|
|
- Heli Alanen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Kuva 1.13: Ultraäänikuvauksen periaate 2. Taaksepäin sironnut pulssi (kuvassa sininen käyrä) vastaanotetaan ja muunnetaan alla oleviksi kirkkausarvoiksi verhokäyrän (eng. envelope, kuvassa punainen käyrä) avulla. Ultraäänikuvauksen tarkempi matemaattinen malli on ääniaaltojen eli akustisten aaltojen etenemistä väliaineessa kuvaava malli. Aika-harmonista akustista aaltoa kappaleessa D R n voidaan kuvata yhtälöllä u(x) + ω2 u(x) = 0, x D, c 2 (x) missä ω on taajuus ja c(x) on äänen nopeus väliaineessa. Lähetettävää ääntä kuvataan yhtälöllä n(x) u(x) = f(x), x D, missä n(x) on pinnan D normaalivektori. Pinnalla vastaanotettua ääntä kuvataan yhtälöllä g(x) = u(x), x D. Funktion u(x) yhteys ajasta riippuvaan fysikaaliseen äänen paineeseen p(x, t) saadaan kaavasta p(x, t) = Re u(x)e iωt. Suora ongelma: Määrää u kun funktiot c ja f on annettu. Inversio-ongelma: Määrää c kun g tunnetaan eri funktioilla f. Tämä inversio-ongelma on myös käänteinen reuna-arvo-ongelma. Inversio-ongelmissa käytetään matematiikkaa erilaisten kuvantamismenetelmien parantamiseen. Samaa akustista yhtälöä voidaan käyttää seismisten eli maan tärinää kuvaavien aaltojen etenemisen kuvaamiseen. Maankuoren rakennetta voidaan kartoittaa täristämällä maanpintaa koneellisesti (tai räjäytyksien avulla) ja mittaamalla maankuoren epähomogeenisuuksista heijastunutta aaltoa maan pinnalla. Ääniaallot kulkevat hyvin myös vedessä, jolloin puhutaan kaikuluotaimista eli sonareista. 13
2 Esimerkki 8 Käänteisessä sirontaongelmassa (eng. inverse scattering problem) lähetetetään aalto (yleensä sähkömagneettinen tai akustinen) kohti tuntemattoman kappaletta tai väliainetta. Tuntematon poikkeama muuttaa lähetettyä aaltoa, jolloin syntyy sironnut aalto. Sironnutta aaltoa havainnoidaan etäällä tuntemattomasta poikkeamasta. Inversio-ongelmana on päätellä tuntemattoman rakenne näiden havaintojen perusteella. Kuva 1.14: Sironnan periaate. Tuleva aalto on u i. Sirottaja saa aikaan sironneen aallon u s. Koko aalto u = u i + u s. Matemaattisessa sironnassa aaltoa kutsutaan kentäksi (eng. field, tarkoittaa usean muuttujan funktiota). Sirontaa yksinkertaistetaan usein olettamalla, että kenttien aikariippuvuus on harmoninen eli u(x, t) = e iωt u(x). Aikaharmonista akustista sirontaongelmaa (eng. time-harmonic acoustic scattering), missä sirottaja on epähomogeeninen väliaine kuvaavat yhtälöt u(x) = u i (x) + u s (x) u(x) + ω2 c 2 (x) u(x) = 0, x Rn, missä ω on tulevan aallon taajuus. Lisäksi vaaditaan säteilyehto ( x lim x x x us (x) i ω ) c us (x) = 0 tasaisesti joka suuntaan x x Funktio c(x) kuvaa äänen nopeutta väliaineessa. Äänen nopeus on fysikaalinen suure, joka riippuu mm. väliaineen rakenteesta (esim. molekyylitiheydestä). Yllä oletetaan että c on positiivinen sileä funktio, joka on vakio kaukana sirottavasta poikkeamasta. Suorassa sirontaongelmassa pyritään määräämään sironnut kenttä u s kun u i ja c tunnetaan. Tuleva kenttä oletetaan usein tasoaalloksi u i (x) = e ia x, missä a on suuntavektori. Käänteisessä akustisessa sirontaongelmassa pyritään määräämään funktio c kun sironnut kenttä u s tunnetaan kaukana tuntemattomasta sirottajasta ja tuleva kenttä u i on 14
3 tunnettu. Funktio c kuvaa tuntamattoman kohteen rakennetta. Sähkömagneettinen sironta: Väliaineesta tapahtuvaa sähkömagneettista sirontaa voidaan kuvata seuraavasti. Olkoon E = E(x, t) C 2 (R 2 R + ; R 3 ) ja H = H(x, t) C 2 (R 2 R + ; R 3 ) sähkömagneettisen aallon sähkökenttä ja magneettikenttä. Isotrooppisessa väliaineessa nämä kentät toteuttavat Maxwellin yhtälöt Aikaharmonisessa tapauksessa H E(x, t) + µ 0 (x, t) = 0 t H(x, t) ɛ(x) E (x, t) = σ(x)e (x, t). t E(x, t) = ɛ E(x)e iωt, H(x, t) = µ H(x)e iωt, missä ω on aallon taajuus ja ɛ 0 ja µ 0 tyhjiön permittiivisyys ja permeabiliteetti. Aikaharmoniset Maxwellin yhtälöt ovat E(x) ikh(x) = 0 (1.1) H(x) + ikn(x)e(x) = 0 (1.2) missä heijastuskerroin n(x) = 1 ( ɛ(x) + i σ(x) ) ɛ 0 ω riippuu väliaineesta ja k = ω ɛ 0 µ 0. Olkoon E i ja H i aikaharmonsen Maxwellin yhtälöiden ratkaisu tyhjiössä (jolloin ɛ ɛ 0 ja σ 0). Kun tuleva kenttä (E i, H i ) kohtaa epähomogeenisen väliaineen, se siroaa. Tulevan ja sironneen kentän summa E = E i + E s, H = H i + H s toteuttaa epähomogeenisen aineen Maxwellin yhtälöt (1.1) ja (1.2). Lisäksi vaaditaan säteilyehto: tasaisesti joka suuntaan x x. lim x (Hs x x E s ) = 0 Suora ongelma: Määrää E s ja H s kun E i ja H i sekä n(x) on annettu. Inversio-ongelma: Määrää n(x) kun H s ja E s tunnetaan kaukana sirottavasta väliaineesta annetuilla E i ja H i. Käänteiset sironta-ongelmat (eng. inverse scattering problem) ovat matematiikaltaan haastavia. 15
4 1.3 Inversio-ongelmien luokittelua (A) Matemaattiset inversio-ongelmat. Esimerkiksi. Sirontaongelmat (esim. sironta väliaineesta, data yhdellä tai usealla tulevan aallon taajuudella tai tulosuunnalla) Käänteiset reuna-arvo-ongelmat (esim. impedanssitomografia) Matemaattinen tomografia (myös matka-aikatomografia) Alkuarvojen määrääminen Käänteiset ominaisarvo-ongelmat. (B) Käytännönläheiset ja laskennalliset inversio-ongelmat. Esimerkiksi Kuvankäsittely Kaukokartoitus (=etäällä olevien kohteiden kuvantaminen epäsuorien menetelmien avulla, mukaan lukien ekologiset, geologiset ja tähtitieteelliset kohteet) Lääketieteellinen kuvantaminen Ainetta rikkomaton testaus (mukaan lukien teollisten prosessien laadunvalvonta). Retrospektiiviset eli menneisyyteen liittyvät ongelmat (esim. mistä saastehiukkaset ovat kulkeutuneet) Biologiset inversio-onglmat (esim. Fylogeneettinen ongelma: Määrää DNAerojen perusteella missä järjestyksessä nykyiset lajit ovat eriytyneet toisistaan eli piirrä lajien evoluutiopuu.) Taloustieteen inversio-ongelmat (mallien parametrien määrääminen) 1.4 Yhteenveto Inversio-ongelmissa pyritään saamaan tietoa tuntemattomista kohteista epäsuorien havaintojen avulla. Inversio-ongelmat voidaan jakaa matemaattisiin ja käytännönläheisiin ongelmiin ja niitä tavataan useilla eri aloilla (missä?). Tyypilliset ominaisuudet: vaikeampia kuin suorat ongelmat. herkkiä datan häiriöille käytännön inversio-ongelmissa datan määrä on rajallinen Osattava: mainita käytännön esimerkkejä, joissa tuntemattomasta saadaan epäsuoraa tietoa. (suora tieto= havaitaan tuntemattoman arvoja, epäsuora tieto suora tieto), selittää mitä tarkoitetaan kuvan terävöittämisellä kun kuvan sumentamista mallintava kuvaus on annettu, 16
5 muotoilla tietokonetomorafiakuvaus matemaattisena ongelmana, selittää, mitä tarkoitetaan käänteisellä reuna-arvo-ongelmalla, kun suoran ongelman yhtälöt on annettu, selittää mitä tarkoittaa käänteinen sirontaongelma kun suoran sirontaongelman yhtälöt on annettu, selittää, mitä tarkoittaa suora teoria. 17
6 18
7 Luku 2 Äärellisulotteiset lineaariset inversio-ongelmat Kerrataan lineaarialgebran peruskäsitteitä. Joukko V R n on vektoriavaruuden R n lineaarinen aliavaruus, jos jokaisella a, b R ja x, z V pätee ax + bz V. Olkoon V R n lineaarinen alivaruus. Kuvaus F : V R m on lineaarikuvaus, jos F (ax + bz) = af (x) + bf (z) aina kun a, b R ja x, z R n. Olkoon matriisi M R n m. Tällöin F : x Mx on lineaarikuvaus avaruudelta R n avaruudelle R m. 2.1 Lineaarisuus Määritelmä 2. Inversio-ongelmaa sanotaan äärellisulotteiseksi, jos sekä tuntematon että data ovat äärellisulotteisten vektoriavaruuksien alkioita. Inversio-ongelmaa sanotaan lineaariseksi, jos sitä vastaava suora teoria on lineaarikuvaus. Esimerkki 1. Muodostetaan Luvun 1 Esimerkissä 1 olevan inversio-ongelman suora teoria ja tutkitaan, onko suora teoria lineaarikuvaus. Inversio-ongelma: Määrää luvut, joiden rivi-, sarake- ja värisummat on annettut. Inversio-ongelmassa tuntemattomasta vektoris-?????? x 1 x 4 x 7?? x 2 x 5 x 8?? x 3 x 6 x 9? Kuva 2.1: Ruudukko on kirjoitettu nyt vapaasti valittaville arvoille x 1,..., x 9 R. 19
8 ta x = (x 1,..., x 9 ) annettu data koostuu luvuista y k = F k (x), missä F 1 (x 1,..., x 9 ) = x 5 (punainen) F 2 (x 1,..., x 9 ) = x 1 + x 2 + x 3 (1. pystyrivi) F 3 (x 1,..., x 9 ) = x 4 + x 5 + x 6 (2. pystyrivi) F 4 (x 1,..., x 9 ) = x 7 + x 8 + x 9 (3. pystyrivi) F 5 (x 1,..., x 9 ) = x 2 + x 3 (pinkki) F 6 (x 1,..., x 9 ) = x 4 + x 8 (turkoosi) F 7 (x 1,..., x 9 ) = x 7 + x 6 (sininen) F 8 (x 1,..., x 9 ) = x 1 + x 9 (vihreä) F 9 (x 1,..., x 9 ) = x 1 + x 4 + x 7 (1. vaakarivi) F 10 (x 1,..., x 9 ) = x 2 + x 5 + x 8 (2. vaakarivi) F 11 (x 1,..., x 9 ) = x 3 + x 6 + x 9 (3. vaakarivi) Suora teoria F = (F 1,..., F 11 ) on vektorikuvaus, joka kuvaa vektorin x = (x 1,..., x 9 ) R 9 vektoriksi y = (F 1 (x),..., F 11 (x)) R 11. Yhtälöryhmä y = F (x) voidaan kirjoittaa matriisiyhtälönä y = Mx, missä y = (y 1,..., y 11 ), x = (x 1,..., x 9 ) ja M R 11 9 on muotoa M = Suora teoria F on matriisikuvauksena lineaarikuvaus. (Vaihteoehtoinen perustelu: Näytä, että F (ax + bz) = af (x) + bf (z) tarkastelemalla kutakin funktion F komponenttia F k erikseen.) Esimerkki 2. Luvun 1 Esimerkissä 4 käsiteltiin tutkaa. Yksinkertaistetaan tutkayhtälöä vielä lisää olettamalla, että kappaleen nopeus ja kiihtyvyys ovat nolla ja signaali on alassekoitettu kantotaajuudelta ω 0. Lisäksi otetaan huomioon, että digitaalinen mittalaite rekisteröi arvoja vain kiinnitetyillä tasavälisillä ajanhetkillä t 1,..., t m, missä t k = kt 1. Annettu data on silloin F k (x 1, x 2 ) = x 1 e(kt 1 x 2 ), k = 1,..., m 20
9 missä x 1 on kappaleesta takaisin tutkaan heijastuneen signaalin voimakkuus ja x 2 on kappaleen etäisyys tutkasta (sopivissa yksiköissä). Oletetaan vielä, että käytössä on ideaalinen pulssimuoto { 1, 0 t t 1 e(t) = 0, muulloin. Tällöin suora teoria F = (F 1,..., F m ) on epälineaarinen kuvaus, sillä esimerkiksi kun x = (1, t 1 ) ja z = (1, t 1 ), niin F 3 (x + z) = (x 1 + z 1 )e(3t 1 (x 2 + x 2 )) = 2e(3t 1 2t 1 ) = 2, mutta F 3 (x) = F 3 (z) = e(3t 1 t 1 ) = 0. Huomautus 1. Äärellisulotteinen vektoriavaruus soveltuu hyvin tuntemattomien kuvailuun käytännön inversio-ongelmissa, sillä usein tavoitteena on muodostaa kuva tuntemattomasta kohteesta. Jos kuvassa on N N pikseliä, niin tuntematon voidaan kuvata vektorina, jonka dimensio on n = N Hyvin ja huonosti asetetut ongelmat Seuraava määritelmä on inversio-ongelmien teorian kannalta tärkeä. Määritelmä 3 (Jacques Hadamard). Ongelma on hyvin asetettu (eng. well-posed), jos 1. Ongelmalla on ratkaisu. 2. Ratkaisu on yksikäsitteinen. 3. Ratkaisu riippuu annetusta datasta jatkuvasti. Tarkastellaaan inversio-ongelmaa, jossa suora teoria F : V W ja data y W on annettu. Yllä olevat kohdat 1-3 ovat silloin 1. Löytyy sellainen x V, että F (x) = y. 2. Aina kun x, x V toteuttavat yhtälön F (x) = y = F (x ), niin siitä seuraa, että x = x. 3. Käänteiskuvaus F 1 on jatkuva. Määritelmä 4. Jos ongelma ei ole hyvin asetettu, se on huonosti asetettu (eng. ill-posed). Tarkastellaaan äärellisulotteista lineaarista inversio-ongelmaa, jossa suora teoria F : V W aliavaruuksien V R n ja W R m välillä on määritelty matriisin M R m n avulla eli F (x) = Mx kaikilla x V. Lin. äärellisulotteinen inversio-ongelma ( ) Olkoot V R n ja W R m lineaarisia aliavaruuksia ja M R m n. Määrää sellainen x V, että y = Mx, kun y W on annettu. Tässä luvussa näytetään, että inversio-ngelma ( ) on hyvin asetettu, jos 21
10 jokaisella y W yhtälölle y = Mx löytyy ratkaisu x V. yhtälöllä Mx = 0 on aliavaruudessa V ainoastaan triviaali ratkaisu x = 0. Vastaavasti, inversio-ongelma ( ) on huonosti asetettu, jos edes toinen seuraavista väitteistä on totta: jollakin y W yhtälöllä y = Mx ei ole ratkaisua x V. löytyy x V, jolle x 0 ja Mx = 0. Huomautus 2. Tällä kurssilla käytetään lineaarialgebrasta tuttuja matriisiyhtälön ratkaisumenetelmiä. Matriisiyhtälön ratkaisu voidaan määrätä esim. ratkaisemalla matriisiyhtälö M x = y (i) takaisinsijoituksilla yhtälöryhmässä tai (ii) Gaussin ja Jordanin eliminointimenetelmällä. Käytännössä suurikokoisten matriisiyhtälöiden ratkaiseminen toteutetaan tietokoneella. On syytä muistaa, että tietokoneavusteisessa laskennassa tuloksien tarkkuutta rajoittaa numeerinen laskentatarkkuus. Huomautus 3. Huomioita hyvin ja huonosti määritellyistä inversio-ongelmista: Ratkaisun olemassaolon tarkastelu on tärkeää, kun ollaan suunnittelemassa tuntemattomasta tehtäviä mittauksia. Ei ole suotavaa, että ratkaisualgoritmi hajoaa, kun satutaan saamaan mittaustulokseksi tietty data. Käytännön kannalta yksikäsitteisyys on tärkeä kysymys. Esimerkiksi lääketieteellisessä kuvantamisessa epäyksikäsitteisyys lisää virhediagnoosin vaaraa: ei ole suotavaa, että haitallinen kudosmuutos tuottaisi täsmälleen saman mittausdatan kuin terve kudos. Jos suora teoria F : V 1 W on bijektio, niin käänteiskuvuas F 1 : W V 1 on olemassa, mutta se ei aina ole jatkuva, vaikka F olisi jatkuva. Silloin pienimmätkin häiriöt datassa voivat saada aikaan suuria muutoksia ratkaisuun Injektiivisyys Palautetaan lineaarialgebrasta mieliin seuraava tulos Lause 1. Olkoon V R n lineaarinen aliavaruus. Lineaarinen kuvaus F : V R m on injektio jos ja vain jos sen ydin N (F ) = {x V : F (x) = 0} sisältää vain nollavektorin. Tämä on yhtäpitävää sen kanssa, että lineaarisen kuvauksen F matriisin M ytimelle N (M) = {x R n : Mx = 0} pätee V N (M) = {0}. Todistus. Katso Lineaarialgebran kurssit. Korollaari 1 (Identifioituvuus). Inversio-ongelman ( ) ratkaisu on yksikäsitteinen, jos ja vain jos suoran teorian F ydin N (F ) = {0}. Tämä on yhtäpitävää sen kanssa, että V N (M) = {0}. Täten inversio-ongelman ( ) suora teoria on injektio, jos ja vain jos yhtälöllä Mx = 0 on aliavaruudessa V ainoastaan triviaaliratkaisu x = 0. 22
11 Esimerkki 3. Olkoon W = R 2, V = R 3 ja M = ( Silloin Mx = 0 jos ja vain jos x 1 + x 2 = 0 ja x 3 = 0. Toisin sanoen ). N (M) = {(x 1, x 1, 0) : x 1 R} {0}. Inversio-ongelma ( ) on tällöin huonosti asetettu, sillä sen ratkaisu ei ole yksikäsitteinen. Huomautus 4. Kun V = R n, W = R m ja n > m, niin suora teoria ei ole injektio. Esimerkki 4. Olkoon V = {x = (x 1, x 2, x 3 ) R 3 : x 1 + x 2 + x 3 = 0}, W = R 2 ja ( ) M = Onko inversio-ongelmalla ( ) yksikäsitteinen ratkaisu? Ratkaisu: Olkoon x = (x 1, x 2, x 3 ) V matriisiyhtälön 0 = Mx ratkaisu. Tällöin ( ) ( ) ( ) = x x x = 1, x x 1 + 3x 2 + x 3 3 mistä seuraa 0 = x 1 ja 0 = x 1 + 3x 2 + x 3 = 0 + 3x 2 + x 3. Koska x V, niin x 1 + x 2 + x 3 = 0 x 2 = 0, x 3 = 0. Täten inversio-ongelmalla on yksikäsitteinen ratkaisu. Huomautus 5 (Affiinit ongelmat). Affiini aliavaruus V af R n on sellainen joukko, jolle V af + x 0 = {x + x 0 : x V af } on lin. aliavaruus jollakin x 0 R n. Jos Esimerkissä 4 lineaarinen aliavaruus V korvataan affiinilla alivaruudella, esim. V af = {(x 1, x 2, x 3 ) R 3 : x 1 + x 2 + x 3 = 1}, niin joko (a) yksikäsitteisyys olisi tutkittava ehdon Mx = M x x = x avulla tai (b) affiini ongelma olisi ensin palautettava lineaariseksi ongelmaksi. Vaihtoehdossa (b) voidaan edetä esimerkiksi seuraavalla tavalla. Tuntemattoman x = (x 1, x 2, x 3 ) on toteutettava yhtälö x 1 + x 2 + x 3 = 1, jotta x V af. Tämä yhtälö voidaan lisätä matriisiyhtälöön, jolloin saadaan uusi lineaarinen ongelma y x 1 y 2 = x 2 ỹ = Mx, x 3 missä x R 3 ja ỹ = (y 1, y 2, 1) R 3. Esimerkki 5. Tarkastelllaan Luvun 1.2 Esimerkkiä 1. Merkitään datavektoria y = (y 1,..., y 11 ) ja tuntematonta x = (x 1,..., x 9 ). Muodostetaan suoran teorian F : R 9 R 11 matriisi M = M 12 9 rivi-, sarake- ja värisummista. 23
12 y 1 y 2 y 3 y 4 y 5 y 9 x 1 x 4 x 7 y 6 y 10 x 2 x 5 x 8 y 7 y 11 x 3 x 6 x 9 y 8 Luvun 1.2. Esimerkki 1: Määrää luvut, joiden rivi-, sarake- ja värisummat on annettut. Tällöin y 1 y x 1 y x 2 y x 3 y x 4 y = Mx y 6 = x 5. y x 6 y x 7 y x 8 y x 9 y Lineaarialgebran kurssilla on näytetty, että yhtälöllä 0 = M x on vain triviaaliratkaisu x = 0, jos ja vain jos M voidaan saattaa Gaussin ja Jordanin eliminointimentelmällä muotoon M Lähdetään viemään matriisia M kohti porrasmuotoa. Järjestetään ensin rivit uudelleen ja edetään Gaussin ja Jordanin eliminointimenetelmällä: 24
13 M
14 M ( 1) Täten kuvaus R 9 x Mx R 11 on injektio Surjektiivisuus Inversio-ongelmalla ( ) on ratkaisu, jos jokaisella y W matriisiyhtälölle löytyy ratkaisu x V. y = Mx Esimerkki 6. Olkoon M = Tutki onko inversio-ongelmalla ( ) ratkaisua, kun W = R 4 ja V = R 3. Ratkaisu: Käytetään Gaussin ja Jordanin eliminointimenetelmää täydennetylle matriisille y y y y y 1 + y y y y y 1 + y 4 y y y 3 2y y y y 2 y y 1 + y 4 y y 3 2y 2 Inversio-ongelmalla ( ) ei ole ratkaisua, kun 0 y 3 2y y 1 + y 4 y y y y y 1 + y 4 y y 2 y y 3 2y y 4
Kantavektorien kuvavektorit määräävät lineaarikuvauksen
Kantavektorien kuvavektorit määräävät lineaarikuvauksen Lause 18 Oletetaan, että V ja W ovat vektoriavaruuksia. Oletetaan lisäksi, että ( v 1,..., v n ) on avaruuden V kanta ja w 1,..., w n W. Tällöin
Lisätiedot802360A Inversio-ongelmien peruskurssi (Kevät 2014) Sari Lasanen
802360A Inversio-ongelmien peruskurssi (Kevät 204) Sari Lasanen 3. maaliskuuta 204 2 Inversio-ongelmien peruskurssi (4 op) Osaamistavoitteet: Kurssin onnistuneen suorittamisen jälkeen opiskelija tunnistaa
LisätiedotLikimääräisratkaisut ja regularisaatio
Luku 3 Likimääräisratkaisut ja regularisaatio Käytännön inversio-ongelmissa annettu data y ei aina ole tarkkaa, vaan sisältää häiriöitä. Tuntemattomasta x on annettu häiriöinen data y F (x + }{{}}{{} ε.
LisätiedotLineaarialgebra ja matriisilaskenta II. LM2, Kesä /141
Lineaarialgebra ja matriisilaskenta II LM2, Kesä 2012 1/141 Kertausta: avaruuden R n vektorit Määritelmä Oletetaan, että n {1, 2, 3,...}. Avaruuden R n alkiot ovat jonoja, joissa on n kappaletta reaalilukuja.
LisätiedotBijektio. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin jokaiselle alkiolle kuvautuu tasan yksi lähdön alkio.
Määritelmä Bijektio Oletetaan, että f : X Y on kuvaus. Sanotaan, että kuvaus f on bijektio, jos se on sekä injektio että surjektio. Huom. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin
LisätiedotKuvaus. Määritelmä. LM2, Kesä /160
Kuvaus Määritelmä Oletetaan, että X ja Y ovat joukkoja. Kuvaus eli funktio joukosta X joukkoon Y on sääntö, joka liittää jokaiseen joukon X alkioon täsmälleen yhden alkion, joka kuuluu joukkoon Y. Merkintä
Lisätiedotominaisvektorit. Nyt 2 3 6
Esimerkki 2 6 8 Olkoon A = 40 0 6 5. Etsitäänmatriisinominaisarvotja 0 0 2 ominaisvektorit. Nyt 2 0 2 6 8 2 6 8 I A = 40 05 40 0 6 5 = 4 0 6 5 0 0 0 0 2 0 0 2 15 / 172 Täten c A ( )=det( I A) =( ) ( 2)
LisätiedotLiittomatriisi. 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
LisätiedotOsoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.
LINEAARIALGEBRA Harjoituksia 2016 1. Olkoon V = R 2 varustettuna tavallisella yhteenlaskulla. Määritellään reaaliluvulla kertominen seuraavasti: λ (x 1, x 2 ) = (λx 1, 0) (x 1, x 2 ) R 2 ja λ R. Osoita,
Lisätiedot802339A Inversio-ongelmien peruskurssi (Kevät 2017) Sari Lasanen
802339A Inversio-ongelmien peruskurssi (Kevät 2017) Sari Lasanen 11. tammikuuta 2017 Inversio-ongelmien peruskurssi (5 op) Osaamistavoitteet: Kurssin onnistuneen suorittamisen jälkeen opiskelija tunnistaa
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
Lisätiedot802320A LINEAARIALGEBRA OSA I
802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä
LisätiedotLineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44
Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44 Tehtävät 1-3 lasketaan alkuviikon harjoituksissa, verkkotehtävien dl on lauantaina aamuyöllä. Tehtävät 4 ja 5 lasketaan loppuviikon harjoituksissa.
Lisätiedot1 Lineaariavaruus eli Vektoriavaruus
1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Lineaarikuvaukset Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 16 R. Kangaslampi Vektoriavaruudet Lineaarikuvaus
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
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
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
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
LisätiedotMääritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V. Termejä: Lineaarikuvaus, Lineaarinen kuvaus.
1 Lineaarikuvaus 1.1 Määritelmä Määritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V W on lineaarinen, jos (a) L(v + w) = L(v) + L(w); (b) L(λv) = λl(v) aina, kun v, w V ja λ K. Termejä:
Lisätiedot6 Vektoriavaruus R n. 6.1 Lineaarikombinaatio
6 Vektoriavaruus R n 6.1 Lineaarikombinaatio Määritelmä 19. Vektori x œ R n on vektorien v 1,...,v k œ R n lineaarikombinaatio, jos on olemassa sellaiset 1,..., k œ R, että x = i v i. i=1 Esimerkki 30.
LisätiedotLineaarialgebra ja matriisilaskenta II. LM2, Kesä /310
Lineaarialgebra ja matriisilaskenta II LM2, Kesä 2012 1/310 Kertausta: avaruuden R n vektorit Määritelmä Oletetaan, että n {1, 2, 3,...}. Avaruuden R n alkiot ovat jonoja, joissa on n kappaletta reaalilukuja.
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Idea Lineaarisen systeemin ratkaiseminen Olkoon
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Lineaarikuvaukset Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Lineaarikuvaukset Lineaarikuvaus Olkoot U ja V
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
LisätiedotMatriisien 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
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
LisätiedotJAKSO 2 KANTA JA KOORDINAATIT
JAKSO 2 KANTA JA KOORDINAATIT Kanta ja dimensio Tehtävä Esittele vektoriavaruuden kannan määritelmä vapauden ja virittämisen käsitteiden avulla ja anna vektoriavaruuden dimension määritelmä Esittele Lause
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:
LisätiedotAvaruuden R n aliavaruus
Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 13.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/12 Käytännön asioita Kesäkuun tentti: ke 19.6. klo 17-20, päärakennuksen sali 1. Anna palautetta kurssisivulle ilmestyvällä
Lisätiedot3x + y + 2z = 5 e) 2x + 3y 2z = 3 x 2y + 4z = 1. x + y 2z + u + 3v = 1 b) 2x y + 2z + 2u + 6v = 2 3x + 2y 4z 3u 9v = 3. { 2x y = k 4x + 2y = h
HARJOITUSTEHTÄVIÄ 1. Anna seuraavien yhtälöryhmien kerroinmatriisit ja täydennetyt kerroinmatriisit sekä ratkaise yhtälöryhmät Gaussin eliminointimenetelmällä. { 2x + y = 11 2x y = 5 2x y + z = 2 a) b)
Lisätiedot9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista
29 9 Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista Tarkastelemme kertalukua n olevia lineaarisia differentiaaliyhtälöitä y ( x) + a ( x) y ( x) + + a ( x) y( x) + a ( x) y= b( x) ( n) ( n
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
Lisätiedot802118P Lineaarialgebra I (4 op)
802118P Lineaarialgebra I (4 op) Tero Vedenjuoksu Oulun yliopisto Matemaattisten tieteiden laitos 2012 Lineaarialgebra I Yhteystiedot: Tero Vedenjuoksu tero.vedenjuoksu@oulu.fi Työhuone M206 Kurssin kotisivu
LisätiedotKertausta: avaruuden R n vektoreiden pistetulo
Kertausta: avaruuden R n vektoreiden pistetulo Määritelmä Vektoreiden v R n ja w R n pistetulo on v w = v 1 w 1 + v 2 w 2 + + v n w n. Huom. Pistetulo v w on reaaliluku! LM2, Kesä 2012 227/310 Kertausta:
LisätiedotMatemaattinen Analyysi / kertaus
Matemaattinen Analyysi / kertaus Ensimmäinen välikoe o { 2x + 3y 4z = 2 5x 2y + 5z = 7 ( ) x 2 3 4 y = 5 2 5 z ) ( 3 + y 2 ( 2 x 5 ( 2 7 ) ) ( 4 + z 5 ) = ( 2 7 ) yhteys determinanttiin Yhtälöryhmän ratkaiseminen
Lisätiedot802360A Inversio-ongelmien peruskurssi (Syksy 2011) Sari Lasanen
802360A Inversio-ongelmien peruskurssi (Syksy 20) Sari Lasanen 0. lokakuuta 20 2 Inversio-ongelmien peruskurssi (4 op) Osaamistavoitteet: Kurssin onnistuneen suorittamisen jälkeen opiskelija tunnistaa
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma
LisätiedotMS-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
LisätiedotPäättelyn voisi aloittaa myös edellisen loppupuolelta ja näyttää kuten alkupuolella, että välttämättä dim W < R 1 R 1
Lineaarialgebran kertaustehtävien b ratkaisuista. Määritä jokin kanta sille reaalikertoimisten polynomien lineaariavaruuden P aliavaruudelle, jonka virittää polynomijoukko {x, x+, x x }. Ratkaisu. Olkoon
Lisätiedot5 Lineaariset yhtälöryhmät
5 Lineaariset yhtälöryhmät Edellisen luvun lopun esimerkissä päädyttiin yhtälöryhmään, jonka ratkaisemisesta riippui, kuuluuko tietty vektori eräiden toisten vektorien virittämään aliavaruuteen Tämäntyyppisiä
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
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 17 R. Kangaslampi Vektoriavaruudet Vektoriavaruus
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45
MS-A3/A5 Matriisilaskenta Laskuharjoitus 2 / vko 45 Tehtävä (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 2i = 2, b) z 2i < 2, c) /z
LisätiedotEnnakkotehtävän ratkaisu
Ennakkotehtävän ratkaisu Ratkaisu [ ] [ ] 1 3 4 3 A = ja B =. 1 4 1 1 [ ] [ ] 4 3 12 12 1 0 a) BA = =. 1 + 1 3 + 4 0 1 [ ] [ ] [ ] 1 0 x1 x1 b) (BA)x = =. 0 1 x 2 x [ ] [ ] [ 2 ] [ ] 4 3 1 4 9 5 c) Bb
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 23.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/22 Käytännön asioita Ensimmäiset tehtävät olivat sujuneet hyvin. Kansilehdet on oltava mukana tehtäviä palautettaessa,
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 +
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
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
LisätiedotLineaarikuvausten. Lineaarikuvaus. Lineaarikuvauksia. Ydin. Matriisin ydin. aiheita. Aiheet. Lineaarikuvaus. Lineaarikuvauksen matriisi
Lineaarikuvaukset aiheita ten ten 1 Matematiikassa sana lineaarinen liitetään kahden lineaariavaruuden väliseen kuvaukseen. ten Määritelmä Olkoon (L, +, ) ja (M, ˆ+, ˆ ) reaalisia lineaariavaruuksia, ja
Lisätiedot802320A LINEAARIALGEBRA OSA III
802320A LINEAARIALGEBRA OSA III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO Syksy 2017 LINEAARIALGEBRA 1 / 59 Määritelmä Määritelmä 1 Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V
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
LisätiedotVektorien virittämä aliavaruus
Vektorien virittämä aliavaruus Esimerkki 13 Mikä ehto vektorin w = (w 1, w 2, w 3 ) komponenttien on toteutettava, jotta w kuuluu vektoreiden v 1 = (3, 2, 1), v 2 = (2, 2, 6) ja v 3 = (3, 4, 5) virittämään
LisätiedotMatriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain
Matriisilaskenta LH4 24 ratkaisut 1 Hae seuraavien R 4 :n aliavaruuksien dimensiot jotka sisältävät vain a) Kaikki muotoa (a b c d) olevat vektorit joilla d a + b b) Kaikki muotoa (a b c d) olevat vektorit
LisätiedotTehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä todistuksia ja lineaarikuvauksen muodostamista. Sarjaan liittyvät Stack-tehtävät: 1 ja 2.
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2016 Harjoitus 3 Ratkaisut palautettava viimeistään maanantaina 29.8.2016 klo 13.15. Tehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä
LisätiedotEnsi viikon luennot salissa X. Lineaarialgebra (muut ko) p. 1/66
Ensi viikon luennot salissa X Lineaarialgebra (muut ko) p. 1/66 Lineaarialgebra (muut ko) p. 2/66 Redusoitu porrasmuoto 1 1 2 4 1 1 4 6 2 2 5 9 1 1 0 2 0 0 1 1 0 0 0 0 Eli aste r(a) = 2 ja vaakariviavaruuden
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 +
LisätiedotKanta ja dimensio 1 / 23
1 / 23 Kuten ollaan huomattu, saman aliavaruuden voi virittää eri määrä vektoreita. Seuraavaksi määritellään mahdollisimman pieni vektorijoukko, joka virittää aliavaruuden. Jokainen aliavaruuden alkio
Lisätiedot802320A LINEAARIALGEBRA OSA III
802320A LINEAARIALGEBRA OSA III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO KEVÄT 2019 LINEAARIALGEBRA 1 / 60 Määritelmä Määritelmä 1 Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D 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
LisätiedotHY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina klo
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina 10.8.2015 klo 16.15. Tehtäväsarja I Tutustu lukuun 15, jossa vektoriavaruuden
Lisätiedot802320A LINEAARIALGEBRA OSA III LINEAR ALGEBRA PART III
802320A LINEAARIALGEBRA OSA III LINEAR ALGEBRA PART III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2017 Contents 1 Lineaarikuvaus 2 1.1 Määritelmä............................ 2 1.2 Matriisiesitys/Matrix
LisätiedotLikimääräisratkaisut ja regularisaatio
48 Luku 4 Likimääräisratkaisut ja regularisaatio Ryhdytään tarkastelemaan klassisia approksimatiivisia ratkaisumenetelmiä huonosti asetetuille tai häiriöherkille äärellisulotteisille lineaarisille ongelmille
LisätiedotOminaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3.
Matematiikan ja tilastotieteen laitos Lineaarialgebra ja matriisilaskenta II Ylimääräinen harjoitus 6 Ratkaisut A:n karakteristinen funktio p A on λ p A (λ) det(a λi ) 0 λ ( λ) 0 5 λ λ 5 λ ( λ) (( λ) (
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
LisätiedotDerivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2
MS-C50 Osittaisdifferentiaaliyhtälöt Harjoitukset syksy 07. Oletetaan että vektorikenttä E E E E : R R on kaksi kertaa jatkuvasti derivoituva E C R. Näytä että E E. Derivaatat lasketaan komponenteittain
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
LisätiedotToispuoleiset raja-arvot
Toispuoleiset raja-arvot Määritelmä Funktiolla f on oikeanpuoleinen raja-arvo a R pisteessä x 0 mikäli kaikilla ɛ > 0 löytyy sellainen δ > 0 että f (x) a < ɛ aina kun x 0 < x < x 0 + δ; ja vasemmanpuoleinen
LisätiedotMatikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/210
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/210 Lineaarialgebra (muut ko) p. 2/210 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2
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
LisätiedotEsimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0).
Esimerkki 9 Esimerkissä 6 miniminormiratkaisu on (ˆx, ˆx (, 0 Seuraavaksi näytetään, että miniminormiratkaisuun siirtyminen poistaa likimääräisongelman epäyksikäsitteisyyden (mutta lisääntyvän ratkaisun
LisätiedotTehtäväsarja I Kertaa tarvittaessa materiaalin lukuja 1 3 ja 9. Tarvitset myös luvusta 4 määritelmän 4.1.
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2015 Harjoitus 2 Ratkaisut palautettava viimeistään maanantaina 25.5.2015 klo 16.15. Tehtäväsarja I Kertaa tarvittaessa materiaalin lukuja
LisätiedotOrtogonaaliprojektio äärellisulotteiselle aliavaruudelle
Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle Olkoon X sisätuloavaruus ja Y X äärellisulotteinen aliavaruus. Tällöin on olemassa lineaarisesti riippumattomat vektorit y 1, y 2,..., yn, jotka
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
Lisätiedot4. LINEAARIKUVAUKSET
86 4 LINEAARIKUVAUKSET 41 Määritelmä ja esimerkkejä Olkoot V ja V vektoriavaruuksia Tarkastellaan kuvausta L : V V Tällöin jokaiseen vektoriin v V liittyy tietty, L:n ja v:n yksikäsitteisesti määräämä
LisätiedotOletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 018 Harjoitus 4 Ratkaisuehdotukset Tehtävä 1. Olkoon U R avoin joukko ja ϕ = (ϕ 1, ϕ, ϕ 3 ) : U R 3 kaksiulotteisen C 1 -alkeispinnan
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
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 =
Lisätiedot802320A LINEAARIALGEBRA OSA II
802320A LINEAARIALGEBRA OSA II Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 64 Sisätuloavaruus Määritelmä 1 Olkoon V reaalinen vektoriavaruus. Kuvaus on reaalinen
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 30.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/19 Käytännön asioita Kurssi on suunnilleen puolessa välissä. Kannattaa tarkistaa tavoitetaulukosta, mitä on oppinut ja
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
LisätiedotP (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.
Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin
Lisätiedot2.6 Funktioiden kuvaajat ja tasa-arvojoukot
2.6 Funktioiden kuvaajat ja tasa-arvojoukot Olkoon I R väli. Yhden muuttujan funktion g : I R kuvaaja eli graafi on avaruuden R 2 osajoukko {(x, y) R 2 : x I, y = g(x)}. 1 0 1 2 3 1 0.5 0 0.5 1 Kuva 2.1:
LisätiedotLineaariavaruudet. Span. Sisätulo. Normi. Matriisinormit. Matriisinormit. aiheita. Aiheet. Reaalinen lineaariavaruus. Span. Sisätulo.
Lineaariavaruudet aiheita 1 määritelmä Nelikko (L, R, +, ) on reaalinen (eli reaalinen vektoriavaruus), jos yhteenlasku L L L, ( u, v) a + b ja reaaliluvulla kertominen R L L, (λ, u) λ u toteuttavat seuraavat
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista
Lisätiedot1 Ominaisarvot ja ominaisvektorit
1 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) 1 missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin
Lisätiedoti=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,...
Lisätiedot1 Sisätulo- ja normiavaruudet
1 Sisätulo- ja normiavaruudet 1.1 Sisätuloavaruus Määritelmä 1. Olkoon V reaalinen vektoriavaruus. Kuvaus : V V R on reaalinen sisätulo eli pistetulo, jos (a) v w = w v (symmetrisyys); (b) v + u w = v
Lisätiedot1 Avaruuksien ja lineaarikuvausten suora summa
MAT-33500 Differentiaaliyhtälöt, kevät 2006 Luennot 27.-28.2.2006 Samuli Siltanen 1 Avaruuksien ja lineaarikuvausten suora summa Tämä asialöytyy myös Hirschin ja Smalen kirjasta, luku 3, pykälä 1F. Olkoon
LisätiedotNumeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35
Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen
LisätiedotMatikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/81
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/81 Lineaarialgebra (muut ko) p. 2/81 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2 )
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@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
LisätiedotMatematiikka B2 - TUDI
Matematiikka B2 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
Lisätiedot3.2.2 Tikhonovin regularisaatio
3 Tikhonovin regularisaatio Olkoon x 0 R n tuntematon, M R m n teoriamatriisi ja y Mx + ε R m (316 annettu data Häiriöherkässä ongelmassa pienimmän neliösumman miniminormiratkaisu x M + y Q N (M x + M
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45
MS-A0003/A0005 Matriisilaskenta Laskuharjoitus / vko 5 Tehtävä 1 (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 3 =, b) z + 3 i < 3, c) 1/z >. Yleisesti: ehto z = R, z C muodostaa kompleksitasoon
LisätiedotOrtogonaalisen kannan etsiminen
Ortogonaalisen kannan etsiminen Lause 94 (Gramin-Schmidtin menetelmä) Oletetaan, että B = ( v 1,..., v n ) on sisätuloavaruuden V kanta. Merkitään V k = span( v 1,..., v k ) ja w 1 = v 1 w 2 = v 2 v 2,
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille
LisätiedotLineaarinen yhtälöryhmä
Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.
Lisätiedot