíces, pero quzás alguas sea complejas, por lo que decmos que A posee a lo sumo autovalores (e ambos casos cosderado las multplcdades de las solucoes de la ecuacó característca). Ejemplo 0 - A= 0 Su polomo característco es p A ( ) = +, que o se aula para gú valor real. Luego, la matrz A cosderada ua matrz real, o tee valores propos. Pero s se cosdera A como ua matrz sobre el cuerpo de los úmeros complejos, sus valores propos so + y. Puede demostrarse que la expresó geeral del polomo característco de ua matrz A M x (K) es la sguete: - p ( ) ( ) ( ) ( ) A = A I = Traza A + + A = - ( ) ( ) + = + Traza( A) + + A () dode se observa que el coefcete de - cocde co la traza de A (afectada del sgo correspodete) y el térmo depedete co el valor del determate de A. Además, puede també demostrarse que: Traza(A)= A = Demostracó (opcoal). S A tee autovalores (,,, ) (o tee por qué ser dsttos) podemos factorazar el polomo característco de la sguete maera: p ( ) = (-) ( )( ) ( ) = A Pága 56

7 - = ( ) ( ) + + ( ) () Esta fórmula debe cocdr co la expresó () vsta aterormete = p A ( ) ( ) Traza(A) ( ) A por lo que, comparado coefcetes e () y (), e cocreto el coefcete de - y el térmo depedete, se deduce las propedades aterores. Traza(A)= A = Ejemplo S e el últmo ejemplo geométrco del apartado ateror procedemos aalítcamete, veremos que se obtee el msmo resultado. La expresó geeral de la trasformacó leal del ejemplo ateror, cosderado e V la base caóca B, es: f : V V x z = x x f ( z)= x Por tato la expresó matrcal de f e la base caóca B, es: Pága 57

8 y 0 x = y 0 x luego su matrz asocada e la base B de V es: 0 A = 0 Los autovalores de A (o de f) so las solucoes de la ecuacó característca de A: p A I A( ) = = 0 = = 4 = 0 = = Los subespacos propos asocados so, respectvamete: x x x V ( )= x = V / A = = x x x x x 0 x - x 0 = x = V /( A - I ) = = x = V / = = x x 0 x - x 0 x = x = V /- x + x = 0 x = x x x V ( )= x = V / x R = x V / x está stuado sobre r x { } x x x V ( )= x = V / A = = x x x x x 0 x x 0 = x = V /( A - I) = = x = V / = = x x 0 x x 0 Pága 58

9 x = x = V / x + x = 0 x = x x x V ( )= = x = V / x R = x V / x está stuado sobre r ' -x { } Obsérvese que los autovalores de A verfca las dos sguetes propedades eucadas aterormete Traza(A) = 0 = + Det(A) = -4 = Los autovalores puede ser repetdos o o, lo que da lugar a las sguetes defcoes. Defcó. Se llama multplcdad algebraca, m, de u autovalor a la multplcdad de como raíz de la ecuacó característca de la matrz A, es decr, el úmero de veces que se repte como raíz de dcha ecuacó. Ejemplo Sea la matrz A = Fáclmete se obtee que el polomo característco de A es A 3 =. p ( ) ( 7) ( 4) Luego, los valores propos de A so: =7, de multplcdad algebraca m = =4, de multplcdad algebraca m =3 Defcó. Se llama multplcdad geométrca, µ, de u autovalor, a la dmesó del Pága 59

10 subespaco propo asocado a él, dm(v( )). Puede demostrarse que µ m. Además, puesto que las ecuacoes cartesaas del subespaco V( ) vee dadas por el sstema ( A I ) de K es - x = 0, y teedo e cueta que la dmesó de u subespaco S dm(s)=-º de ecs. cartesaas lealmete depedetes se cumple que ( ) µ = dm V ( ) = - Rago A - I Ejemplo Calcular los valores propos y vectores propos de la matrz A = 3. Solucó: El polomo característco de A es: p A I 3 A( ) = - = 3 = = ( ) ( 5) Por tato, los valores propos de A so: = (raíz doble o co multplcdad algebraca m =) y =5 (raíz smple, m =) Calculemos a cotuacó los vectores propos. Para = los vectores propos satsface la ecuacó matrcal ( ) = 0 A I x, es decr Pága 60

11 x 0 x + x + x3 = 0 = ( A I ) x = 0 x = 0 x + x + x = 0 x = x x x 3 0 x + x + x3 = µ = dm V () = Rago( A I) = 3 = Por tato el subespaco propo asocado a = es: -x - x = = K x V() x K / x x, x, x3 sedo ua base de vectores propos de V() la formada por los vectores, 0 0 es decr, µ =Dm(V( ))=. Para =5, los vectores propos so las solucoes del sstema ( A 5I ) x =0, es decr: 3 x 0 3x + x + x3 = 0 x = x = 5 ( A 5I ) x = 0 x = 0 x x + x3 = 0 x x 3 x 3 0 = x + x 3x3 = 0 3 de dode el subespaco propo asocado a =5 es: x 3 V (5) = x K / x = x, x K x Luego la base de vectores propos del subespaco V(5) está formada por el vector Pága 6

12 y µ =Dm(V( ))= Veamos a cotuacó alguas propedades relacoadas co los autovalores y los autovectores. V..3. Propedades Proposcó. U autovector de ua matrz cuadrada está asocado a u úco autovalor. Demostracó. Sea x K, y dstto del vector ulo, autovector de A x M ( K ) asocado al autovalor K, es decr, Ax = x Supogamos que x també está asocado al autovalor µ K. Etoces A x = µ x Restado ambas ecuacoes se obtee que ( µ ) x = 0 como x 0, ecesaramete = µ y de ahí que el autovalor es úco. Proposcó. S A es ua matrz cuadrada de orde defda sobre K, tragular (superor o feror) etoces sus autovalores so los elemetos de la dagoal prcpal. Demostracó. Sea A ua matrz tragular superor: A a a a 0 a a 0 0 a = Pága 6

13 Para hallar sus autovalores se platea su ecuacó característca (que al tratarse del determate de ua matrz tragular es gual al producto de los elemetos de la dagoal prcpal): A I a a a = 0 = ( )( ) ( ) sedo las solucoes de esta ecuacó = a, = a,, = a Proposcó. Los autovectores de ua matrz cuadrada de orde asocados a autovalores dsttos, so lealmete depedetes. Opcoal: Cosecueca de esta proposcó es que los subespacos propos asocados a autovalores dsttos so dsjutos, es decr, V V { } y autovalores dsttos de A. j ( ) ( ) = 0, sedo j j Proposcó. Las matrces semejates tee el msmo polomo característco y los msmos autovalores. Demostracó. S exste ua matrz P regular tal que - B = P A P, se cumple que: = = ( ) = = B I P A P P P P A I P P A I P A I Es decr, los polomos característcos de A y B so guales. Dado que los autovalores so las raíces de la ecuacó característca, queda demostrada la proposcó. Ua clase partcular de matrces la costtuye aquéllas que so semejates a ua matrz dagoal, e cuyo caso se dce que so dagoalzables. A cotuacó vamos a caracterzar las matrces que so dagoalzables por semejaza. V.3. DIAGONALIZACIÓN POR SEMEJANZA Proposcó. Sea A M ( K ). Ua codcó ecesara de dagoalzacó de la x matrz A es que A posea exactamete autovalores. Demostracó (opcoal). S A es dagoalzable etoces es semejate a ua matrz dagoal D. Los autovalores de A y de D cocde, por semejaza. Sedo los Pága 63

14 autovalores de D e total (los elemetos de su dagoal prcpal) també A tedrá e total autovalores (los msmos que D). Teorema (ua codcó ecesara y sufcete de dagoalzacó). Ua matrz A M ( K ) es dagoalzable s y sólo s tee autovectores lealmete x depedetes. Observacoes: - S A es dagoalzable, la matrz dagoal semejate a A es D = , sedo,,, los autovalores de A (dsttos o o). La matrz P que defe la semejaza es la que tee por columas los vectores de las bases de los respectvos subespacos propos de A. - Cuado A es dagoalzable el cojuto de autovectores lealmete depedetes formaua base de eucar de la sguete maera: Ua matrz exste ua base de K, co lo cual el teorema ateror se puede A M ( K ) es dagoalzable s y solo s x K formada por autovectores de A. Demostracó (opcoal). ) Sea los autovectores de A lealmete depedetes: x x x x x x x ; ; ; = x = = x x x x Etoces se verfca : A x = =,,, x ; co lo que las gualdades se puede escrbr matrcalmete de la forma: Pága 64

15 x x x x x x A( ) = A x x x = ( x x x ) = x x x x x x 0 0 x x x 0 0 = ( ) = x x x x x x 0 0 Lo cual se expresa abrevadamete de la forma AP=PD, sedo P la matrz cuyas columas so los autovectores de A, y D la matrz dagoal formada por los autovalores. Claramete P es regular ya que sus columas so autovectores de A lealmete depedetes. Luego - D = P A P es decr A es dagoalzable. ) Recíprocamete, supogamos que A es dagoalzable. Etoces se puede ecotrar ua matrz regular P tal que ua matrz dagoal. O equvaletemete A P=P D () S se escrbe P por columas como P = ( ) A = x =,,, x, dode - P A P = D sedo D x x x se deduce de () que es el -ésmo elemeto de la dagoal prcpal de D. Luego las columas de P so los autovectores de A, que será lealmete depedetes ya que P es regular. Ejemplo Dagoalzar la matrz A( R ) = 0 - ^ - - Solucó. Comezamos calculado los valores propos de la matrz A, así como los correspodetes subespacos propos. El polomo característco de la matrz A es Pága 65

16 A p ( ) = A I = - - = ( ) - -- Por tato, las raíces de la ecuacó característca so = co multplcdad algebraca m = y = 0 co multplcdad algebraca m =. Calcularemos a cotuacó los vectores propos. Para =, los vectores propos satsface la ecuacó matrcal ( A - I ) x = 0, es decr x 0 x x x3 = 0 x = 0 x x x = 0 x = x x x 3 0 x x x3 = Por tato, el subespaco propo asocado a = es: x 3 V () = x R / x = x x3, x, x3 R x 3 Sedo ua base de V() la formada por los vectores 0, - 0. Para = 0, los vectores propos so las solucoes del sstema A x = 0, es decr 3 x 0 3x x x = 0 3 x = x 0 x = 0 x x3 = 0 x3 = x x 3 0 x x x3 = 0 De dode el subespaco propo asocado a = 0 es x 3 V (0) = x R / x = x, x R x Pága 66

17 Luego ua base de vectores propos del subespaco V(0) es. Ya se ha vsto que los autovectores de ua matrz cuadrada de orde asocados a autovalores dsttos so lealmete depedetes. Luego, los vectores 0 x =, x = -, x 3 = 0 so lealmete depedetes. Por tato exste ua base de autovectores de A, por lo que la matrz A M 3 x 3( R ) es dagoalzable: 3 R formada por y / - D P D = P A P : 0 P = 0 y 0 0 D = El orde de las columas de P está e fucó del orde de colocacó de los valores propos e D, ya que se tee que cumplr que A ( x x x ) ( x x x ) = D 3 3 Notas: a) Segú puede observarse e este ejercco, dada la matrz dagoal D, la matrz P formada por vectores propos o es úca. b) Al ser 0 = valor propo de A, V (0) Ker f { 0} =, luego el edomorfsmo f asocado a la matrz A o es yectvo, y por tato (por ser edomorfsmo) tampoco es sobreyectvo. c) Se puede comprobar e este ejemplo que, efectvamete, la multplcdad geométrca µ de u autovalor uca es mayor que la multplcdad algebraca de dcho autovalor, es decr µ m. Por últmo, se va a ver otra caracterzacó de las matrces dagoalzables e fucó Pága 67

18 de la multplcdad de las raíces de la ecuacó característca. Teorema. Sea A M ( K ) co autovalores repetdos o o. A es dagoalzable s y x sólo s la multplcdad algebraca de cada autovalor K de A cocde co la multplcdad geométrca de dcho autovalor (es decr, co la dmesó del subespaco propo correspodete) m = µ Demostracó. Sea,,, s, los dsttos autovalores de A, co multplcdades algebracas m, m,, ms respectvamete, tales que: m + m + + ms =. Hemos vsto que la multplcdad geométrca de cada autovalor uca puede ser mayor que la algebraca, es decr: µ, µ,, µ s s por lo que µ µ µ s La gualdad se obtee s y sólo s µ = m =,,, s Lo que equvale a la dagoalzacó de A, ya que e este caso y solo e él se logra ua base de K formada por autovectores de A, uedo bases de los subespacos propos correspodetes. Ejemplo E el ejemplo resuelto aterormete, la matrz A( R) = 0 - -, teía los - - sguetes valores propos: =, co multplcdad algebraca m = y geométrca µ = ; y Pága 68

19 = 0, de multplcdad algebraca m = y geométrca µ =. Por tato, m = µ = y m = µ =, co lo cual A es dagoalzable. Como corolaro a este Teorema se establece la codcó sufcete de dagoalzacó. Corolaro. S ua matrz A M ( K ) tee autovalores dsttos, etoces es x dagoalzable.. V.4. DIAGONALIZACIÓN DE MATRICES SIMÉTRICAS REALES POR SEMEJANZA ORTOGONAL Las matrces smétrcas reales aparece e umerosos problemas e relacó co el estudo de la dámca de sstemas físcos. Así por ejemplo, catdades como la eergía cétca y la potecal se represeta a través de ellas. Teorema. Toda matrz smétrca real de orde tee autovalores (es decr, cumple la codcó ecesara de dagoalzacó). Teorema. Autovectores asocados a autovalores dsttos de ua matrz smétrca real so ortogoales. Defcó. Se dce que ua matrz A es dagoalzable ortogoalmete s es semejate a ua matrz dagoal por medo de ua matrz ortogoal; es decr, s exste ua matrz P ortogoal tal que t - P AP P AP D = =. Teorema. Toda matrz smétrca real puede dagoalzarse ortogoalmete. Ejemplo Dagoalzar la matrz smétrca real 0 - A = Solucó. Pága 69

20 El polomo característco es p A I A( ) = = = ( ) ( + ) Por tato, los valores propos de A so = co multplcdad algebraca m = y =. =, los vectores propos so las solucoes del sstema ( A I ) Para x = 0, es decr x 0 x = 0 x x + x3 = 0 x 0 3 Por tato el subespaco propo asocado a = es: x 3 V () = x R / x = x + x3, x, x3 R x 3 Sedo ua base de V(): 0 u = u = 0 µ = dm V( ) =. Se cumple que µ = m, lo que e matrces smétrcas reales está asegurado, ya que so sempre dagoalzables. =, los vectores propos so las solucoes del sstema ( A I ) Para decr + x = 0, es x 0 x = x x = 0 x = x x De dode el subespaco propo asocado a = es: Pága 70

21 x 3 V ( ) = x R / x = x, x R x Luego ua base del subespaco propo V(-) es u 3 = y µ = dm V( ) = segú lo prevsto. Así B = { u u u 3} es ua base de matrz P ortogoal tal que de autovectores. Como {, } 3 R de autovectores de A. Para costrur la t P AP = D sea dagoal, ecestamos ua base ortoormal u u es ortogoal al vector 3 u, puesto que so autovectores asocados autovalores dsttos de la matrz smétrca A, ortogoalzamos sólo {, } u u medate el método de Gram-Schmdt. v = u = 0 0 v = u+ v = + = + 0 < v v >= 0 < v v >= + = 0 = luego El cojuto {, } V(). v = v v es ua base ortogoal de autovectores del subespaco propo Normalzamos ahora la base ortogoal de autovectores { v, v, u } 3 Pága 7

22 w = v =,, w v 0 6 = v =, v 6 6 w 3 = u = u Obteedo así la base de autovectores ortoormales B' = { w w w 3} La matrz ortogoal es P ( ) 6 3 = w w w 3 = Se puede comprobar que t D P AP P AP = =, sedo 0 0 D = Pága 7

23 Tema V. Ejerccos V.. Calcular los valores y vectores propos de las sguetes matrces: a) b) c) d) 3 A( C ) = 3 A( C ) = 3 0 A( R ) = A( R ) = V.. V.3. V.4. Estudar la dagoalzacó de las matrces del problema ateror. Hallar ua matrz dagoal semejate a A, así como la matrz P de semejaza, sedo A las matrces del problema. Estudar la dagoalzacó de las sguetes matrces hallado, e su caso, las - matrces D y P / D = P A P a) b) 0 0 A = B = V a 0 0 Dada la matrz A = dscutr las codcoes que debe b d 0 c e f cumplr a, b, c, d, e y f para que la matrz A sea dagoazable. Pága 73

24 V.6. Sea la matrz sguete: M α m 0 = dode α y m R, m 0 Ecotrar los valores y vectores propos de M. E qué casos es dagoalzable? V.7. a - d Dada la matrz B = b 0 e hallar a, b, c, d, e, f, sabedo que c f 0 v =, v =, v3 = 0 so vectores propos de B. 0 Pága 74

25 Tema V. Solucoes Ej. V.. a) b) c) d) = +, BV ( ) = ; =, BV ( ) = + = 5, BV ( ) = ; =, BV ( ) = = 0 (trple), B V ( ) 0 = 0 = 6, B V ( ) = V.. a) Dagoalzable b) Dagoalzable c) No dagoalzable d) No dagoalzable V.3. a) b) + 0 D = ; P = D = ; P = 0 V.4. a) D = 0 0 ; P = b) No dagoalzable. Pága 75

26 V.5. a = 0, f = 0 b, c, d, e V.6. Valores propos = α ; = ; 3 = S α = M o es dagoalzable. E cualquer otro caso sí lo es. V.7. 5 a = ; b = ; c = ; d = ; e = ; f = Pága 76

ESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS:

ESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS: SUBESPACIOS FINITAMENTE GENERADOS: Teorema S G={v, v,, v } es u sstema fto de geeradores de u subespaco S V K-EV, etoces G`= {v, v,, v,w} sedo w combacó leal de vectores de G, també geera a S. Demostracó

Más detalles

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u FUNDAMENTOS DE LOS ESPACIOS VECTORIALES ABSTRACTOS Prmeros ejemplos. Cosderemos el cojuto V de los vectores lbres del plao. Recordemos que la operacó de sumar vectores verfcaba las sguetes propedades:

Más detalles

ÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

ÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO 6 ÁLGEBRA II (LSI PI) UNIDAD Nº 6 VALORES Y VECTORES PROPIOS Facultad de Cecas Exactas y Tecologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO aa Error! No hay texto co el estlo especfcado e el documeto.

Más detalles

Espacios con producto interior

Espacios con producto interior Espacos co producto teror [Versó prelmar] Prof. Isabel Arrata Z. Algebra Leal E esta udad, todos los espacos ectorales será reales Sea V u espaco ectoral sobre. U producto teror (p..) e V es ua fucó

Más detalles

AUTOVALORES MANUEL HERVÁS CURSO ENDOMORFISMOS 1

AUTOVALORES MANUEL HERVÁS CURSO ENDOMORFISMOS 1 AUTOVALORES MANUEL HERVÁS CURSO 0-0 ENDOMORFISMOS INTRODUCCIÓN Los problemas que volucra a los valores propos va asocados, e geeral, a feómeos de establdad: Dámca, como la frecueca de resoaca de u sstema

Más detalles

ÁLGEBRA II (LSI PI) TRANSFORMACIONES LINEALES UNIDAD Nº 5. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

ÁLGEBRA II (LSI PI) TRANSFORMACIONES LINEALES UNIDAD Nº 5. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO 2017 ÁLGEBRA II (LSI PI) UNIDAD Nº 5 RANSFORMACIONES LINEALES Facultad de Cecas Exactas y ecologías UNIERSIDAD NACIONAL DE SANIAGO DEL ESERO aa Error! No hay texto co el estlo especfcado e el documeto

Más detalles

Introducción al Algebra Lineal en Contexto Autor José Arturo Barreto M.A. Web:

Introducción al Algebra Lineal en Contexto Autor José Arturo Barreto M.A. Web: Itroduccó al Algebra Leal e Cotexto Autor José Arturo Barreto M.A. Web: www.abaco.com.e www.mprofe.com.e josearturobarreto@yahoo.com Descomposcó e Valor Sgular (SVD: Sgular Value Decomposto) El sguete

Más detalles

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad. Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:

Más detalles

GENERALIDADES SOBRE MÓDULOS

GENERALIDADES SOBRE MÓDULOS GENERALIDADES SOBRE MÓDULOS Presetar el Z -módulo Z como cocete de u Z -módulo lbre Hacer lo msmo para el grupo de Kle Calcular los auladores de los sguetes módulos: a) El Z -módulo Z Z 6 b) El Z -módulo

Más detalles

GUÍA DE EJERCICIOS. Área Matemática Álgebra lineal

GUÍA DE EJERCICIOS. Área Matemática Álgebra lineal GUÍA DE EJERCICIOS Área Matemátca Álgebra leal Resultados de apredzaje. Recoocer exsteca de subespaco vectoral. Cotedos 1. Espacos vectorales. 2. Subespacos vectorales. Debo saber Se debe recordar que

Más detalles

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector.

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector. Comportameto Mecáco de Sóldos Capítulo II. Itroduccó al aálss tesoral. Itroduccó al aálss tesoral esores Es aquella catdad físca que después de ua trasformacó de coordeadas (que obedezca certas reglas),

Más detalles

MEDIDAS DE CENTRALIZACIÓN

MEDIDAS DE CENTRALIZACIÓN Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

x x x x x Y se seguía operando

x x x x x Y se seguía operando . INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces

Más detalles

TEMA 2: LOS NÚMEROS COMPLEJOS

TEMA 2: LOS NÚMEROS COMPLEJOS Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado

Más detalles

CÁLCULO NUMÉRICO (0258)

CÁLCULO NUMÉRICO (0258) CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.

Más detalles

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x) APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

Más detalles

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D.

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D. CPIULO 2º FUNCIONES DE VECORES Y MRICES_ Ig. Dego lejadro Patño G. M.Sc, Ph.D. Fucoes de Vectores y Matrces Los operadores leales so fucoes e u espaco vectoral, que trasforma u vector desde u espaco a

Más detalles

MÉTODOS MATEMÁTICOS ESPACIOS DE HILBERT Y OPERADORES LINEALES 1. ESPACIOS LINEALES. x = x x L. ε es el elemento neutro de la ley del producto ( )

MÉTODOS MATEMÁTICOS ESPACIOS DE HILBERT Y OPERADORES LINEALES 1. ESPACIOS LINEALES. x = x x L. ε es el elemento neutro de la ley del producto ( ) ÉTODOS ATEÁTICOS TEA 0: REPASO ÁLGEBRA ESPACIOS DE HILBERT Y OPERADORES LINEALES Profesora: ª Cruz Boscá ESPACIOS LINEALES Espaco leal L sobre u cuerpo (comutatvo) Λ U espaco leal (o vectoral) L sobre

Más detalles

FEM-OF: EDP Elíptica de 2 Orden

FEM-OF: EDP Elíptica de 2 Orden 9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk

Más detalles

Décimo primera clase. Repaso de álgebra lineal

Décimo primera clase. Repaso de álgebra lineal Uversdad Dstrtal Fracsco José de Caldas - Aálss de Señales y Sstemas - Marco A. Alzate Décmo prmera clase. Repaso de álgebra leal El álgebra leal juega u papel fudametal e la teoría de señales y sstemas,

Más detalles

ANTES DE COMENZAR RECUERDA

ANTES DE COMENZAR RECUERDA ANTES DE COMENZAR RECUERDA 00 Po tres ejemplos de úmeros reales que o sea racoales, y otros tres ejemplos de úmeros reales que o sea rracoales. Respuesta aberta. Tres úmeros reales que o sea racoales:,

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

MEDIDAS DE FORMA Y CONCENTRACIÓN

MEDIDAS DE FORMA Y CONCENTRACIÓN MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de

Más detalles

CAPÍTULO IV NÚMEROS COMPLEJOS E INDUCCIÓN MATEMÁTICA

CAPÍTULO IV NÚMEROS COMPLEJOS E INDUCCIÓN MATEMÁTICA NÚMEROS COMPLEJOS E INDUCCIÓN MATEMATICA 55 CAPÍTULO IV NÚMEROS COMPLEJOS E INDUCCIÓN MATEMÁTICA 4. INTRODUCCIÓN Los úmeros Complejos costtuye el mímo cojuto C, e el que se puede resolver la ecuacó x a

Más detalles

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,

Más detalles

Números Complejos PREGUNTAS MÁS FRECUENTES

Números Complejos PREGUNTAS MÁS FRECUENTES Repaso de º de Bachllerato Números Complejos PREGUNTAS MÁS FRECUENTES. Qué es la udad magara? Es u elemeto del que coocemos úcamete su cuadrado:.obvamete, o se trata de u úmero real.. Qué es u úmero complejo?

Más detalles

Problemas discretos con valores iniciales

Problemas discretos con valores iniciales Problemas dscretos co valores cales Gustavo Adolfo Juarez Slva Iés Navarro El presete trabajo pretede dfudr problemas dscretos co valores cales (e adelate PVID), a partr de ecuacoes e dferecas leales co

Más detalles

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

Más detalles

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo: PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula

Más detalles

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór Capítulo 4 Iterpolacó polomal de Hermte E determadas aplcacoes se precsa métodos de terpolacó que trabaje co datos prescrtos de la fucó y sus dervadas e ua sere de putos, co el objeto de aumetar la aproxmacó

Más detalles

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( )

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( ) Los úmeros complejos surje a ra de ecuacoes de la forma x + 0 Exste u certo paralelsmo etre este cuerpo el plao, cocretamete, lo que ha es ua correspodeca buívoca, es decr, ua relacó bectva etre C R R

Más detalles

4º MEDIO: MEDIDAS DE POSICIÓN

4º MEDIO: MEDIDAS DE POSICIÓN 4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co

Más detalles

SISTEMAS DE ECUACIONES NO LINEALES

SISTEMAS DE ECUACIONES NO LINEALES SISTEMAS DE ECUACIONES NO INEAES Capítulo 7 Sstemas de ecuacoes o leales c Elzabeth Vargas 7 INTRODUCCIÓN os métodos teratvos para resolver ua ecuacó o leal se puede eteder para ecotrar la solucó de u

Más detalles

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

Inferencia Estadística

Inferencia Estadística Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,

Más detalles

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1 TEMA (Últma modcacó 8-7-5 CALCULO DIFERENCIAL E INTEGRAL II DERIVABILIDAD Recordemos el cocepto de dervadas para ucoes de ua varable depedete = (. Para lo cual ormamos el cremeto de la ucó = ( + - ( El

Más detalles

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro) UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.

Más detalles

{ a 1, a 2,..., a } n. Cualquier vector n

{ a 1, a 2,..., a } n. Cualquier vector n Deparameo de Aálss Ecoómco UNIVERSIDAD DE ZARAGOZA Tema 3: Formas cuadrácas reales Para odo el ema, se cosdera e R u ssema de refereca (o base) dado { a 1, a 2,..., a }. Cualquer vecor x R se escrbe de

Más detalles

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado

Más detalles

2.5. Área de una superficie.

2.5. Área de una superficie. .5. Área de ua superfce. Sea g ua fucó co prmeras dervadas parcales cotuas, tal que z g( x y), 0 e toda la regó D del plao xy. Sea S la parte de la gráfca de g cuya proyeccó e el plao xy es como se lustra

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES.

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. EJERCICIO a) ( putos) Racoalce smplfque la fraccó. 8 8 b) ( putos) Determe los coefcetes de la ecuacó 3 a b

Más detalles

CAPITULO 2º VECTORES Y ESPACIOS VECTORIALES - 1. Ing. Diego A. Patiño G. M.Sc., Ph. D.

CAPITULO 2º VECTORES Y ESPACIOS VECTORIALES - 1. Ing. Diego A. Patiño G. M.Sc., Ph. D. CAPITULO º VECTORES Y ESPACIOS VECTORIALES - Ig. Dego A. Patño G. M.Sc., Ph. D. Vectores Efoque mecáco: defcó asocada a magtud y dreccó. Sgfcado físco. Restrgdo a 3 dmesoes. E. elocdad, aceleracó, campo

Más detalles

Interpolación polinómica.

Interpolación polinómica. 5 Iterpolacó polómca Itroduccó E muchas ocasoes e dferetes ramas de la geería, a la hora de resolver u problema, los datos de que se dspoe se ecuetra e tablas, como por ejemplo tablas estadístcas E la

Más detalles

G - Métodos de Interpolación

G - Métodos de Interpolación ESCUELA SUPERIOR DE NÁUTICA Y MÁQUINAS NAVALES / NAUTIKAKO ETA ITSASONTZI MAKINETAKO GOI ESKOLA TEKNIKOA FUNDAMENTOS MATEMÁTICOS G - Métodos de Iterpolacó Polomo de terpolacó de Lagrage. Polomo de terpolacó

Más detalles

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que

Más detalles

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores

Más detalles

(Véase el Ejercicio 13 Beneficio de los bancos )

(Véase el Ejercicio 13 Beneficio de los bancos ) étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 Tema 3. El modelo de regresó múltple. Hpótess báscas. El modelo. as pótess báscas. Estmacó

Más detalles

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

ALN - Valores y vectores propios

ALN - Valores y vectores propios ALN - Valores y vectores propos I. Co. Facultad de Igeería Uversdad de la Repúblca Versó. Plateo del problema Propedades matemátcas Método de las potecas Varates Trasformacoes de semeaa Gves Householder

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

X = d representa la métrica (distancia) euclideana en R n, dada por: d T(X,Y) = X Y = 1.3 TOPOLOGÍA BÁSICA EN

X = d representa la métrica (distancia) euclideana en R n, dada por: d T(X,Y) = X Y = 1.3 TOPOLOGÍA BÁSICA EN 0.3. Cojutos abertos y cerrados.3 TOPOLOGÍA BÁSICA EN R El espaco eucldeao dmesoal se defe como: E ( R,,, d ) Dode (asumedo que X, Y R, co X = (x,..., x ), Y = (y,..., y )): El símbolo represeta el producto

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

Transparencias de clase

Transparencias de clase Trasparecas de clase Dada ua tabla de datos se ha de ecotrar ua ucó que tome los valores requerdos e los putos dados; e el caso que os ocupa la ucó buscada será de carácter polómco Teorema: El polomo de

Más detalles

Álgebra Manuel Hervás Curso

Álgebra Manuel Hervás Curso Álgebra Mauel Hervás Curso 0-0 FORMAS LINEALES Defcó Sea E u espaco vecoral sobre referdo a ua base B e e e,,, Se deoma Forma Leal sobre a la aplcacó leal f : E al que x E f ( x) b De modo que elegdo u

Más detalles

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

MÉTODOS MATEMÁTICOS ESPACIOS DE HILBERT Y OPERADORES LINEALES TEMA 4: OPERADORES LINEALES

MÉTODOS MATEMÁTICOS ESPACIOS DE HILBERT Y OPERADORES LINEALES TEMA 4: OPERADORES LINEALES MÉTODOS MTEMÁTICOS ESPCIOS DE HILBERT Y OPERDORES LINELES Profesora: Mª Cruz Boscá TEM 4: OPERDORES LINELES Notacó: sea L ( L, ) y L ( L, ) dos espacos ormados; sea T u operador leal T : D( T ) < L L,

Más detalles

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

Más detalles

1.3. Longitud de arco.

1.3. Longitud de arco. .. Logtud de arco. Defcó. Sea C ua curva suave defda paramétrcamete por la fucó vectoral f : R R / f () t = ( f() t, f() t,, f ( t) ) e el espaco R, co t [ a, b], que se recorre exactamete ua vez cuado

Más detalles

Problemas de Polímeros. Química Física III

Problemas de Polímeros. Química Física III Problemas de Polímeros Químca Físca III 7..- Del fraccoameto de ua muestra de u determado polímero se obtuvero los sguetes resultados: Fraccó º, g 5, g/mol,75,6,886,89,,75,57,56 5,9,68 6,8,8 7,55,5 8,6,9

Más detalles

ANALISIS DE SISTEMAS LINEALES CONTINUOS EN EL ESPACIO DE ESTADO

ANALISIS DE SISTEMAS LINEALES CONTINUOS EN EL ESPACIO DE ESTADO U N E X P O UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA ANTONIO JOSE DE SUCRE VICE RECTORADO BARQUISIMETO DEPARTAMENTO DE INGENIERIA ELECTRONICA ANALISIS DE SISTEMAS LINEALES CONTINUOS EN EL ESPACIO

Más detalles

Estadística aplicada al Periodismo

Estadística aplicada al Periodismo Estadístca aplcada al Perodsmo Temaro de la asgatura Itroduccó. Aálss de datos uvarates. Aálss de datos bvarates. Seres temporales y úmeros ídce. Probabldad y Modelos probablístcos. Itroduccó a la fereca

Más detalles

J O. = r i. por el vector unitario k cuya dirección y sentido son los del semieje positivo OZ:

J O. = r i. por el vector unitario k cuya dirección y sentido son los del semieje positivo OZ: aletos ísca para Cecas e Igeería 1.1 1.1 Cocepto de sóldo rígdo Al comeo del estudo de la Mecáca, vmos que u sóldo rígdo es u caso partcular de u sstema de partículas materales que se caractera por ser

Más detalles

TEMA 1 PROBABILIDAD 1/10. Ejemplos : E y E

TEMA 1 PROBABILIDAD 1/10. Ejemplos : E y E wwwovauedes/webpages/ilde/web/dexhtm e-mal: mozas@elxuedes TEMA PROAILIDAD SUCESOS Exste feómeos o expermetos que, repetdos e détcas codcoes, sempre proporcoa el msmo resultado, a los que llamaremos determstas,

Más detalles

PARÁMETROS ESTADÍSTICOS ... N

PARÁMETROS ESTADÍSTICOS ... N el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto

Más detalles

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto

Más detalles

Sist. Lineales de Ecuaciones

Sist. Lineales de Ecuaciones Ttulacó: Asgatura: Autor: Igeero Geólogo Aálss Numérco César Meédez Ultma actualzacó: //007 Sst. Leales de Ecuacoes Plafcacó: Materales: Coocmetos prevos: 6 Teoría+4 Práctcas+ Laboratoro MATLAB Coocmetos

Más detalles

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2). TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores

Más detalles

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre Tema. La medda e Físca Estadístca de la medda Cfras sgfcatvas e certdumbre Cotedos Herrameta para represetar los valores de las magtudes físcas: los úmeros Sstemas de udades Notacó cetífca Estadístca de

Más detalles

Cuando un sistema se encuentra en un estado cuántico dado, podemos considerar que se encuentra parcialmente en otros 2 ó + estados.

Cuando un sistema se encuentra en un estado cuántico dado, podemos considerar que se encuentra parcialmente en otros 2 ó + estados. Estado cuátco: Prcpo de superposcó de los estados: Cualquer movmeto o perturbado que esté restrgdo por tatas codcoes como sea posble teórcamete s que exsta terferecas o cotradccoes etre ellas. Estado e

Más detalles

Los Histogramas. Histograma simple

Los Histogramas. Histograma simple Los Hstogramas El Hstograma es ua forma de represetacó de datos que permte aalzar fáclmete el comportameto de ua poblacó, ya sea per se, o por medo de ua muestra. U Hstograma se defe como u cojuto de barras

Más detalles

Álgebra lineal numérica con. Matlab

Álgebra lineal numérica con. Matlab Álgebra leal umérca co Matlab Métodos Matemátcos de Especaldad (Mecáca-Máquas) Escuela écca Superor de Igeeros Idustrales Uversdad Poltécca de Madrd Javer García de Jaló de la Fuete Septembre 004 Álgebra

Más detalles

DINÁMICA DE LOS SISTEMAS DE PARTÍCULAS

DINÁMICA DE LOS SISTEMAS DE PARTÍCULAS ísca para Cecas e Igeería 9 9 Seguda ley de Newto para u sstema de partículas Vmos al comezo de la Mecáca que u sstema de partículas materales es u cojuto más o meos umeroso de partículas que puede ejercer

Más detalles

Matemáticas Discretas

Matemáticas Discretas Coordacó de Cecas Computacoales - INAOE Matemátcas Dscretas Cursos Propedéutcos 0 Cecas Computacoales INAOE Dr. Erque Muñoz de Cote jemc@aoep.m http://ccc.aoep.m/~jemc Ofca 80 Dapostvas basadas e prevas

Más detalles

2 - TEORIA DE ERRORES : Calibraciones

2 - TEORIA DE ERRORES : Calibraciones - TEORIA DE ERRORES : Calbracoes CONTENIDOS Errores sstemátcos.. Modelo de Studet. Curvas de Calbracó. Métodos de los Mímos Cuadrados. Recta de Regresó. Calbracó de Istrumetos OBJETIVOS Explcar el cocepto

Más detalles

UNIDAD 7.- Matrices (tema 1 del libro) = MATRICES

UNIDAD 7.- Matrices (tema 1 del libro) = MATRICES UNIDD.- Marces (ema del lbro). MTRICES Ua mar se puede eeder como ua abla de úmeros ordeados e flas columas Defcó.- Se llama mar de dmesó m a u cojuo de úmeros reales dspuesos e m flas columas de la sguee

Más detalles

Del correcto uso de las fracciones parciales.

Del correcto uso de las fracciones parciales. Del correcto uso de las fraccoes parcales. Rubé Emauel Madrd García. E este opúsculo haré u aálss de lo que hoy llamamos fraccoes parcales, lo cual o es otra cosa que la descomposcó del cocete etre dos

Más detalles

Expectativas del Mercado y Creación de Valor en la Empresa

Expectativas del Mercado y Creación de Valor en la Empresa 2d teratoal Coferece o dustral Egeerg ad dustral Maagemet X Cogreso de geería de Orgazacó September 3-5, 28, Burgos, Spa Expectatvas del Mercado y Creacó de Valor e la Empresa elpe Ruz López 1, Cáddo Barrea

Más detalles

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205 Aálss amortzado Téccas Avazadas de Programacó - Javer Campos 205 Aálss amortzado El pla: Coceptos báscos: Método agregado Método cotable Método potecal Prmer ejemplo: aálss de tablas hash dámcas Motículos

Más detalles

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

UN VIAJE POR EL MUNDO DE LA PROBABILIDAD

UN VIAJE POR EL MUNDO DE LA PROBABILIDAD UN VIAJE POR EL MUNDO DE LA PROBABILIDAD AUTORÍA JUAN JOSÉ LEÓN ROMERA TEMÁTICA PROBABILIDAD ETAPA BACHILLERATO Resume E el presete artículo se trata los cotedos relacoados co Probabldad. Se hace u acercameto,

Más detalles

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C Los axomas de la probabldad obabldad El prmer paso para descrbr la certdumbre es cosderar el cojuto de posbles resultados obtedos a partr de u expermeto aleatoro. Este cojuto es llamado espaco muestral

Más detalles

TEMA 4: NÚMEROS COMPLEJOS

TEMA 4: NÚMEROS COMPLEJOS TEMA : COMPLEJOS 1 EN FOMA BINÓMICA 1.1 DEFINICIONES Sabemos que la resolucó de alguas ecuacoes de º grado coduce a ua raíz cuadrada de u º egatvo. Dcha raíz o tee setdo e el cojuto de los úmeros reales.

Más detalles

Números complejos. Números complejos. Las tribulaciones del estudiante Törless LITERATURA Y MATEMÁTICAS

Números complejos. Números complejos. Las tribulaciones del estudiante Törless LITERATURA Y MATEMÁTICAS Números complejos SOLUCIONARIO Números complejos LITERATURA Y MATEMÁTICAS Las trbulacoes del estudate Törless Dme, etedste be todo esto? Qué? Ese asuto de los úmeros magaros. Sí, o es ta dfícl. Lo úco

Más detalles

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada primera de de una función

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada primera de de una función Uversdad Poltécca de Madrd Igeería de Mas Fórmulas de de Dervacó Numérca: Aproxmacó de de la la dervada prmera de de ua fucó Prof. Alfredo López L Beto Prof. Carlos Code LázaroL Prof. Arturo dalgo LópezL

Más detalles

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS Uversdad Católca Los Ágeles de Cmbote LECTURA 0: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS TEMA : DISTRIBUCIONES DE FRECUENCIAS: DEFINICIÓN Y CLASIFICACIÓN

Más detalles

Escrito. 1) Transforma a las bases indicadas:

Escrito. 1) Transforma a las bases indicadas: Escrto ) Trasforma a las bases dcadas: a. 765 base (0) b. AB base 7 0 (6) base ) Halla los dígtos a y b sabedo que: aam 6 ( 5 ) mam( 6 ) 3) Trasforma a la base dcada usado ua tabla de correspodeca.. 00

Más detalles