• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Comprobar si una matriz es definida positiva en Excel sin macros

Excel

octubre 18, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Matriz definida positiva en Excel

Saber identificar si una matriz es definida positiva o no es clave para muchas aplicaciones. Al igual que poder identificar si es semidefinida positiva. Por lo que contar con un método rápido para ello puede ser de gran ayuda. En esta publicación se va a explicar cómo crear una hoja de cálculo para probar si una matriz es semidefinida positiva o definida positiva en Excel sin macros. Archivo que se podrá probar y descargar al final del texto.

El criterio de Sylvester para identificar si una matriz es definida positiva

Una matriz es definida positiva si y sólo si todos los autovalores de esta son positivos. Dado que el cálculo de los autovalores de una matriz es una tarea generalmente compleja se han desarrollado diferentes técnicas para evaluar la definitividad sin necesidad de recurrir obtener estos. Siendo uno de ellos el criterio de Sylvester. Un método con el que se puede determinar si una matriz simétrica es definida positiva, o semidefinida positiva, sin tener que recurrir al cálculo de los autovalores.

Para una matriz simétrica A de orden n \times n, el criterio de Sylvester consiste en verificar los signos de los determinantes de todas las submatrices principales de A. Las submatrices principales son submatrices obtenidas tomando las primeras k filas y columnas de A, donde 1 \leq k \leq n.

Por qué migrar tus proyectos TypeScript a ES Modules en 2026
En Analytics Lane
Por qué migrar tus proyectos TypeScript a ES Modules en 2026

Así, para determinar la definitividad de una matriz solamente se debe calcular el determinante de todas la submatrices principales y comprobar su signo. Si todas son positivas la matriz será definida positiva, si alguno es cero y todos los demás positivos matriz es semidefinida positiva. Finalmente, en el caso de que alguno sea negativo la matriz no será definida positiva ni semidefinida positiva.

Implementación criterio de Sylvester en Excel

Para la evaluación del criterio de Sylvester solamente hay que obtener el determinante de las submatrices principales de una matriz. En Excel existe la función MDETERM que calcula el determinante de matrices. Por lo que para la implementación del criterio solamente se tiene que evaluar la función sobre las submatrices, lo que se puede hacer mediante referencias manuales o automatizar con DESREF. La segunda opción facilita utilizar la hoja con matrices de cualquier tamaño, por lo que se usará esta opción.

En la hoja de cálculo la matriz se debe situar a partir de la casilla D1. Para calcular el determinante de las submatrices principales en la columna B se va a evaluar la función MDETERM desde sobre la matriz que comienza en D1 y se desplazan filas y columnas igual a la actual de la casilla B en la que se evalúa. Lo que se puede hacer con la siguiente función =MDETERM(DESREF($D$1;0;0;FILAS(B$1:B1);FILAS(B$1:B1))).

Ahora ya se tienen todos los determinantes, por lo que para saber si es definida positiva o no la matriz solamente se tiene que comprobar que todos los determinantes son mayores de cero. Para las semidefinidas positivas comprobar que todos los valores son mayores o iguales a cero. Algo que se puede hacer fácilmente comparado el resultado de las funciones CONTAR y CONTAR.SI con las condiciones adecuadas. Así, en la casilla A1 se puede obtener el resultado con la siguiente función =SI(CONTAR.SI(B:B;">0")=CONTAR(B:B); "Definida positiva"; SI(CONTAR.SI(B:B;">=0")=CONTAR(B:B); "Semidefinida positiva"; "No definida positiva"))

Analizar si una matriz es definida positiva en Excel

Ahora se puede comprobar si la hoja de cálculo devuelve el resultado correcto con diferentes matrices. Por ejemplo, para una definida positiva.

Matriz definida positiva en Excel
Evaluar una matriz definida positiva en la hoja de Excel

Lo que se puede repetir con una semidefinida positiva

Matriz semidefinida positiva en Excel
Evaluar una matriz semidefinida positiva en la hoja de Excel

Finalmente, con una que es definida negativa.

Matriz no definida positiva en Excel
Evaluar una matriz definida positiva ni semidefinida positiva en la hoja de Excel

En todos los casos la hoja de cálculo ha devuelto el resultado correcto.

Conclusiones

En esta entrada se ha explicado e implementado el criterio de Sylvester para identificar si una matriz es definida positiva. Siendo un criterio sencillo para conocer la definitud de una matriz.

Apéndice

A continuación, se muestra la hoja de cálculo implementada durante la entrada que además se puede descargar.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Por qué migrar tus proyectos TypeScript a ES Modules en 2026
  • Actualizar expresslanets a ES Modules con tsx y Vitest
  • Migrar tslane a un paquete dual CommonJS y ESM con tsup y Vitest
  • Pareto/NBD: cuando el abandono silencioso cambia el CLV
  • Cómo construir tu primer scorecard paso a paso
  • Docker Compose: el día a día. Cómo ver qué funciona y qué no
  • Cómo Verificar la Normalidad de tus Datos antes de un Test Estadístico
  • Qué significa realmente “calidad de datos”
  • Cómo Detectar Pseudo-IDs y Data Leakage en el Constructor de Scorecards

Publicidad

Publicado en: Ciencia de datos, Herramientas Etiquetado como: Excel

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Qué significa realmente “calidad de datos”

octubre 15, 2026 Por Daniel Rodríguez

Cómo Detectar Pseudo-IDs y Data Leakage en el Constructor de Scorecards

octubre 13, 2026 Por Daniel Rodríguez

Cómo Verificar la Normalidad de tus Datos antes de un Test Estadístico

octubre 8, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • Cómo comparar datos con barras en Matplotlib: agrupadas, apiladas y porcentuales publicado el mayo 12, 2026 | en Python
  • pandas Pandas: Cómo crear un DataFrame vacío y agregar datos publicado el noviembre 16, 2020 | en Python
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto