Monissa käytännön ongelmissa ei matriisiyhtälölle Ax = b saada ratkaisua, mutta approksimaatio on silti käyttökelpoinen.

Koko: px
Aloita esitys sivulta:

Download "Monissa käytännön ongelmissa ei matriisiyhtälölle Ax = b saada ratkaisua, mutta approksimaatio on silti käyttökelpoinen."

Transkriptio

1 Pns ratkaisu (Kr. 20.5, Lay 6.5 C-II/KP-II, 20, Kari Eloranta Monissa käytännön ongelmissa ei matriisiyhtälölle Ax = b saada ratkaisua, mutta approksimaatio on silti käyttökelpoinen. Määritelmä Jos A on m n matriisi ja b R m, niin yhtälön Ax = b paras pienimman neliösumman (pns ratkaisu on ˆx R n siten, että b Aˆx b Ax, x R n Ratkaisu tähän lähtee huomiosta, että Ax on aina vektori A:n sarakevektoreiden virittämässä aliavaruudessa. Näistä vektoreista pitää siis valita optimaalinen Aˆx eli se, joka on lähinnä b:ta. Tälläisellä vektorilla täytyy olla se ominaisuus, että vektorin b Aˆx:n on oltava kohtisuorassa sarakeavaruutta vastaan. Niinpä on vaadittava, että A T (b Aˆx = 0, josta saadaan

2 Pienimmän neliösumman ratkaisu 2 Lause Yhtälön Ax = b pns ratkaisu ˆx on täsmälleen normaaliyhtälön A T Aˆx = A T b ratkaisu.

3 Pienimmän neliösumman ratkaisu 2 Lause Yhtälön Ax = b pns ratkaisu ˆx on täsmälleen normaaliyhtälön A T Aˆx = A T b ratkaisu. Esimerkki: Yhtälön Ax = b, jossa A = , b = 2 0 pns ratkaisua ˆx varten lasketaan ( A T 9 b = (, A T 7 A = 5 ( (, josta A T 5 A = Näillä ratkaistaan A T Ax = A T b ja saadaan ( A ˆx = A A T T b = ( 2. Lause Pns ratkaisu ˆx on yksikäsitteinen joss A T A on kääntyvä.

4 Symmetristen matriisien ominaisuuksia (Kr. 8., Lay 7. Lause Symmetrisen matriisin ( A T = A eri ominaisarvoihin liittyvät ominaisvektorit ovat kohtisuorassa. Tod.: Olkoon λ λ 2 ja v i, i =,2 vastaavat ominaisvektorit. Silloin pätee λ v v 2 = (λ v T v 2 = (Av T v 2 = (v TAT v 2 = v T (Av 2 = v T (λ 2v 2 = λ 2 v v 2 eli (λ λ 2 v v 2 = 0, josta seuraa kohtisuoruus. QED Jos ortonormaaleja ominaisvektoreita on riittävästi, voidaan niistä muodostaa (sarakkeina diagonalisointiin A = PDP tarvittava kannanmuuttomatriisi P. Tällön sanotaan, että matriisi A on ortogonaalisesti diagonalisoituva ja pätee siis A = PDP T. Jos näin on, pätee A T = (PDP T T = P TT D T P T = PDP T = A eli A on symmetrinen! Itse asiassa käänteinenkin pätee: Lause Neliömatriisi on ortogonaalisesti diagonalisoituva joss se on symmetrinen.

5 Symmetristen matriisien ominaisuuksia 2 Esimerkki: Matriisin A = karakteristinen yhtälö on (λ 7 2 (λ+2 eli Ortogonaalisuuslause edellä ei välittömästi anna ortogonaalista matriisia P. Arvoa λ = 2 vastaava ominaisvektori v = (, 2, T on kohtisuorassa molempia λ = 7 vastaavia ominaisvektoreita v = (,0, T ja v 2 = ( 2,,0 T vastaan. Mutta jälkimmäiset eivät ole keskenaan kohtisuorassa. Korjataan tämä Gram-Schmidtillä: z 2 = v 2 v v 2 v = v v Nyt {v,z 2,v } on R :n ortogonaalikanta. Normalisoimalla kukin vektoreista ja muodostamalla niistä ortogonaalisen muunnosmatriisin P sarakkeet saadaan P = joille siis pätee A = PDP T ja D = , 0 0 2

6 Spektraalihajotelma (Lay 7. Jos patee A = PDP T, jossa ortogonaalisen P:n sarakkeina ovat A:n normeeratut ominaisvektorit {u i } ja D:n diagonaalina ominaisarvot {λ,...,λ n } (eli A:n spektri, saadaan λ 0 u A = PDP T = (u u n T 0 λ n un T u T = (λ u λ n u n. u T n = λ u u T + +λ n u n u T n. Tämä on A:n spektraalihajotelma. n n matriisit u i u T i ovat rangia olevia projektiomatriiseja: (u i u T i x on vektorin x ortogonaaliprojektio vektorin u i virittämälle -ulotteiselle aliavaruudelle. Jos osa ominaisarvoista on hyvin pieniä, kertoo spektraalihajotelma, mitkä projektiot oleellisesti kuvaavat A:n.

7 Spektraalihajotelma 2 (Lay 7. Esimerkki: Symmetrisen matriisin A = ominaisarvot ovat λ = 6, λ 2 = ja λ = 2. Vastaavat ominaisvektorit ovat (2,,, (,, ja (0,,. Normalisoimalla nämä saadaan ( 2 u = 6, 6, T (, u 2 =, 6, T ( ja u = 0,, 2 2 T. A:n spektraalihajotelma on siten i= λ iu i u T i. Koska u T i on A k :n ominaisarvoon λ k i liittyvä ominaisarvo, nähdään, että A k = i= λk i u iu T i kaikille k =,2,... Huomaa, että λ = 6 on dominoiva ominaisarvo, koska 6 > λ i, i = 2,. Siten A k ( 6 k u u T = eli projektiomatriisi u u T kuvaa asymptoottisesti Ak :n geometrian venytystä vaille.

8 Spektraalihajotelma (Lay 7. Entä jos dominoiva ominaisarvo on monikertainen, kuten edeltävän esimerkin matriisilla B = , 4 2 jossa λ = 7 oli kaksinkertainen ja 2 yksinkertainen? Tämäkin tilanne ratkeaa heti spektraaliesityksestä ja voidaan laskea, että B k ( 7 k 2,0, = T ( 2,0, 4 9 2, ( +, , joka ei ole projektiomatriisi, vaikka onkin kahden sellaisen summa. T (, , 8

9 Spektraalilause (Lay 7. Symmetrisillä matriiseilla on paljon hyviä ominaisuuksia, joista useat voidaan tiivistää seuraavasti Lause Symmetrisellä n n-matriisilla A on n reaalista ominaisarvoa, k-kertaista ominaisarvoa vastaava ominaisavaruus on k-ulotteinen, erillisiä ominaisarvoja vastaavat ominaisaliavaruudet ovat kohtisuorassa, on ortogonaalinen diagonalisointi. (Osa näistä ominaisuuksista on johdettu edellä, osa taas vaatii huomattavasti lisätyötä/löytyy kirjallisuudesta.

10 Neliömuodot (Kr. 8.4, Lay 7.2 Määritelmä Neliömuoto Q A (x on kuvaus R n R, joka määrittyy n n matriisista A: Q A (x = x T Ax. Koska A ja 2 (A+AT määrittelevät saman neliömuodon, voidaan keskittyä symmetristen matriisien antamien neliömuotojen analyysiin. Kun A on selvä, merkitään yksinkertaisesti Q(x. n n matriisin neliömuoto on aina toisen asteen polynomi n:n muuttujan suhteen.

11 Neliömuodot (Kr. 8.4, Lay 7.2 Määritelmä Neliömuoto Q A (x on kuvaus R n R, joka määrittyy n n matriisista A: Q A (x = x T Ax. Koska A ja 2 (A+AT määrittelevät saman neliömuodon, voidaan keskittyä symmetristen matriisien antamien neliömuotojen analyysiin. Kun A on selvä, merkitään yksinkertaisesti Q(x. n n matriisin neliömuoto on aina toisen asteen polynomi n:n muuttujan suhteen. Esimerkki: Matriisi ( 2 A = 2 7 määrittää neliömuodon ( 2 Q A (x = (x,x ( x x 2 = x 2 4x x 2 +7x 2 2.

12 Neliömuodot 2 Kääntyvä n n matriisi P voidaan tulkita koordinaatiston muunnosmatriisiksi R n :lla: x = Py. Jos siirrytään alkuperäisistä x-koordinaateista y-koordinaatteihin, muuntuu neliömuodon esitys Q(x = x T Ax = (Py T A(Py = y T (P T APy ( eli uudessa kannassa matriisi on P T AP. Koska kuitenkin A voidaan aina olettaa symmetriseksi ja symmetriset matriisit ovat ortogonaalisesti diagonalisoituvia, on nyt tarjolla ortogonaalinen koordinaatistonmuunnos. Sitä vastaten Q saa yksinkertaisimman mahdollisen esityksen, pääakselimuodon: Q(y = y T Dy = n i= λ i y 2 i. (2 Geometrisesti ( ja (2 ovat tietenkin täsmälleen samoja kuvauksia Q : R n R!

13 Neliömuodot Neliömuodon geometria on helpointa hahmottaa pääakselimuodosta. Yksinkertaisimmillaan, tasossa, yhtälö x T Ax = c määrittää joko ellipsin, hyperbelin, suoraparin, pisteen tai on tyhjä joukko. Käyrän orientaatio selviää välittömästi (kohtisuorista ominaisvektoreista, jotka antavat akselien suunnat. Esimerkki: ( Q(x = 5x 2 4x x 2 +5x = 48 (x,x ( T u = 2, 2 ja u2 = jossa ( x x 2 = 48. Matriisin ominaisavot ovat ja 7, joita vastaavat ortonormaalit ominaisvektori ovat (, 2 2 T. Siten koordinaatiston muunnos on x = Py, ( 2 P = ja vastaava pääakselimuoto y T Dy = y 2 +7y2 2. Q = 48 vastaa ellipsiä, jonka akselit ovat 45 asteen kulmassa alkuperäisten R 2 :n koordinaattiakselien suhteen.

14 Neliömuodot 4 Määritelmä Neliömuoto Q on positiividefiniitti jos Q(x > 0, x 0, positiivisemidefiniitti jos Q(x 0, x ja on olemassa x 0 siten että Q(x = 0, negatiividefiniitti jos Q(x < 0, x 0, negatiivisemidefiniitti jos Q(x 0, x ja on olemassa x 0 siten että Q(x = 0, indefiniitti jos Q saa sekä pos. että neg. arvoja.

15 Neliömuodot 5 Lause Neliömuoto x T Ax, A symmetrinen, on positiividefiniitti joss A:n ominaisarvot ovat positiiviset, positiivisemidefiniitti joss A:n ominaisarvot ovat ei-negatiiviset ja on olemassa häviävä ominaisarvo, negatiividefiniitti joss A:n ominaisarvot ovat negatiiviset, negatiivisemidefiniitti joss A:n ominaisarvot ovat ei-positiiviset ja on olemassa häviävä ominaisarvo, indefiniitti joss A:lla on sekä pos. että neg. ominaisarvoja.

16 Neliömuodot 6 Esimerkki: Muoto Q(x = x 2 +2x2 2 +x2 +4x x 2 +4x 2 x näyttää positiiviselta, mutta ei ole sitä. Vastaavan symmetrisen matriisin spektri on {5, 2, }. Q on siis indefiniitti neliömuoto (joka siis saa myös negatiivisia arvoja. Geometrisesti tasa-arvopinnat Q = vakio ovat yksi- tai kaksivaippaisia elliptisiä hyperboloideja R :ssa.

17 Singulaariarvot (Lay 7.4 Vaikkei diagonalisointi A = PDP olekaan mahdollinen mielivaltaiselle m n matriisille A, osoittautuu, että hieman yleisempi hajotelma A = QDP onnistuu. Ensin kuitenkin hiukan neliömuotojen ääriarvoista. A T A on symmetrinen n n matriisi, joten se on ortogonaalisesti diagonalisoituva. Olkoot {µ,...,µ n } sen ominaisarvot ja {v,...,v n } ortonormaalit ominaisvektorit. Siten 0 Av i 2 = (Av i T Av i = v T i A T Av i = v T i µ i v i = µ i. ( Olkoot nämä arvot laskevassa järjestyksessä µ i µ i+. Niiden juuret σ i = µ i ovat A:n singulaariarvot. Singulaariarvot antavat ( nojalla vektoreiden Av i pituudet. Huomaa, että Ax 2 maksimoituu samalla x:lla kuin Ax.

18 Singulaariarvot 2 (Lay 7.4 Lause Symmetriselle B, jonka spektri on µ µ 2..., µ = max{x T Bx x = } ja maksimi saavutetaan µ :tä vastaavalla yksikköominaisvektorilla. Esimerkki: Olkoon ( 4 4 A = 8 7 2, joten A T A = jonka ominaisarvot ovat {60, 90, 0}, josta edelleen A:n singulaariarvot: {6 0, 0,0}. A T A:n yksikköominaisvektorit ovat ( v =, 2, 2 T (, v 2 = 2,, 2 T ( 2 ja v =, 2, T. Ax maksimoituu edellä olevan nojalla v :n suuntaan ja sen maksimiarvo yksikköpallolla on siis Av = σ = 6 0. Voidaan osoittaa, että Ax :n maksimi v :n ortogonaalikomplementissa saavutetaan v 2 :n suuntaan ja on suuruudeltaan σ 2. (Tämä yleistyy edelleen, katso Lay 7. Lause 7 ja 7.4 Lause 9.,

19 Singulaariarvot Myös AA T on symmetrinen (m m matriisi, joten se on ortogonaalisesti diagonalisoituva. Olkoot {λ,...,λ m } sen ominaisarvot ja {u,...,u m } ortonormaalit ominaisvektorit. Siten 0 A T u i 2 = (A T u i T A T u i = u T i AA T u i = u T i λ i u i = λ i. (2 Olkoot nämä arvot laskevassa järjestyksessä λ i λ i+. Koska A T Av i = µ i v i, saadaan kertomalla vasemmalta A:lla AA T (Av i = µ i (Av i, joten nähdään, että µ i ja Av i ovat AA T :n ominaisarvo ja -vektoripari. Siten AA T :n ja A T A:n nollasta eroavat ominaisarvot ovat samat. { Jos r on A:n rangi, niin σ 2 µ i = i, i =,...,r 0, i = r +,...,n josta edelleen Av i = { σi u i, i =,...,r 0, i = r +,...,m

20 Singulaariarvot 4 {u i } m ovat A:n vasemmat singulaarivektorit ja {v i} n oikeat singulaarivektorit. Edellisen nojalla niille voidaan siis kirjoittaa A(v v r v r+ v n = (u u r u r+ u m Σ, jossa Σ = ( D = σ σ σ r on m n matriisi, jonka ainoat nollasta eroavat alkiot ovat singulaariarvot r r diagonaalimatriisissa D, r min{n, m}.

21 Singulaariarvohajotelma (Lay 7.4 Edellä oleva kehittely on oleellisesti kaikki mitä tarvitaan todistamaan singulaariarvohajotelma (engl. singular value decomposition, SVD. Lause Olkoon A m n matriisi, jonka rangi on r. Silloin on olemassa Σ kuten edellä ja siinä matriisi D, jonka diagonaalina ovat A:n singulaariarvot. Samoin on olemassa m m U ja n n V, molemmat ortogonaalisia, siten että A = UΣV T. Huomioita:. Matriisit U ja V eivät ole yksikäsitteisiä. 2. Jos A on n n neliömatriisi, ovat Σ, U ja V samaa kokoa ja kaksi viimeistä ortogonaalimatriiseja. Jos A on vieläpä symmetrinen tiedetään aiemmasta, että se on ortogonaalisesti diagonalisoituva, A = PDP T, joten voidaan siis valita U = V.

22 Singulaariarvohajotelma 2 (Lay 7.4 Esimerkki: Konstruoidaan singulaarihajoitelma edellisen esimerkin matriisille Nyt siis m = 2, n =. ( 4 4 A = Diagonalisoidaan A T A ja ratkaistaan singulaariarvot σ i kuten edellä: {6 0, 0,0} (siis r = 2. Ortonormaalit ominaisvektorit v i : ( v =, 2, 2 T (, v 2 = 2,, 2 T ( 2 ja v =, 2, T. 2. Määritellään -matriisi V = (v v 2 v ja edelleen ( ( σ D = = 0 σ ( ja Σ =

23 Singulaariarvohajotelma 2 (Lay 7.4. U:n r ensimmäistä saraketta ovat Av,...,Av r normalisoituna. Nyt r = 2 ja u = σ Av = 6 0 ( 8 6 u 2 = Av 2 = ( σ ( = 0 0 ( = 0 0 jotka ovat R 2 :n kanta ja siten U = (u u 2. Siten A:n singulaariarvohajotelma on, UΣV T = ( ( NB. Jos kävisi niin, että {Av i } ei antaisi kantaa kuten yllä, vaan vain k < m vektoria, niin silloin etsitään ortogonaalikannan loput vektorit tämän joukon ortogonaalikomplementista Gram-Schmidtia ja normalisointia käyttäen.

Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja

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

Lisätiedot

6 MATRIISIN DIAGONALISOINTI

6 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,

Lisätiedot

Esimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0).

Esimerkki 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

Lisätiedot

Ortogonaalisen kannan etsiminen

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,

Lisätiedot

Ominaisvektoreiden lineaarinen riippumattomuus

Ominaisvektoreiden 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

Lisätiedot

1 Ominaisarvot ja ominaisvektorit

1 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

Lisätiedot

Neliömatriisit A ja B ovat similaareja toistensa suhteen, A B, jos on olemassa kääntyvä matriisi P, jolle pätee A = PBP 1.

Neliömatriisit A ja B ovat similaareja toistensa suhteen, A B, jos on olemassa kääntyvä matriisi P, jolle pätee A = PBP 1. Similaarisuus 1 (Kreyszig 8.4, Lay 5.2) Aalto MS-C1340, 2014, Kari Eloranta Määritelmä Neliömatriisit A ja B ovat similaareja toistensa suhteen, A B, jos on olemassa kääntyvä matriisi P, jolle pätee A

Lisätiedot

Similaarisuus. Määritelmä. Huom.

Similaarisuus. 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

Lisätiedot

5 Ominaisarvot ja ominaisvektorit

5 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

Matriisihajotelmat. MS-A0007 Matriisilaskenta. 5.1 Diagonalisointi. 5.1 Diagonalisointi

Matriisihajotelmat. 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.

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-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

Lisätiedot

Ominaisarvo ja ominaisvektori

Ominaisarvo 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

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-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

Lisätiedot

6. OMINAISARVOT JA DIAGONALISOINTI

6. 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

Paikannuksen matematiikka MAT

Paikannuksen 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:

Lisätiedot

Lineaarikuvauksen R n R m matriisi

Lineaarikuvauksen 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:

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 4

Inversio-ongelmien laskennallinen peruskurssi Luento 4 Inversio-ongelmien laskennallinen peruskurssi Luento 4 Kevät 20 Regularisointi Eräs keino yrittää ratkaista (likimääräisesti) huonosti asetettuja ongelmia on regularisaatio. Regularisoinnissa ongelmaa

Lisätiedot

5 OMINAISARVOT JA OMINAISVEKTORIT

5 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

Lisätiedot

(1.1) Ae j = a k,j e k.

(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

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 3

Inversio-ongelmien laskennallinen peruskurssi Luento 3 Inversio-ongelmien laskennallinen peruskurssi Luento 3 Kevät 2011 1 Singulaariarvohajotelma (Singular Value Decomposition, SVD) Olkoon A R m n matriisi 1. Tällöin A voidaan esittää muodossa A = UΣV T,

Lisätiedot

Sisätuloavaruudet. 4. lokakuuta 2006

Sisätuloavaruudet. 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

Lisätiedot

Ominaisarvo ja ominaisvektori

Ominaisarvo 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

Lisätiedot

Päättelyn voisi aloittaa myös edellisen loppupuolelta ja näyttää kuten alkupuolella, että välttämättä dim W < R 1 R 1

Päättelyn 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

Lisätiedot

OMINAISARVOISTA JA OMINAISVEKTOREISTA

OMINAISARVOISTA 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

Lisätiedot

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra 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.

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Ominaisarvot Kertaus: ominaisarvot Määritelmä

Lisätiedot

Talousmatematiikan 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 Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita

Lisätiedot

Lineaarialgebra, kertausta aiheita

Lineaarialgebra, kertausta aiheita Lineaarialgebra, kertausta aiheita Matriisitulo käänteismatriisi determinantin kehittäminen determinantin ominaisuudet adjungaatti ja Cramerin kaavat yhtälöryhmän eri esitystavat Gauss-Jordan -algoritmi

Lisätiedot

Matriisiteoria 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?

Matriisiteoria 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

Lisätiedot

Ortogonaaliset matriisit, määritelmä 1

Ortogonaaliset 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,

Lisätiedot

Harjoitusten 5 vastaukset

Harjoitusten 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

Lisätiedot

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Simo Jaakkola. Ortogonaalisuudesta

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Simo Jaakkola. Ortogonaalisuudesta TAMPEREEN YLIOPISTO Pro gradu -tutkielma Simo Jaakkola Ortogonaalisuudesta Informaatiotieteiden yksikkö Matematiikka Joulukuu 2015 Tampereen yliopisto Informaatiotieteiden yksikkö JAAKKOLA, SIMO: Ortogonaalisuudesta

Lisätiedot

Numeeriset 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 / 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

Lisätiedot

Alkeismuunnokset matriisille, sivu 57

Alkeismuunnokset 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

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-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

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu

Lisätiedot

Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / Ratkaisut

Lineaarialgebra 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

Lisätiedot

ax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.

ax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa. BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 7, Syksy 206 Tutkitaan yhtälöryhmää x + y + z 0 2x + y + az b ax + y + 2z 0 (a) Jos a 0 ja b 0 niin mikä on yhtälöryhmän ratkaisu? Tulkitse ratkaisu

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Inversio-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 +

Lisätiedot

Numeeriset menetelmät

Numeeriset 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

Lisätiedot

Singulaariarvohajotelma ja pseudoinverssi

Singulaariarvohajotelma ja pseudoinverssi HELSINGIN YLIOPISTO Pro gradu -tutkielma Niko Kaitarinne Singulaariarvohajotelma ja pseudoinverssi Matematiikan ja tilastotieteen laitos Matematiikka Helmikuu 01 Helsingin yliopisto Matematiikan ja tilastotieteen

Lisätiedot

Matematiikka B2 - Avoin yliopisto

Matematiikka 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

Lisätiedot

1 Singulaariarvohajoitelma

1 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

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on

Vektorien 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

Lisätiedot

Luento 8: Epälineaarinen optimointi

Luento 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

Lisätiedot

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle

Ortogonaaliprojektio 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

Lisätiedot

Kohdeyleisö: toisen vuoden teekkari

Kohdeyleisö: 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

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila

Lisätiedot

Tehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä todistuksia ja lineaarikuvauksen muodostamista. Sarjaan liittyvät Stack-tehtävät: 1 ja 2.

Tehtäväsarja 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

Lisätiedot

MS-A0004/A0006 Matriisilaskenta

MS-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

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 7 8

Inversio-ongelmien laskennallinen peruskurssi Luento 7 8 Inversio-ongelmien laskennallinen peruskurssi Luento 7 8 Kevät 2011 1 Iteratiivisista menetelmistä Tähän mennessä on tarkasteltu niin sanottuja suoria menetelmiä, joissa (likimääräinen) ratkaisu saadaan

Lisätiedot

Matriisi-vektori-kertolasku, lineaariset yhtälöryhmät

Matriisi-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

Lisätiedot

Pienimmän Neliösumman menetelmä (PNS)

Pienimmän Neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

Johdatus lineaarialgebraan

Johdatus lineaarialgebraan Johdatus lineaarialgebraan Osa II Lotta Oinonen, Johanna Rämö 28. lokakuuta 2014 Helsingin yliopisto Matematiikan ja tilastotieteen laitos Sisältö 15 Vektoriavaruus....................................

Lisätiedot

Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

Luento 8: Epälineaarinen optimointi

Luento 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

Lisätiedot

Esimerkki 4.4. Esimerkki jatkoa. Määrää matriisin ominaisarvot ja -vektorit. Ratk. Nyt

Esimerkki 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

Lisätiedot

Kuvaus. Määritelmä. LM2, Kesä /160

Kuvaus. Määritelmä. LM2, Kesä /160 Kuvaus Määritelmä Oletetaan, että X ja Y ovat joukkoja. Kuvaus eli funktio joukosta X joukkoon Y on sääntö, joka liittää jokaiseen joukon X alkioon täsmälleen yhden alkion, joka kuuluu joukkoon Y. Merkintä

Lisätiedot

Tampereen yliopisto Informaatiotieteiden yksikkö

Tampereen yliopisto Informaatiotieteiden yksikkö Tampereen yliopisto Informaatiotieteiden yksikkö Kevät 017 Luennot: Kerkko Luosto Muistiinpanot: Jesse Railo (013) ja Jussi Klemetti (017) 6 Kartioleikkaukset Vanhan ajan geometrian merkittävimpiä tuloksia

Lisätiedot

3.2.2 Tikhonovin regularisaatio

3.2.2 Tikhonovin regularisaatio 3 Tikhonovin regularisaatio Olkoon x 0 R n tuntematon, M R m n teoriamatriisi ja y Mx + ε R m (316 annettu data Häiriöherkässä ongelmassa pienimmän neliösumman miniminormiratkaisu x M + y Q N (M x + M

Lisätiedot

Milloin A diagonalisoituva?

Milloin 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

Lisätiedot

1 Rajoittamaton optimointi

1 Rajoittamaton optimointi Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 9 1 Implisiittinen derivointi Tarkastellaan nyt yhtälöä F(x, y) = c, jossa x ja y ovat muuttujia ja c on vakio Esimerkki tällaisesta yhtälöstä on x 2 y 5 + 5xy = 14

Lisätiedot

1 Matriisit ja lineaariset yhtälöryhmät

1 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

Lisätiedot

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141 Lineaarialgebra ja matriisilaskenta II LM2, Kesä 2012 1/141 Kertausta: avaruuden R n vektorit Määritelmä Oletetaan, että n {1, 2, 3,...}. Avaruuden R n alkiot ovat jonoja, joissa on n kappaletta reaalilukuja.

Lisätiedot

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Kannan 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

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35 Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 4 To 15.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 4 To 15.9.2011 p. 1/38 p. 1/38 Lineaarinen yhtälöryhmä Lineaarinen yhtälöryhmä matriisimuodossa Ax = b

Lisätiedot

Matriisialgebra harjoitukset, syksy 2016

Matriisialgebra 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

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka 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

Lisätiedot

Neliömuodoista, matriisin ominaisarvoista ja avaruuden kierroista

Neliömuodoista, matriisin ominaisarvoista ja avaruuden kierroista Neliömuodoista matriisin ominaisarvoista ja avaruuden kierroista Marko Moisio 1 Neliömuodoista ja matriisin ominaisarvoista Tarkastellaan toisen asteen tasokäyrän määräävää yhtälöä a + by 2 + 2cxy = d

Lisätiedot

12. Hessen matriisi. Ääriarvoteoriaa

12. Hessen matriisi. Ääriarvoteoriaa 179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä

Lisätiedot

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2014 Harjoitus 4 Ratkaisujen viimeinen palautuspäivä: pe 662014 klo 1930 Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun

Lisätiedot

1 Kannat ja kannanvaihto

1 Kannat ja kannanvaihto 1 Kannat ja kannanvaihto 1.1 Koordinaattivektori Oletetaan, että V on K-vektoriavaruus, jolla on kanta S = (v 1, v 2,..., v n ). Avaruuden V vektori v voidaan kirjoittaa kannan vektorien lineaarikombinaationa:

Lisätiedot

1 Sisätulo- ja normiavaruudet

1 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

Lisätiedot

2 Osittaisderivaattojen sovelluksia

2 Osittaisderivaattojen sovelluksia 2 Osittaisderivaattojen sovelluksia 2.1 Ääriarvot Yhden muuttujan funktiolla f(x) on lokaali maksimiarvo (lokaali minimiarvo) pisteessä a, jos f(x) f(a) (f(x) f(a)) kaikilla x:n arvoilla riittävän lähellä

Lisätiedot

110. 111. 112. 113. 114. 4. Matriisit ja vektorit. 4.1. Matriisin käsite. 4.2. Matriisialgebra. Olkoon A = , B = Laske A + B, 5 14 9, 1 3 3

110. 111. 112. 113. 114. 4. Matriisit ja vektorit. 4.1. Matriisin käsite. 4.2. Matriisialgebra. Olkoon A = , B = Laske A + B, 5 14 9, 1 3 3 4 Matriisit ja vektorit 4 Matriisin käsite 42 Matriisialgebra 0 2 2 0, B = 2 2 4 6 2 Laske A + B, 2 A + B, AB ja BA A + B = 2 4 6 5, 2 A + B = 5 9 6 5 4 9, 4 7 6 AB = 0 0 0 6 0 0 0, B 22 2 2 0 0 0 6 5

Lisätiedot

Yleiset lineaarimuunnokset

Yleiset lineaarimuunnokset TAMPEREEN YLIOPISTO Pro gradu -tutkielma Kari Tuominen Yleiset lineaarimuunnokset Matematiikan ja tilastotieteen laitos Matematiikka Toukokuu 29 Tampereen yliopisto Matematiikan ja tilastotieteen laitos

Lisätiedot

Ortogonaalinen ja ortonormaali kanta

Ortogonaalinen 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

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C340 Lineaarialgebra ja differentiaaliyhtälöt Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 205 / 3 R. Kangaslampi Matriisihajotelmista Differentiaaliyhtälöitä ratkaistaessa

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille

Lisätiedot

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra 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

Lisätiedot

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin

Tehtäväsarja 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

Lisätiedot

Oppimistavoitematriisi

Oppimistavoitematriisi Oppimistavoitematriisi Lineaarialgebra ja matriisilaskenta I Esitiedot Arvosanaan 1 2 riittävät Arvosanaan 3 4 riittävät Arvosanaan 5 riittävät Yhtälöryhmät (YR) Osaan ratkaista ensimmäisen asteen yhtälöitä

Lisätiedot

Likimääräisratkaisut ja regularisaatio

Likimääräisratkaisut ja regularisaatio Luku 3 Likimääräisratkaisut ja regularisaatio Käytännön inversio-ongelmissa annettu data y ei aina ole tarkkaa, vaan sisältää häiriöitä. Tuntemattomasta x on annettu häiriöinen data y F (x + }{{}}{{} ε.

Lisätiedot

Kertausta: avaruuden R n vektoreiden pistetulo

Kertausta: 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:

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka 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

Lisätiedot

1 Avaruuksien ja lineaarikuvausten suora summa

1 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

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka 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

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka 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

Matematiikka B2 - TUDI

Matematiikka 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

Lisätiedot

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain Matriisilaskenta LH4 24 ratkaisut 1 Hae seuraavien R 4 :n aliavaruuksien dimensiot jotka sisältävät vain a) Kaikki muotoa (a b c d) olevat vektorit joilla d a + b b) Kaikki muotoa (a b c d) olevat vektorit

Lisätiedot

Ellipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio

Ellipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä

Lisätiedot

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5. 2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2

Lisätiedot

17. Differentiaaliyhtälösysteemien laadullista teoriaa.

17. Differentiaaliyhtälösysteemien laadullista teoriaa. 99 17. Differentiaaliyhtälösysteemien laadullista teoriaa. Differentiaaliyhtälön x'(t) = f(x(t),t), x(t) n määrittelemän systeemin sanotaan olevan autonominen, jos oikea puoli ei eksplisiittisesti riipu

Lisätiedot

Liittomatriisi. 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. 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

Lisätiedot

Kantavektorien kuvavektorit määräävät lineaarikuvauksen

Kantavektorien 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

Lisätiedot