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

Koko: px
Aloita esitys sivulta:

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

Transkriptio

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

2 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 ) sisätulo (u,v) = u v = u 1 v 1 +u 2 v 2. Muistetaan, että u 2 = (u,u).

3 Lineaarialgebra (muut ko) p. 3/162 Kertausta Kommutatiivisuus u+v = v+u Sisätulolle (u+v,w) = (u,w)+(v,w).

4 Lineaarialgebra (muut ko) p. 4/162 Kertausta Avaruusvektorit Suoran L standardiesitys R 3 = {(x,y,z) x,y,z R}. x x 0 a = y y 0 b = z z 0 c missä P = (x 0,y 0,z 0 ) on jokin L:n piste ja s = (a,b,c) (0,0,0) on suoran suuntavektori P s

5 Lineaarialgebra (muut ko) p. 5/162 Kertausta Suoran L koordinaattimuotoinen parametriesitys x = x 0 +ta y = y 0 +tb z = z 0 +tc (t R)

6 Lineaarialgebra (muut ko) p. 6/162 Mitä yhtälöryhmälle saa tehdä? 1) Yhtälön voi kertoa vakiolla 0 2) Yhtälön voi lisätä toiseen vakiolla kerrottuna 3) Yhtälöiden järjestystä voi vaihtaa

7 Lineaarialgebra (muut ko) p. 7/162 MATRIISIT: Johdanto (k = 20) { 2x+3y = 0 4x+ky = 0 Ratkaisuja 1, kun 2 k 3 4 0, Ratkaisuja, kun 2 k 3 4 = 0 (eli k = 6).

8 Lineaarialgebra (muut ko) p. 7/162 MATRIISIT: Johdanto (k = 7) { 2x+3y = 0 4x+ky = 0 Ratkaisuja 1, kun 2 k 3 4 0, Ratkaisuja, kun 2 k 3 4 = 0 (eli k = 6).

9 Lineaarialgebra (muut ko) p. 7/162 MATRIISIT: Johdanto { 2x+3y = 1 4x+ky = 5 Ratkaisuja 1, kun 2 k 3 4 0,

10 Lineaarialgebra (muut ko) p. 7/162 MATRIISIT: Johdanto { 2x+3y = 1 4x+ky = 5 Ei ratkaisuja, kun 2 k 3 4 = 0, eli k = 6.

11 Lineaarialgebra (muut ko) p. 8/162 MATRIISIT: Johdanto Kertoimista "matriisi" ( k ) ja "determinantti" k = 2k 3 4

12 Lineaarialgebra (muut ko) p. 9/162 Lineaarialgebra? Tutkitaan ratkaisuja 5x + y + t = 1 3x y + 2z t = 2 x + y z = 0 Onko yhtälöryhmää, jossa tarkalleen 17 ratkaisua? Tutkitaan myös 2x 2 +4y 2 4z 2 +6yz 2xz +yx = 3

13 Lineaarialgebra (muut ko) p. 10/162 Johdanto Tutkitaan ratkaisuja 5x + y + t = 1 3x y + 2z t = 2 x + y z = 0

14 Lineaarialgebra (muut ko) p. 11/162 Matriisit Edellisen yhtälöryhmän kertoimista ja 1 2 0

15 Lineaarialgebra (muut ko) p. 12/162 Matriiseista Kaikkien m n-matriisien joukko M m n Nollamatriisi O = (0) m n Transponointi A T ( ) T =

16 Lineaarialgebra (muut ko) p. 13/162 Matriisien tulo Matriisitulo ( ) 2 2 ( ) 2 3 =

17 Lineaarialgebra (muut ko) p. 14/162 Matriisien tulo Matriisitulo ( ) 2 2 ( ) 2 3 = ( )

18 Lineaarialgebra (muut ko) p. 15/162 Matriisien tulo Matriisitulo ( ) 2 2 ( ) 2 3 = ( )

19 Lineaarialgebra (muut ko) p. 16/162 Matriisien tulo Yleensä ei KOMMUTOI AB BA

20 Lineaarialgebra (muut ko) p. 17/162 Laskusääntöjä skalaari r R (AB)C = A(BC) A(B +C) = AB +AC (A+B)C = AC +BC r(ab) = A(rB)

21 Lineaarialgebra (muut ko) p. 18/162 Esimerkiksi { 2x + 3y = 1 4x + 5y = 3

22 Lineaarialgebra (muut ko) p. 19/162 Esimerkiksi { 2x 1 + 3x 2 = 1 4x 1 + 5x 2 = 3

23 Lineaarialgebra (muut ko) p. 20/162 Esimerkiksi { 2x 1 + 3x 2 = 1 4x 1 + 5x 2 = 3 A = ( ) x = ( x 1 x 2 ) c = ( 1 3 ) Matriisikielellä Ax = c

24 Lineaarialgebra (muut ko) p. 21/ Lineaariset yhtälöryhmät Monisteessa (2.3) a 11 x 1 + a 12 x a 1n x n = c 1 a 21 x 1 + a 22 x a 2n x n = c 2... a m1 x 1 + a m2 x a mn x n = c m

25 Lineaarialgebra (muut ko) p. 22/162 Matriisien avulla Ax = c, missä A = a 11 a a 1n a 12 a a 2n , a m1 a m2... a mn ja x = x 1 x 2. c = c 1 c 2. x n c m

26 Lineaarialgebra (muut ko) p. 23/162 Homogeenisuus Yhtälöryhmä on homogeeninen, jos Monisteessa (2.5) a 11 x 1 + a 12 x a 1n x n = 0 a 21 x 1 + a 22 x a 2n x n = 0... a m1 x 1 + a m2 x a mn x n = 0 eli matriisimuodossa Ax = 0. Muutoin epähomogeeninen

27 Lineaarialgebra (muut ko) p. 24/162 Esimerkiksi Epähomogeeninen { 2x 1 + 3x 2 = 1 4x 1 + 5x 2 = 3 Homogeeninen { 2x 1 + 3x 2 = 0 4x 1 + 5x 2 = 0

28 Lineaarialgebra (muut ko) p. 25/162 Yhtlryhmist Epähomogeenisen yhtälöryhmän Ax = c ratkaisut x = x 0 +y missä y on homogeenisen yhtälöryhmän Ax = 0 kaikki ratkaisut ja x 0 on yksittäisratkaisu

29 Lineaarialgebra (muut ko) p. 26/162 Tulon transponointi (AB) T = B T A T Matriisi on symmetrinen, jos järjestys! A T = A Identiteettimatriisi I = I n =

30 Lineaarialgebra (muut ko) p. 27/162 Matriisin potenssi Kun kokonaisluku k 1 A k = A A A }{{} k Lisäksi A 0 = I

31 Lineaarialgebra (muut ko) p. 28/162 Matriisiyhtälöistä (s. 20) Matriisiyhtälöitä voidaan käsitellä kuten reaalilukuyhtälöitä, kunhan ei käytetä jakolaskua eikä kommutatiivisuutta

32 Lineaarialgebra (muut ko) p. 29/162 Käänteismatriisi Määritelmä käänteismatriisille eli EI MERKITÄ 1 A vaana 1 Ei aina olemassa, esim A = AB = BA = I AA 1 = A 1 A = I ( ).

33 Lineaarialgebra (muut ko) p. 30/162 Säännöllisyys A on säännöllinen, jos A 1 on olemassa.

34 Lineaarialgebra (muut ko) p. 31/162 Laskusääntöjä Olkoot A ja B säännöllisiä matriiseja: (AB) 1 = B 1 A 1 (A T ) 1 = (A 1 ) T

35 Lineaarialgebra (muut ko) p. 32/ Matriisien kertominen lohkomuodossa Lohkominen ( A B C D )( 1 0 a b 0 1 c d A B C D ) = ( ( I A O I ) AA +BC AB +BD CA +DC CB +DD ) Esimerkiksi ( I A O I )( A O I B ) = ( O AB I B )

36 Lineaarialgebra (muut ko) p. 33/162 Determinantti Neliömatriisille A: det(a) = a 11 a a 1n a 21 a a 2n a n1 a n2... a nn = kaikki permutaatiot(j 1,j 2,...,j n ) sign(j 1,j 2,...,j n )a 1j1 a 2j2...a njn

37 Lineaarialgebra (muut ko) p. 34/162 2-rivinen determinantti a b c d = ad cb

38 Lineaarialgebra (muut ko) p. 35/162 Perusominaisuuksia, s. 26 1) 2) a ca 1k... a 1n a ca 2k... a 2n a n1... ca nk... a nn det(a T ) = det(a) = c a a 1k... a 1n a a 2k... a 2n a n1... a nk... a nn vastaavasti vaakariville

39 Lineaarialgebra (muut ko) p. 36/162 Perusominaisuuksia, s. 27 3) a a 1k +b 1k... a 1n a a 2k +b 2k... a 2n a n1... a nk +b nk... a nn = a a 1k... a 1n a a 2k... a 2n a n1... a nk... a nn + a b 1k... a 1n a b 2k... a 2n a n1... b nk... a nn vastaavasti vaakariville

40 Lineaarialgebra (muut ko) p. 37/162 Perusominaisuuksia, s. 27 4) Jos pysty- tai vaakarivi on nollarivi, niin det(a) = 0. 5) Jos kaksi samaa pystyriviä (tai kaksi samaa vaakariviä), niin det(a) = 0. 6) Jos kaksi vaakariviä (tai kaksi pystyriviä) vaihdetaan keskenään, niin determinantti muuttuu vastaluvukseen.

41 Lineaarialgebra (muut ko) p. 38/162 Perusominaisuuksia, s. 27 7) = a a 1h... a 1k... a 1n a a 2h... a 2k... a 2n a n1... a nh... a nk... a nn a a 1h... a 1k +ca 1h... a 1n a a 2h... a 2k +ca 2h... a 2n a n1... a nh... a nk +ca nh... a nn vastaavasti vaakariville

42 Lineaarialgebra (muut ko) p. 39/162 Tulon determinantti det(ab) = det(a) det(b) Jos A on säännöllinen, niin det(a 1 ) = 1 det(a)

43 Lineaarialgebra (muut ko) p. 40/162 Alkion komplementti Matriisin alkion a ij komplementti C ij = ( 1) i+j det(a ij ) missä A ij saatu poistamalla matriisista A vaakarivi i ja pystyrivi j. Deteminantin rivikehitelmät (vaakariville) det(a) = a i1 C i1 + +a in C in

44 Lineaarialgebra (muut ko) p. 41/162 Alkion komplementti Matriisin alkion a ij komplementti C ij = ( 1) i+j det(a ij ) missä A ij saatu poistamalla matriisista A vaakarivi i ja pystyrivi j. Deteminantin rivikehitelmät (vaakariville) ( = ) ( ) ( )

45 Lineaarialgebra (muut ko) p. 42/162 Alkion komplementti Matriisin alkion a ij komplementti C ij = ( 1) i+j det(a ij ) missä A ij saatu poistamalla matriisista A vaakarivi i ja pystyrivi j. Deteminantin rivikehitelmät (vaakariville) det(a) = a i1 C i1 + +a in C in = n a ik C ik k=1 ja pystyriville det(a) = n a kj C kj k=1

46 Lineaarialgebra (muut ko) p. 43/162 Käänteismatriisin kaava Matriisin A liittomatriisi adj(a) = (C ij ) T Jos A on säännöllinen, niin A 1 = 1 det(a) adj(a) A on säännöllinen det(a) 0

47 Lineaarialgebra (muut ko) p. 44/162 Cramerin sääntö Jos yhtälöryhmän Ax = c kerroinmatriisi A on säännöllinen, niin sillä on yksikäsitteinen ratkaisu x j = det(a j) det(a) missä x = x 1 x 2. x n ja A j saadaan korvaamalla j:s pystyrivi c:llä

48 Lineaarialgebra (muut ko) p. 45/162 Ristitulo, s. 34 Tarkastelussa vain R 3 Olkoon u = (u 1,u 2,u 3 ) R 3 v = (v 1,v 2,v 3 ) R 3 Tiedetään, että u 1 u 2 u 3 v 1 v 2 v 3 u 1 u 2 u 3 = 0 = u 1 u 2 u 3 v 1 v 2 v 3 v 1 v 2 v 3

49 Lineaarialgebra (muut ko) p. 46/162 Ristitulo Kehittämällä determinantit u 1 u 2 u 3 u 1 u 2 u 3 v 1 v 2 v 3 = 0 = v 1 v 2 v 3 u 1 u 2 u 3 v 1 v 2 v 3 1. vaakarivin mukaan saadaan ( u 2 u 3 0 = u 1 v 2 v 3 +u 2 u 1 u 3 v 1 v 3 ) +u 3 u 1 u 2 v 1 v 2 ja 0 = v 1 u 2 u 3 v 2 v 3 +v 2 ( u 1 u 3 v 1 v 3 ) +v 3 u 1 u 2 v 1 v 2

50 Lineaarialgebra (muut ko) p. 47/162 Ristitulo Kehittämällä determinantit u 1 u 2 u 3 u 1 u 2 u 3 v 1 v 2 v 3 = 0 = v 1 v 2 v 3 u 1 u 2 u 3 v 1 v 2 v 3 1. vaakarivin mukaan ) u 2 u 3 u 1 u 3 u 1 u 2 0 = u 1 +u 2 ( +u 3 v 2 v 3 v 1 v 3 v 1 v 2 }{{}}{{}}{{} C 11 C 12 C 13 ja 0 = v 1 u 2 u 3 v 2 v 3 +v 2 ( u 1 u 3 v 1 v 3 ) +v 3 u 1 u 2 v 1 v 2

51 Lineaarialgebra (muut ko) p. 48/162 Ristitulo Siis u (C 11,C 12,C 13 ) = 0 v (C 11,C 12,C 13 ) = 0

52 Lineaarialgebra (muut ko) p. 49/162 Muistisääntö Ristitulo (vain R 3 :ssa) Vektoreille u = (u 1,u 2,u 3 ) ja v = (v 1,v 2,v 3 ) u v = u u v ja v u v skalaarikolmitulo u (v w) i j k u 1 u 2 u 3 v 1 v 2 v 3

53 Lineaarialgebra (muut ko) p. 50/162 Aliavaruuskriteerit Aliavaruudelle U R n kolme kriteeriä: 1) U 2) u,v U u+v U 3) a R, u U au U.

54 Lineaarialgebra (muut ko) p. 51/162 Aliavaruuskriteerit Aliavaruudelle U R n kolme kriteeriä: 1) U 2) u,v U u+v U 3) a R, u U au U.

55 Lineaarialgebra (muut ko) p. 52/162 Aliavaruuskriteerit Aliavaruudelle U R n kolme kriteeriä: 1) U 2) u,v U u+v U 3) a R, u U au U. 0 kuuluu aina aliavaruuteen! U = {x R n Ax = 0} on R n :n aliavaruus Triviaalit aliavaruudet: {0} ja R n.

56 Lineaarialgebra (muut ko) p. 53/162 Ratkaisuavaruus (Lause 4.1.8) Lineaarisen homogeenisen yhtälöryhmän a 11 x 1 + a 12 x a 1n x n = 0 a 21 x 1 + a 22 x a 2n x n = 0... a n1 x 1 + a n2 x a nn x n = 0 ratkaisut x = x 1. x n muodostavat aliavaruuden (ns. ratkaisuavaruuden)

57 Lineaarialgebra (muut ko) p. 54/162 AliavaruudetR 3 :ssa {0} origon kautta kulkevat suorat origon kautta kulkevat tasot R 3

58 Lineaarialgebra (muut ko) p. 55/162 Viritetty aliavaruus vektorien x 1,x 2,...,x k R n lineaarikombinaatio vektorien virittämä aliavaruus c 1 x 1 +c 2 x c k x k L(x 1,x 2,...,x k ) = {c 1 x 1 +c 2 x c k x k c 1,c 2,...,c k R}

59 Lineaarialgebra (muut ko) p. 56/162 Viritetty aliavaruus vektorien x 1,x 2,...,x k R n lineaarikombinaatio vektorien virittämä aliavaruus c 1 x 1 +c 2 x c k x k L(x 1,x 2,...,x k ) = {c 1 x 1 +c 2 x c k x k c 1,c 2,...,c k R} Esimerkiksi a(1,1)+b(1,0) ja L((1,1),(1,0)) sisältää mm. vektorit (0,0),(1,1),(1,0),(2,1),(0,1),( 2,0),...

60 Lineaarialgebra (muut ko) p. 57/162 Matriisien avulla Pystyrivien lineaarikombinaatio A = (a 1 a 2... a n ) Ac = c 1 a 1 + +c n a n

61 Lineaarialgebra (muut ko) p. 58/162 Matriisien avulla matriisin pystyriveille A = (a 1 a 2... a n ) m n neliömatriisille L(a 1,a 2,...,a n ) = {Ac c R n } L(a 1,a 2,...,a n ) = R n A on säännöllinen

62 Lineaarialgebra (muut ko) p. 59/162 Matriisien avulla matriisin pystyriveille A = (a 1 a 2... a n ) m n neliömatriisille L(a 1,a 2,...,a n ) = {Ac c R n } L(a 1,a 2,...,a n ) = R n A on säännöllinen Esimerkiksi L((1,1),(1,0)) = R 2, sillä

63 Lineaarialgebra (muut ko) p. 60/162 Lineaarinen riippumattomuus Lineaarinen riippumattomuus c 1 x c m x m = 0 = c 1 = c 2 =... = c m = 0 Lineaarinen riippuvuus c 1 x c m x m = 0 missä jokin c j 0

64 Lineaarialgebra (muut ko) p. 61/162 Matriisien avulla Neliömatriisin A = (a 1 a 2... a n ) pystyriveille: Pystyrivit ovat lin. riippumattomia A on säännöllinen

65 Lineaarialgebra (muut ko) p. 62/162 Lineaarinen riippumattomuus Lause sanoo: Vektorit ovat lineaarisesti riippuvia jokin niistä saadaan muiden lineaarikombinaationa

66 Lineaarialgebra (muut ko) p. 63/162 Lineaarinen riippumattomuus Kaksi vektoria ovat lineaarisesti riippuvia toinen on toisen skalaarimonikerta Varoitus: ei toimi useammalla vektorilla

67 Lineaarialgebra (muut ko) p. 64/162 Johdanto: kanta Jokainen vektori lin.kombinaationa? (x,y) = c 1 (2,2)

68 Lineaarialgebra (muut ko) p. 65/162 Johdanto: kanta Jokainen vektori lin.kombinaationa? (x,y) = c 1 (2,2)

69 Lineaarialgebra (muut ko) p. 66/162 Johdanto: kanta Jokainen vektori lin.kombinaationa: (x,y) = c 1 (2,2)+c 2 ( 4,2) = 12 0

70 Lineaarialgebra (muut ko) p. 67/162 Johdanto: kanta Jokainen vektori lin.kombinaationa: (x,y) = c 1 (2,2)+c 2 ( 4, 4)

71 Lineaarialgebra (muut ko) p. 68/162 Johdanto: kanta Jokainen vektori lin.kombinaationa (yksikäsitteisesti): (1, 2) = 1 2 (2,2) 1 2 ( 4,2)+0 (1, 2) (1, 2) = 0 (2,2)+0 ( 4,2)+1 (1, 2)

72 Lineaarialgebra (muut ko) p. 69/162 Kanta Vektorit u 1,...,u k muodostavat aliavaruuden U kannan, jos (i) ovat lineaarisesti riippumattomia, (ii) virittävät koko U:n.

73 Lineaarialgebra (muut ko) p. 70/162 Kanta Vektorit u 1,...,u k muodostavat aliavaruuden U kannan, jos (i) ovat lineaarisesti riippumattomia eli c 1 u 1 + +c m u k = 0 c 1 = = c k = 0, (ii) virittävät koko U:n eli L(u 1,...,u k ) = {c 1 u 1 + +c k u k c 1,...,c k R} = U.

74 Lineaarialgebra (muut ko) p. 71/162 Kannan merkitys Yksikäsitteinen kantaesitys vektorille u U R 4 :n luonnollinen kanta u = c 1 u 1 + +c k u k. {e 1,e 2,e 3,e 4 } = Jos U = R n, niin determinantit käteviä, mutta U R n eivät yleensä sovellu.

75 Lineaarialgebra (muut ko) p. 72/162 Kannan merkitys Yksikäsitteinen kantaesitys vektorille u U R 4 :n luonnollinen kanta u = c 1 u 1 + +c k u k. {e 1,e 2,e 3,e 4 } = {(1,0,0,0),(0,1,0,0),(0,0,1,0),(0,0,0,1)}. Jos U = R n, niin determinantit käteviä, mutta U R n eivät yleensä sovellu.

76 Lineaarialgebra (muut ko) p. 73/162 Perusominaisuuksia s. 45 1) Jokaisella aliavaruudella U on kanta. 2) Jokaisessa U:n kannassa on sama määrä vektoreita. 3) Lineaarisesti riippumaton U:n joukko {u 1,...,u m } voidaan täydentää U:n kannaksi {u 1,...,u m,u m+1,...u k }. 4) Jos L(u 1,...,u t ) = U, niin tästä saadaan kanta U:lle jättämällä ylimääräiset pois (kunnes lin. riippumaton).

77 Lineaarialgebra (muut ko) p. 74/162 Dimension ominaisuuksia s. 46 Olkoot U,V R n aliavaruuksia: 1) dimu n 2) Jos U V, niin dimu dimv. 3) Jos U V, niin dimu < dimv. 4) Jos u 1,...,u k U ja k < dimu, niin eivät viritä U:ta. 5) Jos u 1,...,u k U ja k > dimu, niin ovat lineaarisesti riippuvia.

78 Lineaarialgebra (muut ko) p. 75/162 Dimension ominaisuuksia s. 46 6) Vektorit u 1,...,u k U muodostavat kannan, jos kaksi seuraavista voimassa: (i) u 1,...,u k ovat lineaarisesti riippumattomia, (ii) U = L(u 1,...,u k ), (ii) k = dimu.

79 Lineaarialgebra (muut ko) p. 76/162 Dimension ominaisuuksia s. 46 7) Olkoon u 1,...,u k kanta U:lle ja vektoreiden v 1,...,v k U kantaesitykset v j = k a ij u i (j = 1,...,k). i=1 Vektorit v 1,...v k muodostavat kannan, jos on säännöllinen. A = (a ij ) k k

80 Lineaarialgebra (muut ko) p. 77/162 Tunnettuja dimensioita Aliavaruuden U R n dimensio dim U = kantavektoreiden lukumäärä Koko avaruudelle dimr n = n. Tasolle T R 3 dimt = 2. Suoralle L R 3 diml = 1.

81 Lineaarialgebra (muut ko) p. 78/162 Vaaka- ja pystyriviavaruus Matriisin A = vaakariviavaruus ja pystyriviavaruus V(A) = L((1,3),(0,1),(1,2)) P(A) = L((1,0,1),(3,1,2))

82 Lineaarialgebra (muut ko) p. 79/162 Vaaka- ja pystyriviavaruus Nähtiin dimv(a) = 2 = dimp(a) Pitääkö yleisesti paikkansa kaikille A?

83 Lineaarialgebra (muut ko) p. 80/162 Vaaka- ja pystyriviavaruus P(AB) P(A) V(AB) V(B) jos C ja C ovat säännöllisiä, niin P(AC) = P(A) V(C A) = V(A)

84 Lineaarialgebra (muut ko) p. 81/162 Hajotelma Matriisi A M m n saadaan hajotettua A = }{{} B }{{} C m r r n

85 Lineaarialgebra (muut ko) p. 82/162 Matriisin aste Matriisin aste r(a) = dimv(a) = dimp(a) Lause r(ab) r(a) r(ab) r(b) A säännöllinen r(ab) = r(b) B säännöllinen r(ab) = r(a) A = }{{} B }{{} C m r(a) r(a) n r(a T ) = r(a)

86 Lineaarialgebra (muut ko) p. 83/162 Alideterminantti, s. 56 Matriisin A M m n alideterminantti on determinantti det(b), missä B on neliömatriisi, joka saadaan A:sta pyyhkimällä pois jotkin sen vaaka- ja pystyriveistä. Alideterminantin riviluku on B:n riviluku Lause r(a) = A:n nollasta eroavien alideterminanttien suurin riviluku

87 Lineaarialgebra (muut ko) p. 84/162 Alkeismuunnokset matriisille, sivu 57 AM1: Kahden vaakarivin vaihto AM2: Vaakarivin kertominen skalaarilla c 0 AM3: Vaakarivin lisääminen toiseen skalaarilla c kerrottuna

88 Lineaarialgebra (muut ko) p. 85/162 Käänteismuunnokset AM1: Kahden vaakarivin vaihto Käänteismuunnos: Vaihdetaan vaakarivit takaisin AM2: Vaakarivin kertominen skalaarilla c 0 Käänteismuunnos: Kerrotaan vaakarivi skalaarilla 1/c AM3: Vaakarivin lisääminen toiseen skalaarilla c kerrottuna Käänteismuunnos: Lisätään vaakarivi toiseen skalaarilla c kerrottuna

89 Lineaarialgebra (muut ko) p. 86/162 Riviekvivalenssi ( ) ( ) ( ) ( )

90 Lineaarialgebra (muut ko) p. 87/162 Riviekvivalenssi ( ) ( ) ( ) ( ) vastaavat alkeismatriisit E 1 = ( ), E 2 = ( ), E 3 = ( ) eli E 3 E 2 E 1 ( ) = ( ).

91 Lineaarialgebra (muut ko) p. 88/162 Redusoitu porrasmuoto Matriisin redusoitu porrasmuoto

92 Lineaarialgebra (muut ko) p. 89/162 Redusoitu porrasmuoto Matriisin redusoitu porrasmuoto aste r(a) =porrasluku ja V(A):n kanta on portaiden vaakarivit.

93 Lineaarialgebra (muut ko) p. 90/162 Redusoitu porrasmuoto Eli aste r(a) = 2 ja vaakariviavaruuden V(A) kanta {(1,1,0,2),(0,0,1,1)}.

94 Lineaarialgebra (muut ko) p. 91/162 Redusoitu porrasmuoto Myös I on redusoitu porrasmuoto Lause A on säännöllinen A I

95 Lineaarialgebra (muut ko) p. 92/162 Käänteismatriisi alkeismuunnoksilla Alkeismuunnoksilla (A I) (I A 1 )

96 Lineaarialgebra (muut ko) p. 93/162 Ratkaisuavaruuden dimensio Yhtälöryhmän (n tuntematonta) Ax = 0 ratkaisuavaruuden dimensio n r(a)

97 Lineaarialgebra (muut ko) p. 94/162 Koordinaattivektori Kanta B = {b 1,...,b n } avaruudelle R n. Vektorin x R n koordinaattivektori X B = r 1 r 2. r n missä kantaesitys x = r 1 b 1 + +r n b n.

98 Lineaarialgebra (muut ko) p. 95/162 Kannanvaihdon matriisi Toinen kanta C = {c 1,...,c n }. Kannanvaihdon B C matriisi: c 1 = p 11 b 1 + +p n1 b n. c n = p 1n b 1 + +p nn b n. P B C = p 11 p 1n..... p n1 p nn Muista transponointi!

99 Lineaarialgebra (muut ko) p. 96/162 Kannanvaihdon matriisi X C = P C B X B P B C = (P C B ) 1

100 Lineaarialgebra (muut ko) p. 97/162 Kuvauksista Kuvaus f : A B A B f x y A = määrittelyjoukko B = maalijoukko Yleensä A = R n ja B = R m

101 Lineaarialgebra (muut ko) p. 98/162 Kuvauksista Kuvaus f : A B A B f x u z y Ei ole kuvaus!

102 Lineaarialgebra (muut ko) p. 99/162 Kuvauksista Kuvaus f : A B A f B Im(f) = {f(a) a A} kuvajoukko

103 Lineaarialgebra (muut ko) p. 100/162 Kuvauksista Kuvaus f : A B A f B B B 0 f 1 (B 0 ) = {a A f(a) B 0 } alkukuva

104 Lineaarialgebra (muut ko) p. 101/162 Kuvauksista Kuvaus f : A B A f B f on surjektio, jos Im(f) = B

105 Lineaarialgebra (muut ko) p. 102/162 Kuvauksista Kuvaus f : A B A B f a y b Kuvauksessa voi olla

106 Lineaarialgebra (muut ko) p. 103/162 Kuvauksista Kuvaus f : A B A B f a y b z f on injektio, jos a b f(a) f(b) a,b A Bijektio, jos surjektio ja injektio

107 Lineaarialgebra (muut ko) p. 104/162 Kuvauksista Kuvaus f : A B ja kuvaus g : A B ovat yhtäsuuret, jos f(a) = g(a) a A Merkitään f = g

108 Lineaarialgebra (muut ko) p. 105/162 Kuvauksista Kuvaus f : A B ja g : B C A B C f g x g(f(x)) f(x) Yhdistetty kuvaus g f : A C, (g f)(x) = g(f(x))

109 Lineaarialgebra (muut ko) p. 106/162 Kuvauksista Kuvaus f : A B ja g : B A A B f x y g Käänteiskuvauksia, jos f g = id B ja g f = id A. f 1 olemassa f on bijektio

110 Lineaarialgebra (muut ko) p. 107/162 Lineaarikuvaus Kuvaus f : R n R m on lineaarinen, jos L1: f(x 1 +x 2 ) = f(x 1 )+f(x 2 ) x 1,x 2 R n L2: f(ax) = af(x) x R n,a R. Muista f(0) = 0.

111 Lineaarialgebra (muut ko) p. 108/162 Lineaarikuvaus Kuvaus f : R n R m on lineaarinen, jos L1: f(x 1 +x 2 ) = f(x 1 )+f(x 2 ) x 1,x 2 R n L2: f(ax) = af(x) x R n,a R. Muista f(0) = 0. Kantavektorien kuvien avulla f(b i ) = y i määräytyy koko f(x) yksikäsitteisesti.

112 Lineaarialgebra (muut ko) p. 109/162 Lineaarikuvaus Matriisi A M m n indusoi lineaarikuvauksen f : R n R m,f(x) = Ax.

113 Lineaarialgebra (muut ko) p. 110/162 Lineaarikuvaus Matriisi A M m n indusoi lineaarikuvauksen f : R n R m,f(x) = Ax. Lineaarikuvauksen f : R n R m matriisi M B,C (f) B = {b 1,...,b n } kanta R n :ssä C = {c 1,...,c m } kanta R m :ssä

114 Lineaarialgebra (muut ko) p. 111/162 Lineaarikuvauksen matriisi kuvien kantaesitykset f(b 1 ) = a 11 c 1 + +a m1 c m.. f(b n ) = a 1n c 1 + +a mn c m M B,C (f) = a 11. a 1n.... a m1 a mn Muista transponointi!

115 Lineaarialgebra (muut ko) p. 112/162 Lineaarikuvaus y = f(x) Y C = M B,C (f) X B

116 Lineaarialgebra (muut ko) p. 113/162 Lineaarikuvaus y = f(x) Y C = M B,C (f) X B Jos B = E ja C = E, niin y = f(x) y = M E,E (f) x

117 Lineaarialgebra (muut ko) p. 114/162 Lineaarikuvaus y = f(x) Y C = M B,C (f) X B Jos B = E ja C = E, niin y = f(x) y = M(f) x

118 Lineaarialgebra (muut ko) p. 115/162 Lineaarikuvaus y = f(x) Y C = M B,C (f) X B Jos B = E ja C = E, niin y = f(x) y = M E,E (f) x Jos sama lähtö- ja maaliavaruus f : R n R n, niin yleensä sama kanta molemmilla puolilla ja merkitään M B (f) = M B,B (f).

119 Lineaarialgebra (muut ko) p. 116/162 Lineaarikuvaus ja kannanvaihto Lineaarikuvauksen matriisin muuttuminen kannanvaihdossa B B ja C C : R n m R f M

120 Lineaarialgebra (muut ko) p. 117/162 Lineaarikuvaus ja kannanvaihto Lineaarikuvauksen matriisin muuttuminen kannanvaihdossa B B ja C C : R n m R f M M B,C (f) = P C CM B,C (f)p B B

121 Lineaarialgebra (muut ko) p. 118/162 Miksi kannanvaihto? Lineaarikuvauksen matriisi M E (f) =

122 Lineaarialgebra (muut ko) p. 119/162 Miksi kannanvaihto? Vaihtamalla E B matriisiksi M B (f) =

123 Lineaarialgebra (muut ko) p. 120/162 Miksi kannanvaihto? Vaihtamalla E B matriisiksi M B (f) = Onnistuuko? Mistä kanta B? Mitkä luvut diagonaalilla?

124 Lineaarialgebra (muut ko) p. 121/162 Miksi kannanvaihto? Vaihtamalla E B matriisiksi M B (f) = Onnistuuko? Mistä kanta B? Mitkä luvut diagonaalilla? Näihin vastaaminen on loppukurssin tavoite!

125 Lineaarialgebra (muut ko) p. 122/162 Ydin ja kuva Lineaarikuvauksen ydin ja kuva-avaruus f 0 0 Ker(f) Im(f) Ker(f) = {x R n f(x) = 0} Im(f) = {f(x) x R n }

126 Lineaarialgebra (muut ko) p. 123/162 Dimensioyhtälö Lineaarikuvauksen f : R n R m dimensioyhtälö n = dim Ker(f)+dim Im(f)

127 Lineaarialgebra (muut ko) p. 124/162 Matriisin avulla Jos niin A = M E,E (f) Im(f) = V(A T ).

128 Lineaarialgebra (muut ko) p. 125/162 Helppoa Lineaarikuvaus f : R n R m on injektio Ker(f) = {0}.

129 Lineaarialgebra (muut ko) p. 126/162 Helppoa Lineaarikuvaus f : R n R n on injektio surjektio bijektio

130 Lineaarialgebra (muut ko) p. 127/162 Aliavaruuksien summa Aliavaruuksien summa U 1 +U 2 U+ U 1 2 U 1 U 2 0 U 1 +U 2 = {u 1 +u 2 u 1 U 1,u 2 U 2 }.

131 Lineaarialgebra (muut ko) p. 128/162 Kertausta Suora summa U 1 U 2 jos yksikäsitteinen esitys x = u }{{} 1 + u }{{} 2 U 1 U 2,

132 Lineaarialgebra (muut ko) p. 129/162 Aliavaruuksien summa Suora summa U 1 U 2 Ehto 1: jos U 1 U 2 = {0}.

133 Lineaarialgebra (muut ko) p. 130/162 Aliavaruuksien summa Suora summa U 1 U 2 Ehto 1: jos U 1 U 2 = {0}. Ehto 2: jos u 1 +u 2 = 0, missä u 1 U 1 ja u 2 U 2, niin u 1 = u 2 = 0.

134 Lineaarialgebra (muut ko) p. 131/162 Aliavaruuksien summa Kahden aliavaruuden leikkaus on myös aliavaruus. U 1 U 2

135 Lineaarialgebra (muut ko) p. 132/162 Kannat aliavaruuksien summassa Suoran summan kannat u k u 2 u y 1 1 y 2 y m U+ U 1 2

136 Lineaarialgebra (muut ko) p. 133/162 Kannat aliavaruuksien summassa Suoran summan kannat u k u u 2 1 y y 1 2 U+ U y 1 2 m dim(u 1 U 2 ) = dimu 1 +dimu 2.

137 Lineaarialgebra (muut ko) p. 134/162 Usean aliavaruuden summa Usean aliavaruuden summa U 1 + +U m on suora summa eli U 1 U m jos ja vain jos Tällöin u }{{} u m = 0 u }{{} 1 = = u m = 0 U 1 U m dim(u 1 U m ) = dimu 1 + +dimu m.

138 Lineaarialgebra (muut ko) p. 135/162 Johdanto Meillä oli esimerkki M E (f) = ( 20/7 3/7 2/7 15/7 ) saatiin sopivalla kannanvaihdolla M B (f) = ( )

139 Lineaarialgebra (muut ko) p. 136/162 Johdanto Yleisestikin pyritään M B (f) = λ λ λ n Onnistuuko aina? Miten löydetään kanta?

140 Lineaarialgebra (muut ko) p. 137/162 Ominaisarvot Jos Ax = λx missä x 0, niin λ on ominaisarvo ja x siihen kuuluva ominaisvektori.

141 Lineaarialgebra (muut ko) p. 138/162 Ominaisarvot Ominaisarvot löydetään ominaisarvopolynomin nollakohtina. det(a λi) = 0 Ominaisarvoon λ kuuluvat ominaisvektorit löydetään yhtälöryhmästä (A λi)x = 0.

142 Lineaarialgebra (muut ko) p. 139/162 Ominaisarvot Ominaisarvot löydetään ominaisarvopolynomin nollakohtina. det(a λi) = 0 Ominaisarvoon λ kuuluvat ominaisvektorit löydetään yhtälöryhmästä (A λi)x = 0. Huom. x C n ja x 0.

143 Lineaarialgebra (muut ko) p. 140/162 Ominaisarvot Ominaisarvot löydetään ominaisarvopolynomin nollakohtina. det(a λi) = 0 Ominaisarvoon λ kuuluvat ominaisvektorit löydetään yhtälöryhmästä (A λi)x = 0. Huom. x C n ja x 0. Ominaisarvon algebrallinen kertaluku det(a ti) = ( 1) n (t λ 1 ) k 1...(t λ s ) k s.

144 Lineaarialgebra (muut ko) p. 141/162 Kertausta Matriisin muuttuminen kannanvaihdossa (Lause 2.5.2): missä M B (f) = P 1 M B (f)p P = P B B

145 Lineaarialgebra (muut ko) p. 142/162 Kertausta Matriisin muuttuminen kannanvaihdossa (Lause 2.5.2): missä M B (f) = P 1 M B (f)p P = P B B Meillä oli esimerkki ( ) = ( 1/7 3/7 2/7 1/7 )( 20/7 3/7 2/7 15/7 )( )

146 Lineaarialgebra (muut ko) p. 143/162 Diagonalisoituvuus Matriisi A on diagonalisoituva, jos P 1 AP = D Tällöin D = λ λ λ n missä λ i on A:n ominaisarvo

147 Lineaarialgebra (muut ko) p. 144/162 Diagonalisoituvuus Matriisi A on diagonalisoituva, jos P 1 AP = D Tällöin D = λ λ λ n missä λ i on A:n ominaisarvo Matriisi on diagonalisoituva ominaisvektoreista voidaan muodostaa kanta C n :lle

148 Lineaarialgebra (muut ko) p. 145/162 Diagonalisoituvuus Olkoot λ 1,...,λ s erisuuret ominaisarvot ja k 1,...,k s niiden algebralliset kertaluvut. Jos A on diagonalisoituva, niin D = λ λ 1... λ s... 0 λ s k 1 kpl k s kpl

149 Lineaarialgebra (muut ko) p. 146/162 Diagonalisoituvuus Olkoot λ 1,...,λ s erisuuret ominaisarvot ja k 1,...,k s niiden algebralliset kertaluvut. Jos A on diagonalisoituva, niin P = λ 1 :n... λ s :n ominaisvektoreita ominaisvektoreita k 1 kpl k s kpl

150 Lineaarialgebra (muut ko) p. 147/162 Diagonalisoituvuus Olkoot λ 1,...,λ s erisuuret ominaisarvot ja k 1,...,k s niiden algebralliset kertaluvut. Jos A on diagonalisoituva, niin P = λ 1 :n... λ s :n ominaisvektoreita ominaisvektoreita } {{ } lineaarisesti riippumattomia! k 1 kpl k s kpl

151 Lineaarialgebra (muut ko) p. 148/162 Ominaisavaruus Ominaisavaruus V λ = {x C n (A λi)x = 0} Erisuurille ominaisarvoille λ 1,...,λ s V λ1 V λs

152 Lineaarialgebra (muut ko) p. 149/162 Diagonalisoituvuus Olkoot λ 1,...,λ s erisuuret ominaisarvot ja k 1,...k s niiden algebralliset kertaluvut. Jos A on diagonalisoituva, niin P = λ 1 :n... λ s :n ominaisvektoreita ominaisvektoreita k 1 kpl }{{} lin.riippumattomia k s kpl }{{} lin.riippumattomia

153 Lineaarialgebra (muut ko) p. 150/162 Geometrinen kertaluku Ominaisarvon λ geometrinen kertaluku dimv λ Erisuurille ominaisarvoille λ 1,...,λ s V λ1 V λs Ominaisarvon algebrallinen kertaluku det(a ti) = ( 1) n (t λ 1 ) k 1...(t λ s ) k s. k 1 + +k s = n

154 Lineaarialgebra (muut ko) p. 151/162 Ortonormaalisuus Vektorijoukko {x 1,...,x m } on ortogonaalinen, jos (x i,x j ) = 0 i j ortonormaali, jos ortogonaalinen ja pituudet = 1 eli (x i,x j ) = δ ij

155 Lineaarialgebra (muut ko) p. 152/162 Ortonormaalisuus Vektorijoukko {x 1,...,x m } on ortogonaalinen, jos (x i,x j ) = 0 i j ortonormaali, jos ortogonaalinen ja pituudet = 1 eli pituus ykköseksi, x 0, (x i,x j ) = δ ij 1 x x

156 Lineaarialgebra (muut ko) p. 153/162 Ortonormaalikanta Aliavaruudelle U R n ortonormaalikanta? Jos u 1,...,u m on ortonormaalikanta, niin kantaesitys helposti m x = r i u i i=1

157 Lineaarialgebra (muut ko) p. 154/162 Ortonormaalikanta Aliavaruudelle U R n ortonormaalikanta? Jos u 1,...,u m on ortonormaalikanta, niin kantaesitys helposti m x = (x,u i )u i (5.2) i=1

158 Lineaarialgebra (muut ko) p. 155/162 Kertausta Aliavaruudelle U R n ortonormaalikanta? Jos u 1,...,u m on ortonormaalikanta, niin kantaesitys helposti m x = (x,u i )u i (5.2) i=1 Vektorin u ortogonaaliprojektio vektorilla v p = (u,v) v 2 v = (u,v) (v,v) v

159 Lineaarialgebra (muut ko) p. 156/162 Kannasta ortonormaalikanta Aliavaruudella U R n on aina ortonormaalikanta: 1) Gramin-Schmidtin menetelmällä saadaan kannasta {x 1,...,x m } ortogonaalinen: 2) pituudet ykköseksi y 1 = x 1 y j = x j j 1 i=1 { 1 y 1 y 1,..., (x j,y i ) (y i,y i ) y i. 1 y m y m}

160 Lineaarialgebra (muut ko) p. 157/162 Ortogonaalikomplementti Ortogonaalikomplementti U = {x R n x u u U} R n = U U (U ) = U

161 Lineaarialgebra (muut ko) p. 158/162 Ortogonaalimatriisi P on ortogonaalinen, jos P 1 = P T Neliömatriisi P on ortogonaalinen sen vaaka- ja pystyrivit muodostavat ortonormaalin joukon

162 Lineaarialgebra (muut ko) p. 159/162 Symmetrinen ja reaalinen matriisi Yleisesti matriisin ominaisarvot λ C eri ominaisarvojen ominaisvektorit lineaarisesti riippumattomat

163 Lineaarialgebra (muut ko) p. 160/162 Symmetrinen ja reaalinen matriisi Yleisesti matriisin ominaisarvot λ C eri ominaisarvojen ominaisvektorit lineaarisesti riippumattomat

164 Lineaarialgebra (muut ko) p. 161/162 Symmetrinen ja reaalinen matriisi Yleisesti matriisin ominaisarvot λ C eri ominaisarvojen ominaisvektorit lineaarisesti riippumattomat Symmetrisen ja reaalisen matriisi ominaisarvot aina R:ssä eri ominaisarvojen ominaisvektorit ortogonaalisia

165 Lineaarialgebra (muut ko) p. 162/162 Välikoe 2 Toinen välikoe klo 9:00 saleissa IX, X. Tärkeitä perusasioita: 1. Käänteismatriisi alkeismuunnoksilla 2. Kannanvaihdon matriisi 3. Lineaarikuvauksen matriisi 4. Diagonalisointi 5. Gramin-Schmidtin menetelmä Käy läpi demotehtävät! Tärkeät lauseet: 2.3.3, 2.6.5, 2.7.1, 3.1.6, 4.6.2, 5.1.2, 5.1.4, 5.3.4, 6.1.2, 6.1.3

Alkeismuunnokset matriisille, sivu 57

Alkeismuunnokset matriisille, sivu 57 Lineaarialgebra (muut ko) p. 1/88 Alkeismuunnokset matriisille, sivu 57 AM1: Kahden vaakarivin vaihto AM2: Vaakarivin kertominen skalaarilla c 0 AM3: Vaakarivin lisääminen toiseen skalaarilla c kerrottuna

Lisätiedot

Seuraava luento ti on salissa XXII. Lineaarialgebra (muut ko) p. 1/117

Seuraava 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

Lisätiedot

Muistutus: Matikkapaja ke Siellä voi kysyä apua demoihin, edellisen viikon demoratkaisuja, välikoetehtävien selitystä, monisteesta yms.

Muistutus: 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

Lisätiedot

Matikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/210

Matikkapaja 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

Lisätiedot

Ensi viikon luennot salissa X. Lineaarialgebra (muut ko) p. 1/159

Ensi 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

Lisätiedot

Matikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/81

Matikkapaja 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 )

Lisätiedot

Ensi viikon luennot salissa X. Lineaarialgebra (muut ko) p. 1/66

Ensi 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

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Luentokalvot 5 1

Lisätiedot

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3 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

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö

Lisätiedot

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3 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

Lisätiedot

Matematiikka B2 - TUDI

Matematiikka B2 - TUDI Matematiikka B2 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus

Lisätiedot

Matematiikka B2 - Avoin yliopisto

Matematiikka B2 - Avoin yliopisto 6. elokuuta 2012 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus

Lisätiedot

Johdatus lineaarialgebraan. Juha Honkala 2017

Johdatus lineaarialgebraan. Juha Honkala 2017 Johdatus lineaarialgebraan Juha Honkala 2017 Sisällysluettelo 1 Lineaariset yhtälöryhmät ja matriisit 11 Lineaariset yhtälöryhmät 12 Matriisit 13 Matriisien alkeismuunnokset ja porrasmatriisit 14 Yhtälöryhmien

Lisätiedot

2.5. Matriisin avaruudet ja tunnusluvut

2.5. 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

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot

Lisätiedot

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

Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja 7 NELIÖMATRIISIN DIAGONALISOINTI. Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T () Muistutus: Kokoa n olevien vektorien

Lisätiedot

1 Matriisit ja lineaariset yhtälöryhmät

1 Matriisit ja lineaariset yhtälöryhmät 1 Matriisit ja lineaariset yhtälöryhmät 11 Yhtälöryhmä matriisimuodossa m n-matriisi sisältää mn kpl reaali- tai kompleksilukuja, jotka on asetetettu suorakaiteen muotoiseksi kaavioksi: a 11 a 12 a 1n

Lisätiedot

5 Ominaisarvot ja ominaisvektorit

5 Ominaisarvot ja ominaisvektorit 5 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin A

Lisätiedot

6 MATRIISIN DIAGONALISOINTI

6 MATRIISIN DIAGONALISOINTI 6 MATRIISIN DIAGONALISOINTI Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T Muistutus: vektorien a ja b pistetulo (skalaaritulo,

Lisätiedot

6. OMINAISARVOT JA DIAGONALISOINTI

6. OMINAISARVOT JA DIAGONALISOINTI 0 6 OMINAISARVOT JA DIAGONALISOINTI 6 Ominaisarvot ja ominaisvektorit Olkoon V äärellisulotteinen vektoriavaruus, dim(v ) = n ja L : V V lineaarikuvaus Määritelmä 6 Skalaari λ R on L:n ominaisarvo, jos

Lisätiedot

5 OMINAISARVOT JA OMINAISVEKTORIT

5 OMINAISARVOT JA OMINAISVEKTORIT 5 OMINAISARVOT JA OMINAISVEKTORIT Ominaisarvo-ongelma Käsitellään neliömatriiseja: olkoon A n n-matriisi. Luku on matriisin A ominaisarvo (eigenvalue), jos on olemassa vektori x siten, että Ax = x () Yhtälön

Lisätiedot

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

Päättelyn voisi aloittaa myös edellisen loppupuolelta ja näyttää kuten alkupuolella, että välttämättä dim W < R 1 R 1 Lineaarialgebran kertaustehtävien b ratkaisuista. Määritä jokin kanta sille reaalikertoimisten polynomien lineaariavaruuden P aliavaruudelle, jonka virittää polynomijoukko {x, x+, x x }. Ratkaisu. Olkoon

Lisätiedot

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

(1.1) Ae j = a k,j e k. Lineaarikuvauksen determinantti ja jälki 1. Lineaarikuvauksen matriisi. Palautetaan mieleen, mikä lineaarikuvauksen matriisi annetun kannan suhteen on. Olkoot V äärellisulotteinen vektoriavaruus, n = dim

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot

Lisätiedot

1 Ominaisarvot ja ominaisvektorit

1 Ominaisarvot ja ominaisvektorit 1 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) 1 missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin

Lisätiedot

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra ja matriisilaskenta I Lineaarialgebra ja matriisilaskenta I 6.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/22 Kertausta: Kääntyvien matriisien lause Lause 1 Oletetaan, että A on n n -neliömatriisi. Seuraavat ehdot ovat yhtäpitäviä.

Lisätiedot

Matriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?

Matriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on? Harjoitus 1, kevät 007 1. Olkoon [ ] cos α sin α A(α) =. sin α cos α Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?. Olkoon a x y A = 0 b z, 0 0 c missä a, b, c 0. Määrää käänteismatriisi

Lisätiedot

802320A LINEAARIALGEBRA OSA III

802320A 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

Lisätiedot

Määritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V. Termejä: Lineaarikuvaus, Lineaarinen kuvaus.

Määritelmä 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:

Lisätiedot

MS-C1340 Lineaarialgebra ja

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

Lisätiedot

Ortogonaalisen kannan etsiminen

Ortogonaalisen kannan etsiminen Ortogonaalisen kannan etsiminen Lause 94 (Gramin-Schmidtin menetelmä) Oletetaan, että B = ( v 1,..., v n ) on sisätuloavaruuden V kanta. Merkitään V k = span( v 1,..., v k ) ja w 1 = v 1 w 2 = v 2 v 2,

Lisätiedot

Lineaarialgebra. Osa 2. Turun yliopisto. Markku Koppinen

Lineaarialgebra. Osa 2. Turun yliopisto. Markku Koppinen Lineaarialgebra Osa 2 Turun yliopisto Markku Koppinen Sisältö 1 Koordinaattivektorit ja kannan vaihdot 1 11 Koordinaattivektorit 1 12 Kannan vaihdot 2 2 Lineaarikuvaukset 6 21 Kuvauksista 6 22 Lineaarikuvaukset

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 22 R. Kangaslampi matriisiteoriaa Kertaus: ominaisarvot

Lisätiedot

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44

Lineaarialgebra 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.

Lisätiedot

Lineaarialgebra, kertausta aiheita

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

Lisätiedot

Lineaarikuvauksen R n R m matriisi

Lineaarikuvauksen R n R m matriisi Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:

Lisätiedot

1.1. Määritelmiä ja nimityksiä

1.1. 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

Lisätiedot

Bijektio. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin jokaiselle alkiolle kuvautuu tasan yksi lähdön alkio.

Bijektio. 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

Lisätiedot

Matriisien tulo. Matriisit ja lineaarinen yhtälöryhmä

Matriisien tulo. Matriisit ja lineaarinen yhtälöryhmä Matriisien tulo Lause Olkoot A, B ja C matriiseja ja R Tällöin (a) A(B + C) =AB + AC, (b) (A + B)C = AC + BC, (c) A(BC) =(AB)C, (d) ( A)B = A( B) = (AB), aina, kun kyseiset laskutoimitukset on määritelty

Lisätiedot

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra ja matriisilaskenta I Lineaarialgebra ja matriisilaskenta I 13.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/12 Käytännön asioita Kesäkuun tentti: ke 19.6. klo 17-20, päärakennuksen sali 1. Anna palautetta kurssisivulle ilmestyvällä

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö

Lisätiedot

MS-A0004/A0006 Matriisilaskenta

MS-A0004/A0006 Matriisilaskenta 4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin

Lisätiedot

Ortogonaaliset matriisit, määritelmä 1

Ortogonaaliset matriisit, määritelmä 1 , määritelmä 1 Määritelmä (a). Neliömatriisi Q on ortogonaalinen, jos Q T Q = I. Määritelmästä voidaan antaa samaa tarkoittavat, mutta erilaiselta näyttävät muodot: Määritelmä (b). n n neliömatriisi Q,

Lisätiedot

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /310

Lineaarialgebra 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.

Lisätiedot

Kuvaus. Määritelmä. LM2, Kesä /160

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

Lisätiedot

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

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

Lisätiedot

9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista

9. 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

Lisätiedot

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

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

Lisätiedot

Paikannuksen matematiikka MAT

Paikannuksen matematiikka MAT TA M P E R E U N I V E R S I T Y O F T E C H N O L O G Y M a t h e m a t i c s Paikannuksen matematiikka MAT-45800 4..008. p.1/4 Käytännön järjestelyt Kotisivu: http://math.tut.fi/courses/mat-45800/ Luennot:

Lisätiedot

Käänteismatriisin ominaisuuksia

Käänteismatriisin ominaisuuksia Käänteismatriisin ominaisuuksia Lause 1.4. Jos A ja B ovat säännöllisiä ja luku λ 0, niin 1) (A 1 ) 1 = A 2) (λa) 1 = 1 λ A 1 3) (AB) 1 = B 1 A 1 4) (A T ) 1 = (A 1 ) T. Tod.... Ortogonaaliset matriisit

Lisätiedot

OMINAISARVOISTA JA OMINAISVEKTOREISTA

OMINAISARVOISTA JA OMINAISVEKTOREISTA 1 OMINAISARVOISTA JA OMINAISVEKTOREISTA Olkoon x = (x 1,..., x n ) avaruuden R n piste (l. vektori). Vektori x samaistetaan n 1-matriisin (x 1 x 2... x n ) T kanssa, ts. voidaan yhtä hyvin kirjoittaa x1

Lisätiedot

BM20A0700, Matematiikka KoTiB2

BM20A0700, 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

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot

Lisätiedot

3x + 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

3x + 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)

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-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

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-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

Lisätiedot

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra ja matriisilaskenta I Lineaarialgebra ja matriisilaskenta I 4.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/19 Käytännön asioita Viimeiset harjoitukset on palautettava torstaina 13.6. Laskaripisteensä ja läsnäolonsa voi kukin tarkistaa

Lisätiedot

Ominaisarvo ja ominaisvektori

Ominaisarvo ja ominaisvektori Ominaisarvo ja ominaisvektori Määritelmä Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka

Lisätiedot

Ortogonaalinen ja ortonormaali kanta

Ortogonaalinen ja ortonormaali kanta Ortogonaalinen ja ortonormaali kanta Määritelmä Kantaa ( w 1,..., w k ) kutsutaan ortogonaaliseksi, jos sen vektorit ovat kohtisuorassa toisiaan vastaan eli w i w j = 0 kaikilla i, j {1, 2,..., k}, missä

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma

Lisätiedot

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra ja matriisilaskenta I Lineaarialgebra ja matriisilaskenta I 29.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/26 Kertausta: Kanta Määritelmä Oletetaan, että w 1, w 2,..., w k W. Vektorijono ( w 1, w 2,..., w k ) on aliavaruuden

Lisätiedot

Sisätuloavaruudet. 4. lokakuuta 2006

Sisätuloavaruudet. 4. lokakuuta 2006 Sisätuloavaruudet 4. lokakuuta 2006 Tässä esityksessä vektoriavaruudet V ja W ovat kompleksisia ja äärellisulotteisia. Käydään ensin lyhyesti läpi määritelmiä ja perustuloksia. Merkitään L(V, W ) :llä

Lisätiedot

Neliömuodoista, matriisin ominaisarvoista ja avaruuden kierroista

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

Lisätiedot

Talousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi

Talousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi Talousmatematiikan perusteet: Luento 10 Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi Lineaarikuvaus Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta, jossa käytetään

Lisätiedot

x = 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 );

x = 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

Lisätiedot

Johdatus lineaarialgebraan

Johdatus lineaarialgebraan Johdatus lineaarialgebraan Lotta Oinonen ja Johanna Rämö 6. joulukuuta 2012 Helsingin yliopisto Matematiikan ja tilastotieteen laitos 2012 Sisältö 1 Avaruus R n 4 1 Avaruuksien R 2 ja R 3 vektorit.....................

Lisätiedot

Similaarisuus. Määritelmä. Huom.

Similaarisuus. Määritelmä. Huom. Similaarisuus Määritelmä Neliömatriisi A M n n on similaarinen neliömatriisin B M n n kanssa, jos on olemassa kääntyvä matriisi P M n n, jolle pätee Tällöin merkitään A B. Huom. Havaitaan, että P 1 AP

Lisätiedot

4. LINEAARIKUVAUKSET

4. 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

Lisätiedot

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

Esimerkki 4.4. Esimerkki jatkoa. Määrää matriisin ominaisarvot ja -vektorit. Ratk. Nyt Esimerkki 4.4. Määrää matriisin 2 2 1 A = 1 3 1 2 4 3 ominaisarvot ja -vektorit. Ratk. Nyt det(a λi ) = 1 + 2 λ 2 1 + 1 λ 1 λ 1 3 λ 1 = 1 3 λ 1 2 4 3 λ 2 4 3 λ 1 λ = 1 4 λ 1 = (1 λ)( 1)1+1 4 λ 1 2 6 3

Lisätiedot

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

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

Lisätiedot

Johdatus lineaarialgebraan

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

Lisätiedot

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra ja matriisilaskenta I Lineaarialgebra ja matriisilaskenta I 30.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/19 Käytännön asioita Kurssi on suunnilleen puolessa välissä. Kannattaa tarkistaa tavoitetaulukosta, mitä on oppinut ja

Lisätiedot

ja F =

ja 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.

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö

Lisätiedot

Lineaarialgebra II P

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

Lisätiedot

Liittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij.

Liittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij. Liittomatriisi Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä (cof A) ij =( 1) i+j det A ij kaikilla i, j = 1,...,n. Huomautus 8 Olkoon A 2 M(n, n). Tällöin kaikilla

Lisätiedot

Ville Turunen: Mat Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007

Ville Turunen: Mat Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007 Ville Turunen: Mat-1.1410 Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007 Materiaali: kirjat [Adams R. A. Adams: Calculus, a complete course (6th edition), [Lay D. C. Lay: Linear

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö

Lisätiedot

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0. Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +

Lisätiedot

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

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

Lisätiedot

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

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

Lisätiedot

3.1 Lineaarikuvaukset. MS-A0007 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset

3.1 Lineaarikuvaukset. MS-A0007 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset 3 MS-A7 Matriisilaskenta 3 Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 925 Lineaariset yhtälöt ovat vektoreille luonnollisia yhtälöitä, joita ratkotaan

Lisätiedot

Lineaarialgebra ja matriisilaskenta I. LM1, Kesä /218

Lineaarialgebra 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 }.

Lisätiedot

Ominaisarvo ja ominaisvektori

Ominaisarvo ja ominaisvektori Määritelmä Ominaisarvo ja ominaisvektori Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka

Lisätiedot

Informaatiotieteiden yksikkö. Lineaarialgebra 1A. Pentti Haukkanen. Puhtaaksikirjoitus: Joona Hirvonen

Informaatiotieteiden yksikkö. Lineaarialgebra 1A. Pentti Haukkanen. Puhtaaksikirjoitus: Joona Hirvonen Informaatiotieteiden yksikkö Lineaarialgebra 1A Pentti Haukkanen Puhtaaksikirjoitus: Joona Hirvonen . 2 Sisältö 1 Matriisit, determinantit ja lineaariset yhtälöryhmät 4 1.1 Matriisit..............................

Lisätiedot

1 Sisätulo- ja normiavaruudet

1 Sisätulo- ja normiavaruudet 1 Sisätulo- ja normiavaruudet 1.1 Sisätuloavaruus Määritelmä 1. Olkoon V reaalinen vektoriavaruus. Kuvaus : V V R on reaalinen sisätulo eli pistetulo, jos (a) v w = w v (symmetrisyys); (b) v + u w = v

Lisätiedot

i=1 Tarkastellaan ensin inversio-ongelman injektiivisyys: Kun vaaditaan, että 0 = M x x 2

i=1 Tarkastellaan ensin inversio-ongelman injektiivisyys: Kun vaaditaan, että 0 = M x x 2 Lemma 1. Olkoon V R n lineaarinen aliavaruus. Lineaarisen kuvauksen F : V R m kuvajoukko F (V R m on lineaarinen aliavaruus, joka koostuu lineaarisen kuvauksen F matriisin M pystyvektorien {M i : i 1,...

Lisätiedot

2.8. Kannanvaihto R n :ssä

2.8. Kannanvaihto R n :ssä 28 Kannanvaihto R n :ssä Seuraavassa kantavektoreiden { x, x 2,, x n } järjestystä ei saa vaihtaa Vektorit ovat pystyvektoreita ( x x 2 x n ) on vektoreiden x, x 2,, x n muodostama matriisi, missä vektorit

Lisätiedot

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

Tyyppi metalli puu lasi työ I 2 8 6 6 II 3 7 4 7 III 3 10 3 5 MATRIISIALGEBRA Harjoitustehtäviä syksy 2014 Tehtävissä 1-3 käytetään seuraavia matriiseja: ( ) 6 2 3, B = 7 1 2 2 3, C = 4 4 2 5 3, E = ( 1 2 4 3 ) 1 1 2 3 ja F = 1 2 3 0 3 0 1 1. 6 2 1 4 2 3 2 1. Määrää

Lisätiedot

LINEAARIALGEBRA P. LUENTOMONISTE ja HARJOITUSTEHTÄVÄT

LINEAARIALGEBRA 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

Lisätiedot

Ominaisvektoreiden lineaarinen riippumattomuus

Ominaisvektoreiden lineaarinen riippumattomuus Ominaisvektoreiden lineaarinen riippumattomuus Lause 17 Oletetaan, että A on n n -matriisi. Oletetaan, että λ 1,..., λ m ovat matriisin A eri ominaisarvoja, ja oletetaan, että v 1,..., v m ovat jotkin

Lisätiedot

Matriisilaskenta. Markku Koppinen

Matriisilaskenta. Markku Koppinen Matriisilaskenta Markku Koppinen Alkusanat 7. joulukuuta 2012 Matriisilaskennan kurssilla perehdytään tavallisimpiin matriiseja koskeviin perusasioihin ja -menetelmiin, joita tarvitaan sekä käytännön sovelluksissa

Lisätiedot

1 Avaruuksien ja lineaarikuvausten suora summa

1 Avaruuksien ja lineaarikuvausten suora summa MAT-33500 Differentiaaliyhtälöt, kevät 2006 Luennot 27.-28.2.2006 Samuli Siltanen 1 Avaruuksien ja lineaarikuvausten suora summa Tämä asialöytyy myös Hirschin ja Smalen kirjasta, luku 3, pykälä 1F. Olkoon

Lisätiedot

tyyppi metalli puu lasi työ I II III metalli puu lasi työ

tyyppi metalli puu lasi työ I II III metalli puu lasi työ MATRIISIALGEBRA Harjoitustehtäviä syksy 29 ( 7 1 1 4 1 1. Olkoot, B = 1 5 2 5 3 Määrää 2A, B 2A, A T, ( 2A) T, (A T ) T. ), C = ( 1 ) 4 4 ja E = 7. 3 2. Olkoot A, B, C ja E kuten edellisessä tehtävässä.

Lisätiedot

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

Matriisihajotelmat. MS-A0007 Matriisilaskenta. 5.1 Diagonalisointi. 5.1 Diagonalisointi MS-A0007 Matriisilaskenta 5. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 25.11.2015 Laskentaongelmissa käsiteltävät matriisit ovat tyypillisesti valtavia.

Lisätiedot