Por Ejemplo, En Modo Rpn: [[5,4,-1],[2,-3,5],[7,2,8]] Svd; Función Schur - HP 50g Guia Del Usuario

donde U y V son las matrices ortogonales, y S es una matriz diagonal. Los
elementos diagonales de S se llaman los valores singulares de A y ordenados
≥ s
generalmente de manera que s , para i = 1, 2, ..., n-1. Las columnas
i i+1
] de U y [v ] de V son los vectores singulares correspondientes.
[u
j j
Función SVD
En modo RPN, la función SVD (inglés, Singular Value Decomposition, o
descomposición de valores singulares) toma como entrada una matriz A
, y
n×m
produce las matrices U , V , y un vector s en los niveles 3, 2, y 1 de la
n×n m×m
pantalla, respectivamente. La dimensión del vector s es igual al mínimo de los
valores n y m. Las matrices U y V fueron definidas anteriormente para la
descomposición de valores singulares, mientras que el vector s representa la
diagonal principal de la matriz S usada anteriormente.

Por ejemplo, en modo RPN: [[5,4,-1],[2,-3,5],[7,2,8]] SVD

3: [[-0.27 0.81 –0.53][-0.37 –0.59 –0.72][-0.89 3.09E-3 0.46]]
2: [[ -0.68 –0.14 –0.72][ 0.42 0.73 –0.54][-0.60 0.67 0.44]]
1: [ 12.15 6.88 1.42]
Función SVL
La función SVL (inglés, Singular VaLues, o valores singulares) produce los
valores singulares de una matriz A como un vector s cuya dimensión es
n×m
igual al mínimo de los valores n and m. Por ejemplo, en modo RPN, [[5,4,-
1],[2,-3,5],[7,2,8]] SVL
[ 12.15 6.88 1.42].
produce
Función SCHUR
En modo RPN, la función SCHUR produce la descomposición de Schur de una
matriz cuadrada A produciendo las matrices Q y T, en los niveles 2 y 1 de la
T
pantalla, respectivamente, tales que A = Q⋅T⋅Q , donde Q es una matriz
ortogonal, y T es una matriz triangular. Por ejemplo, en modo RPN,
[[2,3,-1][5,4,-2][7,5,4]] SCHUR
resulta en:
2: [[0.66 –0.29 –0.70][-0.73 –0.01 –0.68][ -0.19 –0.96 0.21]]
Página 11-58