Lineaariset mollit, kl 2017, Harjoitus 1
|
|
- Veikko Pääkkönen
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 Lineaariset mollit, kl 07, Harjoitus Heikki Korpela 7 huhtikuuta 07 Tehtävä Symmetristä matriisia A(n n) sanotaan positiivisesti definiitiksi (merkitään A > 0), jos x T Ax > 0 kaikilla x 0, x R n (ks monisteen Liite B) Osoita, että matriisi A(n n) on positiivisesti definiitti jos ja vain jos sen ominaisarvot ovat positiivisia Osoita edelleen, että positiivisesti definiitti matriisi on epäsingulaarinen (eli sillä on käänteismatriisi) (Vihjeet: (i) Voit käyttää symmetrisen matriisin pääakselihajotelmaa, ks monisteen Liite B6 (ii) Yksi tapa on olettaa A singulaariseksi ja todeta, ettei se voi tällöin olla positiivisesti definiitti) Vastaus: Jaetaan ensimmäisen väitteen todistus kahteen osaan : Oletetaan, että A on ponitiivisesti delfiini n n-matriisi, ja osoitetaan, että tällöin sen ominaisarvot ovat aidosti positiivisia Koska matriisi on symmetrinen, sen ominaisarvot ovat reaalisia Olkoot λ jokin ominaisarvo ja x sitä vastaava mielivaltainen ominaisvektori Ominaisvektorin määritelmän nojalla x ei voi olla nollavektori Tällöin täytyy päteä Ax λx x T Ax x T λx λx T x λ x, }{{} >0 ominaisarvon ja -vektorin määritelmä c R cxy XcY kaikille matriiseille X, Y missä x x, x on luonnollinen normi Normin (ja sisätulon) ominaisuuksien mukaan x > 0 kaikilla x 0, ja koska x ei ollut nollavektori, normin neliö on siis positiivinen luku Toisaalta positiivisen definiittisyyden määritelmän nojalla jokaisella x täytyy päteä x T Ax > 0, joten tämän ehdon täytyy päteä myös ominaisvektoreille Siis täytyy päteä λ x > 0 λ > 0 Koska λ oli mielivaltainen ominaisarvo, ominaisarvot ovat kaikki positiivisia : Oletetaan sitten, että A on symmetrinen n n-matriisi, jonka ominaisarvot λ,, λ n ovat (aidosti) positiivisia Halutaan osoittaa, että tällöin x T Ax > 0 aina, kun x 0 Matriisilla on symmetrisena olemassa pääakseliesitys (eli se voidaan diagonalisoida seuraavaan muotoon) A UΛU T, jossa U on ortogonaalinen (itse asiassa jopa ortonormaali) matriisi eli sen transpoosi on sen käänteismatriisi, ja Λ on diagonaalimatriisi, jonka lävistäjällä ovat ominaisarvot λ,, λ n Oletetaan, että x R n \ {0} Tarkastellaan sitten trepanoinnin avulla seuraavaa tuloa x T Ax x T U ( U T x ) T (XY)T Y T X T
2 Huomataan, että n n-matriisin ja vektorin eli n -matriisin tulona U T x on jokin n -matriisi (jokin vektori) Merkitään sitä w [ w w n ] T:llä, jolloin saadaan x T Ax w T Λw w T λ λ i wi, λ n w ja koska ominaisarvot λ i oletettiin positiivisiksi, tämä on suurempaa kuin nolla, kunhan jokin luvuista w i oli nolla, eli yhtäpitävästi kunhan w ei ole nollavektori Välissä tehty lasku olisi siis pidemmin λ 0 [ ] w w n 0 λ n w w n [ ] λ w λ n w n w w n λ i wi w voidaan todeta ei-nollavektoriksi useammallakin tavalla Yksinkertaisin lienee seuraava päättely: ortogonaalisina U ja sen transpoosi U T ovat molemmat kääntyviä Tästä seuraa, että yhtälöllä U T x 0 on vain triviaaliratkaisu x 0 Koska oletuksen mukaan x ei ollut nollavektori, ei w U T x:kään ole Siten oletuksesta λ,, λ n > 0 seurasi x T Ax > 0 ja ensimmäisen osoitettavan väitteen molemmat suunnat on todistettu Vaihtoehtoisia tapoja: tapa (Vielä) eräs tapa merkitä tuloa x T Ax olisi ollut x T U Λ, missä pitää ymmärtää λ 0 Λ Λ T Λ, Λ Λ, 0 λn missä käytetään laajennettua neliöjuuren määritelmää, jolloin juuri on kompleksinen eli λ i C Tällöin, kun U T merk u T u T n, ( x T U T Λ) ΛUx ( Λ T Ux ) T ΛUx ( ΛUx ) T ΛUx ΛUx u, x λ u, x Λ u n, x λn u n, x λi ui, x λ i u i, x Tästä muodosta voidaan tehdä samat päätelmät kuin aiemmin: pistetulon neliö on varmasti einegatiivinen Oletuksen mukaan x ei ole nollavektori Koska U on ortogonaalinen R n :n kanta ja siten myös U T on kanta, mikään x R n ei voi olla ortogonaalinen jokaista sen vektoria vastaan (Muutenhan jono u,, u n, x, jonka pituus on n+, olisi ortogonaalisena vapaa ja siitä saataisiin R n :n n+ vektoria pitkä kanta mahdollisesti lisäämällä siihen vektoreita, mikä on ristiriita) Siis jokin pistetulojen neliöistä on myös eri suuri kuin nolla Jos λ i > 0 kaikilla i, saatu summalauseke on aina positiivinen ja matriisi on positiivisesti definiitti Toisaalta, jos λ q 0 jollain q, voidaan aina valita sellainen x (tarkalleen: on jopa pakko valita tätä ominaisarvoa vastaava ominaisvektori u q tai jokin sen monikerta), että se on kohtisuorassa
3 kaikkia muita U:n vektoreita vastaan Saatu summalauseke suppenee tällöin: λ i u i, x λ q u q, x , }{{}}{{} 0 >0 joten tällöin matriisi ei voi olla positiivisesti definiitti Vaihtoehtoisia tapoja: tapa 3 Tämä lähestymistapa perustuu olennaisesti samaan tietoon kuin yllä on käytetty, mutta se on hieman geometrisempi Oletetaan, että A on symmetrinen n n-matriisi Koska U voidaan skaalata jopa ortonormaaliksi n n-matriisiksi (tämä osoitetaan esim Honkasalon Lineaarialgebra I -opetusmonisteessa), se muodostaa R n :n ortonormaalin kannan Sama pätee tietenkin välittömästi myös U T :lle Siten jokainen R n :n vektori, myös x, voidaan esittää matriisin U T merk [ ] u u n sarakkeiden lineaarikombinaationa c u + + c n u n joillain c,, c n R Tämä huomioimalla voidaan kirjoittaa x T Ax x T U ( U T x ) T ([ ] u u n (c u + + c n u n ) ) T T u, u u n, u c + + c n u, u n u, u n T 0 c + + c n 0 [ ] c c n Λ c i λ i, c c n missä sisätulot löpsähtivät nolliksi ja ykköksiksi: nimittäin siitä, että U [ u ] u n on ortonormaali, seuraa määritelmän nojalla, että u i, u j { u i, i j 0, i j (u i, u j ovat ortogonaalisia eli kohtisuorassa toisiaan vasten aina, kun i j, ja kunkin vektorin pituus on normeerattu ykköseksi) Nyt, jos A:n ominaisarvot λ i ovat positiivisia, niin n c i λ i on myös positiivinen (koska U T muodosti kannan, sen vektoreille x pätee x c u + + c n u n 0 c c n 0) Toisaalta, jos A on positiivisesti definiitti, täytyy päteä x T Ax n c i λ i > 0 kaikilla x Tehdään vastaoletus, että A on positiivisesti definiitti, mutta sen k:s ominaisarvo λ k 0 Valitaan vektori x u k (eli vektorin koordinaatit kannassa U ovat nollaa muutoin, mutta k:s koordinaatti on ykkönen) Tällöin x T Ax n c i λ i c k λ k λ k 0 Koska vastaoletuksesta seurasi ristiriita, k:n ominaisarvot ovat positiivisia Näin väitteen molemmat suunnat on saatu näytettyä Väitteistä toinen eli epäsingulaarisuus voidaan todistaa esimerkiksi äskeisen väitteen nojalla Oletetaan, että A on positiivisesti definiitti, eli sen ominaisarvot ovat kaikki positiivisia Matriisin determinantti voidaan laskea ominaisarvojen tulona, eli det A λ λ n Koska nämä olivat aidosti positiivisia, on matriisi determinanttiehdon (det A 0) nojalla kääntyvä Toinen vaihtoehto olisi käyttää vihjettä ja epäsuoraa todistusta Tehdään siis vastaoletus, että A on singulaarinen, positiivisesti definiitti n n matriisi 3
4 Tunnetusti yhtälöllä Ax 0 on muitakin kuin triviaaliratkaisu, jos ja vain jos A on kääntyvä Koska A on singulaarinen, on olemassa jokin sellainen x R n \ {0}, että Ax 0 x T Ax 0 0 Mutta A oli positiivisesti definiitti (määritelmä: x T Ax > 0 kaikilla x 0) Vastaoletuksesta seurasi ristiriita, joten se on epätosi ja väite tosi Tehtävä Olkoon A(n n) positiivisesti definiitti ja B(n k) astetta k oleva matriisi (eli B:n sarakkeet ovat lineaarisesti riippumattomat; ks monisteen Liite B9) Osoita, että B T AB(k k) on positiivisesti definiitti ja siten epäsingulaarinen Vastaus: Osoitetaan väite suoralla todistuksella käyttämällä hyväksi B:n astetta Oletetaan, että x R k \ {0} Halutaan osoittaa, että ( x T B T) A(Bx) (Bx) T A(Bx) > 0, missä Bx merk w on n k-matriisin ja k -vektorin tulona jokin n -vektori Koska A oli positiivisesti definiitti, niin w T Aw > 0, kunhan w 0 Riittää siis osoittaa, että w ei ole nollavektori Tunnetusti n k -matriisin B (sen määräämän lineaarikuvauksen R n :stä R k :hon) ytimen dimensio saadaan kaavasta dim Ker B k Rank(B) Koska Rank(B) k, niin dim Ker B 0, eli B:n ytimen dimensio on nolla (Yhtäpitävästi: B on injektio ja vie nollavektorille ainoastaan nollavektorin) Koska x ei ollut nollavektori, ei w Bx:kään ole, ja väite seuraa Tehtävä 3 (i) Olkoon neliömatriisi A(n n) idempotentti eli A AA (merkitään AA A ; ks monisteen Liite B0) Osoita, että I n A on myös idempotentti ja että A:n ominaisarvot ovat nollia ja ykkösiä (Vihje: Ominaisvektorit määrittävä yhtälö, ks monisteen Liite B6) (ii) Olkoon X on astetta p oleva n p matriisi ja R(X) {z R n : z Xb jollain b R p } X:n sarakevektoreiden virittämä R n :n p-ulotteinen aliavaruus (eli X:n sarakeavaruus) 3 Vastaus: Osoita, että matriisi P X(X T X) X T on symmetrinen ja idempotentti eli ns (ortogonaalinen) projektio(matriisi) Totea myös, että matriisin P määritelmässä esiintyvä matriisi X T X on epäsingulaarinen ja että yhtälö Px x pätee kaikilla x R(X) (kuten nimityksen projektiomatriisi perusteella odottaisikin) (i) Todetaan ensimmäinen väite suoralla laskulla Merkitään B I n A BB B(I n A) BI n BA matriisitulon ja yhteenlaskun osittelulaki B (I n A)A I nx X B (I n A AA) B (A A) B AA A 4
5 Osoitetaan toinen väite käyttämällä ominaisarvon määritelmää Oletetaan, että reaaliluku λ on A:n jokin ominaisarvo Määritelmän mukaan tämä tarkoittaa, että on olemassa jokin nollasta poikkeava vektori se Ax λx AAx A(λx) λ(ax) Ax λ(λx) λ x λx λ x λ λ λ 0 tai λ a R aab A(aB) AA A; Ax λx; a, b R a(ba) (ab)a (ii) Osoitetaan jälleen ensimmäiset väitteet suorilla laskuilla Symmetria: otetaan käyttöön apumuuttuja C (X T X) P T (XC X T ) T (X T ) T (C ) T X T (ABC) T C T B T A T X(C ) T X T (X T ) T X X(C T ) X ) T (A T ) X(X T X) X X T X Idempotenssi: PP (XC X T )(XC X T ) (XC )(X T XC )(X T ) (XC )(CC )(X T ) (XC )I n (X T ) XC X T P matriisitulon liitännäisyys C XT X käänteismatriisin määritelmä: CC I n Toista, epäsingulaarisuutta koskevaa väitettä varten todetaan, että yleisesti Rank(X T X) Rank(X) Koska tämä yleinen tulos oli annettu Möttösen monisteessa ilman todistusta, todistetaan se yleisessä tapauksessa Tutkitaan mielivaltaista n k-reaalimatriisia Z ja joukkoa Ker Z {x R k : Zx 0} Oletetaan, että Z:n aste on q Palautetaan jälleen mieleen perustietoja lineaarialgebrasta: A : V U dim V dim Ker A + dim Im A A R n k k Null A + Rank A Z R n k k Null Z + Rank Z Z T Z R k k k Null Z T Z + Rank Z T Z dimensiolause dimensiolause matriisimuodossa Koska Null(Z T Z) dim Ker Z T Z, riittää osoittaa, että Ker Z Ker Z T Z, niin Rank Z Rank Z T Z 5
6 Todistetaan tämä osoittamalla, että jälkimmäisen joukon määräävää yhtälö on ekvivalentti edellisen joukon määräävän ehdon kanssa Todetaan ensin, että nollavektori kuuluu aina mihin tahansa ytimeen, eli 0 Ker Z Ker Z T Z Oletetaan sitten, että x Ker Z T Z \ {0} Siis ytimen määritelmän mukaan Z T Zx 0 x T Z T Zx x T 0 0 (Zx) T (Zx) 0 Zx 0 Zx 0, missä viimeinen ekvivalenssi perustui normin määritelmään (vektorin normin neliö eli sen pistetulo itsensä kanssa on nolla joss vektori on nollavektori) Siis ehdot Z T Zx 0 ja Zx 0 ovat ekvivalentit ja määräävät siis samat joukot Tunnetusti mille tahansa p p-matriisille Y pätee: Y on kääntyvä Rank(Y) p Koska oletuksen mukaan Rank X p, väite seuraa Jäljellä on todistus sille, että Px x kaikilla x R(X) Oletetaan tätä varten, että x on jokin R(X):n vektori, ja osoitetaan sitten laskemalla, että Px x Nyt joukon R(X) määrityksen perusteella pätee, että on olemassa sellainen vektori b R p, että x Xb Lasketaan sitten Px: Px ( XC X T) x ( XC X T) (Xb) XC ( X T X ) b X C } {{ C } b I Xb x C XT X Vaihtoehtoisesti oltaisiin voitu todeta suoraan seuraava Olkoon x R p \ {0} Nyt x T X T Xx (Xx) T (Xx) Xx 0, kunhan Xx ei ole nollavektori Koska X:n sarakeaste oli p ja x oli R p :n nollasta eroava vektori, tämä seuraa Tehtävä 4 Tarkastellaan aineistosta y,, y n otosvarianssia s y (n ) n (y i y) laskettua otoskeskiarvoa y n n y i ja Osoita, että (n )s y y T (I n J)y, jossa ja y [ y y n ] T J n ( T n n ) T n ( n [ ] T, n ) on (edellisen tehtävän perusteella) projektiomatriisi 4 Vastaus: Tuloksen geometrinen perustelu lienee se, että jos J on projektiomatriisi, joka projisoi astetta p (tässä selvästi p ) vastaavaa dimensiota olevan aliavaruuden vektorit (identtisesti) itselleen, I n J projisoi vastaavasti tämän aliavaruuden ortokomplementin (dimensio n p n ) vektorit (identtisesti) itselleen (Olkoon x R n :n vektori Olkoon W R n :n aliavaruus, jonka dimensio on p Tällöin x proj W x+ proj W x Olkoon P se astetta p oleva projektiomatriisi, joka projisoi R n :stä x:ään Tällöin siis 6
7 x Px + Zx Zx x Px (I n P)x) Tästä seuraa, että I n J eliminoi y:n dimensioista p kappaletta (yhden vapausasteen) Osoitetaan väite jälleen laskemalla Yksinkertaisinta lienee hyödyntää sitä, että projektiomatriisina J on symmetrinen ja idempotentti Edellisen tehtävän perusteella myös I n J on idempotentti Merkitään K (I n J) KK Lasketaan paloissa ensin apulaskuna J: T n n merk L n, n n (L) n J n (L) T n n n T n n n T n n [ ] n T n n T n y T (K)y (y T K)(Ky) [K T y] T [Ky] [(I n J) T y] T [(I n J)y] [(I T n J T )y] T [(I n J)y] [(I n J)y] T (I n J)y I n J)y y Jy y T n n n y y y i T n n n y y ny n i ny y y y y n (y i y) (n )s, y n y (AB)T B T A T (A ± B)T A T ± B T IT I, ms J symm Suora laskukaan hyödyntämättä idempotenssia ei ole vaikea Jaetaan se paloihin Todetaan ensin, että hajotelma n (y i y) n y i ny saadaan sovelluksena tutusta säännöstä n (y i a) n (y i y) + n(y a) valinnalla a 0 Tarvittaessa tämän tuloksen voi myös laskea (huomioiden y /n n y ny n y): (y i y) (yi y i y + y ) yi y y i + ny yi yny + ny yi ny Siis yhtälön vasen puoli on (n )s y n n n (y i y) n y i ny Yhtälön oikealla puolella on y T (I n J)y y T I n y y T Jy y T y y T Jy Näistä ensimmäinen termi on y T y y, y n y i suoraan pistetulon tai normin neliön määritelmästä 7
8 Riittää siis osoittaa, että y T Jy ny Projektio-ominaisuutta (Px x kaikilla x R(P)) ei nyt voi itsessään käyttää, koska y on R n :n vektori ja J:n aste (eli sen sarakeavaruuden dimensio) on selvästi, joka on pienempi kuin n kaikissa mielenkiintoisissa tapauksissa Suora lasku osoittaa sen sijaan (uudelleen) väitteen: y T Jy y T n T n T n y T n n, y n yt y i n yt ny T n n, y y n yt i ny ny n yt n y y, n yny ny Tehtävä 5 (Yksisuuntainen varianssianalyysimalli) Olkoon Y,, Y n, Y,, Y n,, Y p,, Y pnp riippumattomia ja Y ji N(µ j R, σ ) µ j R, σ > 0) Esitä tilanne lineaarisen mallin erikoistapauksena käyttäen lineaarisen mallin matriisiesitystä Mikä on matriisin X aste? 5 Vastaus: Merkitään Y j [ ] T Y j Y jnj R n j (huom nämä vektorit voivat olla eripituisia!) Havaitaan, että tällä satunnaisvektorilla on suoraan odotusarvovektorin ja kovarianssimatriisin määritelmien mukaan EY j nj µ j ja, riippumattomuuden nojalla, Cov Y j I n σ (Ristitermit nollautuvat, koska riippumattomuudesta seuraa korreloimattomuus) Kun mielletään pidempi satunnaisvektori Y [ ] T Y Y n Y p Y pnp matriisina [ ] Y T Y T T p R n t, missä n t p j n j (eli koko aineiston koko), saadaan suoraan kaksi sopivaa, vaihtoehtoista esitystä: tai vastaavasti n 0 n µ + 0 np } {{ np µ p }}{{} R n t p R p Y Y p }{{} R n t Y Xβ + ε, n 0 n X 0 np np, β ε ε nt }{{} R n t µ µ p Y N(Xβ, I n σ ), ε N(0, I n σ ), Matriisin X aste on sen lineaarisesti riippumattomien rivien, tai ekvivalentisti sen lineaarisesti riippumattomien sarakkeiden, määrä Lohkoesityksestä nähdään välittömästi, että matriisin riveistä voidaan muodostaa R p -avaruuden luonnollinen kanta poistamalla identtisinä esiintyvät rivit Riveillä on vektorit (tässä käytetty rivivektorin ja vektorin samaistusta) [ 0 ],, [ 0 ] e,, e p siten, että kukin vektori e j esiintyy identtisenä n j kertaa (eli esiintyy lineaarisesti toisesta rivivektorista e j riippuvana n j kertaa, ja on kaikkiin muihin riveihin nähden ortogonaalinen) Siis matriisin riveistä p kappaletta on lineaarisesti riippumattomia, eli Rank(X) p 8
Ortogonaalisen kannan etsiminen
Ortogonaalisen kannan etsiminen Lause 94 (Gramin-Schmidtin menetelmä) Oletetaan, että B = ( v 1,..., v n ) on sisätuloavaruuden V kanta. Merkitään V k = span( v 1,..., v k ) ja w 1 = v 1 w 2 = v 2 v 2,
LisätiedotOminaisvektoreiden lineaarinen riippumattomuus
Ominaisvektoreiden lineaarinen riippumattomuus Lause 17 Oletetaan, että A on n n -matriisi. Oletetaan, että λ 1,..., λ m ovat matriisin A eri ominaisarvoja, ja oletetaan, että v 1,..., v m ovat jotkin
LisätiedotOrtogonaalinen ja ortonormaali kanta
Ortogonaalinen ja ortonormaali kanta Määritelmä Kantaa ( w 1,..., w k ) kutsutaan ortogonaaliseksi, jos sen vektorit ovat kohtisuorassa toisiaan vastaan eli w i w j = 0 kaikilla i, j {1, 2,..., k}, missä
Lisätiedot1 Ominaisarvot ja ominaisvektorit
1 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) 1 missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
LisätiedotMatemaattinen Analyysi / kertaus
Matemaattinen Analyysi / kertaus Ensimmäinen välikoe o { 2x + 3y 4z = 2 5x 2y + 5z = 7 ( ) x 2 3 4 y = 5 2 5 z ) ( 3 + y 2 ( 2 x 5 ( 2 7 ) ) ( 4 + z 5 ) = ( 2 7 ) yhteys determinanttiin Yhtälöryhmän ratkaiseminen
LisätiedotPäättelyn voisi aloittaa myös edellisen loppupuolelta ja näyttää kuten alkupuolella, että välttämättä dim W < R 1 R 1
Lineaarialgebran kertaustehtävien b ratkaisuista. Määritä jokin kanta sille reaalikertoimisten polynomien lineaariavaruuden P aliavaruudelle, jonka virittää polynomijoukko {x, x+, x x }. Ratkaisu. Olkoon
Lisätiedot5 Ominaisarvot ja ominaisvektorit
5 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin A
Lisätiedot(1.1) Ae j = a k,j e k.
Lineaarikuvauksen determinantti ja jälki 1. Lineaarikuvauksen matriisi. Palautetaan mieleen, mikä lineaarikuvauksen matriisi annetun kannan suhteen on. Olkoot V äärellisulotteinen vektoriavaruus, n = dim
Lisätiedot802320A LINEAARIALGEBRA OSA I
802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä
Lisätiedotx = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );
LINEAARIALGEBRA Ratkaisuluonnoksia, Syksy 2016 1. Olkoon n Z +. Osoita, että (R n, +, ) on lineaariavaruus, kun vektoreiden x = (x 1,..., x n ), y = (y 1,..., y n ) identtisyys, yhteenlasku ja reaaliluvulla
LisätiedotMatematiikka B2 - TUDI
Matematiikka B2 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
Lisätiedot1 Lineaariavaruus eli Vektoriavaruus
1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus
LisätiedotOsoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.
LINEAARIALGEBRA Harjoituksia 2016 1. Olkoon V = R 2 varustettuna tavallisella yhteenlaskulla. Määritellään reaaliluvulla kertominen seuraavasti: λ (x 1, x 2 ) = (λx 1, 0) (x 1, x 2 ) R 2 ja λ R. Osoita,
LisätiedotMS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
LisätiedotLineaarikuvauksen R n R m matriisi
Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:
LisätiedotVektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on
13 Pistetulo Avaruuksissa R 2 ja R 3 on totuttu puhumaan vektorien pituuksista ja vektoreiden välisistä kulmista. Kuten tavallista, näiden käsitteiden yleistäminen korkeampiulotteisiin avaruuksiin ei onnistu
LisätiedotNeliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja
7 NELIÖMATRIISIN DIAGONALISOINTI. Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T () Muistutus: Kokoa n olevien vektorien
Lisätiedotx = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );
LINEAARIALGEBRA Harjoituksia, Syksy 2016 1. Olkoon n Z +. Osoita, että (R n, +, ) on lineaariavaruus, kun vektoreiden x = (x 1,..., x n ), y = (y 1,..., y n ) identtisyys, yhteenlasku ja reaaliluvulla
LisätiedotMS-A0003/A Matriisilaskenta Laskuharjoitus 6
MS-A3/A - Matriisilaskenta Laskuharjoitus 6 Ratkaisuehdotelmia. Diagonalisointi on hajotelma A SΛS, jossa diagonaalimatriisi Λ sisältää matriisin A ominaisarvot ja matriisin S sarakkeet ovat näitä ominaisarvoja
Lisätiedot802320A LINEAARIALGEBRA OSA II
802320A LINEAARIALGEBRA OSA II Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 64 Sisätuloavaruus Määritelmä 1 Olkoon V reaalinen vektoriavaruus. Kuvaus on reaalinen
LisätiedotHarjoitusten 5 vastaukset
Harjoitusten 5 vastaukset 1. a) Regressiossa (1 ) selitettävänä on y jaselittäjinävakiojax matriisin muuttujat. Regressiossa (1*) selitettävänä on y:n poikkeamat keskiarvostaan ja selittäjinä X matriisin
LisätiedotMatriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?
Harjoitus 1, kevät 007 1. Olkoon [ ] cos α sin α A(α) =. sin α cos α Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?. Olkoon a x y A = 0 b z, 0 0 c missä a, b, c 0. Määrää käänteismatriisi
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 13.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/12 Käytännön asioita Kesäkuun tentti: ke 19.6. klo 17-20, päärakennuksen sali 1. Anna palautetta kurssisivulle ilmestyvällä
LisätiedotRatkaisuehdotukset LH 7 / vko 47
MS-C34 Lineaarialgebra, II/7 Ratkaisuehdotukset LH 7 / vko 47 Tehtävä : Olkoot M R symmetrinen ja positiividefiniitti matriisi (i) Näytä, että m > ja m > (ii) Etsi Eliminaatiomatriisi E R siten, että [
LisätiedotMatematiikka B2 - Avoin yliopisto
6. elokuuta 2012 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
LisätiedotLineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä)
Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe 26.10.2017 Ratkaisuehdotus 1. (35 pistettä) (a) Seuraavat matriisit on saatu eräistä yhtälöryhmistä alkeisrivitoimituksilla. Kuinka monta ratkaisua yhtälöryhmällä
Lisätiedot1 Sisätulo- ja normiavaruudet
1 Sisätulo- ja normiavaruudet 1.1 Sisätuloavaruus Määritelmä 1. Olkoon V reaalinen vektoriavaruus. Kuvaus : V V R on reaalinen sisätulo eli pistetulo, jos (a) v w = w v (symmetrisyys); (b) v + u w = v
LisätiedotOminaisarvo ja ominaisvektori
Ominaisarvo ja ominaisvektori Määritelmä Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka
LisätiedotKertausta: avaruuden R n vektoreiden pistetulo
Kertausta: avaruuden R n vektoreiden pistetulo Määritelmä Vektoreiden v R n ja w R n pistetulo on v w = v 1 w 1 + v 2 w 2 + + v n w n. Huom. Pistetulo v w on reaaliluku! LM2, Kesä 2012 227/310 Kertausta:
LisätiedotOminaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3.
Matematiikan ja tilastotieteen laitos Lineaarialgebra ja matriisilaskenta II Ylimääräinen harjoitus 6 Ratkaisut A:n karakteristinen funktio p A on λ p A (λ) det(a λi ) 0 λ ( λ) 0 5 λ λ 5 λ ( λ) (( λ) (
LisätiedotKannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:
8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden
LisätiedotLineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44
Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44 Tehtävät 1-3 lasketaan alkuviikon harjoituksissa, verkkotehtävien dl on lauantaina aamuyöllä. Tehtävät 4 ja 5 lasketaan loppuviikon harjoituksissa.
Lisätiedot6. OMINAISARVOT JA DIAGONALISOINTI
0 6 OMINAISARVOT JA DIAGONALISOINTI 6 Ominaisarvot ja ominaisvektorit Olkoon V äärellisulotteinen vektoriavaruus, dim(v ) = n ja L : V V lineaarikuvaus Määritelmä 6 Skalaari λ R on L:n ominaisarvo, jos
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
Lisätiedot6 MATRIISIN DIAGONALISOINTI
6 MATRIISIN DIAGONALISOINTI Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T Muistutus: vektorien a ja b pistetulo (skalaaritulo,
Lisätiedot1 Matriisit ja lineaariset yhtälöryhmät
1 Matriisit ja lineaariset yhtälöryhmät 11 Yhtälöryhmä matriisimuodossa m n-matriisi sisältää mn kpl reaali- tai kompleksilukuja, jotka on asetetettu suorakaiteen muotoiseksi kaavioksi: a 11 a 12 a 1n
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotEsimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0).
Esimerkki 9 Esimerkissä 6 miniminormiratkaisu on (ˆx, ˆx (, 0 Seuraavaksi näytetään, että miniminormiratkaisuun siirtyminen poistaa likimääräisongelman epäyksikäsitteisyyden (mutta lisääntyvän ratkaisun
Lisätiedot1.1. Määritelmiä ja nimityksiä
1.1. Määritelmiä ja nimityksiä Luku joko reaali- tai kompleksiluku. R = {reaaliluvut}, C = {kompleksiluvut} R n = {(x 1, x 2,..., x n ) x 1, x 2,..., x n R} C n = {(x 1, x 2,..., x n ) x 1, x 2,..., x
LisätiedotMS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48
MS-A3/A5 Matriisilaskenta Malliratkaisut 5 / vko 48 Tehtävä (L): a) Onko 4 3 sitä vastaava ominaisarvo? b) Onko λ = 3 matriisin matriisin 2 2 3 2 3 7 9 4 5 2 4 4 ominaisvektori? Jos on, mikä on ominaisarvo?
LisätiedotPaikannuksen matematiikka MAT
TA M P E R E U N I V E R S I T Y O F T E C H N O L O G Y M a t h e m a t i c s Paikannuksen matematiikka MAT-45800 4..008. p.1/4 Käytännön järjestelyt Kotisivu: http://math.tut.fi/courses/mat-45800/ Luennot:
LisätiedotOminaisarvo-hajoitelma ja diagonalisointi
Ominaisarvo-hajoitelma ja a 1 Lause 1: Jos reaalisella n n matriisilla A on n eri suurta reaalista ominaisarvoa λ 1,λ 2,...,λ n, λ i λ j, kun i j, niin vastaavat ominaisvektorit x 1, x 2,..., x n muodostavat
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D Mika Hirvensalo mikhirve@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2014 Mika Hirvensalo mikhirve@utu.fi Luentokalvot 3 1 of 16 Kertausta Lineaarinen riippuvuus
LisätiedotTehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä todistuksia ja lineaarikuvauksen muodostamista. Sarjaan liittyvät Stack-tehtävät: 1 ja 2.
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2016 Harjoitus 3 Ratkaisut palautettava viimeistään maanantaina 29.8.2016 klo 13.15. Tehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä
LisätiedotLineaarialgebra ja matriisilaskenta II Syksy 2009 Laskuharjoitus 1 ( ) Ratkaisuehdotuksia Vesa Ala-Mattila
Lineaarialgebra ja matriisilaskenta II Syksy 29 Laskuharjoitus (9. - 3..29) Ratkaisuehdotuksia Vesa Ala-Mattila Tehtävä. Olkoon V vektoriavaruus. Todistettava: jos U V ja W V ovat V :n aliavaruuksia, niin
LisätiedotAvaruuden R n aliavaruus
Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma
LisätiedotMatriisihajotelmat. MS-A0007 Matriisilaskenta. 5.1 Diagonalisointi. 5.1 Diagonalisointi
MS-A0007 Matriisilaskenta 5. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 25.11.2015 Laskentaongelmissa käsiteltävät matriisit ovat tyypillisesti valtavia.
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 22 R. Kangaslampi matriisiteoriaa Kertaus: ominaisarvot
Lisätiedot802320A LINEAARIALGEBRA OSA III
802320A LINEAARIALGEBRA OSA III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 56 Määritelmä Määritelmä 1 Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 30.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/19 Käytännön asioita Kurssi on suunnilleen puolessa välissä. Kannattaa tarkistaa tavoitetaulukosta, mitä on oppinut ja
LisätiedotMääritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V. Termejä: Lineaarikuvaus, Lineaarinen kuvaus.
1 Lineaarikuvaus 1.1 Määritelmä Määritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V W on lineaarinen, jos (a) L(v + w) = L(v) + L(w); (b) L(λv) = λl(v) aina, kun v, w V ja λ K. Termejä:
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Ominaisarvot Kertaus: ominaisarvot Määritelmä
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Lineaarikuvaukset Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Lineaarikuvaukset Lineaarikuvaus Olkoot U ja V
LisätiedotMS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42
MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42 Tehtävät 1-4 lasketaan alkuviikon harjoituksissa ryhmissä, ja ryhmien ratkaisut esitetään harjoitustilaisuudessa (merkitty kirjaimella L = Lasketaan).
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma
Lisätiedot5 OMINAISARVOT JA OMINAISVEKTORIT
5 OMINAISARVOT JA OMINAISVEKTORIT Ominaisarvo-ongelma Käsitellään neliömatriiseja: olkoon A n n-matriisi. Luku on matriisin A ominaisarvo (eigenvalue), jos on olemassa vektori x siten, että Ax = x () Yhtälön
LisätiedotDeterminantti 1 / 30
1 / 30 on reaaliluku, joka on määritelty neliömatriiseille Determinantin avulla voidaan esimerkiksi selvittää, onko matriisi kääntyvä a voidaan käyttää käänteismatriisin määräämisessä ja siten lineaarisen
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään
LisätiedotMääritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )
Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Lineaarikuvaukset Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 16 R. Kangaslampi Vektoriavaruudet Lineaarikuvaus
LisätiedotKohdeyleisö: toisen vuoden teekkari
Julkinen opetusnäyte Yliopisto-opettajan tehtävä, matematiikka Klo 8:55-9:15 TkT Simo Ali-Löytty Aihe: Lineaarisen yhtälöryhmän pienimmän neliösumman ratkaisu Kohdeyleisö: toisen vuoden teekkari 1 y y
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a
LisätiedotOminaisarvo ja ominaisvektori
Määritelmä Ominaisarvo ja ominaisvektori Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka
LisätiedotLineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg
Vaasan yliopisto, syksy 218 Lineaarialgebra II, MATH124 Matti laaksonen, Lassi Lilleberg Tentti T1, 284218 Ratkaise 4 tehtävää Kokeessa saa käyttää laskinta (myös graafista ja CAS-laskinta), mutta ei taulukkokirjaa
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotEnnakkotehtävän ratkaisu
Ennakkotehtävän ratkaisu Ratkaisu [ ] [ ] 1 3 4 3 A = ja B =. 1 4 1 1 [ ] [ ] 4 3 12 12 1 0 a) BA = =. 1 + 1 3 + 4 0 1 [ ] [ ] [ ] 1 0 x1 x1 b) (BA)x = =. 0 1 x 2 x [ ] [ ] [ 2 ] [ ] 4 3 1 4 9 5 c) Bb
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään
Lisätiedot2.5. Matriisin avaruudet ja tunnusluvut
2.5. Matriisin avaruudet ja tunnusluvut m n-matriisi A Lineaarikuvaus A : V Z, missä V ja Z ovat sopivasti valittuja, dim V = n, dim Z = m (yleensä V = R n tai C n ja Z = R m tai C m ) Kuva-avaruus ja
LisätiedotEsitetään tehtävälle kaksi hieman erilaista ratkaisua. Ratkaisutapa 1. Lähdetään sieventämään epäyhtälön vasenta puolta:
MATP00 Johdatus matematiikkaan Ylimääräisten tehtävien ratkaisuehdotuksia. Osoita, että 00 002 < 000 000. Esitetään tehtävälle kaksi hieman erilaista ratkaisua. Ratkaisutapa. Lähdetään sieventämään epäyhtälön
LisätiedotOrtogonaaliset matriisit, määritelmä 1
, määritelmä 1 Määritelmä (a). Neliömatriisi Q on ortogonaalinen, jos Q T Q = I. Määritelmästä voidaan antaa samaa tarkoittavat, mutta erilaiselta näyttävät muodot: Määritelmä (b). n n neliömatriisi Q,
Lisätiedot9 Matriisit. 9.1 Matriisien laskutoimituksia
9 Matriisit Aiemmissa luvuissa matriiseja on käsitelty siinä määrin kuin on ollut tarpeellista yhtälönratkaisun kannalta. Matriiseja käytetään kuitenkin myös muihin tarkoituksiin, ja siksi on hyödyllistä
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotMatriisien tulo. Matriisit ja lineaarinen yhtälöryhmä
Matriisien tulo Lause Olkoot A, B ja C matriiseja ja R Tällöin (a) A(B + C) =AB + AC, (b) (A + B)C = AC + BC, (c) A(BC) =(AB)C, (d) ( A)B = A( B) = (AB), aina, kun kyseiset laskutoimitukset on määritelty
LisätiedotRatkaisuehdotukset LH 3 / alkuvko 45
Ratkaisuehdotukset LH 3 / alkuvko 45 Tehtävä : Olkoot A, B, X R n n, a, b R n ja jokin vektorinormi. Kätetään vektorinormia vastaavasta operaattorinormista samaa merkintää. Nätä, että. a + b a b, 2. A
LisätiedotKantavektorien kuvavektorit määräävät lineaarikuvauksen
Kantavektorien kuvavektorit määräävät lineaarikuvauksen Lause 18 Oletetaan, että V ja W ovat vektoriavaruuksia. Oletetaan lisäksi, että ( v 1,..., v n ) on avaruuden V kanta ja w 1,..., w n W. Tällöin
LisätiedotLineaarialgebra ja matriisilaskenta I. LM1, Kesä /218
Lineaarialgebra ja matriisilaskenta I LM1, Kesä 2012 1/218 Avaruuden R 2 vektorit Määritelmä (eli sopimus) Avaruus R 2 on kaikkien reaalilukuparien joukko; toisin sanottuna R 2 = { (a, b) a R ja b R }.
LisätiedotKertausta: avaruuden R n vektoreiden pistetulo
Kertausta: avaruuden R n vektoreiden pistetulo Määritelmä Vektoreiden v R n ja w R n pistetulo on v w = v 1 w 1 + v 2 w 2 + + v n w n. Huom. Pistetulo v w on reaaliluku! LM2, Kesä 2014 164/246 Kertausta:
LisätiedotTalousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi
Talousmatematiikan perusteet: Luento 10 Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi Lineaarikuvaus Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta, jossa käytetään
LisätiedotLineaarialgebra, kertausta aiheita
Lineaarialgebra, kertausta aiheita Matriisitulo käänteismatriisi determinantin kehittäminen determinantin ominaisuudet adjungaatti ja Cramerin kaavat yhtälöryhmän eri esitystavat Gauss-Jordan -algoritmi
LisätiedotYhteenlaskun ja skalaarilla kertomisen ominaisuuksia
Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia Voidaan osoittaa, että avaruuden R n vektoreilla voidaan laskea tuttujen laskusääntöjen mukaan. Huom. Lause tarkoittaa väitettä, joka voidaan perustella
LisätiedotTalousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi
Talousmatematiikan perusteet: Luento 11 Lineaarikuvaus Matriisin aste Käänteismatriisi Viime luennolla Käsittelimme matriisien peruskäsitteitä ja laskutoimituksia Vakiolla kertominen, yhteenlasku ja vähennyslasku
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 6.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/22 Kertausta: Kääntyvien matriisien lause Lause 1 Oletetaan, että A on n n -neliömatriisi. Seuraavat ehdot ovat yhtäpitäviä.
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotOMINAISARVOISTA JA OMINAISVEKTOREISTA
1 OMINAISARVOISTA JA OMINAISVEKTOREISTA Olkoon x = (x 1,..., x n ) avaruuden R n piste (l. vektori). Vektori x samaistetaan n 1-matriisin (x 1 x 2... x n ) T kanssa, ts. voidaan yhtä hyvin kirjoittaa x1
LisätiedotTehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2015 Harjoitus 4 Ratkaisut palautettava viimeistään maanantaina 862015 klo 1615 Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin
LisätiedotBijektio. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin jokaiselle alkiolle kuvautuu tasan yksi lähdön alkio.
Määritelmä Bijektio Oletetaan, että f : X Y on kuvaus. Sanotaan, että kuvaus f on bijektio, jos se on sekä injektio että surjektio. Huom. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin
Lisätiedotominaisvektorit. Nyt 2 3 6
Esimerkki 2 6 8 Olkoon A = 40 0 6 5. Etsitäänmatriisinominaisarvotja 0 0 2 ominaisvektorit. Nyt 2 0 2 6 8 2 6 8 I A = 40 05 40 0 6 5 = 4 0 6 5 0 0 0 0 2 0 0 2 15 / 172 Täten c A ( )=det( I A) =( ) ( 2)
Lisätiedot7 Vapaus. 7.1 Vapauden määritelmä
7 Vapaus Kuten edellisen luvun lopussa mainittiin, seuraavaksi pyritään ratkaisemaan, onko annetussa aliavaruuden virittäjäjoukossa tarpeettomia vektoreita Jos tällaisia ei ole, virittäjäjoukkoa kutsutaan
LisätiedotLineaariavaruudet. Span. Sisätulo. Normi. Matriisinormit. Matriisinormit. aiheita. Aiheet. Reaalinen lineaariavaruus. Span. Sisätulo.
Lineaariavaruudet aiheita 1 määritelmä Nelikko (L, R, +, ) on reaalinen (eli reaalinen vektoriavaruus), jos yhteenlasku L L L, ( u, v) a + b ja reaaliluvulla kertominen R L L, (λ, u) λ u toteuttavat seuraavat
LisätiedotKäänteismatriisi 1 / 14
1 / 14 Jokaisella nollasta eroavalla reaaliluvulla on käänteisluku, jolla kerrottaessa tuloksena on 1. Seuraavaksi tarkastellaan vastaavaa ominaisuutta matriiseille ja määritellään käänteismatriisi. Jokaisella
LisätiedotOrtogonaaliprojektio äärellisulotteiselle aliavaruudelle
Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle Olkoon X sisätuloavaruus ja Y X äärellisulotteinen aliavaruus. Tällöin on olemassa lineaarisesti riippumattomat vektorit y 1, y 2,..., yn, jotka
Lisätiedot3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset
32 Idea: Lineaarikuvausten laskutoimitusten avulla määritellään vastaavat matriisien laskutoimitukset Vakiolla kertominen ja summa Olkoon t R ja A, B R n m Silloin ta, A + B R n m ja määritellään ta ta
LisätiedotBM20A0700, Matematiikka KoTiB2
BM20A0700, Matematiikka KoTiB2 Luennot: Matti Alatalo, Harjoitukset: Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luku 7. 1 Kurssin sisältö Matriiseihin
LisätiedotVektorit, suorat ja tasot
, suorat ja tasot 1 / 22 Koulussa vektori oli nuoli, jolla oli suunta ja suuruus eli pituus. Siirretään vektori siten, että sen alkupää on origossa. Tällöin sen kärki on pisteessä (x 1, x 2 ). Jos vektorin
Lisätiedot1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 017 Harjoitus 5 Ratkaisuehdotuksia Tehtäväsarja I 1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X
LisätiedotMatriisipotenssi. Koska matriisikertolasku on liitännäinen (sulkuja ei tarvita; ks. lause 2), voidaan asettaa seuraava määritelmä: ja A 0 = I n.
Matriisipotenssi Koska matriisikertolasku on liitännäinen (sulkuja ei tarvita; ks. lause 2), voidaan asettaa seuraava määritelmä: Määritelmä Oletetaan, että A on n n -matriisi (siis neliömatriisi) ja k
Lisätiedot