Social Network Analysis Centrality And Prestige
|
|
- Siiri Leena Järvenpää
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Hypermedian jatko-opintoseminaari Social Network Analysis Centrality And Prestige Sosiaalisten verkostojen analyysi Keskeisyys ja arvostus Thumas Miilumäki thumas.miilumaki@tut.fi
2 Sisältö 2 Suunnattujen verkostojen toimijoiden arvostuksen tunnusluvut Erilaisten arvostusta kuvaavien tunnuslukujen vertailua esimerkin kautta Taustalla pääosin Wassermanin ja Faustin (1994) kirjassaan esittämät keskeisyyden ja arvostuksen teoriat Laajennuksia Knoken ja Yangin (2008) teoksesta Kuvat tehty Pajek ohjelmistolla ellei muuta ole mainittu
3 Tavoitteet 3 Syvennetään keskeisyyden käsitettä kattamaan suuntaamattomien verkostojen lisäksi myös suunnatut verkostot Pyritään ymmärtämään verkoston rakennetta ja sen toimijoita paremmin tunnuslukujen avulla Tiedetään, kuinka tunnusluvut voidaan määrittää verkostodatasta luodusta sosiomatriisista matriisilaskennan avulla
4 Taustaa 4 Suuntaamattomille verkostoille ja sen toimijoille voidaan määrittää erilaisia keskeisyyksiä (centrality) Keskeisyysaste (degree centrality) Läheisyys (closeness centrality) Välillisyys (betweenness centrality) Informaatiokeskeisyys (information centrality) Keskeisyys ei riipu verkoston yhteyksien suunnasta, vaan ainoastaan tarkasteltavasta toimijasta ja siihen liittyneistä yhteyksistä ja/tai koko verkostosta yleensä Suunnatuissa verkostoissa keskeisyyden tilalla käytetään käsitettä arvostus (prestige), joka huomioi yhteyksien suunnan Erotetaan toisistaan käsitteet olla arvostettu ja arvostaa Arvostuksen tunnusluvuissa tarkastellaan nimenomaan yhteyksien vastaanottamista eli arvostuksen kohteena olemista
5 Arvostus 5 Kuten keskeisyyttä, niin myös arvostusta voidaan tarkastella eri tavoin Verkoston toimijoille voidaan määrittää seuraavat arvostukset Arvostusaste (actor degree prestige) Arvostusläheisyys (actor proximity prestige) Arvoasema (actor status prestige, actor rank prestige) Koko verkoston tasolla voidaan määrittää verkostoa kuvaavia arvostuksen tunnuslukuja arvioimalla kunkin arvostuksen keskiarvoja ja variansseja Näistä keskiarvostusläheisyys ja arvostusläheisyyden varianssi ovat mielekkäimpiä tarkasteltavia verkostoanalyysin kannalta
6 Arvostusaste 6 Toimijan n i arvostusaste P D (n i ) määritellään yksinkertaisesti toimijaan kohdistuneiden yhteyksien summana Vertaa suuntaamattoman verkoston toimijan n i keskeisyysaste, joka määritellään toimijaa kuvaavan solmun astelukuna d(n i ) Arvostusaste määritellään formaalisti P D (n i ) = d I (n i ) = Σ j x ij = x +i, missä d I (n i ) on solmun n i tuontiluku ja x +i on verkoston sosiomatriisin X sarakesumma sarakkeesta i Jotta arvostusasteet eri verkostojen välillä olisivat verrattavissa keskenään, määritellään normeerattu arvostusaste P D (n i ) x +i P D (n i ) =, missä g on verkoston toimijoiden lukumäärä g 1 Normeerattu arvostusaste saa arvoja väliltä [0,1] Sitä arvostetumpi toimija on, mitä suurempi on sen arvostusaste
7 Vaikutusjoukko 7 Toimijan n i vaikutusjoukko (influence domain) koostuu niistä toimijoista n j, joista toimija n i on saavutettavissa Saavutettavuudella (reachability) tarkoitetaan sitä, että onko joidenkin verkoston kahden solmun välillä kulku Saavutettavuusmatriisissa (a reachability matrix) X [R] [R] alkio x on ij yksi, jos solmujen n i ja n j välillä on kulku, nolla muulloin Sosiomatriisin X potenssit X 2, X 3,, X g-1 ilmoittavat solmujen välisten erimittaisten kulkujen lukumäärät Näiden summamatriisi X [Σ] ilmoittaa kaikkien erimittaisten kulkujen lukumäärät solmuparien välillä Tästä summamatriisista X [Σ] saadaan saavutettavuusmatriisi X [R], kun matriisin X [Σ] nollasta poikkeavat alkiot merkitään ykkösiksi (Miilumäki 2009, 13.) Toimijalle n i voidaan määrittää luku I i, joka ilmoittaa, kuinka moni toimija n j voi saavuttaa toimijan n i Luku I i saadaan toimijalle n i yksinkertaisesti saavutettavuusmatriisin X [R] sarakesummana sarakkeesta i
8 Arvostusläheisyys 8 Toimijan n i vaikutusjoukon toimijoiden lukumäärän I i avulla voidaan määrittää vaikutusjoukon toimijoiden keskimääräinen etäisyys toimijasta n i d(n j,n i ) ave = Σ j d(n j,n i ) / I i Toimijan n i arvostusläheisyys P P (n i ) määritellään vaikutusjoukon osuuden koko verkoston toimijajoukosta suhteena vaikutusjoukon toimijoiden keskimääräiseen etäisyyteen toimijasta n i, eli ts. I i / (g 1) P P (n i ) = Σ j d(n j,n i ) / I i Arvostusläheisyys saa arvoja välillä [0,1] Jos toimijalla n i on suora yhteys jokaiseen verkoston muuhun toimijaan, saa arvostusläheisyys arvon yksi Jos toimijaan n i ei kohdistu yhtään suoraa yhteyttä, vaikutusjoukon toimijoiden lukumäärä on I i nolla ja arvostusläheisyys määritellään nollaksi
9 Verkoston arvostusläheisyys 9 Yleisesti erilaisia arvostusindeksejä on vaikea yleistää kuvaamaan koko verkostoa, eli sitä millä tasolla toimijoiden välinen arvostus verkoston sisällä on Arvostusläheisyydestä voidaan kuitenkin yksinkertaisesti määrittää verkostotason tunnuslukuja arvostukseen liittyen Keskiarvostusläheisyys kuvaa yleisesti sitä, kuinka läheisesti toimijat arvostavat toinen toistaan verkoston sisällä Verkostossa, jossa on g toimijaa, keskiarvostusläheisyys P P määritellään P P = Edelleen verkoston arvostusläheisyyksien varianssi on koko verkostoa kuvaava tunnusluku 2 S = P g P P (n i ) Σ i=1 g g (P P (n i ) P P ) Σ 2 i=1 g
10 Arvoasema 10 Edellä esitellyt arvostuksen tunnusluvut huomioivat vain toimijoita ja niihin kohdistuvia yhteyksiä Toimijan n i arvoasema on riippuvainen häneen päin yhteydessä olevien toimijoiden n j arvoasemista Edelleen taas toimijoiden n j arvoasemat ovat riippuvaisia näihin päin yhteydessä olevien toimijoiden n k arvoasemista jne. Arvoaseman määrittelyn taustalla on ajatus siitä, että toimijan n i arvoasema on häneen päin suoraan yhteydessä olevien toimijoiden arvoasemien funktio Sosiomatriisin X sarakkeessa on merkitty luvulla yksi, jos riviä kuvaava toimija on yhteydessä saraketta kuvaavaan toimijaan, ja nollalla, jos yhteyttä ei ole Täten verkostossa, jossa on g toimijaa, toimijan n i arvoasema voidaan esittää sosiomatriisin X toimijaa kuvaavan sarakkeen alkioiden ja niitä vastaavien toimijoiden arvoasemien lineaarikombinaationa, ts. P R (n i ) = x 1i P R (n 1 ) + x 2i P R (n 2 ) + + x gi P R (n g )
11 Arvoasema 11 Matemaattisesti koko verkoston toimijoiden arvoasemat voidaan esittää matriisiyhtälönä p = X p, missä p = (P R (n 1 ), P R (n 2 ),, P R (n g )) (pystyvektori) ja X on sosiomatriisi (ja X sen transpoosi) Tästä matriisiyhtälöstä tulee siis ratkaista arvoasemavektori p Matriisiyhtälö voidaan esittää muodossa (I X ) p = 0, missä I on identiteettimatriisi ja 0 g -pituinen vakio pystyvektori, jonka alkiot ovat nollia Tämä yhtälö on identtinen nk. karakteristisen yhtälön kanssa Karakteristista yhtälöä käytetään matriisien ominaisarvojen etsimiseen Yhtälön ratkaisu vaatii syvempää tietämystä ominaisarvoongelman ratkaisemisesta matriisilaskennan avulla Ratkaisumalleja on useita, eikä niitä tässä esitellä tarkemmin
12 Esimerkki Valtioiden kauppaverkosto 12 Seuraavassa on esitetty 24 valtion kauppaverkosto
13 Esimerkki Valtioiden kauppaverkosto 13 Verkostosta määritetyt arvostuksen tunnusluvut (g = 24) i COUNTRY d I (n i ) d O (n i ) P ' (n i ) P ' (n i ) P ' (n i ) D P R Algeria Argentina Brazil China Czechoslovakia Ecuador Egypt Ethiopia Finland Honduras Indonesia Israel Japan Liberia Madagascar New Zealand Pakistan Spain Switzerland Syria Thailand United Kingdom United States Yugoslavia ,565 0,435 0,478 0,652 0,565 0,391 0,522 0,435 0,652 0,391 0,609 0,435 0,739 0,391 0,261 0,609 0,609 0,739 0,652 0,522 0,652 0,696 0,826 0,652 0,661 0,599 0,619 0,710 0,661 0,581 0,639 0,599 0,710 0,581 0,685 0,599 0,767 0,601 0,533 0,685 0,685 0,767 0,710 0,658 0,710 0,738 0,834 0,710 0,222 0,805 1,000 0,711 0,818 0,183 0,482 0,131 0,758 0,072 0,617 0,682 0,680 0,000 0,106 0,461 0,525 0,673 0,765 0,000 0,589 0,633 0,644 0,680 MEAN VARIANCE 12,917 9,993 13,292 67,955 0,562 0,018 0,668 0,005 0,510 0,085
14 Lopuksi 14 On siis selvää, että arvostuksen tunnusluvut tuovat verkostosta esiin seikkoja, joita ei tulisi huomanneeksi pelkästään verkoston graafia tai muunlaista mallia tarkastelemalla Keskeisyyden ja arvostuksen tunnusluvut tarjoavat monipuolista tietoa verkoston toiminnasta ja antavat viitteitä siitä, kuinka verkostoa tulisi kehittää, oli sitten kyse tehokkuuden lisäämisestä tai esim. rakenteen parantamisesta Tunnuslukuja ei saa kuitenkaan pitää ainoina mittareina verkoston toiminnasta Toimijoiden keskeisyydet ja arvostukset ovat vain osa suurempaa kuvaa Muutosten jälkeen tulee tarkastella verkostoa uudelleen, tulkita tunnusluvut uudelleen ja tarkastella oliko muutos hyvä vai huono
15 Lähteet 15 Knoke, D. & Yang, S Social Network Analysis. Second Edition. Los Angeles: Sage Publications. Miilumäki, T Matrices in Social Network Analysis And Modeling. Matriisit sosiaalisten verkostojen mallintamisessa. Tampere: Tampereen teknillinen yliopisto, luentoesitys. Wasserman, S. & Faust, K Social Network Analysis: Methods and Applications. New York: Cambridge University Press,
Verkostoanalyysin peruskäsitteitä ja visualisointia. Graafit ja matriisit, keskeisyys ja arvostus
Verkostoanalyysi 2011, TTY 1 Verkostoanalyysin peruskäsitteitä ja visualisointia Graafit ja matriisit, keskeisyys ja arvostus Thumas Miilumäki thumas.miilumaki@tut.fi Tampereen teknillinen yliopisto Hypermedialaboratorio
LisätiedotCentrality and Prestige Keskeisyys ja arvostus
1 Hypermedian jatko-opintoseminaari 2008-2009 Centrality and Prestige Keskeisyys ja arvostus 21.1.2009 Jari Jussila jari.j.jussila@tut.fi 2 Tärkeys Yksi graafiteorian pääkäyttökohteista sosiaalisten verkostojen
LisätiedotJäsenyysverkostot Kytkökset ja limittyneet aliryhmät sosiaalisten verkostojen analyysissä
Jäsenyysverkostot Kytkökset ja limittyneet aliryhmät sosiaalisten verkostojen analyysissä Hypermedian jatko-opintoseminaari 2008-2009 20.3.2009 Jaakko Salonen TTY / Hypermedialaboratorio jaakko.salonen@tut.fi
LisätiedotHypermedian jatko-opintoseminaari
Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29 2 3 4 5 6 7 8 9 2 3 4 5 6 7 8 9 2 Hypermedia jatko-opitosemiaari 28 29 Matrices i Social Network
LisätiedotSuunnatut, etumerkilliset ja arvotetut graafit Sosiaalisten verkostojen analysoinnin näkökulmalla
Suunnatut, etumerkilliset ja arvotetut graafit Sosiaalisten verkostojen analysoinnin näkökulmalla Hypermedian jatko-opintoseminaari 2008-2009 12.12.2008 Jaakko Salonen jaakko.salonen@tut.fi TTY / Hypermedialaboratorio
LisätiedotDepartment of Mathematics, Hypermedia Laboratory Tampere University of Technology. Arvostus Verkostoissa: PageRank. Idea.
Arvostus Tommi Perälä Department of Mathematics, Hypermedia Laboratory Tampere University of Technology 8..0 in idea on määrittää verkoston solmuille arvostusta kuvaavat tunnusluvut. Voidaan ajatella
LisätiedotHypermedian jatko-opintoseminaari. MATHM-6750x. 2-6 op. Sosiaalisten verkostojen tutkimusmenetelmät
1 Hypermedian jatko-opintoseminaari MATHM-6750x 2-6 op. Sosiaalisten verkostojen tutkimusmenetelmät 26.10.2008 Modernissa yhteiskunnassa ovat sekä yhteisöjen että laitteistojen muodostamat verkostot muodostuneet
LisätiedotGraphs in Social Network Analysis And Modeling. Graafit sosiaalisten verkostojen mallintamisessa
Hypermedian jatko-opintoseminaari 2008 2009 1 Graphs in Social Network Analysis And Modeling Graafit sosiaalisten verkostojen mallintamisessa 28.11.2008 Thumas Miilumäki thumas.miilumaki@tut.fi Sisältö
LisätiedotJäsenyysverkostot ominaisuudet, toimijoiden ja tapahtumien samanaikainen analyysi. Sisältö ja tavoitteet. Osallistujien ja tapahtumien ominaisuudet
Jäsenyysverkostot, toimijoiden ja tapahtumien samanaikainen anal Hypermedian jatko-opintoseminaari 2008-2009 3.4.2009 Antti Syvänen TaY / antti.syvanen@uta.fi 1 Sisältö ja tavoitteet Esitellään jäsenyysverkostojen,
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
LisätiedotKoheesiiviset alaryhmät
1 Koheesiiviset alaryhmät Hypermedian jatko-opintoseminaari 2008-09 11. luento - 6.3.2009 Joonas Meriläinen TTY / Hypermedialaboratorio http://eclectic.ss.uci.edu/~drwhite/cases/transparencies/clique.gif
LisätiedotJarno Marttila Datalähtöinen sosiaalisten verkostojen analyysi: tapaus Suomen Lasten Parlamentti. Diplomityö
Jarno Marttila Datalähtöinen sosiaalisten verkostojen analyysi: tapaus Suomen Lasten Parlamentti Diplomityö Tarkastajat: Prof. Seppo Pohjolainen (TTY) ja tutkija Jukka Huhtamäki (TTY) Tarkastajat ja aihe
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?
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
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
LisätiedotSisällys. 1. Energiatehokkuudesta. 2. Energiatehokkuusindikaattorit kansantalouden makrotasolla
Sisällys 1. Energiatehokkuudesta. Energiatehokkuusindikaattorit kansantalouden makrotasolla 3. Hiilidioksidipäästöihin vaikuttavia tekijöitä dekompositioanalyysi 4. Päätelmiä Energiatehokkuudesta Energiatehokkuuden
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
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
LisätiedotSosiaalisten verkostojen datan notaatio. Notation for Social Network Data
Sosiaalisten verkostojen datan notaatio Notation for Social Network Data Jari Jussila 14.11.2008 2 Notaatio Notaatiota tarvitaan / auttaa kuvaamaan: toimijat tai toimijoiden muodostamat joukot, toimijoiden
LisätiedotDepartment of Mathematics, Hypermedia Laboratory Tampere University of Technology. Roolit Verkostoissa: HITS. Idea.
Roolit Tommi Perälä Department of Mathematics, Hypermedia Laboratory Tampere University of Technology 25.3.2011 J. Kleinberg kehitti -algoritmin (Hypertext Induced Topic Search) hakukoneen osaksi. n taustalla
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
LisätiedotMatriisilaskenta Luento 8: LU-hajotelma
Matriisilaskenta Luento 8: LU-hajotelma Antti Rasila 2016 Matriisihajotelmat 1/2 Usein matriisiyhtälön Ax = y ratkaiseminen on epäkäytännöllistä ja hidasta. Siksi numeerisessa matriisilaskennassa usein
LisätiedotMatriisit ovat matlabin perustietotyyppejä. Yksinkertaisimmillaan voimme esitellä ja tallentaa 1x1 vektorin seuraavasti: >> a = 9.81 a = 9.
Python linkit: Python tutoriaali: http://docs.python.org/2/tutorial/ Numpy&Scipy ohjeet: http://docs.scipy.org/doc/ Matlabin alkeet (Pääasiassa Deni Seitzin tekstiä) Matriisit ovat matlabin perustietotyyppejä.
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
LisätiedotRakenteellinen tasapaino ja transitiivisyys
1 Hypermedian jatko-opintoseminaari 2008-2009 Rakenteellinen tasapaino ja transitiivisyys 20.2.2009 Seppo Pohjolainen 2 Rakenteellinen tasapaino Käsitteitä: Arvotettu graafi (signed graph) (+ tai - ) Suuntaamaton
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
LisätiedotMatriisilaskenta. Harjoitusten 3 ratkaisut (Kevät 2019) 1. Olkoot AB = ja 2. Osoitetaan, että matriisi B on matriisin A käänteismatriisi.
Matriisilaskenta Harjoitusten ratkaisut (Kevät 9). Olkoot ja A = B = 5. Osoitetaan, että matriisi B on matriisin A käänteismatriisi. Tapa Käänteismatriisin määritelmän nojalla riittää osoittaa, että AB
Lisätiedot2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio
x = x 2 = 5/2 x 3 = 2 eli Ratkaisu on siis x = (x x 2 x 3 ) = ( 5/2 2) (Tarkista sijoittamalla!) 5/2 2 Tämä piste on alkuperäisten tasojen ainoa leikkauspiste Se on myös piste/vektori jonka matriisi A
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 5. luento.2.27 Lineaarialgebraa - Miksi? Neuroverkon parametreihin liittyvät kaavat annetaan monesti
Lisätiedot7 Vapaus. 7.1 Vapauden määritelmä
7 Vapaus Kuten edellisen luvun lopussa mainittiin, seuraavaksi pyritään ratkaisemaan, onko annetussa aliavaruuden virittäjäjoukossa tarpeettomia vektoreita Jos tällaisia ei ole, virittäjäjoukkoa kutsutaan
LisätiedotKA107 Erasmus+ globaali liikkuvuus myönnöt korkeakouluittain, hakukierros 2019
2019-1-FI01-KA107-060676 AALTO KORKEAKOULUSAATIO SR Juncker Horn of Africa Window Kenya H4 67730,00 31140,00 46,0 % Juncker Horn of Africa Window Kenya H1 14127,00 4787,00 33,9 % Juncker Horn of Africa
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
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
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 3 /
MS-A3/A5 Matriisilaskenta, II/27 MS-A3/A5 Matriisilaskenta Laskuharjoitus 3 / 3. 7..27 Tehtävä (L): Etsi kaikki yhtälön Ax = b ratkaisut, kun 3 5 4 A = 3 2 4 ja b = 6 8 7 4. Ratkaisu : Koetetaan ratkaista
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
LisätiedotVerkostoanalyysi 2011 Jatko-opintoseminaari Case: Verkostot ja muutos Statsterverkkopalvelussa
Verkostoanalyysi 2011 Jatko-opintoseminaari 1.4.2011 Case: Verkostot ja muutos Statsterverkkopalvelussa Tutkija Teemo Anton Tebest teemo.tebest@tut.fi Tampereen teknillinen yliopisto Teemo Tebest Tietotekniikan
Lisätiedot2.5. Matriisin avaruudet ja tunnusluvut
2.5. Matriisin avaruudet ja tunnusluvut m n-matriisi A Lineaarikuvaus A : V Z, missä V ja Z ovat sopivasti valittuja, dim V = n, dim Z = m (yleensä V = R n tai C n ja Z = R m tai C m ) Kuva-avaruus ja
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
LisätiedotLineaariset kongruenssiyhtälöryhmät
Lineaariset kongruenssiyhtälöryhmät LuK-tutkielma Jesse Salo 2309369 Matemaattisten tieteiden laitos Oulun yliopisto Sisältö Johdanto 2 1 Kongruensseista 3 1.1 Kongruenssin ominaisuuksia...................
LisätiedotGaussin ja Jordanin eliminointimenetelmä
1 / 25 : Se on menetelmä lineaarisen yhtälöryhmän ratkaisemiseksi. Sitä käytetään myöhemmin myös käänteismatriisin määräämisessä. Ideana on tiettyjä rivioperaatioita käyttäen muokata yhtälöryhmää niin,
Lisätiedots = 11 7 t = = 2 7 Sijoittamalla keskimmäiseen yhtälöön saadaan: k ( 2) = 0 2k = 8 k = 4
BM0A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 5, Syksy 05. (a) i. Jotta vektori c sijaitsisi a:n ja b:n virittämällä tasolla, c on voitava esittää a:n ja b:n lineaarikombinaationa. c ta + sb
LisätiedotTalousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi
Talousmatematiikan perusteet: Luento 11 Lineaarikuvaus Matriisin aste Käänteismatriisi Viime luennolla Käsittelimme matriisien peruskäsitteitä ja laskutoimituksia Vakiolla kertominen, yhteenlasku ja vähennyslasku
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 14 Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu Luennolla 6 Tarkastelimme yhden muuttujan funktion f(x) rajoittamatonta optimointia
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
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
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
LisätiedotTalousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita
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
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Ominaisarvot Kertaus: ominaisarvot Määritelmä
LisätiedotSosiaalisten verkostojen tutkimusmenetelmät - historiallisia ja teoreettisia perusteita sekä peruskäsitteitä
Sosiaalisten verkostojen tutkimusmenetelmät - historiallisia ja teoreettisia perusteita sekä peruskäsitteitä Stanley Wasserman and Katherine Faust: Social Network Analysis, Methods and Applications Sosiaalisten
LisätiedotLineaarialgebra ja matriisilaskenta II Syksy 2009 Laskuharjoitus 1 ( ) Ratkaisuehdotuksia Vesa Ala-Mattila
Lineaarialgebra ja matriisilaskenta II Syksy 29 Laskuharjoitus (9. - 3..29) Ratkaisuehdotuksia Vesa Ala-Mattila Tehtävä. Olkoon V vektoriavaruus. Todistettava: jos U V ja W V ovat V :n aliavaruuksia, niin
LisätiedotTalousmatematiikan perusteet: Luento 9. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo
Talousmatematiikan perusteet: Luento 9 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
LisätiedotKäänteismatriisin 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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
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
LisätiedotMatriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, L20 Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ( 0, 4, ( ( 1 4 2, a 11 a 12 a 21 a 22 Kaavio kirjoitetaan kaarisulkujen väliin (amer. kirjoissa
LisätiedotRatkaisuehdotukset LH 3 / alkuvko 45
Ratkaisuehdotukset LH 3 / alkuvko 45 Tehtävä : Olkoot A, B, X R n n, a, b R n ja jokin vektorinormi. Kätetään vektorinormia vastaavasta operaattorinormista samaa merkintää. Nätä, että. a + b a b, 2. A
LisätiedotMatriisilaskenta (TFM) MS-A0001 Hakula/Vuojamo Ratkaisut, Viikko 47, 2017
Matriisilaskenta (TFM) MS-A1 Hakula/Vuojamo Ratkaisut, Viikko 47, 17 R Alkuviikko TEHTÄVÄ J1 Mitkä matriisit E 1 ja E 31 nollaavat sijainnit (, 1) ja (3, 1) matriiseissa E 1 A ja E 31 A kun 1 A = 1. 8
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
LisätiedotMainosvuosi 2015 TNS
Mainosvuosi 2015 TNS Kansainvälinen mediamainonnan määrän kehitys Kaikki mediat Euroopassa mainonnan kasvu on ollut vielä vaatimatonta. Ainoastaan Itä-Euroopassa, erityisesti Unkarissa, on päästy jo hieman
LisätiedotMääritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )
Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä
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
LisätiedotLU-hajotelma. Esimerkki 1 Matriisi on yläkolmiomatriisi ja matriisi. on alakolmiomatriisi. 3 / 24
LU-hajotelma 1 / 24 LU-hajotelma Seuravassa tarkastellaan kuinka neliömatriisi voidaan esittää kahden kolmiomatriisin tulona. Käytämme alkeismatriiseja tälläisen esityksen löytämiseen. Edellä mainittua
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
LisätiedotVektoreiden virittämä aliavaruus
Vektoreiden virittämä aliavaruus Määritelmä Oletetaan, että v 1, v 2,... v k R n. Näiden vektoreiden virittämä aliavaruus span( v 1, v 2,... v k ) tarkoittaa kyseisten vektoreiden kaikkien lineaarikombinaatioiden
LisätiedotGlobaalit matkavakuutusohjelmat Mahdollisuudet ja haasteet. Ifin matkapäivä 18.10.2012. Heini Heideman Kristian Ignatius
Globaalit matkavakuutusohjelmat Mahdollisuudet ja haasteet Ifin matkapäivä 18.10.2012 Heini Heideman Kristian Ignatius Esityksen sisältö Matkustamisen riskejä Globaalin matkavakuutusohjelman tavoitteet
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
Lisätiedot3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset
31 MS-A0004/A0006 Matriisilaskenta 3 Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2292015 Lineaariset yhtälöt ovat vektoreille luonnollisia yhtälöitä, joita
LisätiedotOppimistavoitematriisi
Oppimistavoitematriisi Lineaarialgebra ja matriisilaskenta I Arvosanaan 1 2 riittävät Arvosanaan 5 riittävät Yhtälöryhmät (YR) Osaan ratkaista ensimmäisen asteen yhtälöitä ja yhtälöpareja Osaan muokata
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
LisätiedotMatriisit, kertausta. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, kertausta Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ) ( 0, 4 ), ( ) ( 1 4 2, a 11 a 12 a 21 a 22 ) Kaavio kirjoitetaan kaarisulkujen väliin
LisätiedotAlgoritmit 1. Luento 2 Ke Timo Männikkö
Algoritmit 1 Luento 2 Ke 11.1.2017 Timo Männikkö Luento 2 Algoritmin esitys Algoritmien analysointi Suoritusaika Asymptoottinen kertaluokka Peruskertaluokkia NP-täydelliset ongelmat Algoritmit 1 Kevät
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 5 Ti 20.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 5 Ti 20.9.2011 p. 1/40 p. 1/40 Choleskyn menetelmä Positiivisesti definiiteillä matriiseilla kolmiohajotelma
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
LisätiedotVille 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
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
LisätiedotOppimistavoitematriisi
Oppimistavoitematriisi Lineaarialgebra ja matriisilaskenta I Esitiedot Arvosanaan 1 2 riittävät Arvosanaan 3 4 riittävät Arvosanaan 5 riittävät Yhtälöryhmät (YR) Osaan ratkaista ensimmäisen asteen yhtälöitä
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
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
Lisätiedot2.8. 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
Lisätiedot802320A LINEAARIALGEBRA OSA III
802320A LINEAARIALGEBRA OSA III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 56 Määritelmä Määritelmä 1 Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V
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).
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:
LisätiedotICC Open Market Index 2013. Ennakkotiedot 10.5.2013 ICC OPEN MARKET 2013 INDEX
ICC Open Market Index 2013 Ennakkotiedot 10.5.2013 ICC OPEN MARKET 2013 INDEX ICC OPEN MARKET INDEX INTRO ICC OPEN MARKET INDEX 2013 Tausta Talouden taantumassa yrityselämässä koettiin huolta markkinoilla
LisätiedotSosiaalisten verkostojen data
Sosiaalisten verkostojen data Hypermedian jatko-opintoseminaari 2008-09 2. luento - 17.10.2008 Antti Kortemaa, TTY/Hlab Wasserman, S. & Faust, K.: Social Network Analysis. Methods and Applications. 1 Mitä
Lisätiedot5 DIFFERENTIAALIYHTÄLÖRYHMÄT
5 DIFFERENTIAALIYHTÄLÖRYHMÄT 5. Ensimmäisen kl:n DY-ryhmät Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Useimmat voidaan mallintaa ensimmäisen kertaluvun DY-ryhmien avulla. Ensimmäisen kl:n
LisätiedotKoodausteoria, Kesä 2014
Koodausteoria, Kesä 2014 Topi Törmä Matemaattisten tieteiden laitos 3.3 Lineaarisen koodin dekoodaus Oletetaan, että lähetettäessä kanavaan sana c saadaan sana r = c + e, missä e on häiriön aiheuttama
LisätiedotYhteistyökumppaniksi Toyota Tsusho Nordic/ Toyota Tsusho Corporationille?
Yhteistyökumppaniksi Toyota Tsusho Nordic/ Toyota Tsusho Corporationille? 10/2013 www.ttnordic.fi www.toyota-tsusho.com/english Toyota Tsusho Nordic ja Toyota Tsusho Corporation (TTC) lyhyesti Toiminta
LisätiedotMatriisialgebra harjoitukset, syksy 2016
Matriisialgebra harjoitukset, syksy 6 MATRIISIALGEBRA, s. 6, Ratkaisuja/ M.Hamina & M. Peltola 8. Olkoon 4 A 6. 4 Tutki, onko A diagonalisoituva. Jos on, niin määrää matriisi D T AT ja siihen liittyvä
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
LisätiedotMatriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, L20 Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ) ( 0, 4 ), ( ) ( 1 4 2, a 11 a 12 a 21 a 22 ) Merkintöjä 1 Matriisi on suorakulmainen lukukaavio.
LisätiedotKannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:
8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden
LisätiedotLihavuuden kustannuksia. Markku Pekurinen, osastojohtaja, tutkimusprofessori
Lihavuuden kustannuksia Markku Pekurinen, osastojohtaja, tutkimusprofessori Lihavuus Monien sairauksien riskitekijä Väestötasolla nopeasti yleistyvä ongelma Taloudellisista vaikutuksista lisääntyvästi
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
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
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
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
LisätiedotKokonaislukuoptimointi hissiryhmän ohjauksessa
Kokonaislukuoptimointi hissiryhmän ohjauksessa Systeemianalyysin laboratorio Teknillinen Korkeakoulu, TKK 3 Maaliskuuta 2008 Sisällys 1 Johdanto Taustaa Ongelman kuvaus 2 PACE-graafi Graafin muodostaminen
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
Lisätiedot