Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Y graficamos
Este vector paso ser de 2, 1 con una rotación de espacio y paso ser a 1, 2. Y el determinante es -4.
3 AUTOVALORES Y AUTOVECTORES
Autovectores: Son vectores cuya dirección no se modifica al aplicarle la trasformación de una matriz, el sentido y el
tamaño sí puede variar. El valor que transforma el vector inicial en el vector final se llama autovalor. Notas:
El vector transformado es u:
4 COMO CALCULAR LOS AUTOVALORES Y AUTOVECTORES
5 DESCOMPOSICION DE MATRICES
Descomponer una matriz: Quiere decir encontrar dos o más matrices que me ayuden a escribir la matriz original
y que tengan ciertas propiedades. Una matriz A la podemos escribir como: sus autovectores producto punto una
matriz diagonal, donde la matriz diagonal tiene todos los autovalores encontrados, producto punto la matriz
inversa de sus autovectores.
6 COMO DESCOMPONGO UNA MATRIZ NO CUADRADA (SVD)
Esto es descomposición en valores singulares
La transformación del espacio de una matriz A es igual a la transformación de las matrices SVD (Valores
singulares)
Nota: La descomposición por valores singulares tiene efectos similares:
Aca lo que vemos es q v1 sufre una contracción de nuestro valor singular que tenemos dentro de la matriz
10 UNA IMAGEN ES UNA MATRIZ
Vemos que una imagen por ejemplo un computador la clasifica como una matriz, por ejemplo, aca se carga una imagen y
se va a transformar a una matriz:
Y esto tiene los siguientes pixeles los cuales están guardados en filas y columnas, en este caso 3456 filas y 3693 columnas
Resumen
La pseudo inversa de Moore Penrose es utilizada cuando en un sistema de ecuaciones lineales representado por
Ax = B, x no tiene inversa.
2. Construir D_pse: una matriz de ceros que tiene igual dimension de A, y que luego se transpone.
Notas
Lo que obtenemos con A_pse es una matriz muy cercana a la inversa. Cercano en el sentido de que minimiza la
norma dos de estas distancias. O sea, de estos errores que estamos cometiendo.
15 QUE ES PCA
La maldición de la dimensión: Esto dice que por cada variable que agrego en el conjunto de datos vamos a necesitar
exponencialmente más muestras para poder tener la misma relevancia estadística.
Nos dice que con seis componentes o figuras nos basta para representar el 50% del conjunto de datos: