MN Cap3

SOLUCIÓN DE SISTEMAS LINEALES DE ECUACIONES
Descomposición de Cholesky
1
5.-Descomposición de Cholesky
Empleado para matriz simétrica
Se descompone en:
Una matriz definida positiva es aquella para la cual el producto {X}T [A]{X} es
mayor que cero, para todo vector {X} distinto de cero.
2
Aplique la descomposición de Cholesky a la matriz
1 -1 1
-1 5 -5
1 -5 6
3
Relaciones de recurrencia para obtener la descomposición L
4
Ejemplo: Aplique la descomposición de Cholesky a la matriz:
Simétrica
5
6
7
8
Matriz Inversa
9
6 .-Matriz Inversa
Si una matriz es cuadrada, hay otra matriz
Tal que
Entonces se llama matriz inversa de
10
6 .-Matriz Inversa
La inversa se puede calcular en forma de columna por
columna, generando soluciones con vectores unitarios
como las constantes del lado derecho
 La mejor forma de realizar un cálculo como este es con el

algoritmo de descomposición LU
11
6 .-Matriz Inversa
. .
. .
0 0
12
6 .-Matriz Inversa
Ejemplo: Hallar la matriz inversa empleando la descomposición LU
La descomposición LU dio como resultado
13
6 .-Matriz Inversa
Para hallar la primera columna
14
6 .-Matriz Inversa
Para hallar la primera columna
15
6 .-Matriz Inversa
Para hallar la segunda columna
16
6 .-Matriz Inversa
Para hallar la segunda columna
17
Gauss Seidel
18
Gauss Seidel
19
Gauss Seidel Jacobi
20
Gauss Seidel
El criterio de convergencia establece:
Este criterio se aplica también a las ecuaciones lineales
21
Gauss Seidel
El criterio de convergencia establece:
22
AJUSTE DE CURVAS E INTERPOLACIÓN
23
24
25
Regresión Lineal
26
Regresión Lineal
Criterio:
Minimizar la suma de los cuadrados de los residuos entre la y
medida y la y calculada con el modelo lineal
Minimizar:
27
Regresión Lineal
Minimizar – igualamos a cero y hallamos a0 y a1
Resolver
28
Regresión Lineal
Obtenemos las ecuaciones Normales
29
Regresión Lineal
Cuantificación del error
 El residuo en la regresión
lineal representa la
distancia vertical entre
un dato y la línea recta
30
Regresión Lineal
 Determinamos St
St = Suma total de los cuadrados alrededor de la media para la
variable dependiente, calculado de los datos Originales.
 Cuantificamos la mejora.
Reducción del error por describir los datos en términos de una línea
recta en vez de un valor promedio.
Reducción normalizada a St
31
Regresión Lineal
r2= coeficiente de determinación
r= Coeficiente de correlación.
Casos extremos de r
Para implementar en PC.
32
Regresión Lineal
Linealización de relaciones no lineales
33
Regresión Lineal
Caso1: Emplear regresión polinomial.
Caso2: Utilizar transformaciones para expresar los datos en una

forma que sea compatible con la regresión lineal.
Modelo exponencial
34
Regresión Lineal
Ecuación de potencias
Razón de crecimiento
35
REGRESIÓN POLINOMIAL
36
Regresión Polinomial
37
Regresión Polinomial
38

MN Cap3

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

MN Cap3

Cargado por

Copyright:

Formatos disponibles

SOLUCIÓN DE SISTEMAS LINEALES DE ECUACIONES

Empleado para matriz simétrica

Si una matriz es cuadrada, hay otra matriz

Entonces se llama matriz inversa de

 La mejor forma de realizar un cálculo como este es con el

La descomposición LU dio como resultado

Gauss Seidel Jacobi

Este criterio se aplica también a las ecuaciones lineales

Minimizar – igualamos a cero y hallamos a0 y a1

Obtenemos las ecuaciones Normales

Cuantificación del error

Para implementar en PC.

Caso2: Utilizar transformaciones para expresar los datos en una

También podría gustarte