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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Matriisilaskentaa tilastotieteilijöille

Matriisilaskentaa tilastotieteilijöille Matriisilaskentaa tilastotieteilijöille Ilkka Mellin 3.. Cholesky-hajotelma ja QR-hajotelma 3.. Yleistetyt käänteismatriisit 3.3. Singulaariarvohajotelma 3.4. Matriisien kääntäminen 3.5. Matriisien derivointi

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

Tällä viikolla viimeiset luennot ja demot. Lineaarialgebra (muut ko) p. 1/162

Tällä viikolla viimeiset luennot ja demot. Lineaarialgebra (muut ko) p. 1/162 Tällä viikolla viimeiset luennot ja demot Lineaarialgebra (muut ko) p. 1/162 Lineaarialgebra (muut ko) p. 2/162 Kertausta Vektorin u = (u 1,u 2 ) R 2 pituus u = u 2 1 +u2 2 Vektorien u ja v = (v 1,v 2

Lisätiedot

Määritelmä 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 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

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

5 Differentiaaliyhtälöryhmät

5 Differentiaaliyhtälöryhmät 5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =

Lisätiedot

Likimääräisratkaisut ja regularisaatio

Likimääräisratkaisut ja regularisaatio 48 Luku 4 Likimääräisratkaisut ja regularisaatio Ryhdytään tarkastelemaan klassisia approksimatiivisia ratkaisumenetelmiä huonosti asetetuille tai häiriöherkille äärellisulotteisille lineaarisille ongelmille

Lisätiedot

Vapaus. 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. 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 +

Lisätiedot

(0 desimaalia, 2 merkitsevää numeroa).

(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

Lisätiedot

Vapaus. 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. 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 +

Lisätiedot

Tyyppi metalli puu lasi työ I 2 8 6 6 II 3 7 4 7 III 3 10 3 5

Tyyppi 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

Lisätiedot

Laskennallinen data-analyysi II

Laskennallinen data-analyysi II Laskennallinen data-analyysi II Saara Hyvönen, Saara.Hyvonen@cs.helsinki.fi Kevät 2007 Ulottuvuuksien vähentäminen, SVD, PCA Laskennallinen data-analyysi II, kevät 2007, Helsingin yliopisto visualisointi

Lisätiedot

Tehtävä 1. Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja.

Tehtävä 1. Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja. Tehtävä 1 Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja. 1 Jos 1 < y < 3, niin kaikilla x pätee x y x 1. 2 Jos x 1 < 2 ja y 1 < 3, niin x y

Lisätiedot

Lineaarialgebra II P

Lineaarialgebra II P Lineaarialgebra II 89P Sisältö Vektoriavaruus Sisätuloavaruus 8 3 Lineaarikuvaus 5 4 Ominaisarvo 5 Luku Vektoriavaruus Määritelmä.. Epätyhjä joukko V on vektoriavaruus, jos seuraavat ehdot ovat voimassa:.

Lisätiedot

DI matematiikan opettajaksi: Täydennyskurssi, kevät 2010 Luentorunkoa ja harjoituksia viikolle 11: ti klo 13:00-15:30

DI matematiikan opettajaksi: Täydennyskurssi, kevät 2010 Luentorunkoa ja harjoituksia viikolle 11: ti klo 13:00-15:30 DI matematiikan opettajaksi: Tädennskurssi, kevät Luentorunkoa ja harjoituksia viikolle : ti 6 klo :-5: Kädään läpi: funktioita f : D f R n R m ja integrointia R n :ssä Oletetaan, että, R n ovat mielivaltaisia

Lisätiedot

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra 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

Lisätiedot

Ellipsit, hyperbelit ja paraabelit vinossa

Ellipsit, hyperbelit ja paraabelit vinossa Ellipsit, hyperbelit ja paraabelit vinossa Matti Lehtinen 1 Ellipsi, hyperbeli ja paraabeli suorassa Opimme lukion analyyttisen geometrian kurssilla ainakin, jos kävimme lukiota vielä muutama vuosi sitten

Lisätiedot

Matriisien tulo. Matriisit ja lineaarinen yhtälöryhmä

Matriisien 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

Lisätiedot

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Kotitehtävät, tammikuu 2011 Vaikeampi sarja 1. Ratkaise yhtälöryhmä w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Ratkaisu. Yhtälöryhmän ratkaisut (w, x, y, z)

Lisätiedot

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme? TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä

Lisätiedot

Osoita, että kaikki paraabelit ovat yhdenmuotoisia etsimällä skaalauskuvaus, joka vie paraabelin y = ax 2 paraabelille y = bx 2. VASTAUS: , b = 2 2

Osoita, että kaikki paraabelit ovat yhdenmuotoisia etsimällä skaalauskuvaus, joka vie paraabelin y = ax 2 paraabelille y = bx 2. VASTAUS: , b = 2 2 8. Geometriset kuvaukset 8.1. Euklidiset kuvaukset 344. Esitä muodossa x = Ax + b se avaruuden E 3 peilauskuvaus, jonka symmetriatasona on x 1 3x + x 3 = 6. A = 1 3 6 6 3, b = 1 1 18. 3 6 6 345. Tason

Lisätiedot

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka

Lisätiedot

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: 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 +

Lisätiedot

2 / :03

2 / :03 file:///c:/users/joonas/desktop/linis II Syksy /Ratkaisuehdotukse / 8 76 3:3 Kysymys Pisteet,, Määritellään positiivisten reaalilukujen joukossa R + = {x R x > } yhteenlasku ja skalaarikertolasku seuraavasti:

Lisätiedot

6. Differentiaaliyhtälösysteemien laadullista teoriaa.

6. Differentiaaliyhtälösysteemien laadullista teoriaa. 1 MAT-13450 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 2010 6. Differentiaaliyhtälösysteemien laadullista teoriaa. Olemme keskittyneet tässä kurssissa ensimmäisen kertaluvun

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

Tensorialgebroista. Jyrki Lahtonen A = A n. n=0. I n, I = n=0

Tensorialgebroista. Jyrki Lahtonen A = A n. n=0. I n, I = n=0 Tensorialgebroista Esitysteorian kesäopintopiiri, Turun yliopisto, 2012 Jyrki Lahtonen Olkoon k jokin skalaarikunta. Kerrataan k-algebran käsite: A on k-algebra, jos se on sekä rengas että vektoriavaruus

Lisätiedot

Matematiikka B3 - Avoin yliopisto

Matematiikka 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

Lisätiedot

Talousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi

Talousmatematiikan 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

Lisätiedot