5 Ominaisarvot ja ominaisvektorit
|
|
- Anna-Leena Melasniemi
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 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 ominaisarvoksi (eigenvalue). Vastaavasti ratkaisut x 0 ovat A:n ominaisarvoa λ vastaavia ominaisvektoreita. Ominaisarvojen joukko = A:n spektri. Ominaisarvoon λ liittyvät ominaisvektorit yhdessä vektorin 0 kanssa muodostavat tähän ominaisarvoon liittyvän A:n ominaisavaruuden. Matriisin ominaisarvojen ja vektorien määräämistä kutsutaan ominaisarvo ongelmaksi (eigenvalue problem). 1
2 Ominaisarvoyhtälö voidaan kirjoittaa muotoon (A λi)x = 0 (2) Tällä yhtälöllä on nollasta poikkeavia ratkaisuja jos ja vain jos a 11 λ a 12 a 1n a 21 a 22 λ a 2n D(λ) = det(a λi) =... a n1 a n2 a nn λ = 0 (3) Yo. yhtälö on matriisin A karakteristinen yhtälö, D(λ) ja karakteristinen determinantti. Kun D(λ) kehitetään, saadaan λ:n suhteen n:nnen asteen polynomi, joka on matriisin A karakteristinen polynomi. n n matriisilla on siis vähintään yksi ominaisarvo ja enintään n erilaista ominaisarvoa. 2
3 Suurille matriiseille ominaisarvot lasketaan yleensä tietokoneella. Ominaisarvot laskettava ensin, sen jälkeen voidaan laskea ominaisvektorit esim. Gaussin eliminoinnilla. Jos x on matriisin A ominaisarvoa λ vastaava ominaisvektori, niin on myös kx k 0. Jos matriisin A ominaisarvo λ on karakteristisen yhtälön M λ :nnen kertaluvun juuri, M λ on λ:n algebrallinen kertaluku. Ominaisarvoon λ liittyvien lineaarisesti riippumattomien ominaisvektorien lukumäärä m λ on λ:n geometrinen kertaluku. Huom. reaalisen matriisin ominaisarvot ja vektorit voivat olla kompleksisia. Esim. 0 1 (4) 1 0 3
4 6 Ortogonaaliset, symmetriset ja vinosymmetriset matriisit Reaalinen neliömatriisi A = [a jk ] on symmetrinen, jos vinosymmetrinen, jos ja ortogonaalinen, jos A T = A (5) A T = A (6) A T = A 1 (7) Jokainen reaalinen neliömatriisi A voidaan esittää symmetrisen matriisin R = 1 2 (A + AT ) ja vinosymmetrisen matriisin S = 1 2 (A AT ) summana. 4
5 6.1 Ortogonaalimuunnokset Ortogonaalimuunnos on muunnos missä A on ortogonaalinen matriisi. y = Ax, (8) Jokaista vektoria x avaruudessa R n vastaa vektori y R n :ssä, jolle muunnos on voimassa. Esimerkki muunnoksesta: Kierto tasossa. Tärkeä ominaisuus: Ortogonaalimuunnos säilyttää vektorien sisätulon a b = a T b (9) ja normin a = a a = a T a (10) 5
6 Lauseen (9) todistus: Olkoon u = Aa ja v = Ab. Tällöin u v = u T v = (Aa) T Ab = a T A T Ab = a T Ib = a T b = a b (11) Reaalinen neliömatriisi on ortogonaalinen jos ja vain jos sen pysty (sarake )vektorit (ja myös vaakavektorit) muodostavat ortonormaalin järjestelmän, eli a j a k = a T 0 j k j a k = (12) 1 j = k Ortogonaalisen matriisin determinantin arvo on +1 tai 1. Ortogonaalisen matriisin ominaisarvot ovat reaalisia tai pareittain kompleksikonjugaatteja ja niiden itseisarvo on 1. 6
7 7 Hermiittiset ja unitaariset matriisit Määritelmä: Ā = [ā jk] on matriisi, joka saadaan matriisista A = [ā jk ] korvaamalla kaikki alkiot kompleksikonjugaateillaan. Vastaavasti konjugoitu transpoosi Neliömatriisi A = [ā jk ] on Hermiittinen, jos ĀT = A, ts. ā kj = a jk. Ā T = [ā kj ] (13) Vinohermiittinen, jos ĀT = A, ts. ā kj = a jk. Unitaarinen, jos ĀT = A 1 Hermiittinen, vinohermiittinen ja unitaarinen matriisi ovat symmetrisen, vinosymmetrisen ja ortogonaalisen matriisin yleistyksiä. 7
8 Hermiittisen matriisin ominaisarvot ovat reaalisia. Vinosymmetrisen matriisin ominaisarvot ovat puhtaasti imaginaarisia tai nollia. Unitaarisen matriisin ominaisarvojen itseisarvo on = 1. Termi x T Ax on muoto ja A sen kerroinmatriisi. Jos x ja A ovat reaalisia, on neliömuoto. x T Ax = n j=1 k=1 n a jk x j x k (14) Jos matriisi A on hermiittinen tai vinohermiittinen, on kyseessä hermiittinen tai vinohermiittinen muoto. Mille tahansa vektorille x hermiittinen muoto on reaalinen ja vinohermiittinen muoto on puhtaasti imaginäärinen tai 0. 8
9 7.1 Unitaaristen matriisien ominaisuuksia Kompleksinen vektoriavaruus C n on avaruus, jonka muodostavat n komponenttiset kompleksiset vektorit ja kompleksilukukertoimet. Kompleksisille vektoreille sisätulo määritellään kaavalla Vektorin normi (pituus) on siis a b = ā T b (15) a = a a = ā T a = ā 1 a ā n a n = a a n 2 Reaalisille vektoreille tämä määritelmä tuottaa tavallisen sisätulon määritelmän. (16) Unitaarinen muunnos, ts. muunnos y = Ax säilyttää sisätulon arvon ja normin. 9
10 Ortonormaalin vektorisysteemin kompleksinen vastine on unitaarinen systeemi: a j a k = ā T 0 jos j k j a k = (17) 1 jos j = k Neliömatriisi on unitaarinen jos ja vain jos sen pystyvektorit (ja vaakavektorit) muodostavat unitaarisen systeemin. Unitaarisen matriisin determinantin itseisarvo on = 1. Todistus: 1 = detaa 1 = det(aāt ) = detadetāt = detadetā = detadeta = deta 2 (18) 10
11 7.2 Ominaisvektorien ominaisuuksia; diagonalisointi n n matriisit  ja A ovat similaarisia, jos  = T 1 AT (19) jollekin ei singulaariselle matriisille T. Tätä muunnosta kutsutaan similaarisuusmuunnokseksi. Jos  ja A ovat similaarisia, niillä on samat ominaisarvot. Jos x on A:n ominaisvektori, y = T 1 x on Â:n samaa ominaisarvoa vastaava ominaisvektori. Olkoot λ 1, λ 2,, λ k n n matriisin keskenään erilaisia ominaisarvoja. Tällöin niitä vastaavat ominaisvektorit x 1,x 2, x k muodostavat lineaarisesti riippumattoman joukon. Edellisestä lauseesta seuraa, että jos A:lla on n keskenään erilaista ominaisarvoa, A:n ominaisvektorit muodostavat C n :n kannan. 11
12 Hermiittisen, vinohermiittisen ja unitaarisen matriisin ominaisvektorit muodostavat C n :n kannan, joka on unitaarinen systeemi. Symmetrisen matriisin ominaisvektorit muodostavat R n :n ortonormaalin kannan. Näin ollen muunnos y = Ax voidaan esittää ominaisvektorien x 1, x n avulla muodossa y = Ax = A(c 1 x c n x n ) = c 1 Ax c n Ax n = c 1 λ 1 x c n λ n x n (20) Jos n n matriisilla A on ominaisvektorien muodostama kanta, D = X 1 AX (21) on diagonaalinen, A:n arvot ovat D:n päälävistäjällä. X on matriisi, jossa A:n ominaisvektorit ovat pystyvektoreina. Pätee myös D m = X 1 A m X (22) 12
13 Tarkastellaan neliömuotoa Q = x T Ax (23) Oletetaan, että matriisi A on reaalinen ja symmetrinen. Tällöin A:lla on n:n ortonormaalin ominaisvektorin kanta. Näiden vektorien muodostama matriisi X on ortogonaalinen ja X 1 = X T. Näin ollen A = XDX 1 = XDX T ja Asettamalla X T x = y, saadaan (X 1 = X T ) jolloin Q tulee muotoon Q = x T XDX T x (24) x = Xy, (25) Q = y T Dy = λ 1 y λ 2 y λ n y 2 n (26) 13
14 Näin ollen on voimassa pääakselilause: Muunnos (25) muuntaa neliöllisen muodon Q = x T Ax = n j=1 n a jk x j x k (27) k=1 pääakselimuotoon (26), missä λ 1,, λ n ovat symmetrisen matriisin A ominaisarvoja ja X on ortogonaalinen matriisi, jonka pystyvektorit ovat vastaavia ominaisvektoreita x 1,,x n. Esim. Muuta pääakselimuotoon neliömuoto Mitä käyrää neliömuoto esittää? Q = 17x x 1 x x 2 2 = 128. (28) 14
15 8 Vektoriavaruudet, Sisätuloavaruudet, Lineaarimuunnokset Ei tyhjä joukko V, jossa on alkiot a,b, on reaalinen vektoriavaruus (reaalinen lineaarinen avaruus) ja sen alkioita kutsutaan vektoreiksi, jos V :ssä on määritelty 1. Vektorien yhteenlasku: Jokaista vektoriparia a ja b vastaa yksikäsitteinen vektori a + b, joka toteuttaa aksiomat: (a) Vaihdannaisuus: a + b = b + a a, b (b) Liitännäisyys: (u + v) + w = u + (v + w) u,v,w (c) On olemassa yksikäsitteinen nollavektori s.e. a V, a +0 = a (d) a V on olemassa yksikäsitteinen vektori a s.e. a + ( a) = 0 15
16 2. Skalaarilla kertominen: Jokaista reaalilukua (skalaaria) c ja vektoria a vastaa yksikäsitteinen V :hen kuuluva vektori ca, jota kutsutaan c:n ja a:n tuloksi, joka toteuttaa seuravat aksiomat: (a) Osittelulaki: Jokaiselle skalaarille c ja vektoreille a ja b V :ssä c(a + b) = ca + cb (29) (b) Osittelulaki: Kaikille skalaareille c ja k ja jokaiselle vektorille a V :ssä (c + k)a = ca + ka (30) (c) Liitännäisyys: Kaikille skalaareille c ja k ja jokaiselle vektorille a V :ssä c(ka) = (ck)a (31) (d) Jokaiselle a avaruudessa V 1a = a (32) 16
17 8.1 Sisätuloavaruudet Reaalinen vektoriavaruus on reaalinen sisätuloavaruus, jos jokaiseen vektoripariin a ja b V :ssä liittyy reaaliluku, jota merkitään (a,b) ja jolla on seuraavat ominaisuudet: 1. Lineaarisuus: Kaikilla skalaareilla q 1 ja q 2 ja kaikilla vektoreilla a, b, c V :ssä on voimassa: 2. Symmetria: Kaikilla a ja b V :ssä (q 1 a + q 2 b,c) = q 1 (a,c) + q 2 (b,c) (33) (a,b) = (b,a) (34) 3. Positiividefiniittisyys: Jokaiselle a:lle V :ssä (a,a) 0 (a,a) = 0 a = 0 (35) 17
18 Vektorit, joiden sisätulo on nolla, ovat ortogonaalisia. Vektorin normi (pituus) määritellään a = (a,a) (36) Vektori, jonka normi = 1 on yksikkövektori Voidaan osoittaa myös Schwarzin epäyhtälö (a, b) a b, (37) kolmioepäyhtälö a + b a + b (38) ja suunnikasyhtälö a + b 2 a b 2 = 2( a 2 + b 2 ) (39) 18
19 8.2 Lineaarimuunnokset Jos jokaista vektoria x vektoriavaruudessa X vastaa yksikäsitteinen vektori y vektoriavaruudessa Y, kyseessä on kuvaus (tai muunnos tai opeaattori) X:stä Y :hyn, merkitään F(x) tai Fx. Vektori y on vektorin x kuva. F on lineaarinen kuvaus, jos kaikilla vektoreilla x ja v X:ssä ja skalaareille c F(v + x) = F(v) + F(x) F(cx) = cf(x) (40) Jos X = R n ja Y = R m, reaalinen m n matriisi A = [a jk ] määrittelee muunnoksen R n :stä R m :ään: y = Ax (41) 19
20 Matriisia A kutsutaan kuvauksen F esitykseksi R n :n ja R m :n kantojen suhteen. Esimerkki standardikannasta: R 3 :n standardikanta = e (1) = i, e (2) = j, e (3) = k i = 0 j = 1 k = 0 (42) Jos A on ei singulaarinen neliömatriisi, voidaan määritellä käänteismuunnos x = A 1 x (43) 20
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
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
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,
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
LisätiedotMatematiikka B2 - Avoin yliopisto
6. elokuuta 2012 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
LisätiedotOsoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.
LINEAARIALGEBRA Harjoituksia 2016 1. Olkoon V = R 2 varustettuna tavallisella yhteenlaskulla. Määritellään reaaliluvulla kertominen seuraavasti: λ (x 1, x 2 ) = (λx 1, 0) (x 1, x 2 ) R 2 ja λ R. Osoita,
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Ominaisarvot Kertaus: ominaisarvot Määritelmä
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
LisätiedotOrtogonaalisen kannan etsiminen
Ortogonaalisen kannan etsiminen Lause 94 (Gramin-Schmidtin menetelmä) Oletetaan, että B = ( v 1,..., v n ) on sisätuloavaruuden V kanta. Merkitään V k = span( v 1,..., v k ) ja w 1 = v 1 w 2 = v 2 v 2,
LisätiedotMS-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
LisätiedotBM20A0700, Matematiikka KoTiB2
BM20A0700, Matematiikka KoTiB2 Luennot: Matti Alatalo, Harjoitukset: Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luku 7. 1 Kurssin sisältö Matriiseihin
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
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
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
LisätiedotJouni Sampo. 4. maaliskuuta 2013
B2 Jouni Sampo 4. maaliskuuta 2013 Sisältö 1 Johdanto 2 1.1 Matriisin käsite.................................... 2 1.2 Mihin matriiseja tarvitaan?............................. 2 1.3 Matriiseihin liittyvät
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
LisätiedotMatematiikka B2 - TUDI
Matematiikka B2 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a
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
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:
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
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
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
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
LisätiedotMS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42
MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42 Tehtävät 1-4 lasketaan alkuviikon harjoituksissa ryhmissä, ja ryhmien ratkaisut esitetään harjoitustilaisuudessa (merkitty kirjaimella L = Lasketaan).
LisätiedotOminaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3.
Matematiikan ja tilastotieteen laitos Lineaarialgebra ja matriisilaskenta II Ylimääräinen harjoitus 6 Ratkaisut A:n karakteristinen funktio p A on λ p A (λ) det(a λi ) 0 λ ( λ) 0 5 λ λ 5 λ ( λ) (( λ) (
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotMatriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?
Harjoitus 1, kevät 007 1. Olkoon [ ] cos α sin α A(α) =. sin α cos α Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?. Olkoon a x y A = 0 b z, 0 0 c missä a, b, c 0. Määrää käänteismatriisi
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
Lisätiedot1 Matriisit ja lineaariset yhtälöryhmät
1 Matriisit ja lineaariset yhtälöryhmät 11 Yhtälöryhmä matriisimuodossa m n-matriisi sisältää mn kpl reaali- tai kompleksilukuja, jotka on asetetettu suorakaiteen muotoiseksi kaavioksi: a 11 a 12 a 1n
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
LisätiedotOminaisarvo-hajoitelma ja diagonalisointi
Ominaisarvo-hajoitelma ja a 1 Lause 1: Jos reaalisella n n matriisilla A on n eri suurta reaalista ominaisarvoa λ 1,λ 2,...,λ n, λ i λ j, kun i j, niin vastaavat ominaisvektorit x 1, x 2,..., x n muodostavat
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:
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään
Lisätiedoti=1 Näistä on helppo näyttää ominaisuudet (1)-(4). Ellei toisin mainita, käytetään R n :ssä
Kurssimateriaalia K3/P3-kursille syksyllä 003. 8.0.003 Heikki Apiola Sisältää otteita Timo Eirolan L3-kurssin lineaarialgebramonisteesta, jonka lähdekoodin Timo on ystävällisesti antanut käyttööni.. Normi
LisätiedotOrtogonaalinen ja ortonormaali kanta
Ortogonaalinen ja ortonormaali kanta Määritelmä Kantaa ( w 1,..., w k ) kutsutaan ortogonaaliseksi, jos sen vektorit ovat kohtisuorassa toisiaan vastaan eli w i w j = 0 kaikilla i, j {1, 2,..., k}, missä
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
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
LisätiedotMatriisi-vektori-kertolasku, lineaariset yhtälöryhmät
Matematiikan peruskurssi K3/P3, syksy 25 Kenrick Bingham 825 Toisen välikokeen alueen ydinasioita Alla on lueteltu joitakin koealueen ydinkäsitteitä, joiden on hyvä olla ensiksi selvillä kokeeseen valmistauduttaessa
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.
Lisätiedot1.1. Määritelmiä ja nimityksiä
1.1. Määritelmiä ja nimityksiä Luku joko reaali- tai kompleksiluku. R = {reaaliluvut}, C = {kompleksiluvut} R n = {(x 1, x 2,..., x n ) x 1, x 2,..., x n R} C n = {(x 1, x 2,..., x n ) x 1, x 2,..., x
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 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:.
LisätiedotOrtogonaaliset matriisit, määritelmä 1
, määritelmä 1 Määritelmä (a). Neliömatriisi Q on ortogonaalinen, jos Q T Q = I. Määritelmästä voidaan antaa samaa tarkoittavat, mutta erilaiselta näyttävät muodot: Määritelmä (b). n n neliömatriisi Q,
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
LisätiedotC = {(x,y) x,y R} joiden joukossa on määritelty yhteen- ja kertolasku seuraavasti
Vaasan yliopiston julkaisuja 189 9 OMINAISARVOTEHTÄVÄ Ch:EigSystem Sec:CMatrix 9.1 Kompleksinen lineaariavaruus 9.1.1 Kompleksiluvut Pian tulemme tarvitsemaan kompleksisen lineaariavaruuden alkeita. Tätä
LisätiedotMS-A0003/A Matriisilaskenta Laskuharjoitus 6
MS-A3/A - Matriisilaskenta Laskuharjoitus 6 Ratkaisuehdotelmia. Diagonalisointi on hajotelma A SΛS, jossa diagonaalimatriisi Λ sisältää matriisin A ominaisarvot ja matriisin S sarakkeet ovat näitä ominaisarvoja
Lisätiedot1. Normi ja sisätulo
Kurssimateriaalia K3/P3-kursille syksyllä 3 83 Heikki Apiola Sisältää otteita Timo Eirolan L3-kurssin lineaarialgebramonisteesta, jonka lähdekoodin Timo on ystävällisesti antanut käyttööni Normi ja sisätulo
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään
LisätiedotMatriisipotenssi. Koska matriisikertolasku on liitännäinen (sulkuja ei tarvita; ks. lause 2), voidaan asettaa seuraava määritelmä: ja A 0 = I n.
Matriisipotenssi Koska matriisikertolasku on liitännäinen (sulkuja ei tarvita; ks. lause 2), voidaan asettaa seuraava määritelmä: Määritelmä Oletetaan, että A on n n -matriisi (siis neliömatriisi) ja k
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
LisätiedotOMINAISARVOISTA JA OMINAISVEKTOREISTA
1 OMINAISARVOISTA JA OMINAISVEKTOREISTA Olkoon x = (x 1,..., x n ) avaruuden R n piste (l. vektori). Vektori x samaistetaan n 1-matriisin (x 1 x 2... x n ) T kanssa, ts. voidaan yhtä hyvin kirjoittaa x1
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
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:
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
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
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
LisätiedotLineaarialgebra, kertausta aiheita
Lineaarialgebra, kertausta aiheita Matriisitulo käänteismatriisi determinantin kehittäminen determinantin ominaisuudet adjungaatti ja Cramerin kaavat yhtälöryhmän eri esitystavat Gauss-Jordan -algoritmi
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
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
LisätiedotYhteenlaskun ja skalaarilla kertomisen ominaisuuksia
Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia Voidaan osoittaa, että avaruuden R n vektoreilla voidaan laskea tuttujen laskusääntöjen mukaan. Huom. Lause tarkoittaa väitettä, joka voidaan perustella
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
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
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
LisätiedotTyyppi metalli puu lasi työ I 2 8 6 6 II 3 7 4 7 III 3 10 3 5
MATRIISIALGEBRA Harjoitustehtäviä syksy 2014 Tehtävissä 1-3 käytetään seuraavia matriiseja: ( ) 6 2 3, B = 7 1 2 2 3, C = 4 4 2 5 3, E = ( 1 2 4 3 ) 1 1 2 3 ja F = 1 2 3 0 3 0 1 1. 6 2 1 4 2 3 2 1. Määrää
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
LisätiedotEsimerkki 4.4. Esimerkki jatkoa. Määrää matriisin ominaisarvot ja -vektorit. Ratk. Nyt
Esimerkki 4.4. Määrää matriisin 2 2 1 A = 1 3 1 2 4 3 ominaisarvot ja -vektorit. Ratk. Nyt det(a λi ) = 1 + 2 λ 2 1 + 1 λ 1 λ 1 3 λ 1 = 1 3 λ 1 2 4 3 λ 2 4 3 λ 1 λ = 1 4 λ 1 = (1 λ)( 1)1+1 4 λ 1 2 6 3
LisätiedotLineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg
Vaasan yliopisto, syksy 218 Lineaarialgebra II, MATH124 Matti laaksonen, Lassi Lilleberg Tentti T1, 284218 Ratkaise 4 tehtävää Kokeessa saa käyttää laskinta (myös graafista ja CAS-laskinta), mutta ei taulukkokirjaa
LisätiedotMS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48
MS-A3/A5 Matriisilaskenta Malliratkaisut 5 / vko 48 Tehtävä (L): a) Onko 4 3 sitä vastaava ominaisarvo? b) Onko λ = 3 matriisin matriisin 2 2 3 2 3 7 9 4 5 2 4 4 ominaisvektori? Jos on, mikä on ominaisarvo?
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
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
Lisätiedothttps://koppa.jyu.fi/kurssit/203013/luennot/luennot.pdf https://koppa.jyu.fi/kurssit/203013/harj/tehtavat.pdf
M5 0.0. M5: Lineaarialgebra 1/76 M5: Lineaarialgebra Fysa115 (3 op) Syksy 2016, Fysiikan laitos, Jyväskylän yliopisto Luennot Juha Merikoski 5.9. 19.10.2016 ma&ke 12-14 (FYS3) Laskuharjoitukset 7 kertaa,
LisätiedotSingulaariarvohajotelma ja pseudoinverssi
HELSINGIN YLIOPISTO Pro gradu -tutkielma Niko Kaitarinne Singulaariarvohajotelma ja pseudoinverssi Matematiikan ja tilastotieteen laitos Matematiikka Helmikuu 01 Helsingin yliopisto Matematiikan ja tilastotieteen
LisätiedotMatriisilaskenta Laskuharjoitus 5 - Ratkaisut / vko 41
MS-A0004/MS-A0006 Matriisilaskenta, I/06 Matriisilaskenta Laskuharjoitus 5 - Ratkaisut / vko 4 Tehtävä 5 (L): a) Oletetaan, että λ 0 on kääntyvän matriisin A ominaisarvo. Osoita, että /λ on matriisin A
LisätiedotMatriisihajotelmat. MS-A0007 Matriisilaskenta. 5.1 Diagonalisointi. 5.1 Diagonalisointi
MS-A0007 Matriisilaskenta 5. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 25.11.2015 Laskentaongelmissa käsiteltävät matriisit ovat tyypillisesti valtavia.
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
LisätiedotAx, y = x, A y. A = A A hermiittinen. Jokainen reaalinen ja symmetrinen matriisi on määritelmän mukaan myös hermiittinen. A =, HARJOITUSTEHTÄVIÄ
X.. Matriisialgebra Esimerkki 4 Jos niin x =[i, +i, 2 i ] T C 3, y =[ 2i, 2i, i ] T C 3, x, x = x 2 =+(+)+(4+)=8, y, y =(+4)+4+(+)=, x, y = i( + 2i)+(+i)( 2i)+(2 i)( +i) = +3i. Matriisia A = ĀT sanotaan
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
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
LisätiedotLINEAARIALGEBRA P. LUENTOMONISTE ja HARJOITUSTEHTÄVÄT
LINEAARIALGEBRA II 802119P LUENTOMONISTE ja HARJOITUSTEHTÄVÄT syksy 2008 30 V SISÄTULOAVARUUKSISTA 1. Sisätulon määritelmä Tarkastellaan sisätulon määrittelyä varten kompleksilukujen joukkoa C = {x + iy
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.
LisätiedotTalousmatematiikan perusteet: Luento 10. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti
Talousmatematiikan perusteet: Luento 1 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
Lisätiedot800350A / S Matriisiteoria
800350A / 800693S Matriisiteoria Emma Leppälä Tero Vedenjuoksun luentomonisteen pohjalta 15 syyskuuta 2017 Sisältö 1 Lineaarialgebraa 2 11 Merkintöjä 2 12 Matriisien perusominaisuuksia 4 13 Matriisien
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
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
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)
Lisätiedot3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset
32 Idea: Lineaarikuvausten laskutoimitusten avulla määritellään vastaavat matriisien laskutoimitukset Vakiolla kertominen ja summa Olkoon t R ja A, B R n m Silloin ta, A + B R n m ja määritellään ta ta
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
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
LisätiedotHavainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin. w w = ( 4) 2 + ( 3) 2 = 25 = 5. v = ( 3) = 13. v = v.
Havainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin w = w w = ( 4) 2 + ( 3) 2 = 25 = 5 v = v v = ( 3) 2 + 2 2 = 13. w =5 3 2 v = 13 4 3 LM1, Kesä 2014 76/102 Normin ominaisuuksia I Lause
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
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 )
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Luentokalvot 5 1
Lisätiedotja F =
MATRIISIALGEBRA Harjoitustehtäviä syksy 2016 Tehtävissä 1 ja 2a käytetään seuraavia matriiseja: ( ) 6 2 3 A =,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.
LisätiedotM5: Lineaarialgebra Kurssin tavoitteet. 1. Matriisit ja matriisioperaatiot. Useammankin kuin kahden muuttujan yhtälöryhmälle pätee Lause:
M5.. M5: Lineaarialgebra /76 M5: Lineaarialgebra Fysa5 (3 op) Syksy 4, Fysiikan laitos, Jyväskylän yliopisto Luennot Juha Merikoski 8.9. 9..4 ma&ke -4 (FYS3) Laskuharjoitukset 7 kertaa, ke, max p (voimassa
LisätiedotYleiset lineaarimuunnokset
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Kari Tuominen Yleiset lineaarimuunnokset Matematiikan ja tilastotieteen laitos Matematiikka Toukokuu 29 Tampereen yliopisto Matematiikan ja tilastotieteen laitos
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 30.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/19 Käytännön asioita Kurssi on suunnilleen puolessa välissä. Kannattaa tarkistaa tavoitetaulukosta, mitä on oppinut ja
Lisätiedot