Informaatiotieteiden yksikkö. Lineaarialgebra 1B. Pentti Haukkanen. Puhtaaksikirjoitus: Joona Hirvonen
|
|
- Outi Anna-Leena Salo
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Informaatiotieteiden yksikkö Lineaarialgebra 1B Pentti Haukkanen Puhtaaksikirjoitus: Joona Hirvonen
2 2
3 Sisältö 1 Vektoriavaruudet 4 11 Määritelmä 4 12 Aliavaruudet 8 13 Virittäjät 9 14 Lineaarinen riippumattomuus Kanta Dimensio Koordinaatit Kannan vaihto 21 2 Sisätuloavaruudet Määritelmä Algebrallisia ominaisuuksia Pituus kulma Ortonormaalit joukot 29 3 Lineaarikuvaukset Määritelmä perusominaisuuksia Ydin kuva-avaruus Dimensiolause Vektoriavaruuksien isomorfia Lineaarikuvaukset R n R m Lineaarikuvauksen matriisi kantojen suhteen Ominaisarvot ominaisvektorit 52 3
4 Luku 1 Vektoriavaruudet 11 Määritelmä Määritelmä 111 Olkoon V epätyhjä joukko, jossa on määritelty kaksi operaatiota: yhteenlasku u + v (kuvaus V V V ) skalaarilla kertominen ku (kuvaus R V V ) Kolmikkoa (V, +, ) sanotaan vektoriavaruudeksi, jos (1) u + v = v + u (kommutatiivisuus eli vaihdannaisuus) (2) u + (v + w) = (u + v) + w (assosiatiivisuus eli liitännäisyys) (3) 0 V : u V : u + 0 = 0 + u = u (nolla-alkio) (4) u V : u V : u + ( u) = ( u) + u = 0 (vasta-alkio) (5) k(u + v) = ku + kv (6) (k + l)u = ku + lu (7) k(lu) = (kl)u (8) 1u = u aina, kun u, v, w V k, l R Alkioita u V sanotaan vektoreiksi Vektori 0 V on nollavektori Vektori u V on vektorin u vastavektori Lukua k R sanotaan skalaariksi Huomautus Kuten edellä skalaarilla kertomista merkitään usein k u = ku Huomautus Usein puhutaan vektoriavaruuden (V, +, ) sista lyhyesti vain vektoriavaruudesta V 4
5 Esimerkki 111 Euklidinen avaruus R n on vektoriavaruus, jossa laskutoimitukset ovat u + v = (u 1 + v 1,, u n + v n ) kun u, v R n k R ku = (ku 1,, ku n ), Esimerkki 112 Kokoa m n olevien matriisien joukko R m n on vektoriavaruus laskutoimituksilla A + B = [a ij + b ij ] ka = [ka ij ], kun A, B R m n k R Kyseessä on ns matriisiavaruus Esimerkki 113 Funktiojoukko on vektoriavaruus laskutoimituksilla V = {f f : R R kuvaus} (f + g)(x) = f(x) + g(x) (kf)(x) = k(f(x)), kun f, g V k R Kyseessä on ns funktioavaruus Merkitään V = R R Esimerkki 114 Vektoriavaruuksia ovat myös mm tiettyjen differentiaaliyhtälöiden differenssiyhtälöiden lineaaristen yhtälöryhmien ratkaisuavaruudet Esimerkki 115 Olkoon V = R 2 Määritellään tässä joukossa laskutoimitukset u + v = (u 1 + v 1, u 2 + v 2 ) kun u, v R 2 k R Onko V vektoriavaruus? ku = (ku 1, u 2 ), 5
6 Ratkaisu Tarkastellaan määritelmän 111 kohtaa (6) Nyt mutta (k + l)u = ((k + l)u 1, u 2 ) = (ku 1 + lu 1, u 2 ), ku + lu = (ku 1, u 2 ) + (lu 1, u 2 ) = (ku 1 + lu 1, 2u 2 ) Tällöin valitsemalla esimerkiksi vektori u = (0, 1) saadaan (k + l)u = (0, 1) (0, 2) = ku + lu Siis kohta (6) ei ole voimassa, joten V ei ole vektoriavaruus Esimerkki 116 Olkoon V = R 2 Määritellään tässä joukossa laskutoimitukset u + v = (u 1 + v 1, 0) ku = (ku 1, ku 2 ), kun u, v R 2 k R Onko V vektoriavaruus? Ratkaisu Tarkastellaan määritelmän 111 kohtaa (3) Tehdään vastaoletus, että v = (v 1, v 2 ) on avaruuden V nollavektori Tällöin Toisaalta u + v = u u + v = (u 1, u 2 ) + (v 1, v 2 ) = (u 1 + v 1, 0) Tällöin valitsemalla esimerkiksi vektori u = (0, 1) saadaan u + v = u = (0, 1) (v 1, 0) = v + u, mikä on ristiriita Siis kohta (3) ei ole voimassa, joten V ei ole vektoriavaruus Algebraa Lause 111 Olkoon V vektoriavaruus Silloin (1) u + v = u + w v = w, (2) 0u = 0, (3) k0 = 0, 6
7 (4) ( k)u = (ku) = k( u), (5) ku = 0 k = 0 tai u = 0, (6) ku = kv k 0 u = v, (7) ku = lu u 0 k = l aina, kun u, v, w V k, l R Todistus Todistetaan kohta (6) Olkoon ku = kv k 0 Silloin ku = kv k 1 (ku) = k 1 (kv) (k 1 k)u = (k 1 k)v 1u = 1v u = v Todistetaan sitten kohta (7) Olkoon ku = lu u 0 Silloin ku = lu ku + ( (lu)) = lu + ( (lu)) ku + ( l)u = 0 (k + ( l))u = 0 k + ( l) = 0 Muut kohdat ovat harjoitustehtäviä k = l Määritelmä 112 Olkoon V vektoriavaruus Silloin vektoreiden u, v V erotus on u v = u + ( v) Esimerkki 117 Olkoot f g reaalifunktiota Voidaan todistaa, että ( g)(x) = (g(x)) Näin ollen (f g)(x) = (f + ( g))(x) = f(x) + ( g)(x) = f(x) + ( g(x)) = f(x) g(x) Esimerkki 118 Olkoot A B m n matriise Silloin A B = A + ( B) = [a ij ] + [ b ij ] = [a ij + ( b ij )] = [a ij b ij ] 7
8 12 Aliavaruudet Määritelmä 121 Olkoon V vektoriavaruus W V Silloin W on avaruuden V aliavaruus, jos W on vektoriavaruus avaruuden V operaatioiden suhteen Lause 121 (Aliavaruuskriteeri) Olkoon V vektoriavaruus W V sen osajoukko Silloin W on avaruuden V aliavaruus, jos vain jos (i) u + v W, (ii) ku W aina, kun u, v W k R Todistus Oletetaan ensin, että W on avaruuden V aliavaruus Tällöin saadaan operaatiot + : W W W : R W W, joten kohdat (i) (ii) ovat voimassa Oletetaan sitten, että kohdat (i) (ii) ovat voimassa Määritelmän 111 kohdat (1) (2) sekä (5) (6) ovat selvästi voimassa, koska ne pätevät alkuperäisen avaruuden V operaatioille Pitää siis tutkia kohtia (3) (4) Oletuksesta seuraa, että rajoittamalla alkuperäisen avaruuden V operaatioita saadaan operaatiot + : W W W : R W W Nyt W, joten on olemassa jokin u W Tällöin 0u W 0u = 0, joten 0 W Lisäksi kaikilla u W pätee, että ( 1)u W Koska ( 1)u = u, niin u W Esimerkki 121 Vektoriavaruuden V aliavaruuksia ovat esimerkiksi V {0} Esimerkki 122 Olkoon Onko W avaruuden R 2 aliavaruus? W = {(x, 2x) x R} Ratkaisu Olkoot (s, 2s), (t, 2t) W olkoon k R Silloin (s, 2s) + (t, 2t) = (s + t, 2s + 2t) = (s + t, 2(s + t)) W k(s, 2s) = (ks, k(2s)) = (ks, 2(ks)) W, joten lauseen 121 nolla W on aliavaruus 8
9 Esimerkki 123 Olkoon Onko W avaruuden R 2 aliavaruus? W = {(x, 2x + 1) x R} Ratkaisu 1 Olkoon (s, 2s + 1) W Jos s = 0, niin 2s + 1 = 1 0 Siis 0 = (0, 0) / W, joten W ei ole aliavaruus Ratkaisu 2 Vektori (0, 1) = (0, ) W skalaari 2 R Kuitenkin 2(0, 1) = (0, 2) / W, joten lauseen 121 nolla W ei ole aliavaruus Esimerkki 124 Lauseen 121 avulla voidaan osoittaa, että 2 2 diagonaalimatriisit muodostavat matriisiavaruuden R 2 2 aliavaruuden Esimerkki 125 Lauseen 121 avulla voidaan osoittaa, että polynomifunktiot muodostavat funktioavaruuden {f f : R R kuvaus} aliavaruuden Esimerkki 126 Homogeenisen lineaarisen yhtälöryhmän AX = 0 ratkaisut muodostavat vektoriavaruuden R n 1 aliavaruuden, ns ratkaisuavaruuden Todistus Olkoot X 1 X 2 yhtälöryhmän ratkaisu Silloin A(X 1 + X 2 ) = AX 1 + AX 2 = = 0, joten X 1 + X 2 on yhtälöryhmän ratkaisu Olkoon sitten X yhtälöryhmän ratkaisu k R Silloin A(kX) = kax = k0 = 0, joten kx on yhtälöryhmän ratkaisu Siis lauseen 121 ehdot täyttyvät eli yhtälöryhmän ratkaisut muodostavat aliavaruuden 13 Virittäjät Määritelmä 131 Olkoon V vektoriavaruus S = {v 1, v 2,, v n } V Merkitään Vektoreita lin(s) = {k 1 v 1 + k 2 v k n v n k 1,, k n R} k 1 v 1 + k 2 v k n v n sanotaan vektoreiden v 1, v 2,, v n lineaarikombinaatioiksi 9
10 Lause 131 Olkoon V vektoriavaruus S = {v 1, v 2,, v n } V Silloin lin(s) on suppein avaruuden V aliavaruus, joka sisältää joukon S Todistus Osoitetaan ensin, että lin(s) on aliavaruus Sovelletaan aliavaruuskriteeriä (lause 121) Asettamalla k 1 = k 2 = = k n = 0 saadaan, että 0 lin(s), joten lin(s) Koska vektoriavaruus on suljettu yhteenlaskun skalaarilla kertomisen suhteen, lin(s) V Siis aliavaruuskriteerin perusehto lin(s) V on voimassa Todistetaan sitten aliavaruuskriteerin ehdot (i) (ii) Olkoot u, v lin(s), olkoon k R Silloin u + v = (k 1 v 1 + k 2 v k n v n ) + (l 1 v 1 + l 2 v l n v n ) = (k 1 + l 1 )v 1 + (k 2 + l 2 )v (k n + l n )v n lin(s) ku = k(k 1 v 1 + k 2 v k n v n ) = (kk 1 )v 1 + (kk 2 )v (kk n )v n lin(s), joten lauseen 121 nolla lin(s) on aliavaruus Osoitetaan sitten, että lin(s) sisältää joukon S Olkoon v i S Silloin v i = 0v v i 1 + 1v i + 0v i v n lin(s), joten lin(s) sisältää joukon S Osoitetaan lopuksi, että lin(s) on suppein avaruuden V aliavaruus, joka sisältää joukon S Olkoon W avaruuden V sellainen aliavaruus, että W sisältää joukon S Valitaan mielivaltainen u lin(s) Siis u = k 1 v 1 + k 2 v k n v n Nyt v i W k i R, joten k i v i W aina, kun i {1,, n} Edelleen tällöin k 1 v 1 + k 2 v k n v n W, joten u W Siis lin(s) W eli lin(s) on suppein avaruuden V aliavaruus, joka sisältää joukon S Määritelmä 132 Vektoriavaruutta lin(s) sanotaan joukon S virittämäksi vektoriavaruudeksi Merkitään myös span(s) = lin(s) 10
11 Esimerkki 131 Olkoot i, j R 2 sellaiset, että i = (1, 0) j = (0, 1) Silloin lin{i, j} = {ki + lj k, l R} = {(k, 0) + (0, l) k, l R} = {(k, l) k, l R} = R 2 Esimerkki 132 Olkoot d, u, v R 3 \ {0} sellaiset, että u v Silloin on origon kautta kulkeva suora on origon sisältävä taso lin{d} = {sd s R} lin{u, v} = {su + tv t, s R} 14 Lineaarinen riippumattomuus Määritelmä 141 Olkoon S = {v 1,, v n } V Silloin S on lineaarisesti riippumaton, jos k 1 v k n v n = 0 k 1 = = k n = 0 Muussa tapauksessa S on lineaarisesti riippuva Esimerkki 141 Joukot {i, j} R 2, {i, j, k} R 3 {(1, 0, 0,, 0, 0), (0, 1, 0,, 0, 0),, (0, 0, 0,, 0, 1)} R n ovat lineaarisesti riippumattomia Esimerkki 142 Onko lineaarisesti riippumaton? Ratkaisu Oletetaan, että Siis Saadaan yhtälöryhmä S = {(1, 1, 1), (1, 2, 1)} R 3 k(1, 1, 1) + l(1, 2, 1) = (0, 0, 0) (k, k, k) + (l, 2l, l) = (0, 0, 0) (k + l, k + 2l, k l) = (0, 0, 0) k + l = 0 k + 2l = 0 k l = 0, josta ratkaistaan k = l = 0 Siis S on lineaarisesti riippumaton 11
12 Esimerkki 143 Onko S = {(1, 2), (5, 6), (3, 2)} R 2 lineaarisesti riippumaton? Ratkaisu Oletetaan, että k 1 (1, 2) + k 2 (5, 6) + k 3 (3, 2) = (0, 0) Siis (k 1, 2k 1 ) + (5k 2, 6k 2 ) + (3k 3, 2k 3 ) = (0, 0) (k 1 + 5k 2 + 3k 3, 2k 1 + 6k 2 + 2k 3 ) = (0, 0) Saadaan yhtälöryhmä { k1 + 5k 2 + 3k 3 = 0 2k 1 + 6k 2 + 2k 3 = 0, josta ratkaistaan k 1 = 2k 3 k 2 = k 3 Siis esimerkiksi joten S on lineaarisesti riippuva 2(1, 2) 1(5, 6) + 1(3, 2) = (0, 0), Esimerkki 144 Olkoon V = R R = {f f : R R} S = {f, g} V, missä f(x) = x g(x) = cos x Onko S lineaarisesti riippumaton? Ratkaisu Oletetaan, että kf + lg = 0 Siis aina, kun x R Täten erityisesti (kf + lg)(x) = 0 kf(x) + lg(x) = 0 kx + l cos x = 0 { k0 + l cos 0 = 0 k π 2 + l cos π 2 = 0 Tästä saadaan ratkaistua k = l = 0 Siis S on lineaarisesti riippumaton Esimerkki 145 Olkoot vektorit u, v V lineaarisesti riippumattomia Todista, että vektorit u + v, u v V ovat lineaarisesti riippumattomia 12
13 Todistus Oletetaan, että k(u + v) + l(u v) = 0 Siis ku + kv + lu lv = 0 (k + l)u + (k l)v = 0, josta saadaan yhtälöryhmä { k + l = 0 k l = 0 Tästä saadaan ratkaistua k = l = 0 Siis S on lineaarisesti riippumaton Esimerkki 146 Olkoot u, v, z V Todista, että vektorit u v, v z, z u V ovat lineaarisesti riippuvia Todistus Harjoitustehtävä Lause 141 Olkoon S äärellinen joukko (a) Joukko S on lineaarisesti riippuva, jos vain jos ainakin yksi sen vektori voidaan esittää muiden sen vektorien lineaarikombinaationa (b) Joukko S on lineaarisesti riippumaton, jos vain jos mitään sen vektoria ei voida esittää muiden sen vektorien lineaarikombinaationa Todistus Merkitään S = {v 1,, v n } Tapaus n = 1 käsitellään luennolla/harjoituksissa Oletetaan tkossa, että n 2 Todistetaan ensin kohta (a) Oletetaan ensin, että S on lineaarisesti riippuva Määritelmän mukaan on olemassa sellaiset luvut k 1,, k n, että k 1 v k n v n = 0, missä k j 0 jollain indeksin j {1,, n} arvolla Tällöin k j v j = k 1 v k j 1 v j 1 + k j+1 v j k n v n v j = k 1 k j v 1 k j 1 k j v j 1 k j+1 k j v j+1 k n k j v n Siis v j voidaan esittään vektorien v 1,, v j 1, v j+1,, v n lineaarikombinaationa Oletetaan sitten, että ainakin yksi joukon S vektori voidaan esittää muiden sen vektorien lineaarikombinaationa Merkitään, että tämä vektori on v j Siis v j = k 1 v k j 1 v j 1 + k j+1 v j k n v n 0 = k 1 v k j 1 v j 1 v j + k j+1 v j k n v n 0 = k 1 v k j 1 v j 1 + ( 1)v j + k j+1 v j k n v n Nyt 0 on esitetty joukon S lineaarikombinaationa siten, että k j = 1 0, joten S on lineaarisesti riippuva Kohta (b) yhtäitävä kohdan (a) kanssa 13
14 15 Kanta Määritelmä 151 Olkoon S = {v 1,, v n } V ( {0}) Silloin S on vektoriavaruuden V kanta, jos (1) S virittää vektoriavaruuden V, (2) S on lineaarisesti riippumaton Esimerkki 151 Joukko {i, j} on avaruuden R 2 kanta, joukko {i, j, k} on avaruuden R 3 kanta joukko {(1, 0, 0,, 0, 0), (0, 1, 0,, 0, 0),, (0, 0, 0,, 0, 1)} on avaruuden R n kanta, ns luonnollinen kanta Esimerkki 152 Joukko on avaruuden R 2 kanta S = {(1, 2), (3, 2)} Todistus Osoitetaan ensin, että S virittää avaruuden R 2 Valitaan mielivaltainen (x, y) R 2 merkitään (x, y) = k(1, 2) + l(3, 2) Saadaan yhtälöryhmä { k + 3l = x 2k + 2l = y, josta saadaan ratkaistua { k = 1 2 x y l = 1 2 x 1 4 y Siis (x, y) lin(s), joten lin(s) = R 2 Joukon S lineaarisen riippumattomuuden todistus on harjoitustehtävä Esimerkki 153 Määritä yhtälöryhmän AX = 0 ratkaisuavaruus sen kanta, kun A =
15 Ratkaisu Ratkaistaan yhtälöryhmä { 2x1 + 5x 2 + 3x 3 + 8x 4 = 0 4x 1 + 6x 2 + 2x 3 + 8x 4 = 0 { 2x1 + 5x 2 + 3x 3 + 8x 4 = 0 2x 1 + x 2 x 3 = 0 { 4x 2 + 4x 3 + 8x 4 = 0 2x 1 + x 2 x 3 + = 0 { x4 = 1 2 x x 3 x 1 = 1 2 x x 3 Nyt parametrisoimalla x 2 = 2t x 3 = 2s saadaan ratkaisuksi Siis ratkaisumatriisi X on x 1 = t + s x 2 = 2t x 3 = 2s x 4 = t s t + s t s 1 1 2t X = 2s = 2t s = t s 0 2 t + s t s 1 1 Tästä saadaan ratkaisuavaruus V = t 0 + s 0 t, s R, jonka kanta on S = 0, Esimerkki 154 Olkoon A kuten edellisessä esimerkissä Tarkastellaan lineaarista yhtälöryhmää AX = B, missä B =
16 Tälle yhtälöryhmälle saadaan helposti yksittäisratkaisu 1 0 X p = 1 0 Edellisestä esimerkistä puolestaan saadaan homogeenisen yhtälöryhmän ratkaisu X h Siis yhtälöryhmän AX = B ratkaisu on (harj) X = X p + X h = 1 + t s Esimerkki 155 Matriisiavaruuden R 2 2 "luonnollinen"kanta on { } ,,, Esimerkki 156 Olkoon S lineaarisesti riippumaton joukko Silloin S on avaruuden lin(s) kanta 16 Dimensio Määritelmä 161 Olkoon V vektoriavaruus Jos avaruudella V on äärellinen kanta, niin sanotaan, että V on äärellisdimensioinen (tai äärellisulotteinen) Muussa tapauksessa V on ääretöndimensioinen (tai ääretönulotteinen) Esimerkki 161 Avaruus R n on äärellisdimensioinen avaruus on ääretöndimensioinen R = {(a 1, a 2, ) a 1, a 2, R} Merkintä Äärellisen joukon S alkioiden lukumäärää merkitään notaatiolla S Apulause 161 Olkoon V vektoriavaruus, S sen kanta Olkoon S V äärellinen Tällöin S = n < (1) jos S > S = n, niin S on lineaarisesti riippuva, (2) jos S on lineaarisesti riippumaton, niin S S = n 16
17 Todistus Todistetaan kohta (1) Oletetaan, että S > S = n Merkitään S = {v 1,, v n } S = {w 1,, w m } Joukko S on kanta, joten jokainen joukon S vektori voidaan lausua muodossa w 1 = a 11 v a n1 v n Oletetaan, että w 2 = a 12 v a n2 v n w m = a 1m v a nm v n k 1 w k m w m = 0 Kirjoittamalla joukon S vektorit joukon S vektoreiden avulla saadaan a 11 v a n1 v n + a 12 v a n2 v n + a 1m v a nm v n = 0, joka voidaan edelleen muokata muotoon (k 1 a k m a 1m )v 1 + (k 1 a k m a 2m )v 2 + (k 1 a n1 + + k m a nm )v n = 0 Koska S on lineaarisesti riippumaton, niin edellinen yhtälö on yhtäpitävä seuraavan yhtälöryhmän kanssa a 11 k 1 + a 12 k a 1m k m = 0 a 21 k 1 + a 22 k a 2m k m = 0 a n1 k 1 + a n2 k a nm k m = 0 Tuntemattomia muuttujia k i (m kpl) on oletuksen mukaan enemmän kuin yhtälöitä (n kpl), joten yhtälöryhmällä on epätriviaale ratkaisu Siis S on lineaarisesti riippuva Kohta (2) on loogisesti ekvivalentti kohdan (1) kanssa Lause 161 Olkoon V äärellisulotteinen vektoriavaruus Silloin sen jokaisessa kannassa on yhtä monta vektoria Todistus Olkoot S S avaruuden V kanto Nyt S on kanta S lineaarisesti riippumaton, joten apulauseen 161 nolla S S 17
18 Vastaavasti S on kanta S lineaarisesti riippumaton, joten apulauseen 161 nolla S S Siis S = S Määritelmä 162 Olkoon V vektoriavaruus, S sen kanta S = n < Sanotaan, että vektoriavaruuden V dimensio (ulottuvuus) on n tai että V on n dimensioinen (tai n ulotteinen) Merkitään Esimerkki 162 Esimerkiksi dim(v ) = n dim(r n ) = n dim(r m n ) = mn Jälkimmäisen todistus on harjoitustehtävä Esimerkki 163 Olkoon P n korkeintaan n asteisten polynomien vektoriavaruus Silloin sen yksi kanta on {1, x, x 2,, x n }, joten dim(p n ) = n + 1 Esimerkki 164 Olkoot u, v R 3 \ {0} sellaiset, että u v Silloin jos V = lin{u}, niin dim(v ) = 1, jos U = lin{u, v}, niin dim(u) = 2 Apulause 162 Olkoon V äärellisulotteinen vektoriavaruus dim(v ) > 1 Olkoon S vektoriavaruuden V sellainen lineaarisesti riippumaton osajoukko, joka ei viritä avaruutta V Olkoon v V \ lin(s) Silloin S {v} on lineaarisesti riippumaton Apulause 163 Olkoon V äärellisulotteinen vektoriavaruus Olkoon S vektoriavaruuden V sellainen äärellinen osajoukko, joka virittää avaruuden V Oletetaan, että joukon S jokin vektori v voidaan esittää joukon S muiden vektoreiden lineaarikombinaationa Todista, että S \ {v} virittää avaruuden V Lause 162 Olkoon V vektoriavaruus, dim(v ) = n S V Silloin jos ehdoista 18
19 (1) lin(s) = V, (2) S lineaarisesti riippumaton, (3) S = n kaksi on voimassa, niin S on kanta Todistus Oletetaan ensin, että kohdat (1) (2) ovat voimassa Tällöin määritelmän 151 nolla S on kanta Oletetaan sitten, että ehdot (2) (3) ovat voimassa Pitää siis osoittaa, että lin(s) = V Tehdään vastaoletus, että on olemassa sellainen v V, että v / lin(s) Tällöin apulauseen 162 nolla S {v} on lineaarisesti riippumaton apulauseen 161 nolla n + 1 = S {v} n, mikä on ristiriita Siis vastaoletus on väärin väite pätee Oletetaan lopuksi, että kohdat (1) (3) ovat voimassa Tämän osan todistus on harjoitustehtävä Esimerkki 165 Olkoon u = (1, 0) v = (1, 1) Silloin on avaruuden R 2 kanta S = {u, v} Todistus Koska S = 2, niin lauseen 162 nolla riittää osoittaa, että S on lineaarisesti riippumaton Oletetaan tätä varten, että Siis saadaan yhtälö ku + lv = 0 (k + l, l) = (0, 0), jonka ainoa ratkaisu on k = l = 0, joten S on lineaarisesti riippumaton Lause 163 Olkoon V vektoriavaruus, dim(v ) = n S V 1 Jos S on lineaarisesti riippumaton S < n, niin joukko S voidaan täydentää avaruuden V kannaksi 2 Jos lin(s) = V S > n, niin on olemassa joukon S osajoukko, joka on avaruuden V kanta Todistus Luennoilla Esimerkki 166 Joukko S = {i, i + j} on lineaarisesti riippumaton S = 2 < 3 = dim(r 3 ), joten S voidaan täydentää avaruuden R 3 kannaksi Esimerkiksi S {i + j + k} = {i, i + j, i + j + k} on avaruuden R 3 kanta Esimerkki 167 Olkoon S = {i, i + k, j, k} Silloin lin(s) = R 3 S = 4 > 3 = dim(r 3 ), joten on olemassa joukon S osajoukko, joka on avaruuden R 3 kanta Esimerkiksi S = {i, j, k} S on avaruuden R 3 kanta 19
20 17 Koordinaatit Lause 171 Olkoon V äärellisulotteinen vektoriavaruus S = {v 1,, v n } sen kanta Silloin jokaista vektoria v V kohti on olemassa sellaiset yksikäsitteiset luvut c 1,, c n R, että v = c 1 v c n v n Todistus Kanta S virittää avaruuden V, joten lukujen c 1,, c n olemassaolo on selvä Oletetaan, että v = c 1 v c n v n v = k 1 v k n v n Vähentämällä nämä puolittain saadaan 0 = (c 1 k 1 )v (c n k n )v n Kanta S on lineaarisesti riippumaton, joten mistä edelleen seuraa, että Siis c 1,, c n ovat yksikäsitteiset c 1 k 1 = 0,, c n k n = 0, c 1 = k 1,, c n = k n Määritelmä 171 Olkoon V vektoriavaruus S = {v 1,, v n } sen järjestetty kanta Lauseen 171 skalaare c 1,, c n sanotaan vektorin v koordinaateiksi kannan S suhteen Koordinaattivektori kannan S suhteen on c 1 (v) S = Rn 1 c n Huomautus Tästä lähtien kannasta puhuttaessa tarkoitetaan aina järjestettyä kantaa Huomautus Vektori v = (v 1,, v n ) R n samaistetaan matriisin v 1 Rn 1 v n kanssa Siis merkitään v 1 (v 1,, v n ) = v n 20
21 Esimerkki 171 Joukot S 1 = {i, j} S 2 = {(2, 0), (0, 3)} ovat avaruuden R 2 kanto Silloin v = (x, y) = xi + yj, joten joten (v) S1 = x, y v = (x, y) = x 2 (0, 2) + y (0, 3), 3 (v) S2 = x 2 y 3 Huomautus Jos kantaa ei erikseen mainita, tutkitaan luonnollista kantaa Esimerkki 172 Tarkastellaan avaruuden R 2 2 luonnollista kantaa { } S =,,, Tällöin () a 0 = 0 b S a 0 0 R4 1 b 18 Kannan vaihto Olkoot S = {v 1,, v n } S kantaa Silloin, kun v V, = {v 1,, v n} kaksi vektoriavaruuden V missä (v) S = P (v) S, P = [ (v 1 ) S (v 2 ) S (v n ) S ] Matriisia P sanotaan kannanmuunnosmatriisiksi kannalta S kannalle S Todistus Todistetaan tapaus n = 2 Olkoot S = {v 1, v 2 } S = {v 1, v 2} vektoriavaruuden V kaksi kantaa Merkitään { v1 = av 1 + bv 2 v 2 = cv 1 + dv 2, jolloin (v 1 ) S = a b (v 2 ) S = c d 21
22 Siis Merkitään jolloin Nyt a c P = b d v = k 1 v 1 + k 2 v 2, ] (v) S = [ k1 k 2 v = k 1 v 1 + k 2 v 2 = k 1 (av 1 + bv 2) + k 2 (cv 1 + dv 2) = (k 1 a + k 2 c)v 1 + (k 1 b + k 2 d)v 2, joten (v) S = k1 a + k 2 c = k 1 b + k 2 d a c k1 = P (v) b d S k 2 Esimerkki 181 Joukot S = {v 1, v 2 } = {(1, 1), (2, 1)} S = {v 1, v 2} = {(1, 0), (0, 1)} ovat avaruuden R 2 kaksi kantaa Silloin kannanmuunnosmatriisi kannalta S kannalle S on Nyt joten joten Siis Tällöin esimerkiksi P = [ (v 1 ) S (v 2 ) S ] v 1 = (1, 1) = 1(1, 0) + 1(0, 1) = 1v 1 + 1v 2, (v 1 ) S = 1, 1 v 2 = (2, 1) = 2(1, 0) + 1(0, 1) = 2v 1 + 1v 2, P (v 2 ) S = (v 1 ) S = P = = 2 = (v 1 2 ) S 22
23 Lause 181 Olkoon P kannanmuunnosmatriisi kannalta S kannalle S Silloin (1) P on kääntyvä, (2) P 1 kannanmuunnosmatriisi kannalta S kannalle S Todistus Kohdan (1) todistus sivuutetaan Todistetaan kohta (2) Nyt (v) S = P (v) S P 1 (v) S = P 1 P (v) S P 1 (v) S = (v) S (v) S = P 1 (v) S 23
24 Luku 2 Sisätuloavaruudet 21 Määritelmä Määritelmä 211 Olkoon V vektoriavaruus Silloin kuvausta, : V V R sanotaan sisätuloksi, jos (1) u, v = v, u, (2) u + v, w = u, w + v, w, (3) ku, v = k u, v, (4) u, u 0 u, u = 0 u = 0 aina, kun u, v, w V k R Vektoriavaruutta sanotaan sisätuloavaruudeksi, jos siinä on määritelty sisätulo Esimerkki 211 Olkoon V = R n euklidinen avaruus Määritellään u, v = u v = u 1 v u n v n, missä u = (u 1,, u n ) v = (v 1,, v n ) Silloin, on sisätulo, ns euklidinen sisätulo, R n on sisätuloavaruus Todistus Oletetaan, että u, v, w V k R Tällöin (1) u, v = u v = v u = v, u, (2) u + v, w = (u + v) w = u w + v w = u, w + v, w, (3) ku, v = (ku) v = k(u v) = k u, v, (4) v, v = v v 0 v, v = v v = 0 v = 0 24
25 Esimerkki 212 Olkoon V = R 2 Silloin painotettu pistetulo u, v = u 1 v 1 + 2u 2 v 2 on sisätulo Todistus Oletetaan, että u, v, w V k R Tällöin (1) u, v = u 1 v 1 + 2u 2 v 2 = v 1 u 1 + 2v 2 u 2 = v, u Muut kohdat ovat harjoitustehtäviä Esimerkki 213 Olkoon V = {f f : R R kuvaus} sopiva funktioavaruus Tällöin f, g = on sisätulo Todistus Sivuutetaan b a f(x)g(x)dx 22 Algebrallisia ominaisuuksia Lause 221 Olkoon V sisätuloavaruus Silloin (a) 0, v = v, 0 = 0, (b) u, v + w = u, v + u, w, (c) u, kv = k u, v aina, kun u, v, w V k R Todistus Oletetaan, että u, v, w V k R Osoitetaan ensin (a) kohta Nyt 0, v = 0 + 0, v = 0, v + 0, v, joten 0, v = 0 Koska 0, v = v, 0, niin (a) kohta pätee Kohtien (b) (c) todistukset ovat harjoitustehtäviä 25
26 23 Pituus kulma Oletetaan tästä eteenpäin, että vektoriavaruus V on aina sisätuloavaruus Määritelmä 231 Vektorin u normi (eli pituus) u on u = u, u 1 2 = u, u Vektoreiden u v välinen etäisyys d(u, v) on d(u, v) = u v Esimerkki 231 Olkoon V = R n euklidinen avaruus Tällöin u = u, u 1 2 = (u u) 1 2 = (u u 2 n) 1 2 d(u, v) = u v = ((u 1 v 1 ) (u n v n ) 2 ) 1 2 Esimerkki 232 Olkoon V = R 2 sisätuloavaruus, jossa sisätulona on painotettu pistetulo u, v = u 1 v 1 + 2u 2 v 2 Silloin Esimerkiksi u = u, u 1 2 = u u 2 2 (1, 1) = = 3 Apulause 231 (Cauchy-Schwarz) Olkoot u, v V Silloin Todistus Sivuutetaan u, v u v Esimerkki 233 Euklidisessa avaruudessa R n pätee u v = u, v u v Lause 231 Olkoot u, v V, olkoon k R Silloin (1) u 0 u = 0 u = 0, (2) ku = k u, (3) u + v u + v (kolmioepäyhtälö) 26
27 Todistus Kohtien (1) (2) todistukset ovat harjoitustehtäviä Todistetaan kohta (3) Nyt u + v 2 = u + v, u + v = u, u + v + v, u + v = u, u + u, v + v, u + v, v = u, u + u, v + u, v + v, v = u u, v + v 2 u u v + v 2 = ( u + v ) 2, josta saadaan u + v u + v Määritelmä 232 Vektoreiden u 0 v 0 välinen kulma θ määritellään kaavalla u, v cos θ =, θ [0, π] u v Huomautus Oletuksen nolla u, v = 0, joten Cauchy-Schwarzin mukaan u, v [1, 1] u v Siis määritelmä 232 on mielekäs Määritelmä 233 Vektorit u v ovat ortogonaaliset (kohtisuorat), jos u, v = 0 Merkitään Lisäksi merkitään jos u v aina, kun v S u v u S, Huomautus Vektorien välisen kulman määritelmästä seuraa, että kun u, v 0 u v θ = π 2, 27
28 Esimerkki 234 Olkoon V = R 2 euklidinen avaruus Silloin (1, 1) ( 1, 1), koska Itse asiassa (1, 1), ( 1, 1) = (1, 1) ( 1, 1) = 0 (1, 1) ( x, x) aina, kun x R, sillä (1, 1), ( x, x) = (1, 1) ( x, x) = 1( x) + 1x = 0 Esimerkki 235 Olkoon V = R 2 varustettuna painotetulla pistetulolla u, v = u 1 v 1 + 2u 2 v 2 Silloin koska Nyt joten Siis (1, 1) ( 1, 1), (1, 1), ( 1, 1) = 1( 1) + 2(1 1) = 1 0 cos θ = (1, 1) = 3 = ( 1, 1), (1, 1), ( 1, 1) (1, 1) ( 1, 1) = 1 = θ 70, 5 Lause 232 (Yleistetty Pythagoraan lause) Jos u v, niin u + v 2 = u 2 + v 2 Todistus Oletetaan, että u v Tällöin u + v 2 = u + v, u + v = u, u + v + v, u + v = u, u + u, v + v, u + v, v = u, u + u, v + u, v + v, v = u u, v + v 2 = u v 2 = u 2 + v 2 28
29 24 Ortonormaalit joukot Määritelmä 241 Olkoon = S V Silloin joukko S on ortogonaali joukko, jos u v aina, kun u, v S, u v Jos lisäksi u = 1 aina, kun u S, niin S on ortonormaali joukko Huomautus Usein sanotaan vain lyhyesti, että S on ortogonaali tai ortonormaali Esimerkki 241 Olkoon S ortogonaali 0 / S Silloin joukko on ortonormaali Todistus Harjoitustehtävä { 1 u u } u S Esimerkki 242 Olkoon R 3 euklidinen avaruus Tällöin joukko {i, j, k} on ortonormaali Yleisesti euklidisen avaruuden R n luonnollinen kanta on ortonormaali Lause 241 Olkoon S = {v 1,, v n } avaruuden V ortonormaali kanta Silloin u = u, v 1 v 1 + u, v 2 v u, v n v n aina, kun u V Todistus Oletetaan, että u V Koska S on avaruuden V kanta, vektori u voidaan lausua muodossa Nyt saadaan, että u = c 1 v c n v n u, v i = c 1 v c n v n, v i = c 1 v 1, v i + + c i v i, v i + + c n v n, v i = c c i v i c n 0 = c i = c i, missä i {1,, n} Tällöin u = u, v 1 v 1 + u, v 2 v u, v n v n 29
30 Huomautus Ortonormaalin kannan tapauksessa vektorille u saadaan koordinaattivektori u, v 1 (u) S = u, v n eli ns Fourier-kertoimet Esimerkin 241 avulla saadaan, että vektorin u koordinaattivektori ortogonaalin kannan suhteen on (u) S = u,v 1 v 1 2 u,v n v n 2 Esimerkki 243 Olkoon R 2 vektoriavaruus S = {i, j} sen ortonormaali kanta Tällöin u = (u 1, u 2 ) voidaan lausua muodossa u = (u i)i + (u j)j Lause 242 Olkoon S = {v 1,, v m } ortogonaali joukko, olkoot v 1,, v m 0 Silloin S on lineaarisesti riippumaton Todistus Oletetaan, että Silloin kun i {1,, m} Toisaalta k 1 v k m v m = 0 k 1 v k m v m, v i = 0, v i = 0, k 1 v k n v m, v i = k 1 v 1, v i + + k i v i, v i + + k m v m, v i = k k i v i k m 0 = k i v i 2, joten yhdistämällä nämä yhtälöt saadaan, että k i v i 2 = 0, kun i {1,, n} Koska v i 2 0, niin k i = 0 Siis S on lineaarisesti riippumaton Projektio Määritelmä 242 Olkoon {v 1,, v m } avaruuden V ortogonaali joukko, missä v 1,, v m 0 Olkoon W = lin{v 1,, v m } Vektorin u V projektio aliavaruudelle W on proj W (u) = u, v 1 v 1 2 v u, v m v m 2 v m 30
31 Huomautus Olkoon S vektoriavaruuden V ortogonaali kanta R S Silloin proj lin(r) (u) tarkoittaa, että vektorin u koordinaateista häviävät (eli saavat arvoksi 0) ne, jotka vastaavat joukosta R pois jääneitä vektoreita Esimerkki 244 Olkoon V = R 3, W = lin{i, j} u = (x, y, z) = xi + yj + zk Silloin proj W (u) = u i i 2 i + u j j 2 j = xi + yj Lause 243 Olkoon u V W = lin(s), missä S = {v 1,, v m } on ortogonaali joukko v 1,, v m 0 Silloin Todistus Osoitetaan, että aina, kun w W Harjoitustehtävä (u proj W (u)) W u proj W (u), w = 0 Lause 244 Jokaisella äärellisulotteisella sisätuloavaruudella ( {0}) on ortonormaali kanta Gram-Schmidtin prosessi Olkoon {u 1, u 2,, u n } avaruuden V kanta Ortogonaali kanta {v 1, v 2,, v n } saadaan seuraavasti: Vaihe 1 Asetetaan v 1 = u 1 Vaihe 2 Asetetaan Vaihe 3 Asetetaan W 1 = lin{v 1 } v 2 = u 2 proj W1 (u 2 ) W 2 = lin{v 1, v 2 } v 3 = u 3 proj W2 (u 3 ) W 3 = lin{v 1, v 2, v 3 } 31
32 Vaihe n-1 Asetetaan Vaihe n Asetetaan v n 1 = u n 1 proj Wn 2 (u n 1 ) W n 1 = lin{v 1, v 2,, v n 1 } v n = u n proj Wn 1 (u n ) Lauseen 243 perusteella joukko {v 1, v 2,, v n } on ortogonaali Lauseen 242 mukaan se on lineaarisesti riippumaton, joten lauseen 162 nolla se on avaruuden V kanta Lopuksi normeerataan saatu ortogonaali kanta, jolloin saadaan ortonormaali kanta { 1 v 1 v 1, 1 v 2 v 2,, } 1 v n v n Huomautus Vektorit v 1, v 2,, v n voidaan vaihtoehtoisesti normeerata kussakin eri vaiheessa yksi kerrallaan Esimerkki 245 Olkoon V = R 3 S = {i, i + j, i + j + k} Ortogonalisoidaan avaruuden R 3 kanta S Vaihe 1 Asetetaan Vaihe 2 Asetetaan v 1 = u 1 = i W 1 = lin{i} v 2 = u 2 proj W1 (u 2 ) = (i + j) i = j Vaihe 3 Asetetaan W 2 = lin{i, j} v 3 = u 3 proj W2 (u 3 ) = (i + j + k) (i + j) = k On saatu avaruuden R 3 ortogonaali kanta {i, j, k} Tämä kanta on itse asiassa ortonormaali, sillä i = j = k = 1 32
33 Luku 3 Lineaarikuvaukset 31 Määritelmä perusominaisuuksia Määritelmä 311 Olkoot U V vektoriavaruuksia Kuvausta T : U V sanotaan lineaarikuvaukseksi, jos (1) T (u + u ) = T (u) + T (u ), (2) T (ku) = kt (u) aina, kun u, u U k R Esimerkki 311 Olkoon T : U U, T (u) = ku Voidaan osoittaa, että T on lineaarikuvaus Jos k > 1, niin sanotaan, että T on dilaatio Jos 0 < k < 1, niin sanotaan, että T on kontraktio Esimerkki 312 Olkoon T : R 2 R 2, T (u) = T (u 1, u 2 ) = ( u 1, u 2 ) Olkoot u, u R 2, olkoon k R Silloin T (u + u ) = T ((u 1, u 2 ) + (u 1, u 2)) = T (u 1 + u 1, u 2 + u 2) = ( u 1 u 1, u 2 + u 2) = ( u 1, u 2 ) + ( u 1, u 2) = T (u 1, u 2 ) + T (u 1, u 2) = T (u) + T (u ) 33
34 T (ku) = T (k(u 1, u 2 )) = T (ku 1, ku 2 ) = ( ku 1, ku 2 ) = (k( u 1 ), ku 2 ) = k( u 1, u 2 ) = kt (u 1, u 2 ) = kt (u), joten T on lineaarikuvaus Esimerkki 313 (Matriisikuvaus) Olkoon A m n matriisi Silloin T : R n R m, T (u) = Au on lineaarikuvaus, sillä T (u + u ) = A(u + u ) = Au + Au = T (u) + T (u ) T (ku) = A(ku) = k(au) = kt (u) Esimerkki 314 Olkoon A = I 2 Silloin joten T on identtinen kuvaus 1 0 u1 u1 T (u) = Au = I 2 u = = = u, 0 1 u 2 u 2 Lause 311 Olkoon T : U V lineaarikuvaus Silloin (a) T (0 U ) = 0 V, (b) T ( u) = T (u), (c) T (u 1 u 2 ) = T (u 1 ) T (u 2 ), (d) T (k 1 u k m u m ) = k 1 T (u 1 ) + + k m T (u m ) aina, kun u, u 1,, u m U k 1,, k m R Todistus Harjoitustehtävä Esimerkki 315 Onko lineaarikuvaus? T : R 2 R 3, T (x, y) = (x + 1, y + 1, 0) 34
35 Ratkaisu Ei ole, sillä Esimerkki 316 Onko lineaarikuvaus? T (0, 0) = (1, 1, 0) (0, 0, 0) T : R 2 R 3, T (x, y) = (xy, 0, 0) Ratkaisu Lauseen 311 kohta (a) on voimassa Kuitenkin T (1, 1) + T (1, 1) = (1, 0, 0) + (1, 0, 0) = (2, 0, 0) joten T ei ole lineaarikuvaus T ((1, 1) + (1, 1)) = T (2, 2) = (4, 0, 0), Huomautus Lineaarikuvaus tunnetaan täydellisesti, jos tunnetaan kantavektoreiden kuvat Todistus Olkoon T : U V lineaarikuvaus {u 1,, u n } avaruuden U kanta Olkoon u U Silloin u on muotoa jolloin u = k 1 u k n u n, T (u) = T (k 1 u k n u n ) = k 1 T (u 1 ) + + k n T (u n ) Kuvausten yhdistäminen Määritelmä 312 Olkoon T 1 : U V, T 2 : V W Silloin yhdistetty kuvaus T 2 T 1 on T 2 T 1 : U W, (T 2 T 1 )(u) = T 2 (T 1 (u)) Lause 312 Jos T 1 T 2 ovat lineaarikuvauksia, niin T 2 T 1 on lineaarikuvaus Todistus Määritelmän 311 kohta (1) on harjoitustehtävä Todistetaan kohta (2) Oletetaan tätä varten, että u U k R Tällöin (T 2 T 1 )(ku) = T 2 (T 1 (ku)) = T 2 (kt 1 (u)) = kt 2 (T 1 (u)) = k(t 2 T 1 )(u) 35
36 Lause 313 Olkoon T : U U I : U U, missä I(u) = u, kun u U Silloin T I = I T = T Todistus Oletetaan, että u U Tällöin (T I)(u) = T (I(u)) = T (u) (I T )(u) = I(T (u)) = T (u) Esimerkki 317 Olkoot T 1 : R 2 R 2 T 2 : R 2 R 2 sellaiset, että T 1 (x, y) = (x, y) T 2 (x, y) = ( x, y) Silloin T 2 T 1 : R 2 R 2 (T 2 T 1 )(x, y) = T 2 (T 1 (x, y)) = T 2 (x, y) = ( x, y) 32 Ydin kuva-avaruus Määritelmä 321 Olkoon T : U V lineaarikuvaus Silloin kuvauksen T ydin on ker(t ) = {u U T (u) = 0 V } kuvauksen T kuva-avaruus on ran(t ) = {T (u) u U} = {v V u U : T (u) = v} Huomautus Määritelmästä 321 seuraa, että Esimerkki 321 Olkoon Silloin 0 U ker(t ) 0 V ran(t ) T : R 2 R, T (x, y) = x + y ker(t ) = {(x, y) T (x, y) = 0} = {(x, y) x + y = 0} = {(x, y) y = x} = {(x, x) x R} 36
37 eli ydin on suora y = x Edelleen Esimerkki 322 Olkoon Silloin Edelleen ran(t ) = R n m eli ran(t ) = {T (x, y) x, y R} = {x + y x, y R} = R T : R m n R n m, T (A) = A T ker(t ) = {A R m n T (A) = 0} = {A R m n A T = 0} = {0} B R n m : A R m n : T (A) = B Todistus Valitaan mielivaltainen B R n m Olkoon A = B T, jolloin A R m n Silloin T (A) = A T = (B T ) T = B Lause 321 Olkoon T : U V lineaarikuvaus Silloin (a) ker(t ) on avaruuden U aliavaruus, (b) ran(t ) on avaruuden V aliavaruus Todistus Todistetaan kohta (a) soveltamalla aliavaruuskriteeriä (lause 121) Selvästi ker(t ) U Oletetaan sitten, että u, u ker(t ) k R Nyt oletuksen nolla T (u) = 0 T (u ) = 0, joten T (u + u ) = T (u) + T (u ) = = 0 Siis u + u ker(t ) eli kriteerin kohta (i) pätee Edelleen T (ku) = kt (u) = k0 = 0, joten ku ker(t ) eli kriteerin kohta (ii) on voimassa Todistetaan sitten kohta (b) käytetään myös tähän aliavaruuskriteeriä Selvästi ran(t ) V Oletetaan, että v, v ran(t ) k R Kohta (i) on harjoitustehtävä Käydään läpi kohta (ii) Oletuksen mukaan on olemassa sellainen u U, että T (u) = v 37
38 Nyt T (ku) = kt (u) = kv, joten on olemassa sellainen u = ku U, että T (u ) = kv Siis kv ran(t ) eli kriteerin kohta (ii) pätee Esimerkki 323 Olkoon T : R n R m, T (X) = AX Silloin ker(t ) = {X R n T (X) = 0} = {X R n AX = 0} on homogeenisen lineaarisen yhtälöryhmän AX = 0 ratkaisuavaruus 33 Dimensiolause Määritelmä 331 Olkoon T : U V lineaarikuvaus Silloin (1) kuvauksen T nulliteetti on dim(ker(t )), (2) kuvauksen T aste on dim(ran(t )) Huomautus Määritellään, että dim({0}) = 0 Lause 331 (Dimensiolause) Olkoon T : U V lineaarikuvaus dim(u) = n Silloin dim(ker(t )) + dim(ran(t )) = n eli kuvauksen T nulliteettin asteen summa on n Todistus Jos n = 0, niin U = {0} Tällöin ker(t ) = {0} ran(t ) = {0}, joten dim(ker(t )) + dim(ran(t )) = = 0 = n Oletetaan, että n > 0 Merkitään dim(ker(t )) = r 38
39 Olkoon S = {u 1, u r } ytimen ker(t ) kanta, jos r > 0, olkoon S =, jos r = 0 Jos r = n, niin lauseen 162 nolla ker(t ) = U Tällöin T (U) = T (ker(t )) = {0}, joten dim(ran(t )) = 0 Siis dim(ker(t )) + dim(ran(t )) = n + 0 = n Oletetaan, että r < n Nyt S on lineaarisesti riippumaton S U Lauseen 163 nolla S voidaan täydentää avaruuden U kannaksi Olkoon S {u r+1,, u n } avaruuden U kanta Todistetaan lauseen 162 avulla, että S = {T (u r+1 ),, T (u n )} on kuva-avaruuden ran(t ) kanta Osoitetaan aluksi, että S virittää kuva-avaruuden ran(t ) ts ran(t ) = lin(s ) Oletetaan ensin, että a ran(t ) Siis on olemassa sellainen u U, että T (u) = a Merkitään Nyt T (u) = T (c 1 u c n u n ) u = c 1 u c n u n a = c 1 T (u 1 ) + + c r T (u r ) + c r+1 T (u r+1 ) + + c n T (u n ) a = c r+1 T (u r+1 ) + + c n T (u n ) a = c r+1 T (u r+1 ) + + c n T (u n ), joten a lin(s ) Siis ran(t ) lin(s ) Koska S ran(t ) ran(t ) on vektoriavaruus, niin lin(s ) ran(t ) Siis ran(t ) = lin(s ) eli kohta (i) pätee Osoitetaan sitten, että S on lineaarisesti riippumaton Oletetaan, että Koska T on lineaarikuvaus, niin k r+1 T (u r+1 ) + + k n T (u n ) = 0 T (k r+1 u r k n u n ) = 0 Siis k r+1 u r k n u n ker(t ), 39
40 jolloin se voidaan lausua ytimen kannan alkioiden lineaarikombinaationa Saadaan k 1 u k r u r = k r+1 u r k n u n k 1 u k r u r k r+1 u r+1 k n u n = 0 k 1 u k r u r + ( k r+1 )u r ( k n )u n = 0 Koska {u 1,, u r, u r+1,, u n } on avaruuden U kanta, edellisestä yhtälöstä seuraa, että k 1 = = k r = k r+1 = = k n = 0 Tästä saadaan edelleen, että k r+1 = = k n = 0 Täten S on lineaarisesti riippumaton On siis osoitettu, että S on kuva-avaruuden ran(t ) kanta, joten dim(ran(t )) = S = n r Lisäksi S on ytimen ker(t ) kanta tai ker(t ) = {0} S =, joten dim(ker(t )) = S = r Tällöin dim(ker(t )) + dim(ran(t )) = r + n r = n Esimerkki 331 Olkoon T : R 2 R, T (x, y) = x + y Silloin ker(t ) = {(x, x) x R} = {x(1, 1) x R}, joten Edelleen dim(ker(t )) = {(1, 1)} = 1 dim(ran(t )) = dim(r) = 1 dim(u) = dim(r 2 ) = 2 40
41 Esimerkki 332 Olkoon T : R m n R n m, T (A) = A T Silloin dim(ker(t )) = dim({0}) = 0 dim(ran(t )) = dim(r n m ) = nm Esimerkki 333 Olkoon T : R n R m, T (X) = AX Silloin ker(t ) on yhtälöryhmän AX = 0 ratkaisuavaruus dim(ker(t )) = n dim(ran(t )) 34 Vektoriavaruuksien isomorfia Määritelmä 341 Olkoon f : A B kuvaus Silloin f on injektio, jos f(a 1 ) = f(a 2 ) a 1 = a 2 Kuvaus f on surjektio, jos f(a) = B eli b B : a A : f(a) = b Jos f on injektio surjektio, niin f on bijektio Lause 341 Olkoon T : U V lineaarikuvaus Silloin T injektio ker(t ) = {0} Todistus Oletetaan ensin, että T on injektio Olkoon u ker(t ) Silloin T (u) = 0 T (u) = T (0) u = 0 Siis vain 0 ker(t ) eli ker(t ) = {0} Oletetaan sitten, että ker(t ) = {0} Olkoon Silloin joten u v ker(t ) Siis joten T on injektio T (u) = T (v) T (u) T (v) = 0 T (u v) = 0, u v = 0 u = v, 41
42 Esimerkki 341 Olkoon Onko T injektio? T : R m n R n m, T (A) = A T Ratkaisu 1 Koska ker(t ) = {0}, niin T on injektio Ratkaisu 2 Olkoon Silloin joten T on injektio T (A) = T (B) A T = B T (A T ) T = (B T ) T A = B, Lause 342 Olkoon T : U V lineaarikuvaus dim(v ) = n Silloin T surjektio dim(ran(t )) = n Todistus Oletetaan ensin, että T on surjektio Tällöin ran(t ) = V, joten dim(ran(t )) = dim(v ) = n Oletetaan sitten, että dim(ran(t )) = n Tällöin kuva-avaruudella ran(t ) on sellainen kanta S, että S = n Koska S V, S on lineaarisesti riippumaton S = dim(v ), niin S on avaruuden V kanta Siis ran(t ) = lin(s) = V, joten T on surjektio Lause 343 Olkoon T : U V lineaarikuvaus dim(u) = dim(v ) = n Silloin T surjektio T injektio Todistus Oletetaan ensin, että T on surjektio Tällöin dim(ran(t )) = dim(v ) = n, joten dim(ker(t )) = dim(u) dim(ran(t )) = n n = 0 Siis ker(t ) = {0}, joten T on injektio Toinen suunta on harjoitustehtävä Määritelmä 342 Vektoriavaruudet U V ovat isomorfiset, jos on olemassa T : U V, joka on bijektio lineaarikuvaus Merkitään Kuvaus T on isomorfismi U V 42
43 Huomautus Isomorfismissa alkioilla on 1 1 vastaavuus laskutoimitukset säilyvät Esimerkki 342 Kuvaus a b T : R 4 R 2 2, T (a, b, c, d) = c d on isomorfismi, joten Kuvaus on isomorfismi, joten Kuvaus on isomorfismi, joten R 4 R 2 2 T : R 3 P 2, T (a, b, c) = a + bx + cx 2, R 3 P 2 T : R 2 lin{e x, e 2x }, T (a, b) = ae x + be 2x, R 2 lin{e x, e 2x } Esimerkki 343 Olkoon det A 0 Silloin kuvaus on isomorfismi T : R n R n, T (X) = AX, Todistus Aiemmin ollaan jo todistettu, että T on lineaarikuvaus Osoitetaan ensin, että T on injektio Olkoon Silloin T (X) = T (Y ) AX = AY A 1 (AX) = A 1 (AY ) (A 1 A)X = (A 1 A)Y IX = IY X = Y, joten T on injektio Osoitetaan sitten, että T on surjektio Valitaan mielivaltainen Y R n Olkoon X = A 1 Y Silloin joten T on surjektio T (X) = AX = A(A 1 Y ) = (AA 1 )Y = IY = Y, 43
44 Lause 344 Olkoot U V äärellisulotteisia vektoriavaruuksia Silloin U V dim(u) = dim(v ) Todistus Oletetaan ensin, että U V Tällöin on olemassa isomorfismi T : U V Kuvaus T on injektio, joten ker(t ) = {0} Siis dim(ker(t )) = 0, jolloin dim(ran(t )) = dim(u) 0 = dim(u) Toisaalta T on surjektio, joten ran(t ) = V Siis dim(ran(t )) = dim(v ), jolloin saadaan, että dim(u) = dim(v ) Oletetaan sitten, että dim(u) = dim(v ) = n Olkoon S = {u 1,, u n } avaruuden U kanta S = {v 1,, v n } avaruuden V kanta Silloin sääntö T (u) = c 1 v c n v n, kun u = c 1 u c n u n, määrittelee isomorfismin avaruudelta U avaruudelle V (harjoitustehtävä) Siis U V Esimerkki 344 Voidaan todistaa, että R 4 R 2 2 P 3 R 4 1 sekä R 2 {(x, y, z) R 3 z = 0} R {(x, y) R 2 y = 0} {(x, y) R 2 x = 0} Huomautus Isomorfisuus on ekvivalenssirelaatio Todistus Harjoitustehtävä 35 Lineaarikuvaukset R n R m Olkoon A m n matriisi Silloin T : R n R m, T (X) = AX, on lineaarikuvaus, ns matriisikuvaus Tässä luvussa todistetaan, että jokainen lineaarikuvaus T : R n R m on matriisikuvaus että jokaisen kuvauksen matriisi on yksikäsitteinen 44
45 Lause 351 Olkoon T : R n R m lineaarikuvaus Silloin missä T (X) = AX, A = [ T (e 1 ) T (e 2 ) T (e n ) ] {e 1, e 2,, e n } on avaruuden R n luonnollinen kanta Matriisia A sanotaan kuvauksen T matriisiksi tai luonnolliseksi matriisiksi Todistus Merkitään a 11 a 21 a n1 a 12 T (e 1 ) =, T (e a 22 2) =,, T (e a n2 n) = a 1m a 2m a nm Siis a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Todistetaan, että T (X) = AX, kun X R n Olkoot vektorin X koordinaatit x 1, x 2, x 3,, x n Silloin x x X = x 3 = x 1 + x x n = x 1 e 1 + x 2 e x n e n Silloin x n T (X) = T (x 1 e 1 + x 2 e x n e n ) = x 1 T (e 1 ) + x 2 T (e 2 ) + + x n T (e n ) a 11 x 1 + a 12 x a 1n x n a 21 x 1 + a 22 x a 2n x n AX = a m1 x 1 + a m2 x a mn x n = x 1 a 11 a 21 a m1 + x 2 a 12 a 22 a m2 + + x n a 1n a 2n a mn = x 1 T (e 1 ) + x 2 T (e 2 ) + + x n T (e n ), joten T (X) = AX 45
46 Lause 352 Olkoon T A : R n R m, T A (X) = AX, Silloin T B : R n R m, T B (X) = BX T A = T B A = B Todistus Oletetaan ensin, että A = B Tällöin kun X R n Siis AX = BX, T A (X) = T B (X), kun X R n, joten T A = T B Toinen suunta on harjoitustehtävä Esimerkki 351 Olkoon T : R 3 R 2 2x1 + x, T (X) = 2 Kirjoita T muodossa T (X) = AX, ts etsi kuvauksen T luonnollinen matriisi Ratkaisu Matriisi A on Esimerkki 352 Olkoon x 3 A = [ T (e 1 ) T (e 2 ) T (e 3 ) ] = [ T (i) T (j) T (k) ] = T : R n R n, T (X) = X Silloin T (X) = IX Esimerkki 353 Olkoon T A : R n R m, T (X) = AX T B : R l R n, T (X) = BX 46
47 Silloin (T A T B )(X) = T A (T B (X)) = T A (BX) = A(BX) = (AB)X Siis kuvauksen T A T B luonnollinen matriisi on tulo AB Huomautus Matriisien kertolaskun tavoin kuvausten yhdistäminen ei ole kommutatiivinen eli yleisesti Esimerkki 354 Olkoon Silloin T A T B T B T A T 1 : R 2 R 2, T 1 ([ x y ]) = () x 2 0 x T 1 = y 0 1 y 2x y Geometrisesti tämä tarkoittaa laajennusta x akselin suunnassa Esimerkki 355 Olkoon Silloin T 2 : R 2 R 2, T 2 ([ x y ]) = () x 1 1 x T 2 = y 0 1 y x + y y Geometrisesti tämä tarkoittaa viistotusta x akselin suunnassa Esimerkki 356 Olkoot T 1 T 2 kuten edellisissä kahdessa esimerkissä Koska = niin (T 2 T 1 ) (T 1 T 2 ) () x = y () x = y = [ [ , 0 1 ] x 2x + y = y y ] x 2x + 2y = y y 47
48 Esimerkki 357 Matriisi cos θ sin θ A = sin θ cos θ välittää kierron kulman θ verran Esimerkki 358 Olkoon Silloin T 3 : R 2 R 2, T 3 ([ x y ]) = () x 1 0 x T 3 = y 0 1 y x y Geometrisesti tämä tarkoittaa peilausta y akselin suhteen Esimerkki 359 Olkoon Silloin T 4 : R 2 R 2, T 4 ([ x y ]) = () x 0 1 x T 4 = y 1 0 y y x Geometrisesti tämä tarkoittaa peilausta suoran y = x suhteen Esimerkki 3510 Olkoot T 2 T 4 kuten aiemmissa esimerkeissä Koska niin (T 4 T 2 ) (T 2 T 4 ) () x = y () x = y = = [ [ , 1 0 ] x = y ] x = y y 2x 2y x 48
49 36 Lineaarikuvauksen matriisi kantojen suhteen Lause 361 Olkoon T : U V lineaarikuvaus Olkoon S = {u 1, u 2,, u n } avaruuden U kanta S = {v 1, v 2,, v m } avaruuden V kanta Silloin (T (u)) S = [T ] S,S (u) S, missä [T ] S,S = [ (T (u 1 )) S (T (u 2 )) S (T (u n )) S ] Todistus Vrt lauseen 351 todistus Määritelmä 361 Matriisi [T ] S,S S suhteen on kuvauksen T matriisi kantojen S Esimerkki 361 Olkoon T : R n R m, T (X) = AX Olkoon S avaruuden R n luonnollinen kanta S avaruuden R m luonnollinen kanta Silloin [T ] S,S = A Ts kuvauksen matriisi luonnollisten kantojen suhteen on kuvauksen luonnollinen matriisi Esimerkki 362 Olkoon T : R 3 R 2 2x1 + x, T (X) = 2 Olkoon S = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} S = {(1, 0), (1, 1)} Silloin S on avaruuden R 3 kanta S on avaruuden R 2 kanta Mikä on [T ] S,S? Matriisi [T ] S,S on x 3 (T (u1 )) S (T (u 2 )) S (T (u 3 )) S Nyt joten joten T (u 1 ) = T (1, 0, 0) = (2, 0) = 2(1, 0) + 0(1, 1), (T (u 1 )) S = (2, 0), T (u 2 ) = T (1, 1, 0) = (3, 0) = 3(1, 0) + 0(1, 1), (T (u 2 )) S = (3, 0), 49
50 joten Siis T (u 3 ) = T (1, 1, 1) = (3, 1) = 2(1, 0) + 1(1, 1), Olkoon X = (2, 1, 1) Silloin (T (u 3 )) S = (2, 1) [T ] S,S = X = 1(1, 0, 0) + 0(1, 1, 0) + 1(1, 1, 1), joten Nyt (X) S = (1, 0, 1) (T (X)) S = [T ] S,S (X) S = = Toisaalta jolloin T (X) = (5, 1) = 4(1, 0) + 1(1, 1), (T (X)) S = (4, 1) Merkintä Kun S = S, merkitään [T ] S,S = [T ] S Esimerkki 363 Olkoon T : U U, T (u) = u Olkoon dim(u) = n S avaruuden U kanta Silloin (T (u)) S = [T ] S (u) S Siis [T ] S = I 50
51 Kannan vaihto Olkoon T : U U lineaarikuvaus, olkoot S S äärellisulotteisen avaruuden U kaksi kantaa Silloin (T (u)) S = [T ] S (u) S (T (u)) S = [T ] S (u) S Toisaalta P (u) S = (u) S P (T (u)) S = (T (u)) S, missä P on kannanmuunnosmatriisi kannalta S kannalle S Siis P (T (u)) S = [T ] S P (u) S (T (u)) S = P 1 ([T ] S P (u) S ) (T (u)) S = (P 1 [T ] S P )(u) S Näin ollen [T ] S = P 1 [T ] S P Määritelmä 362 Olkoot A B n n matriise Silloin B on similaarinen matriisin A kanssa, jos on olemassa sellainen kääntyvä matriisi P, että B = P 1 AP Lause 362 Similaarisuus on ekvivalenssirelaatio Todistus Tiedetään, että A = I 1 AI, joten relaatio on refleksiivinen Oletetaan, että B = P 1 AP Tällöin A = (P 1 ) 1 BP 1, joten similaarisuus on symmetrinen Transitiivisuuden osoittaminen on harjoitustehtävä Huomautus Voidaan sanoa, että A B ovat similaariset, merkitä A B Huomautus Huomataan, että [T ] S [T ] S 51
52 37 Ominaisarvot ominaisvektorit Määritelmä 371 Olkoon A n n matriisi Silloin λ R on matriisin A ominaisarvo, jos X R n \ {0} : AX = λx Vektoria X sanotaan ominaisarvoa λ vastaavaksi ominaisvektoriksi Huomautus Jos X = 0, niin on aina voimassa AX = λx Huomautus Kutakin ominaisarvoa vastaa useita ominaisvektoreita Huomautus Jos jokin ominaisvektori vastaa kahta kahta ominaisarvoa eli AX = λ 1 X AX = λ 2 X, niin nämä ominaisarvot ovat samat eli λ 1 = λ 2 Esimerkki 371 Olkoon Silloin A A = 1 = = Siis luku 3 on yksi matriisin A ominaisarvo vektori (1, 2) yksi tätä ominaisarvoa vastaava ominaisvektori Lause 371 Olkoon A n n matriisi Silloin λ R on matriisin A ominaisarvo, jos vain jos det(a λi) = 0 eli det(λi A) = 0 Todistus Nyt λ on matriisin A ominaisarvo, jos vain jos X R n \ {0} : AX = λx X R n \ {0} : AX = λix X R n \ {0} : AX λix = 0 X R n \ {0} : (A λi)x = 0 Kurssilla Lineaarialgebra 1A on todettu, että yhtälöryhmällä BX = 0 on vain triviaali ratkaisu X = 0, jos vain jos det B 0 Koska tällaisella 52
53 yhtälöryhmällä on aina vähintään yksi ratkaisu, niin yhtälöryhmällä on epätriviaali ratkaisu X 0, jos vain jos det B = 0 Asettamalla B = A λi saadaan, että Lisäksi X R n \ {0} : (A λi)x = 0 det(a λi) = 0 det(a λi) = 0 det( 1(λI A)) = 0 ( 1) n det(λi A) = 0 det(λi A) = 0 Määritelmä 372 Olkoon A R n n Silloin det(λi A) on matriisin A karakteristinen polynomi Yhtälö on matriisin A karakteristinen yhtälö det(λi A) = 0 Huomautus Karakteristinen polynomi det(λi A) on n asteen polynomi, joten sillä on korkeintaan n reaalista juurta Siis matriisilla A on korkeintaan n ominaisarvoa Huomautus Kompleksijuuria ei käsitellä tällä kurssilla Huomautus Olkoon n = 2 Silloin λ a det(λi A) = 11 a 12 a 21 λ a 22 Esimerkki 372 Olkoon Silloin Nyt karakteristinen yhtälö on josta saadaan λ = 1 tai λ = 2 = (λ a 11 )(λ a 22 ) a 12 a 21 A = λ 3 2 det(λi A) = 1 λ = (λ 3)λ + 2 = λ 2 3λ + 2 λ 2 3λ + 2 = 0, 53
54 Esimerkki 373 Olkoon A = I 2 Silloin λ 1 0 det(λi 2 I 2 ) = 0 λ 1 = (λ 1)2, joten matriisin I 2 ainoa ominaisarvo on 1 Esimerkki 374 Olkoon A = Silloin λ det(λi A) = 5 λ 2 = (λ + 2)(λ 2) + 5 = λ = λ Karakteristisella polynomilla ei ole reaalijuuria, joten matriisilla ei ole yhtään ominaisarvoa Lause 372 Jos A on kolmiomatriisi, niin ominaisarvot ovat a 11, a 22,, a nn eli diagonaalialkiot Todistus Olkoon A kolmiomatriisi Merkitään λi A = B Nyt b ij = a ij, kun i j, joten B on kolmiomatriisi Koska b ii = λ a ii, kun i {1,, n}, niin det(λi A) = det B = b 11 b 22 b nn = (λ a 11 )(λ a 22 ) (λ a nn ) Tästä saadaan ratkaistua λ = a 11, λ = a 22,, λ = a nn Lause 373 Similaarisilla matriiseilla on samat ominaisarvot Todistus Todistetaan lause osoittamalla, että similaarisilla matriiseilla on 54
55 sama karakteristinen polynomi Olkoon A B Silloin det(λi A) = det(λi P 1 BP ) = det(λp 1 P P 1 BP ) = det(p 1 (λp ) P 1 (BP )) = det(p 1 (λp BP )) = det(p 1 ) det(λp BP ) = det(p 1 ) det(λip BP ) = det(p 1 ) det((λi B)P ) = det(p 1 ) det(λi B) det P = det(p 1 ) det(λi B) det P = 1 det(λi B) det P det P = det(λi B) Lause 374 Olkoon A R n n λ R sen jokin ominaisarvo Merkitään E λ = {X R n X on ominaisarvoa λ vastaava ominaisvektori } {0} Silloin E λ on homogeenisen yhtälöryhmän AX = λx eli ratkaisuavaruus (λi A)X = 0 Todistus Seuraa suoraan määritelmistä esimerkistä 126 Määritelmä 373 Joukko E λ on omainaisarvon λ ominaisavaruus Huomautus Ominaisavaruus E λ on avaruuden R n aliavaruus Esimerkki 375 Olkoon A = Tämän matriisin ominaisarvoiksi saatiin aiemmin λ = 1 λ = 2 Ratkaistaan yhtälöryhmä AX = 1X 3 2 x x = y y 55
56 eli Ratkaisuksi saadaan joten { 3x + 2y = x x = y y = x, E λ = E 1 = {(x, y) R 2 y = x} = {(x, x) R 2 x R} = {x(1, 1) R 2 x R} = lin{(1, 1)} Ratkaistaan sitten yhtälöryhmä AX = 2X 3 2 x x = y y eli Ratkaisuksi saadaan joten { 3x + 2y = 2x x = 2y x = 2y, Esimerkki 376 Olkoon E λ = E 2 = {(x, y) R 2 x = 2y} = {( 2y, y) R 2 y R} = {y( 2, 1) R 2 y R} = lin{( 2, 1)} A = Matriisi A on kolmiomatriisi, joten sen ominaisarvot saadaan diagonaalilta Siis sen ainoa ominaisarvo on λ = 2 Ratkaistaan yhtälöryhmä AX = 2X x x y = 2 y z z 56
57 eli Ratkaisuksi saadaan joten Siis 2x + y 2y = 2x = 2y 2z = 2z x = t y = 0, t, s R, z = s x t 1 0 y = 0 = t 0 + s 0, t, s R z s 0 1 E λ = E 2 = lin{(1, 0, 0), (0, 0, 1)} Lause 375 Olkoot λ 1, λ 2,, λ m matriisin A erisuuret ominaisarvot v 1, v 2,, v m jotkin niitä vastaavat ominaisvektorit Silloin {v 1, v 2,, v m } on lineaarisesti riippumaton Todistus Tehdään vastaoletus, että {v 1, v 2,, v m } on lineaarisesti riippuva Koska v 1 0, niin {v 1 } on lineaarisesti riippumaton Olkoon r suurin sellainen kokonaisluku, että {v 1, v 2,, v r } on lineaarisesti riippumaton Vastaoletuksen nolla 1 r < m {v 1, v 2,, v r, v r+1 } on lineaarisesti riippuva Siis on olemassa sellaiset k 1,, k r+1, että ainakin yksi k i 0 Nyt Toisaalta k 1 v k r+1 v r+1 = 0 A(k 1 v k r+1 v r+1 ) = A0 k 1 Av k r+1 Av r+1 = 0 k 1 λv k r+1 λv r+1 = 0 λ r+1 (k 1 v k r+1 v r+1 ) = λ r+1 0 k 1 λ r+1 v k r+1 λ r+1 v r+1 = 0 57
Osoita, 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,
LisätiedotYleiset lineaarimuunnokset
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Kari Tuominen Yleiset lineaarimuunnokset Matematiikan ja tilastotieteen laitos Matematiikka Toukokuu 29 Tampereen yliopisto Matematiikan ja tilastotieteen laitos
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)
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
Lisätiedot802320A LINEAARIALGEBRA OSA I
802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä
LisätiedotBijektio. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin jokaiselle alkiolle kuvautuu tasan yksi lähdön alkio.
Määritelmä Bijektio Oletetaan, että f : X Y on kuvaus. Sanotaan, että kuvaus f on bijektio, jos se on sekä injektio että surjektio. Huom. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin
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
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
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:
Lisätiedot9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista
29 9 Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista Tarkastelemme kertalukua n olevia lineaarisia differentiaaliyhtälöitä y ( x) + a ( x) y ( x) + + a ( x) y( x) + a ( x) y= b( x) ( n) ( n
LisätiedotLineaarialgebra ja matriisilaskenta II. LM2, Kesä /310
Lineaarialgebra ja matriisilaskenta II LM2, Kesä 2012 1/310 Kertausta: avaruuden R n vektorit Määritelmä Oletetaan, että n {1, 2, 3,...}. Avaruuden R n alkiot ovat jonoja, joissa on n kappaletta reaalilukuja.
LisätiedotKuvaus. 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
LisätiedotLineaarialgebra 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.
Lisätiedot802320A LINEAARIALGEBRA OSA III
802320A LINEAARIALGEBRA OSA III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 56 Määritelmä Määritelmä 1 Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V
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
LisätiedotKantavektorien kuvavektorit määräävät lineaarikuvauksen
Kantavektorien kuvavektorit määräävät lineaarikuvauksen Lause 18 Oletetaan, että V ja W ovat vektoriavaruuksia. Oletetaan lisäksi, että ( v 1,..., v n ) on avaruuden V kanta ja w 1,..., w n W. Tällöin
LisätiedotMatikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/210
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/210 Lineaarialgebra (muut ko) p. 2/210 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2
LisätiedotAvaruuden R n aliavaruus
Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla
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
LisätiedotMääritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V. Termejä: Lineaarikuvaus, Lineaarinen kuvaus.
1 Lineaarikuvaus 1.1 Määritelmä Määritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V W on lineaarinen, jos (a) L(v + w) = L(v) + L(w); (b) L(λv) = λl(v) aina, kun v, w V ja λ K. Termejä:
LisätiedotEsimerkki 8. Ratkaise lineaarinen yhtälöryhmä. 3x + 5y = 22 3x + 4y = 4 4x 8y = 32. 3 5 22 r 1 + r 3. 0 13 26 4 8 32 r 3 4r 1. LM1, Kesä 2014 47/68
Esimerkki 8 Ratkaise lineaarinen yhtälöryhmä 3x + 5y = 22 3x + 4y = 4 4x 8y = 32. 3 5 22 r 1 + r 3 3 4 4 4 8 32 1 3 10 0 13 26 4 8 32 r 3 4r 1 1 3 10 3 4 4 r 2 3r 1 4 8 32 1 3 10 0 13 26 r 2 /13 0 4 8
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
LisätiedotLineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44
Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44 Tehtävät 1-3 lasketaan alkuviikon harjoituksissa, verkkotehtävien dl on lauantaina aamuyöllä. Tehtävät 4 ja 5 lasketaan loppuviikon harjoituksissa.
Lisätiedotx = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );
LINEAARIALGEBRA Harjoituksia, Syksy 2016 1. Olkoon n Z +. Osoita, että (R n, +, ) on lineaariavaruus, kun vektoreiden x = (x 1,..., x n ), y = (y 1,..., y n ) identtisyys, yhteenlasku ja reaaliluvulla
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
LisätiedotLineaarialgebra (muut ko)
Lineaarialgebra (muut ko) p. 1/103 Lineaarialgebra (muut ko) Tero Laihonen Lineaarialgebra (muut ko) p. 2/103 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v
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
Lisätiedot6 Vektoriavaruus R n. 6.1 Lineaarikombinaatio
6 Vektoriavaruus R n 6.1 Lineaarikombinaatio Määritelmä 19. Vektori x œ R n on vektorien v 1,...,v k œ R n lineaarikombinaatio, jos on olemassa sellaiset 1,..., k œ R, että x = i v i. i=1 Esimerkki 30.
LisätiedotEnsi viikon luennot salissa X. Lineaarialgebra (muut ko) p. 1/66
Ensi viikon luennot salissa X Lineaarialgebra (muut ko) p. 1/66 Lineaarialgebra (muut ko) p. 2/66 Redusoitu porrasmuoto 1 1 2 4 1 1 4 6 2 2 5 9 1 1 0 2 0 0 1 1 0 0 0 0 Eli aste r(a) = 2 ja vaakariviavaruuden
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
Lisätiedotx = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );
LINEAARIALGEBRA Ratkaisuluonnoksia, Syksy 2016 1. Olkoon n Z +. Osoita, että (R n, +, ) on lineaariavaruus, kun vektoreiden x = (x 1,..., x n ), y = (y 1,..., y n ) identtisyys, yhteenlasku ja reaaliluvulla
LisätiedotLineaarikuvauksista ja niiden geometrisesta tulkinnasta
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Katri Syvänen Lineaarikuvauksista ja niiden geometrisesta tulkinnasta Matematiikan ja tilastotieteen laitos Matematiikka Tammikuu 2009 Tampereen yliopisto Matematiikan
LisätiedotLineaarialgebra 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:.
Lisätiedot110. 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
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Idea Lineaarisen systeemin ratkaiseminen Olkoon
Lisätiedot4. LINEAARIKUVAUKSET
86 4 LINEAARIKUVAUKSET 41 Määritelmä ja esimerkkejä Olkoot V ja V vektoriavaruuksia Tarkastellaan kuvausta L : V V Tällöin jokaiseen vektoriin v V liittyy tietty, L:n ja v:n yksikäsitteisesti määräämä
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
LisätiedotKertausta: avaruuden R n vektoreiden pistetulo
Kertausta: avaruuden R n vektoreiden pistetulo Määritelmä Vektoreiden v R n ja w R n pistetulo on v w = v 1 w 1 + v 2 w 2 + + v n w n. Huom. Pistetulo v w on reaaliluku! LM2, Kesä 2012 227/310 Kertausta:
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 17 R. Kangaslampi Vektoriavaruudet Vektoriavaruus
LisätiedotKanta ja dimensio 1 / 23
1 / 23 Kuten ollaan huomattu, saman aliavaruuden voi virittää eri määrä vektoreita. Seuraavaksi määritellään mahdollisimman pieni vektorijoukko, joka virittää aliavaruuden. Jokainen aliavaruuden alkio
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
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,
Lisätiedot802320A LINEAARIALGEBRA OSA II
802320A LINEAARIALGEBRA OSA II Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 64 Sisätuloavaruus Määritelmä 1 Olkoon V reaalinen vektoriavaruus. Kuvaus on reaalinen
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
LisätiedotSeuraava luento ti on salissa XXII. Lineaarialgebra (muut ko) p. 1/117
Seuraava luento ti 31.10 on salissa XXII Lineaarialgebra (muut ko) p. 1/117 Lineaarialgebra (muut ko) p. 2/117 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v
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
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
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
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
Lisätiedot1 Sisätulo- ja normiavaruudet
1 Sisätulo- ja normiavaruudet 1.1 Sisätuloavaruus Määritelmä 1. Olkoon V reaalinen vektoriavaruus. Kuvaus : V V R on reaalinen sisätulo eli pistetulo, jos (a) v w = w v (symmetrisyys); (b) v + u w = v
LisätiedotTällä 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
Lisätiedot2.5. Matriisin avaruudet ja tunnusluvut
2.5. Matriisin avaruudet ja tunnusluvut m n-matriisi A Lineaarikuvaus A : V Z, missä V ja Z ovat sopivasti valittuja, dim V = n, dim Z = m (yleensä V = R n tai C n ja Z = R m tai C m ) Kuva-avaruus ja
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
Lisätiedotpdfmark=/pages, Raw=/Rotate 90 1 Lineaariavaruus eli Vektoriavaruus Sisätuloavaruus Lineaarikuvaus Ominaisarvo 0-68
SISÄLTÖ Sisältö pdfmark=/pages, Raw=/Rotate 90 1 Lineaariavaruus eli Vektoriavaruus 0-1 2 Sisätuloavaruus 0-20 3 Lineaarikuvaus 0-41 4 Ominaisarvo 0-68 5 Esimerkkejä 0-88 1. Lineaariavaruus eli V 1 Lineaariavaruus
Lisätiedot802320A LINEAARIALGEBRA OSA III
802320A LINEAARIALGEBRA OSA III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO Syksy 2017 LINEAARIALGEBRA 1 / 59 Määritelmä Määritelmä 1 Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V
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
LisätiedotMuistutus: Matikkapaja ke Siellä voi kysyä apua demoihin, edellisen viikon demoratkaisuja, välikoetehtävien selitystä, monisteesta yms.
Lineaarialgebra (muut ko) p. 1/139 Ensi viikon luennot salissa X Muistutus: Matikkapaja ke 14-16 Siellä voi kysyä apua demoihin, edellisen viikon demoratkaisuja, välikoetehtävien selitystä, monisteesta
Lisätiedot802320A LINEAARIALGEBRA OSA III
802320A LINEAARIALGEBRA OSA III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO KEVÄT 2019 LINEAARIALGEBRA 1 / 60 Määritelmä Määritelmä 1 Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D Mika Hirvensalo mikhirve@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2014 Mika Hirvensalo mikhirve@utu.fi Luentokalvot 3 1 of 16 Kertausta Lineaarinen riippuvuus
LisätiedotTehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä todistuksia ja lineaarikuvauksen muodostamista. Sarjaan liittyvät Stack-tehtävät: 1 ja 2.
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2016 Harjoitus 3 Ratkaisut palautettava viimeistään maanantaina 29.8.2016 klo 13.15. Tehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Lineaarikuvaukset Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 16 R. Kangaslampi Vektoriavaruudet Lineaarikuvaus
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
LisätiedotJohdatus lineaarialgebraan
Johdatus lineaarialgebraan Osa II Lotta Oinonen, Johanna Rämö 28. lokakuuta 2014 Helsingin yliopisto Matematiikan ja tilastotieteen laitos Sisältö 15 Vektoriavaruus....................................
LisätiedotJAKSO 2 KANTA JA KOORDINAATIT
JAKSO 2 KANTA JA KOORDINAATIT Kanta ja dimensio Tehtävä Esittele vektoriavaruuden kannan määritelmä vapauden ja virittämisen käsitteiden avulla ja anna vektoriavaruuden dimension määritelmä Esittele Lause
LisätiedotNeliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja
7 NELIÖMATRIISIN DIAGONALISOINTI. Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T () Muistutus: Kokoa n olevien vektorien
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 9 Ti 4.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 9 Ti 4.10.2011 p. 1/44 p. 1/44 Funktion approksimointi Etsitään p siten, että p f, mutta ei vaadita, että
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
LisätiedotInsinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut
Insinöörimatematiikka D, 06 laskuharjoituksien esimerkkiratkaisut Alla olevat esimerkkiratkaisut ovat melko ksitiskohtaisia Tenttivastauksissa ei leensä tarvitse muistaa lauseiden, määritelmien, esimerkkien
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,
Lisätiedot3x + y + 2z = 5 e) 2x + 3y 2z = 3 x 2y + 4z = 1. x + y 2z + u + 3v = 1 b) 2x y + 2z + 2u + 6v = 2 3x + 2y 4z 3u 9v = 3. { 2x y = k 4x + 2y = h
HARJOITUSTEHTÄVIÄ 1. Anna seuraavien yhtälöryhmien kerroinmatriisit ja täydennetyt kerroinmatriisit sekä ratkaise yhtälöryhmät Gaussin eliminointimenetelmällä. { 2x + y = 11 2x y = 5 2x y + z = 2 a) b)
Lisätiedot802320A LINEAARIALGEBRA OSA III LINEAR ALGEBRA PART III
802320A LINEAARIALGEBRA OSA III LINEAR ALGEBRA PART III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2017 Contents 1 Lineaarikuvaus 2 1.1 Määritelmä............................ 2 1.2 Matriisiesitys/Matrix
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Lineaarikuvaukset Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Lineaarikuvaukset Lineaarikuvaus Olkoot U ja V
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
LisätiedotLINEAARIALGEBRA A 2016 TOMI ALASTE EDITED BY T.M. FROM THE NOTES OF
LINEAARIALGEBRA 83A 6 EDITED BY T.M. FROM THE NOTES OF TOMI ALASTE SISÄLTÖ Sisältö Lineaariavaruus eli Vektoriavaruus Sisätuloavaruus 3 Lineaarikuvaus 4 Ominaisarvo 34 5 Esimerkkejä 44 . Lineaariavaruus
LisätiedotHY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina klo
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina 10.8.2015 klo 16.15. Tehtäväsarja I Tutustu lukuun 15, jossa vektoriavaruuden
LisätiedotMatikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/81
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/81 Lineaarialgebra (muut ko) p. 2/81 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2 )
LisätiedotEnsi viikon luennot salissa X. Lineaarialgebra (muut ko) p. 1/159
Ensi viikon luennot salissa X Lineaarialgebra (muut ko) p. 1/159 Lineaarialgebra (muut ko) p. 2/159 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2 ) Skalaarilla
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
LisätiedotFUNKTIONAALIANALYYSIN PERUSKURSSI 1. 0. Johdanto
FUNKTIONAALIANALYYSIN PERUSKURSSI 1. Johdanto Funktionaalianalyysissa tutkitaan muun muassa ääretönulotteisten vektoriavaruuksien, ja erityisesti täydellisten normiavaruuksien eli Banach avaruuksien ominaisuuksia.
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
Lisätiedot3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset
31 MS-A0004/A0006 Matriisilaskenta 3 Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2292015 Lineaariset yhtälöt ovat vektoreille luonnollisia yhtälöitä, joita
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 13.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/12 Käytännön asioita Kesäkuun tentti: ke 19.6. klo 17-20, päärakennuksen sali 1. Anna palautetta kurssisivulle ilmestyvällä
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 matriisilaskenta I. LM1, Kesä /218
Lineaarialgebra ja matriisilaskenta I LM1, Kesä 2012 1/218 Avaruuden R 2 vektorit Määritelmä (eli sopimus) Avaruus R 2 on kaikkien reaalilukuparien joukko; toisin sanottuna R 2 = { (a, b) a R ja b R }.
LisätiedotMatriisilaskenta, 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
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
LisätiedotLineaariavaruudet. Span. Sisätulo. Normi. Matriisinormit. Matriisinormit. aiheita. Aiheet. Reaalinen lineaariavaruus. Span. Sisätulo.
Lineaariavaruudet aiheita 1 määritelmä Nelikko (L, R, +, ) on reaalinen (eli reaalinen vektoriavaruus), jos yhteenlasku L L L, ( u, v) a + b ja reaaliluvulla kertominen R L L, (λ, u) λ u toteuttavat seuraavat
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
LisätiedotMatriisialgebra harjoitukset, syksy 2016
MATRIISIALGEBRA, s, Ratkaisuja/ MHamina & M Peltola 7 Onko kuvaus F : R R, F(x 1,x = (x 1 +x,5x 1, x 1 +6x lineaarinen kuvaus? Jos on, niin määrää sen matriisi luonnollisen kannan suhteen Jos ei ole, niin
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
LisätiedotMS-A0004 - Matriisilaskenta Laskuharjoitus 3
MS-A0004 - Matriisilaskenta Laskuharjoitus 3 atkaisut Tehtävä Merkitään matriisin rivejä, 2 ja 3. Gaussin eliminoinnilla saadaan 3 5 4 7 3 5 4 7 3 2 4 2+ 0 3 0 6 6 8 4 3+2 2 0 3 0 6 3 5 4 7 0 3 0 6 3+
LisätiedotTensorialgebroista. 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
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
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
Lisätiedotx = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );
LINEAARIALGEBRA Harjoituksia/Exercises 2017 1. Olkoon n Z +. Osoita, että (R n, +, ) on lineaariavaruus, kun vektoreiden x = (x 1,..., x n ), y = (y 1,..., y n ) identtisyys, yhteenlasku ja reaaliluvulla
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
LisätiedotJohdatus lineaarialgebraan
Johdatus lineaarialgebraan Osa II Lotta Oinonen, Johanna Rämö 25. lokakuuta 2015 Helsingin yliopisto Matematiikan ja tilastotieteen laitos Sisältö 15 Vektoriavaruus... 111 16 Aliavaruus... 117 16.1 Vektoreiden
LisätiedotKertausta: avaruuden R n vektoreiden pistetulo
Kertausta: avaruuden R n vektoreiden pistetulo Määritelmä Vektoreiden v R n ja w R n pistetulo on v w = v 1 w 1 + v 2 w 2 + + v n w n. Huom. Pistetulo v w on reaaliluku! LM2, Kesä 2014 164/246 Kertausta:
Lisätiedot