Ominaisarvo-hajoitelma ja diagonalisointi
|
|
- Katariina Jurkka
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 Ominaisarvo-hajoitelma ja a
2 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 lineaarisesti riippumattoman (eli vapaan) joukon ja siis R n :n kannan. Induktiotodistus: Induktion lähtökohta: Yhden vektorin joukko { x 1 } on vapaa. Induktio-oletus: k ensimmäistä ominaisvektoria { x 1, x 2,..., x k } muodostavat vapaan joukon. Induktioväite: k + 1 ensimmäistä ominaisvektoria { x 1, x 2,..., x k, x k+1 } muodostavat vapaan joukon.
3 2 Olkoon nyt c 1 x c k x k + c k+1 x k+1 = 0 (1) Kerrotaan yhtälön (1) kumpikin puoli matriisilla A λ k+1 I. (A λ k+1 I)(c 1 x c k x k + c k+1 x k+1 ) = (A λ k+1 I)( 0) c 1 (λ 1 λ k+1 ) x c k (λ k λ k+1 ) x k = 0 Ind.ol. c 1 = c 2 = = c k = 0 (2) (1) & (2) c k+1 = 0 Yhteenvetona voimme tiivistää: (c 1 x c k x k + c k+1 x k+1 = 0) (c 1 = = c k = c k+1 = 0) Siis induktioväite on todistettu.
4 3 Lause seuraa induktiolla k:n suhteen sillä induktioväite on totta kaikilla k:n arvoilla aina arvoon k = n 1 asti. Huomautus: Edellinen todistus tarvitsi sitä oletusta, että minkään ominaisarvon kertaluku ei ole suurempi kuin 1. Tämä rajoitus voidaan poistaa, jos oletamme, että matriisi A on ei-defektiivinen.
5 4 Lause 2: Jos reaalisella n n matriisilla A on reaaliset nollasta eroavat ominaisarvot ja jokaisella kertalukua k olevalla ominaisarvolla on k lineaarisesti riippumatonta ominaisvektoria, niin kaikki ominaisvektorit x 1, x 2,..., x n muodostavat lineaarisesti riippumattoman (eli vapaan) joukon ja siis R n :n kannan. Todistus: löytyy vanhasta opetusmonisteesta (s ). Edellisen lauseen oletukset merkitsevät sitä, että matriisi on ei-defektiivinen.
6 5 Lause 3: Jos n n matriisi A on reaalinen ja symmetrinen, niin sen ominaisarvot ovat reaaliset ja sen ominaisvektorit x 1, x 2,..., x n muodostavat lineaarisesti riippumattoman (eli vapaan) joukon, joka voidaan lisäksi ortonormittaa. (Siis ominaisvektorit voidaan valita keskenään kohtisuorassa oleviksi yksikkövektoreiksi.) Todistus: löytyy vanhasta opetusmonisteesta (s Schurin muoto ja normaalit matriisit ).
7 a 6 Seuraavaksi oletamme, että reaalisella n n matriisilla A on reaaliset ominaisarvot λ 1,λ 2,...,λ n ja että A on symmetrinen tai ainakin ei-defektiivinen, jolloin sillä on n lineaarisesti siippumatonta ominaisvektoria x 1, x 2,..., x n. Muodostetaan ominaisvektoreista luonnollisella tavalla matriisi X asettamalla k:nneksi sarakkeeksi x k. Muodostetaan ominaisarvoista diagonaalimatriisi D asettamalla d kk = λ k, ja d ij = 0, kun i j.
8 a 7 Esimerkki 1: Olkoon A = ( ) Suora lasku osoittaa, että ominaisarvot ovat λ 1 = 3 ja λ 2 = 1, ja vastaavat ominaisvektorit ovat ( ) ( ) a b x 1 =, ja x a 2 =. 2b Valitsemme nyt arvot a = b = 1, koska pienet kokonaisluvut ovat esimerkin laskujen kannalta helppoja. Koska matriisi ei ollut symmetrinen, emme normita ominaisvektoreita. Siis A = ( ) , D = ( ) , X = ( )
9 a 8 Lause 2. Olkoon reaalisen n n A reaaliset ominaisarvot λ 1,λ 2,...,λ n ja vastaavat ominaisvektorit x 1, x 2,..., x n. Olkoon D on ominaisarvoista muodostettu diagonaalimatriisi, ja olkoon X ominaisvektoreista muodostettu matriisi. (Sarakkeissa sama järjestys: X:n k:s sarake-vektori on ominaisarvoon d kk = λ k liittyvä ominaisvektori.) Jos X on säännöllinen, Rank(X) = n, niin seuraavat yhtälöt ovat kaikki tosia AX = XD (3) A = XDX 1 ominaisarvohajoitelma (4) X 1 AX = D (5)
10 a 9 Perustelu: Matriisin AX k:s sarake on Matriisin XD k:s sarake on (AX) k = A X k = A x k = λ k x k (XD) k = X D k = X(λ k e k ) = λ k X e k = λ k x k Esimerkki 2. Esimerkin 1 matriiseille ( )( ) ( ) AX = = ( )( ) ( ) XD = =
11 10 Tarkastellaan kuvausta R n R n, u v = A u. Jos matriisilla A on ominaisarvohajoitelma A = XDX 1, niin esitämme vektorit u ja v X-kannassa a 1 a n u = a 1 x 1 + a 2 x a n x n = X. b 1 b n v = b 1 x 1 + b 2 x b n x n = X.
12 11 Silloin ja u = a 1 x 1 + a 2 x a n x n a 1 a 1 λ 1 a 1 v = A u = AX. = XD. = X. a n a n λ n a n = λ 1 a 1 x 1 + λ 2 a 2 x λ n a n x n Kuvaus u A u on helppo laskea, jos tiedämme ominaisarvot ja esitämme vektorit X-kannassa.
13 12 Monessa sovelluksessa tärkeä kysymys on arvioida kuvavektorin pituuden A u ja alkukuvavektorin pituuden u suhdetta. Emme vielä pysty antamaan kunnollista yleistä vastausta, mutta siinä tärkeässä erikoistapauksessa, että A on reaalinen, säännöllinen ja symmetrinen matriisi, voimme valita ominaisvektorit siten, että ne muodostavat ortonormitetun kannan. Ennen kuin arvioimme pituuksien suhdetta sovimme, että ominaisarvot järjestetään itseisarvoiltaan laskevaan järjestykseen λ 1 λ 2 λ n.
14 13 A u u = λ 1a 1 x 1 + λ 2 a 2 x λ n a n x n a 1 x 1 + a 2 x a n x n (λ1 a 1 ) = 2 + (λ 2 a 2 ) (λ n a n ) 2 a1 2 + a a2 n λ 1 A u u λ n
15 14 Määritelmä. Neliömatriisit A ja B ovat similaariset, jos on olemassa säännöllinen matriisi T siten, että A = T 1 BT. Matriisia T sanomme similariteettimuunnosmatriisiksi ja muunnosta B T 1 BT sanomme similariteettimuunnokseksi. (Huomaa: nyt B ei tarvitse olla diagonaalinen, eikä matriisien B ja T tarvitse mitenkään liittyä ominaisarvoihin.)
16 15 Lause Jos matriisit A ja B ovat similaariset, A = T 1 BT, niin (1) Det(A) = Det(B) (2) matriiseilla A ja B on sama karakteristinen polynomi, (3) matriiseilla A ja B on samat ominaisarvot (4) jos x on A:n ominaisvektori, niin T x on vastaava B:n ominaisvektori. Todistus. (1) Det(A) = Det(T 1 BT) = Det(T 1 )Det(B)Det(T) = Det(B) (2) P A (λ) = det(a λi) = det(t 1 BT λi) = det(t 1 (B λi)t) = det(t 1 )det(b λi)det(t) = det(b λi) = P B (λ)
17 16 (3) Seuraa suoraan edellisestä. (4) B(T x) = T(T 1 BT) x = TA x = Tλ x = λ(t x)
18 17 Määritelmä n n- A jälki (trace) on sen diagonaalialkioiden summa Lause. tr(a) = a 11 + a a nn tr(ab) = tr(ba) Perustelu: Suora lasku osoittaa, että tr(ab) = (AB) 11 + (AB) (AB) nn = (a 11 b 11 + a 12 b a 1n b n1 ) + (a 21 b 12 + a 22 b a 2n b n2 ) + + (a n1 b 1n + a n2 b 2n + + a nn b nn ) = (b 11 a 11 + b 12 a b 1n a n1 ) + (b 21 a 12 + b 22 a b 2n a n2 ) + + (b n1 a 1n + b n2 a 2n + + b nn a nn ) = (BA) 11 + (BA) (BA) nn = tr(ba)
19 18 Lause. Similaarisilla matriiseilla on samat jäljet. Todistus. Olkoon A = T 1 BT. Silloin tr(a) = tr(t 1 BT) = tr(btt 1 ) = tr(b) Jos herää kysymys siitä, ovatko kaksi annettua matriisia similaariset keskenään, niin ensin kannattaa laskea matriisien jäljet ja verrata niitä. Jos jäljet eivät ole samat, niin matriisit eivät voi olla similaariset.
20 19 Diagonaalisia matriiseja esiintyy sovelluksissa niin usein, että usein diagonaalista matriisia merkinnällä seuraavasti: λ λ = diag(λ 1,λ 2,...,λ n ) 0 0 λ n Määritelmä. Neliömatriisi A on diagonalisoituva, jos se on similaarinen jonkin diagonaali D kanssa, eli D = T 1 AT. Jos kuvauksen f : R n R n matriisi on diagonalisoituva, niin sopivalla kannan vaihdolla saadaan kuvauksen matriisi diagonaaliseksi. Tämä saattaa ratkaisevalla tavalla helpottaa kuvauksen tarkastelua. Seuraavassa esimerkki.
21 20 Esimerkki. Tarkastellaan differentiaaliyhtälöryhmää x 1 (t) = 3x 1(t) 0.5x 2 (t) 0.5x 3 (t) x 2 (t) = 0.5x 2(t) + 1.5x 3 (t) x 3 (t) = 1.5x 2(t) + 0.5x 3 (t) alkuarvoin x 1 (0) = 5, x 2 (0) = 4, x 3 (0) = 0. Jätetään jatkossa monessa kohdassa (t) pois. Tämä yksinkertaistaa lausekkeita ja saa ne helpommin luettaviksi. Nyt siis dx 1 /dt dx 2 /dt dx 3 /dt = x 1 x 2 x 3
22 21 Merkitsemme nyt d x dt x = x 1 x 2 x 3, d x dt = = A x, missä dx 1 /dt dx 2 /dt dx 3 /dt, A = Kerroinmatriisi on diagonalisoituva, sillä kun D = ,T = D = T 1 AT, ,T 1 =
23 22 Nyt muodostamme uudet apu-funktiot, jotka ovat lineaarikombinaatioita alkuperäisistä: w 1 (t) = x 1 (t) 0.5x 2 (t) 0.5x 3 (t) w 2 (t) = 0.5x 2 (t) + 0.5x 3 (t) w 3 (t) = 0.5x 2 (t) 0.5x 3 (t) { w = T 1 d w d x x dt = T 1 dt T w = x Nyt suora lasku osoittaa, että w-funktiot toteuttavat hyvin yksinkertaiset differentiaaliyhtälöt d w dt = T 1 d x dt = T 1 A x = T 1 AT w = D w
24 23 Nyt siis dw 1 /dt dw 2 /dt dw 3 /dt = dw 1 /dt = 3w 1 (t) dw 2 /dt = 2w 2 (t) dw 3 /dt = w 3 (t) w 1 w 2 w 3 Tämän ryhmän ratkaisufunktiot voidaan kirjoittaa suoraan w 1 (t) C 1 e 3t w = w 2 (t) = w 3 (t) C 2 e 2t C 3 e t, ja lopulta
25 24 x = x 1 (t) x 2 (t) x 3 (t) = T w = C 1 e 3t + C 2 e 2t = C 1 e 3t C 2 e 2t C 3 e t C 2 e 2t + C 3 e t C 2 e 2t C 3 e t. Alkuarvoista saamme 5 x 1 (0) C 1 4 = x 2 (0) = T w(0) = C 2 0 x 3 (0) C 3 C C 2 = T 1 4 = = 2 C
26 25 Siis ratkaisu on Tarkistus: x 1 (t) = 3e 3t + 2e 2t x 2 (t) = 2e 2t + 2e t x 3 (t) = 2e 2t 2e t x 1(t) = 9e 3t + 4e 2t 3x 1 (t) 0.5x 2 (t) 0.5x 3 (t) = 3(3e 3t + 2e 2t ) 0.5(2e 2t + 2e t ) 0.5(2e 2t 2e t ) = 9e 3t + 4e 2t OK!toteuttaa DY1:n DY2 ja DY3 tarkistetaan vastaavasti
Neliömatriisi 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
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,
LisätiedotEsimerkki 4.4. Esimerkki jatkoa. Määrää matriisin ominaisarvot ja -vektorit. Ratk. Nyt
Esimerkki 4.4. Määrää matriisin 2 2 1 A = 1 3 1 2 4 3 ominaisarvot ja -vektorit. Ratk. Nyt det(a λi ) = 1 + 2 λ 2 1 + 1 λ 1 λ 1 3 λ 1 = 1 3 λ 1 2 4 3 λ 2 4 3 λ 1 λ = 1 4 λ 1 = (1 λ)( 1)1+1 4 λ 1 2 6 3
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
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
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,
LisätiedotSimilaarisuus. Määritelmä. Huom.
Similaarisuus Määritelmä Neliömatriisi A M n n on similaarinen neliömatriisin B M n n kanssa, jos on olemassa kääntyvä matriisi P M n n, jolle pätee Tällöin merkitään A B. Huom. Havaitaan, että P 1 AP
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
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Ominaisarvot Kertaus: ominaisarvot Määritelmä
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
LisätiedotMatriisialgebra harjoitukset, syksy 2016
Matriisialgebra harjoitukset, syksy 6 MATRIISIALGEBRA, s. 6, Ratkaisuja/ M.Hamina & M. Peltola 8. Olkoon 4 A 6. 4 Tutki, onko A diagonalisoituva. Jos on, niin määrää matriisi D T AT ja siihen liittyvä
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) (
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
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
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
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
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)
LisätiedotOrtogonaalisen 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,
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
LisätiedotLineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / Ratkaisut
MS-C34 Lineaarialgebra ja differentiaaliyhtälöt, IV/26 Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / t Alkuviikon tuntitehtävä Hahmottele matriisia A ( 2 6 3 vastaava vektorikenttä Matriisia A
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
LisätiedotSisätuloavaruudet. 4. lokakuuta 2006
Sisätuloavaruudet 4. lokakuuta 2006 Tässä esityksessä vektoriavaruudet V ja W ovat kompleksisia ja äärellisulotteisia. Käydään ensin lyhyesti läpi määritelmiä ja perustuloksia. Merkitään L(V, W ) :llä
LisätiedotKanta ja Kannan-vaihto
ja Kannan-vaihto 1 Olkoon L vektoriavaruus. Äärellinen joukko L:n vektoreita V = { v 1, v 2,..., v n } on kanta, jos (1) Jokainen L:n vektori voidaan lausua v-vektoreiden lineaarikombinaationa. (Ts. Span(V
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
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
LisätiedotC = {(x,y) x,y R} joiden joukossa on määritelty yhteen- ja kertolasku seuraavasti
Vaasan yliopiston julkaisuja 189 9 OMINAISARVOTEHTÄVÄ Ch:EigSystem Sec:CMatrix 9.1 Kompleksinen lineaariavaruus 9.1.1 Kompleksiluvut Pian tulemme tarvitsemaan kompleksisen lineaariavaruuden alkeita. Tätä
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
LisätiedotOminaisarvot ja ominaisvektorit 140 / 170
Ominaisarvot ja ominaisvektorit 140 / 170 Seuraavissa luvuissa matriisit ja vektori ajatellaan kompleksisiksi, ts. kertojakuntana oletetaan olevan aina kompleksilukujoukko C Huomaa, että reaalilukujoukko
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
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
LisätiedotMatriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit
Matriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit Antti Rasila 2016 Ominaisarvot ja ominaisvektorit 1/5 Määritelmä Skalaari λ C on matriisin A C n n ominaisarvo ja vektori v C n sitä
LisätiedotMilloin A diagonalisoituva?
Milloin A diagonalisoituva? ) Oletus: A on diagonalisoituva eli D = TAT, jollakin D = diag(λ, λ 2,..., λ n ). A:n ja D:n ominaisarvot ovat samat λ, λ 2,..., λ n ovat myös A:n ominaisarvot... D e i = D
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
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:
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).
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
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
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
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
LisätiedotMatriisilaskenta Laskuharjoitus 5 - Ratkaisut / vko 41
MS-A0004/MS-A0006 Matriisilaskenta, I/06 Matriisilaskenta Laskuharjoitus 5 - Ratkaisut / vko 4 Tehtävä 5 (L): a) Oletetaan, että λ 0 on kääntyvän matriisin A ominaisarvo. Osoita, että /λ on matriisin 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
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
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
LisätiedotLineaarialgebra, kertausta aiheita
Lineaarialgebra, kertausta aiheita Matriisitulo käänteismatriisi determinantin kehittäminen determinantin ominaisuudet adjungaatti ja Cramerin kaavat yhtälöryhmän eri esitystavat Gauss-Jordan -algoritmi
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?
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.
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
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
Lisätiedot4. Lasketaan transienttivirrat ja -jännitteet kuvan piiristä. Piirielimien arvot ovat C =
BMA58 Funktiot, lineaarialgebra ja vektorit Harjoitus 6, Syksy 5. Olkoon [ 6 6 A =, B = 4 [ 3 4, C = 4 3 [ 5 Määritä matriisien A ja C ominaisarvot ja ominaisvektorit. Näytä lisäksi että matriisilla B
Lisätiedot1 Avaruuksien ja lineaarikuvausten suora summa
MAT-33500 Differentiaaliyhtälöt, kevät 2006 Luennot 27.-28.2.2006 Samuli Siltanen 1 Avaruuksien ja lineaarikuvausten suora summa Tämä asialöytyy myös Hirschin ja Smalen kirjasta, luku 3, pykälä 1F. Olkoon
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 14 Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu Luennolla 6 Tarkastelimme yhden muuttujan funktion f(x) rajoittamatonta optimointia
LisätiedotDI matematiikan opettajaksi: Täydennyskurssi, kevät 2010 Luentorunkoa ja harjoituksia viikolle 13: ti klo 13:00-15:30 ja to 1.4.
DI matematiikan opettajaksi: Täydennyskurssi, kevät Luentorunkoa ja harjoituksia viikolle 3: ti 33 klo 3:-5:3 ja to 4 klo 9:5-: Käydään läpi differentiaaliyhtälöitä Määritelmä Olkoon A R n n (MatLab:ssa
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisihajotelmat: Schur ja Jordan Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi Matriisihajotelmat:
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt. osa 2 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 1 R. Kangaslampi Matriisihajotelmista
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:
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
Lisätiedot(0 desimaalia, 2 merkitsevää numeroa).
NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx
LisätiedotInsinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut
Insinöörimatematiikka D, 06 laskuharjoituksien esimerkkiratkaisut Alla olevat esimerkkiratkaisut ovat melko ksitiskohtaisia Tenttivastauksissa ei leensä tarvitse muistaa lauseiden, määritelmien, esimerkkien
Lisätiedot5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
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
LisätiedotKäänteismatriisin. Aiheet. Käänteismatriisin ominaisuuksia. Rivioperaatiot matriisitulona. Matriisin kääntäminen rivioperaatioiden avulla
Käänteismatriisi, L5 1 Tässä kalvosarjassa käsittelemme neliömatriiseja. Ilman asian jatkuvaa toistamista oletamme seuraavassa, että kaikki käsittelemämme matriisit ovat neliömatriiseja. Määritelmä. Olkoon
LisätiedotTyyppi metalli puu lasi työ I 2 8 6 6 II 3 7 4 7 III 3 10 3 5
MATRIISIALGEBRA Harjoitustehtäviä syksy 2014 Tehtävissä 1-3 käytetään seuraavia matriiseja: ( ) 6 2 3, B = 7 1 2 2 3, C = 4 4 2 5 3, E = ( 1 2 4 3 ) 1 1 2 3 ja F = 1 2 3 0 3 0 1 1. 6 2 1 4 2 3 2 1. Määrää
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
Lisätiedot1 Ominaisarvot ja lineaariset di erenssiyhtälöt
Taloustieteen mat.menetelmät syksy 27 materiaali II-4 Ominaisarvot ja lineaariset di erenssiyhtälöt. Idea a b Ajatellaan di erenssiyhtälöä z k+ Az k, A : Jos A olisi diagonaalimatriisi, eli b c, niin muuttujat
LisätiedotNeliömatriisin adjungaatti, L24
Neliömatriisin adjungaatti, L24 1 2 1 3 Matriisi = A = 7 4 6 5 2 0 ( ) 7 6 Alimatriisi = A 12 = 5 0 Minori = det(a 12 ) = 7 6 5 0 = 30 Kofaktori = ( 1) 1+2 det(a 12 ) = 30 2 Määritelmä n n neliö-matriisin
LisätiedotTalousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita
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
LisätiedotDemorastitiedot saat demonstraattori Markus Niskaselta Lineaarialgebra (muut ko) p. 1/104
Lineaarialgebra (muut ko) p. 1/104 Ensi viikolla luennot salissa X Torstaina 7.12. viimeiset demot (12.12. ja 13.12. viimeiset luennot). Torstaina 14.12 on välikoe 2, muista ilmoittautua! Demorastitiedot
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
Lisätiedot8 KANNAT JA ORTOGONAALISUUS. 8.1 Lineaarinen riippumattomuus. Vaasan yliopiston julkaisuja 151
Vaasan yliopiston julkaisuja 151 8 KANNAT JA ORTOGONAALISUUS KantaOrthogon Sec:LinIndep 8.1 Lineaarinen riippumattomuus Lineaarinen riippumattomuus on oikeastaan jo määritelty, mutta kirjoitamme määritelmät
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
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Luentokalvot 5 1
LisätiedotAlkeismuunnokset matriisille, sivu 57
Lineaarialgebra (muut ko) p. 1/88 Alkeismuunnokset matriisille, sivu 57 AM1: Kahden vaakarivin vaihto AM2: Vaakarivin kertominen skalaarilla c 0 AM3: Vaakarivin lisääminen toiseen skalaarilla c kerrottuna
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
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
LisätiedotJ1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6
MATRIISILASKENTA(TFM) MALLIT AV 6 J (II.6.9) Päättele, että avaruusvetorit a, b ja c ovat lineaarisesti riippuvat täsmälleen un vetoreiden virittämän suuntaissärmiön tilavuus =. Tuti tällä riteerillä ovato
LisätiedotMatemaattinen Analyysi
Vaasan yliopisto, syksy 2016 / ORMS1010 Matemaattinen Analyysi 8. harjoitus, viikko 49 R1 to 12 14 F453 (8.12.) R2 to 14 16 F345 (8.12.) R3 ke 8 10 F345 (7.11.) 1. Määritä funktion f (x) = 1 Taylorin sarja
LisätiedotLiittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij.
Liittomatriisi Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä (cof A) ij =( 1) i+j det A ij kaikilla i, j = 1,...,n. Huomautus 8 Olkoon A 2 M(n, n). Tällöin kaikilla
LisätiedotKaksirivisen matriisin determinantille käytämme myös merkintää. a 11 a 12 a 21 a 22. = a 11a 22 a 12 a 21. (5.1) kaksirivine
Vaasan yliopiston julkaisuja 97 5 DETERMINANTIT Ch:Determ Sec:DetDef 5.1 Determinantti Tämä kappale jakautuu kolmeen alakappaleeseen. Ensimmäisessä alakappaleessa määrittelemme kaksi- ja kolmiriviset determinantit.
LisätiedotLineaarikuvausten. Lineaarikuvaus. Lineaarikuvauksia. Ydin. Matriisin ydin. aiheita. Aiheet. Lineaarikuvaus. Lineaarikuvauksen matriisi
Lineaarikuvaukset aiheita ten ten 1 Matematiikassa sana lineaarinen liitetään kahden lineaariavaruuden väliseen kuvaukseen. ten Määritelmä Olkoon (L, +, ) ja (M, ˆ+, ˆ ) reaalisia lineaariavaruuksia, ja
LisätiedotMatriisi-vektori-kertolasku, lineaariset yhtälöryhmät
Matematiikan peruskurssi K3/P3, syksy 25 Kenrick Bingham 825 Toisen välikokeen alueen ydinasioita Alla on lueteltu joitakin koealueen ydinkäsitteitä, joiden on hyvä olla ensiksi selvillä kokeeseen valmistauduttaessa
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.
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
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
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,
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
LisätiedotMatematiikka B3 - Avoin yliopisto
2. heinäkuuta 2009 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Lisäharjoitustehtävä Kurssin sisältö (1/2) 1. asteen Differentiaali yhtälöt (1.DY) Separoituva Ratkaisukaava Bernoyulli
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
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
LisätiedotMATRIISIN HESSENBERGIN MUOTO. Niko Holopainen
MATRIISIN HESSENBERGIN MUOTO Niko Holopainen Matematiikan pro gradu Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Syksy 2013 Tiivistelmä: Niko Holopainen, Matriisin Hessenbergin muoto Matematiikan
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
LisätiedotMATRIISIALGEBRA. Harjoitustehtäviä syksy Olkoot A =, B =
MATRIISIALGEBRA Harjoitustehtäviä syksy 2008 0 3 2 3. Olkoot, B =, C =. 3 2 3 2 4 0 Määrättävä A + B, 4A 2B, A T, C T, (A T ) T. 2. Jos A, B ja C ovat kuten edellisessä tehtävässä, onko a) C + C T määritelty,
LisätiedotIteratiiviset ratkaisumenetelmät
Iteratiiviset ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Yleinen iteraatio Lineaarisen yhtälöryhmän iteratiivinen ratkaisumenetelmä voidaan esittää muodossa: Anna alkuarvaus: x 0 R n
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
Lisätiedot1 Di erentiaaliyhtälöt
Taloustieteen mat.menetelmät syksy 2017 materiaali II-5 1 Di erentiaaliyhtälöt 1.1 Skalaariyhtälöt Määritelmä: ensimmäisen kertaluvun di erentiaaliyhtälö on muotoa _y = F (y; t) oleva yhtälö, missä _y
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 [
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
LisätiedotInduktiota käyttäen voidaan todistaa luonnollisia lukuja koskevia väitteitä, jotka ovat muotoa. väite P(n) on totta kaikille n = 0,1,2,...
Induktiotodistus Induktiota käyttäen voidaan todistaa luonnollisia lukuja koskevia väitteitä, jotka ovat muotoa väite P(n) on totta kaikille n = 0,1,2,.... Tässä väite P(n) riippuu n:n arvosta. Todistuksessa
Lisätiedot1 Singulaariarvohajoitelma
1 Singulaariarvohajoitelma Tähän mennessä on tutkittu yhtälöryhmän Ax = y ratkaisuja ja törmätty tapauksiin joissa yhtälöryhmällä on yksikäsitteinen ratkaisu ("helppo"tapaus) yhtälöryhmällä on ääretön
Lisätiedot