Esimerkki 4.4. Esimerkki jatkoa. Määrää matriisin ominaisarvot ja -vektorit. Ratk. Nyt
|
|
- Jorma Hämäläinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Esimerkki 4.4. Määrää matriisin A = ominaisarvot ja -vektorit. Ratk. Nyt det(a λi ) = λ λ 1 λ 1 3 λ 1 = 1 3 λ λ λ 1 λ = 1 4 λ 1 = (1 λ)( 1)1+1 4 λ λ 6 3 λ = (1 λ)[(4 λ)(3 λ) 6] = (1 λ)(λ 2 7λ + 6). Esimerkki jatkoa Ominaisarvoille λ on det(a λi ) =, eli 1 λ = tai λ 2 7λ + 6 =. Matriisin A ominaisarvot ovat λ 1,2 = 1 ja λ 3 = 6.
2 Esimerkki jatkoa 2 A = Ominaisvektorit: Ominaisarvoa 6 vastaaville ominaisvektoreille x = (x 1, x 2, x 3 ) T : A x = 6 x. A x 6I x =, eli (A 6I ) x = x x 2 = x 3. Esimerkki jatkoa 3 Gauss:
3 Esimerkki Yhtälöryhmänä: { x 1 + 3x 2 + x 3 = 2x 2 + x 3 =, eli x 1 = x 2 ja x 3 = 2x 2. Ominaisarvoon 6 liittyvät ominaisvektorit: x 1 x 2 1 x = x 2 = x 2 = x 2 1, x 2. x 3 2x 2 2 Usein merkitään x = t( 1, 1, 2) T, t. Esimerkki... Ominaisarvoa 1 vastaaville ominaisvektoreille x = (x 1, x 2, x 3 ) T : A x = 1 x (A I ) x = x x 2 = x 3.
4 Esimerkki... Gauss: Vastaava yhtälöryhmä: x 1 2x 2 + x 3 =, eli x 1 = 2x 2 x 3 Ominaisarvoon 1 liittyvät ominaisvektorit: x 1 2x 2 x 3 2x 2 x 3 x = x 2 = x 3 x 2 x 3 = x 2 + x 3, 2 1 = x x 3 x 2 tai x 3 1 x = t(2, 1, ) T + s( 1,, 1) T, t tai s Karakteristinen polynomi ja yhtälö Olkoon A n n-matriisi. Silloin det(a λi ) on n-asteinen polynomi, det(a λi ) = ( 1) n λ n + a n 1 λ n a 1 λ + a = p A (λ). =matriisin A karakteristinen polynomi. Yhtälö det(a λi ) = on A:n karakteristinen yhtälö.
5 Matriisilla aina ominaisarvoja Algebran peruslause: n-asteisella polynomilla on n nollakohtaa (kompleksista tai reaalista), joista jotkut voivat olla useampikertaisia. Siis polynomilla p A (λ) on nollakohtia eli yhtälöllä det(a λi ) = on ratkaisuja. Matriisilla on aina ominaisarvoja. Lauseen 4.1. mukaan A:n ominaisarvot ovat karakterisen polynomin -kohdat. Esimerkki 4.4. jatkoa Edellä: A = Karakteristinen polynomi: det(a λi ) = (1 λ)(λ 2 7λ+6) = λ 3 +8λ 2 13λ+6 = p A (λ) Karakteristinen yhtälö: det(a λi ) =, eli λ 3 + 8λ 2 13λ + 6 =
6 Yksikkömatriisin ominaisarvot I :llä on n-kertainen ominaisarvo λ = 1, sillä yhtälön ainoa ratkaisu on λ = 1. det(i λi ) = (1 λ) n = Reaalinen matriisi ja ominaisarvon liittoluku Huom. Jos reaalisella matriisilla A on ei-reaalinen ominaisarvo λ ja x on sitä vastaava ominaisvektori, niin λ:n liittoluku λ on myös ominaisarvo ja x:n liittovektori x sitä vastaava ominaisvektori (osoita!). Perustelu....
7 Käänteismatriisin ominaisarvot A n n matriisi ja λ 1, λ 2,..., λ n kaikki A:n ominaisarvot. det(a λ i I ) = aina kun i = 1, 2,..., n Nyt A 1 on olemassa det A det(a I ) λ i kaikilla i = 1, 2,..., n. Jos A 1 on olemassa, ja λ on A:n ominaisarvo, niin silloin A x = λ x, jollakin x. Edelläolevan perusteella λ, joten silloin A 1 A x = A 1 λ x eli x = λa 1 x. Siis A 1 x = 1 λ x eli 1 λ on matriisin A 1 ominaisarvo ja x sitä vastaava ominaisvektori. Jatkoa On todistettu tulos: Lause 4.2. Matriisilla A on käänteismatriisi A 1 A:n jokainen ominaisarvo λ 1,..., λ n. A 1 :n ominaisarvot ovat 1 λ 1,..., 1 λ n.
8 Transponoidun matriisin ominaisarvot Lause 4.3. A:n ja A T :n ominaisarvot ovat samat. Todistus. λ on A:n ominaisarvo det(a λi ) = det(a λi ) T = det(a T λi ) = λ on A T :n ominaisarvo. Transponoidun matriisin ominaisvektorit Huom. Jos x on A:n λ:aan liittyvä ominaisvektori, niin x ei välttämättä ole A T :n λ:aan liittyvä ominaisvektori. Esimerkiksi matriisin A = ( ) ominaisarvoa λ = 1 vastaavat ominaisvektorit ovat x = t(, ( 1) T, ) t C, t, mutta A T 1 1 = :n ominaisarvoa λ = 1 vastaavat ominaisvektorit 1 ovat x = t(1, ) T, t C, t.
9 A n :n ominaisarvot A n n matriisi, λ matriisin A ominaisarvo ja x matriisin A ominaisarvoon λ liittyvä ominaisvektori. Silloin siis A x = λ x. 1) Nyt on Vastaavasti Yleisesti on siis A 2 x = Aλ x = λa x = λ 2 x A 3 x = AA 2 x = λ 2 A x = λ 3 x. A k x = λ k x ca:n ominaisarvot A n n matriisi, λ matriisin A ominaisarvo ja x matriisin A ominaisarvoon λ liittyvä ominaisvektori. A x = λ x. 2) Selvästi on c A x = c λ x 3) Edelläolevia tuloksia käyttäen on helppo nähdä, että (c m A m + c m 1 A m c 1 A + c I ) x = c m A m x + c m 1 A m 1 x + + c 1 A x + c I x = c m λ m x + c m 1 λ m 1 x + + c 1 λ x + c x = (c m λ m + c m 1 λ m c 1 λ + c ) x.
10 Jatkoa On todistettu seuraava tulos: Lause 4.4. Jos λ on A:n ominaisarvo ja x λ:aa vastaava ominaisvektori, niin 1) λ k on A k :n ominaisarvo ja x sitä vastaava ominaisvektori, 2) cλ on ca:n ominaisarvo ja x sitä vastaava ominaisvektori, 3) c m λ m + c m 1 λ m c 1 λ + c on (c m A m + c m 1 A m c 1 A + c I ):n ominaisarvo ja x sitä vastaava ominaisvektori. Yläkolmiomatriisin ominaisarvot Esimerkki 4.5. Määrää matriisin A = ominaisarvot. Ratk.... Koska yläkolmio- ja alakolmiomatriisin determinantti on lävistäjäalkioiden tulo, niin: Lause 4.5. Yläkolmiomatriisin (vast. alakolmiomatriisin) ominaisarvot ovat samat kuin lävistäjäalkiot.
11 Eri ominaisarvojen ominaisvektorit Lause 4.6. Jos A:lla on erisuuret ominaisarvot λ 1,..., λ r, niin niitä vastaavat ominaisvektorit x 1,..., x r ovat vapaita. Tod. Vastaoletus: Olkoon k r pienin sellainen kokonaisluku, että vektorijoukko { x 1,..., x k } sidottu. Olkoon Silloin on myös a i x i =. A( a i x i ) = a i A x i =. eli a i λ i x i =. Jatkoa Koska niin eli Siis λ k a i x i = λ k =, a i λ k x i a i λ i x i = = a i (λ k λ i ) x i =. k 1 (a i (λ k λ i ) x i ) + a k (λ k λ k ) x k =.
12 Jatkoa 2 Silloin on k 1 a i (λ k λ i ) x i = ja koska vektorijoukko {x 1, x 2,..., x k 1 } on vapaa, on oltava a 1 = a 2 = = a k 1 =. Sijoitetaan yhtälöön jolloin saadaan eli a k =. a i x i =, a k x k =, Siis vektorijoukko { x 1,..., x k } on vapaa, mikä on ristiriidassa oletuksen kanssa. Vapaat ominaisvektorit Huom. Vaikka A:n ominaisarvot λ 1,..., λ n eivät olisi erisuuria, niin A:lla voi kuitenkin olla n vapaata ominaisvektoria Esimerkki 2.4. : A = Ominaisarvot Vastaavat ominaisvektorit λ 1,2 = 1 λ 3 = 6 x = t(2, 1, ) T + s( 1,, 1) T t( 1, 1, 2) T Kaksi erisuurta ominaisarvoa 1 ja 6 3 vapaata ominaisvektoria: (2, 1, ) T, ( 1,, 1) T ja ( 1, 1, 2) T.
13 4.2 Matriisin diagonalisointi n n-matriisit A ja B ovat similaariset: On olemassa sellainen matriisi T (similariteettimuunnosmatriisi), että B = T 1 AT. Silloin det(b λi ) = det(t 1 AT T 1 λit ) = det[t 1 (A λi )T ] = det T 1 det(a λi ) det T = det(a λi ) Jos x on B:n ominaisarvoa λ vastaava ominaisvektori, niin A(T x) = T (T 1 AT ) x = T (B x) = T (λ x) = λ(t x) eli T x on A:n λ:aa vastaava ominaisvektori. Ominaisarvot ja -vektorit On todistettu: Lause 4.7. Jos A ja B ovat similaariset (B = T 1 AT ), niin niiden karakteristiset polynomit ovat samat, ominaisarvot ovat samat ja jos x on B:n ominaisvektori niin T x on A:n vastaava ominaisvektori. A:n similaarisuutta B:n kanssa voidaan käyttää hyväksi esim. seuraavasti: B = T 1 AT B 2 = (T 1 AT )(T 1 AT ) = T 1 ATT 1 AT = T 1 A 2 T B 3 = B 2 B = (T 1 A 2 T )(T 1 AT ) = T 1 A 3 T B k = T 1 A k T, k = 1, 2,.... TB k = A k T A k = TB k T 1, k = 1, 2,....
14 A k = TB k T 1 Jos B on diagonaalimatriisi (lävistäjämatriisi). Jos T löydetään helposti. A K helppo laskea A:n ominaisarvot ja ominaisvektorit helposti Diagonalisoituva matriisi A on diagonalisoituva: A on similaarinen diagonaalimatriisin B kanssa.
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
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
LisätiedotMilloin A diagonalisoituva?
Milloin A diagonalisoituva? ) Oletus: A on diagonalisoituva eli D = TAT, jollakin D = diag(λ, λ 2,..., λ n ). A:n ja D:n ominaisarvot ovat samat λ, λ 2,..., λ n ovat myös A:n ominaisarvot... D e i = D
LisätiedotMatriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit
Matriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit Antti Rasila 2016 Ominaisarvot ja ominaisvektorit 1/5 Määritelmä Skalaari λ C on matriisin A C n n ominaisarvo ja vektori v C n sitä
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Ominaisarvot Kertaus: ominaisarvot Määritelmä
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
LisätiedotOminaisarvo-hajoitelma ja diagonalisointi
Ominaisarvo-hajoitelma ja a 1 Lause 1: Jos reaalisella n n matriisilla A on n eri suurta reaalista ominaisarvoa λ 1,λ 2,...,λ n, λ i λ j, kun i j, niin vastaavat ominaisvektorit x 1, x 2,..., x n muodostavat
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
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
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
LisätiedotMatriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?
Harjoitus 1, kevät 007 1. Olkoon [ ] cos α sin α A(α) =. sin α cos α Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?. Olkoon a x y A = 0 b z, 0 0 c missä a, b, c 0. Määrää käänteismatriisi
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
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)
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) (
LisätiedotLineaarikuvauksen R n R m matriisi
Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:
LisätiedotOminaisarvo ja ominaisvektori
Määritelmä Ominaisarvo ja ominaisvektori Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka
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
Lisätiedot6 MATRIISIN DIAGONALISOINTI
6 MATRIISIN DIAGONALISOINTI Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T Muistutus: vektorien a ja b pistetulo (skalaaritulo,
LisätiedotLineaarialgebra 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.
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-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
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
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).
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
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
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
LisätiedotOMINAISARVOISTA JA OMINAISVEKTOREISTA
1 OMINAISARVOISTA JA OMINAISVEKTOREISTA Olkoon x = (x 1,..., x n ) avaruuden R n piste (l. vektori). Vektori x samaistetaan n 1-matriisin (x 1 x 2... x n ) T kanssa, ts. voidaan yhtä hyvin kirjoittaa x1
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?
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,
LisätiedotMATRIISIN HESSENBERGIN MUOTO. Niko Holopainen
MATRIISIN HESSENBERGIN MUOTO Niko Holopainen Matematiikan pro gradu Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Syksy 2013 Tiivistelmä: Niko Holopainen, Matriisin Hessenbergin muoto Matematiikan
Lisätiedot6. OMINAISARVOT JA DIAGONALISOINTI
0 6 OMINAISARVOT JA DIAGONALISOINTI 6 Ominaisarvot ja ominaisvektorit Olkoon V äärellisulotteinen vektoriavaruus, dim(v ) = n ja L : V V lineaarikuvaus Määritelmä 6 Skalaari λ R on L:n ominaisarvo, jos
LisätiedotOminaisvektoreiden lineaarinen riippumattomuus
Ominaisvektoreiden lineaarinen riippumattomuus Lause 17 Oletetaan, että A on n n -matriisi. Oletetaan, että λ 1,..., λ m ovat matriisin A eri ominaisarvoja, ja oletetaan, että v 1,..., v m ovat jotkin
Lisätiedot1 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
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
LisätiedotDemorastitiedot saat demonstraattori Markus Niskaselta Lineaarialgebra (muut ko) p. 1/104
Lineaarialgebra (muut ko) p. 1/104 Ensi viikolla luennot salissa X Torstaina 7.12. viimeiset demot (12.12. ja 13.12. viimeiset luennot). Torstaina 14.12 on välikoe 2, muista ilmoittautua! Demorastitiedot
LisätiedotLineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / Ratkaisut
MS-C34 Lineaarialgebra ja differentiaaliyhtälöt, IV/26 Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / t Alkuviikon tuntitehtävä Hahmottele matriisia A ( 2 6 3 vastaava vektorikenttä Matriisia A
LisätiedotDeterminantti 1 / 30
1 / 30 on reaaliluku, joka on määritelty neliömatriiseille Determinantin avulla voidaan esimerkiksi selvittää, onko matriisi kääntyvä a voidaan käyttää käänteismatriisin määräämisessä ja siten lineaarisen
Lisätiedot5 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
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
LisätiedotInsinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut
Insinöörimatematiikka D, 06 laskuharjoituksien esimerkkiratkaisut Alla olevat esimerkkiratkaisut ovat melko ksitiskohtaisia Tenttivastauksissa ei leensä tarvitse muistaa lauseiden, määritelmien, esimerkkien
Lisätiedot2, E = Määrää 3A, B 2A ja E + F. 2. Laske (mikäli mahdollista) AB, BA, A 2, BC, CB ja F = 1 0 0
MATRIISIALGEBRA Harjoitustehtäviä syksy 2012 Tehtävissä 1-2 käytetään seuraavia matriiseja: A = 1 2 ( ) 0 5 1 2 4, B =, C = 1 2, E = 1 0 0 0 1 0 ja F = 1 0 0 0 1 0. 3 7 2 4 3 3 1 3 4 2 2 3 0 1. Määrää
Lisätiedotja F =
MATRIISIALGEBRA Harjoitustehtäviä syksy 2016 Tehtävissä 1 ja 2a käytetään seuraavia matriiseja: ( ) 6 2 3 A =,B = 7 1 2 2 3,C = 4 4 2 5 3,E = ( 1 2 4 3 ) 1 1 2 3 ja F = 1 2 3 0 3 0 1 1. 6 2 1 4 2 3 2 1.
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisihajotelmat: Schur ja Jordan Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi Matriisihajotelmat:
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
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
LisätiedotAlkeismuunnokset matriisille, sivu 57
Lineaarialgebra (muut ko) p. 1/88 Alkeismuunnokset matriisille, sivu 57 AM1: Kahden vaakarivin vaihto AM2: Vaakarivin kertominen skalaarilla c 0 AM3: Vaakarivin lisääminen toiseen skalaarilla c kerrottuna
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
LisätiedotC = {(x,y) x,y R} joiden joukossa on määritelty yhteen- ja kertolasku seuraavasti
Vaasan yliopiston julkaisuja 189 9 OMINAISARVOTEHTÄVÄ Ch:EigSystem Sec:CMatrix 9.1 Kompleksinen lineaariavaruus 9.1.1 Kompleksiluvut Pian tulemme tarvitsemaan kompleksisen lineaariavaruuden alkeita. Tätä
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
LisätiedotMATRIISIALGEBRA. Harjoitustehtäviä syksy Olkoot A =, B =
MATRIISIALGEBRA Harjoitustehtäviä syksy 2008 0 3 2 3. Olkoot, B =, C =. 3 2 3 2 4 0 Määrättävä A + B, 4A 2B, A T, C T, (A T ) T. 2. Jos A, B ja C ovat kuten edellisessä tehtävässä, onko a) C + C T määritelty,
LisätiedotLineaarialgebra, kertausta aiheita
Lineaarialgebra, kertausta aiheita Matriisitulo käänteismatriisi determinantin kehittäminen determinantin ominaisuudet adjungaatti ja Cramerin kaavat yhtälöryhmän eri esitystavat Gauss-Jordan -algoritmi
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Luentokalvot 5 1
LisätiedotKäänteismatriisi 1 / 14
1 / 14 Jokaisella nollasta eroavalla reaaliluvulla on käänteisluku, jolla kerrottaessa tuloksena on 1. Seuraavaksi tarkastellaan vastaavaa ominaisuutta matriiseille ja määritellään käänteismatriisi. Jokaisella
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
Lisätiedot(1.1) Ae j = a k,j e k.
Lineaarikuvauksen determinantti ja jälki 1. Lineaarikuvauksen matriisi. Palautetaan mieleen, mikä lineaarikuvauksen matriisi annetun kannan suhteen on. Olkoot V äärellisulotteinen vektoriavaruus, n = dim
Lisätiedot5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
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
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
Lisätiedottyyppi 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.
LisätiedotMatriisinormeista. Sanni Carlson. Matematiikan pro gradu
Matriisinormeista Sanni Carlson Matematiikan pro gradu Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Kevät 2015 Tiivistelmä: Sanni Carlson, Matriisinormeista (engl On matrix norms), matematiikan
LisätiedotTehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2015 Harjoitus 4 Ratkaisut palautettava viimeistään maanantaina 862015 klo 1615 Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin
LisätiedotOsitetuista matriiseista
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Anja Kuronen Ositetuista matriiseista Matematiikan ja tilastotieteen laitos Matematiikka Joulukuu 2010 Tampereen yliopisto Matematiikan ja tilastotieteen laitos
LisätiedotMatriisihajotelmat. MS-A0007 Matriisilaskenta. 5.1 Diagonalisointi. 5.1 Diagonalisointi
MS-A0007 Matriisilaskenta 5. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 25.11.2015 Laskentaongelmissa käsiteltävät matriisit ovat tyypillisesti valtavia.
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,...
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
LisätiedotMatriisilaskenta (TFM) MS-A0001 Hakula/Vuojamo Ratkaisut, Viikko 48, , c)
Matriisilaskenta (TFM) MS-A0001 Hakula/Vuojamo Ratkaisut, Viikko 48, 2017 R Alkuviikko TEHTÄVÄ J1 Laske Gaussin algoritmilla ja Sarrus n säännöllä seuraavat determinantit: 2 3 1 a) 1 2 0 1 4 3, b) 0 2
LisätiedotTyyppi metalli puu lasi työ I 2 8 6 6 II 3 7 4 7 III 3 10 3 5
MATRIISIALGEBRA Harjoitustehtäviä syksy 2014 Tehtävissä 1-3 käytetään seuraavia matriiseja: ( ) 6 2 3, B = 7 1 2 2 3, C = 4 4 2 5 3, E = ( 1 2 4 3 ) 1 1 2 3 ja F = 1 2 3 0 3 0 1 1. 6 2 1 4 2 3 2 1. Määrää
LisätiedotRatkaisuehdotukset LH 10 / vko 48
MS-C134 Lineaarialgebra, II/017 Ratkaisuehdotukset LH 10 / vko 48 Tehtävä 1: Olkoot A R n n symmetrinen ja positiividefiniitti matriisi. Näytä, että (i T A n (λ iα i (ii A n (λ i α i jossa α i on siten,
Lisätiedot800350A / S Matriisiteoria
800350A / 800693S Matriisiteoria Emma Leppälä Tero Vedenjuoksun luentomonisteen pohjalta 15 syyskuuta 2017 Sisältö 1 Lineaarialgebraa 2 11 Merkintöjä 2 12 Matriisien perusominaisuuksia 4 13 Matriisien
Lisätiedot4. Lasketaan transienttivirrat ja -jännitteet kuvan piiristä. Piirielimien arvot ovat C =
BMA58 Funktiot, lineaarialgebra ja vektorit Harjoitus 6, Syksy 5. Olkoon [ 6 6 A =, B = 4 [ 3 4, C = 4 3 [ 5 Määritä matriisien A ja C ominaisarvot ja ominaisvektorit. Näytä lisäksi että matriisilla B
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Keijo Ruotsalainen Division of Mathematics Kurssitiedot Luennot alkavat ke 11.1.2012 Ke 12-14 L3 To 14-16 L6 Kurssin viimeinen luento To 22.3 2012 Kurssin suorittaminen välikokein:
LisätiedotTällä viikolla viimeiset luennot ja demot. Lineaarialgebra (muut ko) p. 1/162
Tällä viikolla viimeiset luennot ja demot Lineaarialgebra (muut ko) p. 1/162 Lineaarialgebra (muut ko) p. 2/162 Kertausta Vektorin u = (u 1,u 2 ) R 2 pituus u = u 2 1 +u2 2 Vektorien u ja v = (v 1,v 2
LisätiedotTehtäväsarja 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
LisätiedotMS-A0003/A0005 Matriisilaskenta Malliratkaisut 4 / vko 47
MS-A3/A5 Matriisilaskenta Malliratkaisut 4 / vko 47 Tehtävä 1 (L): Oletetaan, että AB = AC, kun B ja C ovat m n-matriiseja. a) Näytä, että jos A on kääntyvä, niin B = C. b) Seuraako yhtälöstä AB = AC yhtälö
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
LisätiedotNeliömuodoista, 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
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,
LisätiedotDeterminantit. Kaksirivinen determinantti. Aiheet. Kaksirivinen determinantti. Kaksirivinen determinantti. Kolmirivinen determinantti
Determinantit 1 2 2-matriisin ( A = on det(a) = a 11 a 12 a 21 a 22 a 11 a 12 a 21 a 22 ) = a 11a 22 a 12 a 21. 1 2 2-matriisin on det(a) = Esim. Jos A = ( a 11 a 12 a 21 a 22 A = a 11 a 12 a 21 a 22 )
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
Lisätiedot1 Ominaisarvot ja lineaariset di erenssiyhtälöt
Taloustieteen mat.menetelmät syksy 27 materiaali II-4 Ominaisarvot ja lineaariset di erenssiyhtälöt. Idea a b Ajatellaan di erenssiyhtälöä z k+ Az k, A : Jos A olisi diagonaalimatriisi, eli b c, niin muuttujat
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
LisätiedotLineaarialgebra 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
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
LisätiedotMiten osoitetaan joukot samoiksi?
Miten osoitetaan joukot samoiksi? Määritelmä 1 Joukot A ja B ovat samat, jos A B ja B A. Tällöin merkitään A = B. Kun todistetaan, että A = B, on päättelyssä kaksi vaihetta: (i) osoitetaan, että A B, ts.
LisätiedotLINEAARIALGEBRA P. LUENTOMONISTE ja HARJOITUSTEHTÄVÄT
LINEAARIALGEBRA II 802119P LUENTOMONISTE ja HARJOITUSTEHTÄVÄT syksy 2008 30 V SISÄTULOAVARUUKSISTA 1. Sisätulon määritelmä Tarkastellaan sisätulon määrittelyä varten kompleksilukujen joukkoa C = {x + iy
LisätiedotDI matematiikan opettajaksi: Täydennyskurssi, kevät 2010 Luentorunkoa ja harjoituksia viikolle 13: ti klo 13:00-15:30 ja to 1.4.
DI matematiikan opettajaksi: Täydennyskurssi, kevät Luentorunkoa ja harjoituksia viikolle 3: ti 33 klo 3:-5:3 ja to 4 klo 9:5-: Käydään läpi differentiaaliyhtälöitä Määritelmä Olkoon A R n n (MatLab:ssa
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
LisätiedotNeliömatriisin adjungaatti, L24
Neliömatriisin adjungaatti, L24 1 2 1 3 Matriisi = A = 7 4 6 5 2 0 ( ) 7 6 Alimatriisi = A 12 = 5 0 Minori = det(a 12 ) = 7 6 5 0 = 30 Kofaktori = ( 1) 1+2 det(a 12 ) = 30 2 Määritelmä n n neliö-matriisin
LisätiedotMatriisialgebra harjoitukset, syksy x 1 + x 2 = a 0
MATRIISIALGEBRA, s, Ratkaisuja/ MHamina & M Peltola 22 Virittääkö vektorijoukko S vektoriavaruuden V, kun a V = R 3 ja S = {(1,0, 1,(2,0,4,( 5,0,2,(0,0,1} b V = P 2 (R ja S = {t1,t 2 1,t 2 t} ( ( 1 0 c
LisätiedotLineaariset kongruenssiyhtälöryhmät
Lineaariset kongruenssiyhtälöryhmät LuK-tutkielma Jesse Salo 2309369 Matemaattisten tieteiden laitos Oulun yliopisto Sisältö Johdanto 2 1 Kongruensseista 3 1.1 Kongruenssin ominaisuuksia...................
LisätiedotPaikannuksen 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:
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
LisätiedotKaksirivisen matriisin determinantille käytämme myös merkintää. a 11 a 12 a 21 a 22. = a 11a 22 a 12 a 21. (5.1) kaksirivine
Vaasan yliopiston julkaisuja 97 5 DETERMINANTIT Ch:Determ Sec:DetDef 5.1 Determinantti Tämä kappale jakautuu kolmeen alakappaleeseen. Ensimmäisessä alakappaleessa määrittelemme kaksi- ja kolmiriviset determinantit.
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
LisätiedotAx, y = x, A y. A = A A hermiittinen. Jokainen reaalinen ja symmetrinen matriisi on määritelmän mukaan myös hermiittinen. A =, HARJOITUSTEHTÄVIÄ
X.. Matriisialgebra Esimerkki 4 Jos niin x =[i, +i, 2 i ] T C 3, y =[ 2i, 2i, i ] T C 3, x, x = x 2 =+(+)+(4+)=8, y, y =(+4)+4+(+)=, x, y = i( + 2i)+(+i)( 2i)+(2 i)( +i) = +3i. Matriisia A = ĀT sanotaan
LisätiedotSingulaariarvohajotelma ja pseudoinverssi
HELSINGIN YLIOPISTO Pro gradu -tutkielma Niko Kaitarinne Singulaariarvohajotelma ja pseudoinverssi Matematiikan ja tilastotieteen laitos Matematiikka Helmikuu 01 Helsingin yliopisto Matematiikan ja tilastotieteen
Lisätiedot. Mitä olisivat y 1 ja y 2, jos tahdottaisiin y 1 (0) = 2 ja y 2 (0) = 0? x (1) = 0,x (2) = 1,x (3) = 0. Ratkaise DY-ryhmä y = Ay.
BMA583 Differentiaaliyhtälöiden peruskurssi Harjoitus 6, Kevät 7. Oletetaan että saaliskalapopulaation lisääntymisnopeus (ilman kuolemia on suoraan verrannollinen kalapopulaation (merkataan tätä symbolilla
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
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
Lisätiedot