1 Sisätulo- ja normiavaruudet

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

Download "1 Sisätulo- ja normiavaruudet"

Transkriptio

1 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 w + u w ; (c) λv w = λ v w ; (d) v v > 0, kun v 0 (positiividefiniittisyys) aina, kun v, w, u V ja λ R. Reaalinen sisätuloavaruus on pari (V, ), missä V on vektoriavaruus ja on sisätulo avaruudessa V. Yleensä tällöin sanotaan, että V on sisätuloavaruus. Vektoreiden v ja w sisätulolle v w käytetään yleisesti merkintää v w ja puhutaan pistetulosta. Lemma 1. Reaalinen sisätulo on lineaarinen molempien argumenttiensa suhteen eli αv + βu w = α v w + β u w ; (1) ja v αw + βz = α v w + β v z ; (2) v + u w + z = v w + v z + u w + u z (3) aina, kun α, β R ja v, u, w, z V. Todistus. Kohta (1): Käytetään ensin aksiomia b ja sitten aksiomia c, jolloin V.P. = αv + βu w = αv w + βu w = α v w + β u w = O.P. 1

2 Esimerkki 1. Joukko R n, n Z + on reaalinen sisätuloavaruus, kun vektoreiden x = (x 1,..., x n ) R n, y = (y 1,..., y n ) R n pistetulo määritellään asettamalla x y = x i y i. (4) Todistus. Määritelmän 1 kohta a: Lasketaan x y = Kohta b: Lasketaan x i y i = y i x i = y x. (x + z) y =(x 1 + z 1,..., x n + z n ) (y 1,..., y n ) = (x i + z i )y i = x i y i + z i y i = x y + z y. Kohta c: Lasketaan (λx) y =(λx 1,..., λx n ) (y 1,..., y n ) = (λx i )y i = λ x i y i = λ x y. Kohta d: Olkoon x 0. Nyt ainakin yksi x k 0, jolloin x 2 k > 0. Siten x x = x 2 i x 2 k > 0. (5) Huomautus 1. Koska 0 0 = 0, (6) niin avaruuden R n sisätulolle (4) pätee x x = 0 x = 0. (7) Myöhemmin todistetaan, että (7) on voimassa yleisemminkin. 2

3 Määritelmä 2. Olkoon V kompleksinen vektoriavaruus. Kuvaus : V V C on Hermiten (kompleksinen) sisätulo eli pistetulo, jos (a) v w = w v (konjugaatti-symmetrisyys); (b) v + u w = v w + u w ; (c) λv w = λ v w ; (d) v v > 0, kun v 0 (positiividefiniittisyys) aina, kun v, w, u V ja λ C. Esimerkki 2. Joukko C n, n Z + on kompleksinen sisätuloavaruus, kun vektoreiden z = (z 1,..., z n ) C n, w = (w 1,..., w n ) C n pistetulo määritellään asettamalla z w = z i w i. (8) Lemma 2. ja Todistetaan aluksi tapaus (9): Koska 0 = 0 0, niin aksiomin nojalla 0 v = v 0 = 0 v V ; (9) v v = 0 v = 0; (10) v v 0 v V. (11) λv w = λ v w 0 v = 0 0 v = 0 0 v = 0 v V. (12) Otetaan tuloksesta (12) kompleksikonjugaatit, jolloin saadaan Käytetään sitten aksiomia v w = w v, jolloin 0 v = 0 v V. (13) v 0 = 0 v = 0 v V. (14) 3

4 Todistetaan seuraavaksi tapaus (10): Tuloksen (9) erikoistapauksena Mutta aksiomin d mukaan 0 0 = 0. (15) v v > 0, kun v 0. (16) Siispä v v = 0 v = 0. (17) Esimerkki 3. Tarkastellaan kuvausta : R 4 R 4 R, missä kaikilla vektoreilla x, y R 4. Valitaan x = (1, 0, 0, 0), jolloin x y = x 1 y 1 + x 2 y 2 + x 3 y 3 + x 4 y 4 (18) x x = 1 < 0, joten ehto Määritelmän 1 ehto d) ei ole voimassa. Siten kuvaus (18) ei ole sisätulo. Esimerkki 4. Vektoriavaruuteen C([a, b], R) = {f : [a, b] R f on jatkuva}, missä a < b, saadaan (reaalinen) sisätulo asettamalla f g = b a f(t)g(t)dt (19) kaikilla f, g C([a, b], R). Todistus. Aluksi todetaan, että suppeneva reaalinen integraali on reaaliluku. Määritelmän 1 kohdat b ja c seuraavat integraalin lineaarisuudesta seuraavasti αf + βh g = b (αf + βh)(t)g(t)dt = a b α a f(t)g(t)dt + β b 4 a h(t)g(t)dt = α f g + β h g.

5 Kohta d. Olkoon f O. Tällöin f(t) 2 vakio > 0, jollain välillä [c, d] [a, b]. Siten Esimerkki 5. Vektoriavaruuteen f f = b a f(t) 2 dt > 0. (20) C([a, b], C) = {f : [a, b] C f on jatkuva}, missä a < b, saadaan Hermiten sisätulo asettamalla kaikilla f, g C([a, b], C). Esimerkki 6. f g = b a f(t)g(t)dt (21) Esimerkin 4 kuvaus ei ole sisätulo avaruudessa F([a, b], R), sillä funktiolle { 1, kun x = a f(x) = 0, kun x ]a, b] pätee f F([a, b], R) ja f 0, mutta 1.2 Normiavaruus Määritelmä 3. f f = b a f 2 (t)dt = 0. Olkoon V vektoriavaruus kunnan K = R tai K = C yli. Kuvaus : V R 0 on normi, jos (a) v 0 v V ; (b) v = 0 v = 0; (c) λv = λ v v V ja λ K; 5

6 (d) v + w v + w v, w V (kolmioepäyhtälö). Normiavaruus on pari (V, ), missä V on vektoriavaruus ja on normi avaruudessa V. Tällöin sanotaan lyhyesti, että V on normiavaruus. Tärkeitä normiavaruuksia ovat sisätuloavaruudet, nimittäin sisätulon avulla saadaan normi. Lause 1. Olkoon V sisätuloavaruus. Määritellään kuvaus asettamalla Tällöin on normi. : V R v = v v = v v v V. (22) Todistus. Koska niin neliöjuuren arvo on reaaliluku ja Siten saadaan kuvaus v v 0 v V, (23) v = v v 0 v V. (24) : V R 0, joka todistaa myös normin määritelmän kohdan a. Kohta b: Tuloksen (10) nojalla v v = 0 v = 0, (25) joten Kohta c: Aluksi reaalinen tapaus. Olkoon λ R. Lasketaan v = v v = 0 v = 0. (26) λv = (λv) (λv) = λ 2 v v = λ v v = λ v. Vielä kompleksitapaus. Olkoon λ C. Lasketaan λv = (λv) (λv) = λλv v = = λ 2 v v = λ v v = λ v. Ennen kolmioepäyhtälön todistusta esitetään Cauchy-Schwarzin epäyhtälö. 6

7 Lause 2. Kuvaukselle (22) pätee Cauchy-Schwarzin epäyhtälö kaikilla v, w V. Todistus. Kirjoitetaan Tällöin v w v w (27) z := w 2 v (v w)w. z w = w 2 v w (v w)w w = (v w)( w 2 w 2 ) = 0. (28) Siten w 4 v 2 = w 2 v w 2 v = Tästä saadaan ja edelleen (27). Kohta d: Aluksi reaalinen tapaus. Tarkastellaan lauseketta (z + (v w)w) (z + (v w)w) = z z + 2(v w)z w + (v w) 2 w w = w 2 v 2 v w 2 z 2 + v w 2 w 2 v w 2 w 2. v + w 2 = (v + w) (v + w) = v v + v w + w v + w w = mistä saadaan v 2 + 2v w + w 2 v v w + w 2 v v w + w 2 = ( v + w ) 2, v + w v + w aina, kun v, w V. Sitten kompleksitapaus, missä tarvitaan tulosta Nyt z + z 2 z. (29) v + w 2 = (v + w) (v + w) = v v + v w + w v + w w = v 2 + v w + v w + w 2 v v w + w 2 v v w + w 2 = ( v + w ) 2, 7

8 mistä saadaan v + w v + w aina, kun v, w V. Seurauksena saadaan sisätulonormin kolmioepäyhtälöt Lemma 3. Sisätulonormille pätee Esimerkki 7. v w v + w v + w (30) Avaruudessa R n vektorin x = (x 1,..., x n ) sisätulonorminormi x = x x = x x 2 n (31) antaa vektorin pituuden (Eukleideen pituuden). Lauseen 1 mukaan sisätulonormi ja siten myös Eukleideen pituus-funktio (31) toteuttavat normin aksiomit - erityisesti kolmioepäyhtälön x y x + y x + y (32) - lisäksi pätee Cauchy-Schwarzin epäyhtälö Esimerkki 8. x y x y. (33) Avaruudessa R 2 vektorin (x, y) Eukleideen pituus (x, y) = x x = x 2 + y 2 (34) antaa (suorakulmaisen) nelikulmion lävistäjän pituuden sekä yleistää perinteisen Pythagoraan lauseen. Esimerkki 9. Avaruudessa R 3 vektorin (x, y, z) Eukleideen pituus (x, y, y) = x x = x 2 + y 2 + z 2 (35) antaa (suorakulmaisen) suuntaissärmiön lävistäjän pituuden yleistäen kaksiulotteisen Pythagoraan lauseen. 8

9 Olkoon V sisätuloavaruus. Jos v, w V \ {0}, niin Cauchy-Schwarzin epäyhtälön nojalla 1 v w v w 1 (36) Tämä antaa mahdollisuuden määritellä vektorien v ja w välinen kulma α asettamalla cos α = v w v w. (37) Lauseke v w antaa vektoreiden v ja w välisen etäisyyden. Tällöin kosinilause saadaan yleistettyä sisätuloavaruuksiin. Lemma 4. Olkoon V sisätuloavaruus ja v, w V \ {0}. Tällöin v w 2 = v w v w = v 2 + w 2 2 v w 1.3 Ortogonaalisuus Määritelmä 4. = v 2 + w 2 2 cos α v w. Vektorit v ja w ovat ortogo- Olkoon V sisätuloavaruus ja v, w V. naaliset, jos v w = 0. Tällöin käytetään merkintää v w. Epätyhjä joukko T V on ortogonaalinen, jos 0 / T ; v w v, w T, v w. Epätyhjä joukko T V on ortonormaali, jos se on ortogonaalinen ja v = 1 kaikilla v T. Vektorit v ja w ovat ortogonaaliset eli kohtisuorassa toisiaan vastaan; Vektori v on kohtisuorassa vektoria w vastaan; Esimerkki 10. 9

10 Koska 0 w = 0 w V eli 0 w w V, niin nollavektori on kohtisuorassa kaikkia avaruuden vektoreita vastaan. Edelleen, koska nollavektorin sisältävä joukko on lineaarisesti sidottu, niin nollavektoria ei haluta mukaan ortogonaaliseen joukkoon. Nimittäin, ortogonaalisista joukoista on tarkoitus muodostaa kantoja, joiden on syytä olla lineaarisesti vapaita. Olkoon K kunta ja n Z +, tällöin K n on lineaariavaruus kunnan K yli. Merkitään e k = (0,..., 1,..., 0) K n, missä k:s koordinaatti on 1 ja muut nollia aina, kun k = 1, 2,..., n. Tiedetään, että vektorit e 1,..., e n ovat lineaarisesti vapaita kunnan K yli. Olkoon nyt K n = R n, missä sisätulona on (4) tai K n = C n, missä sisätulona on (8). Esimerkki 11. Joukko ortonormaali. E n := {e 1,..., e n } (38) Esimerkki 12. Tarkastellaan vektoriavaruuden sisätuloa Lasketaan C([ 1, 1], R) = {f : [ 1, 1] R f on jatkuva}, f g = 1 t = f(t)g(t)dt. (39) tdt = 0, (40) joten funktiot 1 ja t ovat kohtisuorassa ja joukko {1, t} on ortogonaalinen. Lasketaan normit 1 = 2, t = 2/3. (41) Siten joukko {1, t} ei ole ortonormaali. 10

11 Lause 3. Olkoot V (reaalinen tai kompleksinen) sisätuloavaruus ja S V ortogonaalinen. Tällöin S on lineaarisesti riippumaton. Erityisesti ortonormaali joukko on lineaarisesti riippumaton. Muistettakoon, että nollavektori ei kuulu ortogonaaliseen joukkoon. Todistus. Tutkitaan joukon S äärellistä osajoukkoa J := {s 1,..., s n }, jonka alkioille s 1,..., s n S siis pätee s k s l = 0 aina, kun k l. Asetetaan lineaarikombinaatio nollaksi: a 1 s a n s n = 0. Ottamalla sisätulo vektorin s 1 kanssa saadaan a 1 s 1 s a n s 1 s n = s 1 0 a 1 s 1 s 1 = 0. (42) Koska s 1 0, niin s 1 s 1 > 0 sisätulon aksiomin d nojalla, joten a 1 = 0. Edetään induktiolla tulokseen a 1 =... = a n = 0, joka todistaa joukon J lineaarisen vapauden. Siten kaikki joukon S aäärelliset osajoukot ovat lineerisesti vapaita, joten määritelmän nojalla S on lineaarisesti vapaa. Määritelmä 5. Sisätuloavaruuden V osajoukko S on avaruuden V ortogonaalinen/ortonormaali kanta, jos S on ortogonaalinen/ortonormaali ja avaruuden V kanta. Esimerkki 13. Avaruuden K n luonnollinen kanta {e 1,..., e n } on ortonormaali kanta. Ortonormitus tarkoittaa annetun vektorin jakamista sen normilla, jolloin tuloksena saadaan vektori, jonka pituus on 1. Lemma 5. Olkoon v V, v 0. Tällöin Todistus. f := v/ v f = 1. (43) f 2 = f f = v v v v = 1 v 2 v v = 1 v 2 v 2 = 1. Lause 4. Oletetaan, että S = {v 1,..., v n } on sisätuloavaruuden V ortogonaalinen kanta. Tällöin vektorin v V koordinaatit kannassa S saadaan kaavasta λ i = v i v v i v i (44) kaikilla 1 i n. Erityisesti jos S on ortonormaali, niin λ i = v i v. 11

12 Todistus. Vektorilla v on kannassa {v 1,..., v n } esitys Ottamalla sisätulo v = λ 1 v λ n v n. v i v = λ 1 v i v λ i v i v i λ n v i v n = λ i v i v i. josta saadaan väite (44). Lause 5. Oletetaan, että S = {v 1,..., v n } on sisätuloavaruuden V ortonormaali kanta. Tällöin kaikilla v, w V pätee Parsevalin yhtälö v w = v v i v i w. (45) Lause 6. Jos vektorilla v on kannassa {v 1,..., v n } esitys v = λ 1 v λ n v n, niin v = n v v i 2 = n λ 2 i. (46) 2016: 1. välikoe tähän asti. 1.4 Gram-Schmidt Lause 7. Olkoot V sisätuloavaruus ja {v 1,..., v k } V lineaarisesti riippumaton. Tällöin on olemassa sellainen ortogonaalinen joukko {w 1,..., w k } V, että w 1,..., w k = v 1,..., v k. (47) Todistus. Suoritetaan Gram-Schmidtin ortogonalisointimenetelmä: 12

13 Asetetaan w 1 = v 1, Tällöin esimerkiksi w 2 = v 2 v 2 w 1 w 1 w 1 w 1 w 3 = v 3 v 3 w 2 w 2 v 3 w 1 w 1 w 2 w 2 w 1 w 1... w k = v k v k w k 1 w k 1... v k w 1 w 1. w k 1 w k 1 w 1 w 1 w 2 w 1 = v 2 w 1 v 2 w 1 w 1 w 1 w 1 w 1 = 0, w 3 w 1 = v 3 w 1 v 3 w 2 w 2 w 2 w 2 w 1 v 3 w 1 w 1 w 1 w 1 w 1 = v 3 w 1 0 v 3 w 1 = 0. Yleisemmin induktiolla. Olkoon l 2. Induktio-oletus: Olkoot w i w j = 0 aina, kun l > i > j. Induktioaskel: Lasketaan sisätulo w l w i = v l w i v l w i w i w i w i w i = 0. Lause 8. Jokaisella äärellisulotteisella sisätuloavaruudella V {0} on ortonormaali kanta. Esimerkki 14. Tarkastellaan avaruuden R 4 vektoreita v 1 = (1, 1, 1, 1), v 2 = (5, 1, 1, 1) ja v 3 = ( 3, 3, 1, 3). Etsitään aliavaruudelle H = v 1, v 2, v 3 ortonormaali kanta. 13

14 Käytetään Gram-Schmidtin ortogonalisointimenetelmää, jolloin w 1 = v 1 = (1, 1, 1, 1), w 2 = v 2 (v 2 w 1 ) (w 1 w 1 ) w 1 = (5, 1, 1, 1) (1, 1, 1, 1) = (4, 2, 0, 2), ja w 3 = v 3 (v 3 w 2 ) (w 2 w 2 ) w 2 (v 3 w 1 ) (w 1 w 1 ) w 1 = v w = (0, 0, 0, 0). Koska w 3 = 0, niin {v 1, v 2, v 3 } on lineaarisesti riippuva. Ylläolevasta nähdään, että vektori v 3 on lineaarikombinaatio vektoreista v 1 ja v 2, joten H = v 1, v 2. Nyt {v 1, v 2 } on lineaarisesti riippumaton, joten {w 1, w 2 } on avaruuden H ortogonaalinen kanta. Normittamalla vektorit saadaan ortonormaali kanta {f 1, f 2 }, missä f 1 = w 1 w 1 = Hypertaso (1, 1, 1, 1) ja f 2 = w 2 w 2 = 1 24 (4, 2, 0, 2) = ( 2 6, 1 6, 0, w 1 ) 1. 6 Määritelmä 6. Olkoon V lineaariavaruus kunnan K yli ja dim K V = k Z +. Hypertaso H on V :n (k 1)-ulotteinen aliavaruus. Affiini hypertaso on muotoa w + H, missä H on hypertaso ja w V. Jos hypertason H dimensio on k 1, niin tällöin sanotaan, että myös affiinin hypertason w + H dimensio on k 1. Jos dim K V = 2, niin hypertaso on origon kautta kulkeva suora. 14

15 Jos dim K V = 3, niin hypertaso on origon kautta kulkeva taso. Jos dim K V = 4, niin hypertaso on origon kautta kulkeva 3-ulotteinen aliavaruus eli hypertaso. Lemma 6. Olkoon n V \ {0} annettu ja dim K V = k Z +. Tällöin joukko N := {x V n x = 0} (48) muodostaa (k 1)-ulotteisen hypertason ja joukko x 0 + N = {x V n (x x 0 ) = 0} (49) muodostaa (k 1)-ulotteisen affiinin hypertason. Olkoon seuraavassa e 1,..., e k avaruuden V ortonormaali kanta ja vektoreiden n ja x esitykset siinä: n = n 1 e n k e k = (n 1,..., n k ), (50) x = x 1 e x k e k = (x 1,..., x k ) (51) vastaavine koordinaattiesityksineen. Todistus. Joukolle (48) saadaan koordinaattiesitys N := {x = (x 1,..., x k ) n 1 x n k x k = 0}, (52) missä ehdon n 0 nojalla ainkin yksi koordinaatti n j 0, olkoon vaikka n 1 0. Siten x 1 = 1 n 1 (n 2 x n k x k ) (53) ja edelleen x = x 1 e x k e k = x 2 ( n 2 e 1 +e 2 )+...+x k ( n k e 1 +e k ) := x 2 f x k f k. n 1 n 1 (54) Niinpä N = f 2,..., f k, (55) missä f 2,..., f k on lineaarisesti vapaa ja siten kanta ja dim K N = k 1. Lemma 7. Olkoon dim K V = k Z +. Tällöin V :n hypertaso H voidaan esittää muodossa H = {x V n x = 0} (56) jollakin n V \ {0} sekä vastaava affiini hypertaso x 0 + H muodossa x 0 + H = {x V n (x x 0 ) = 0}. (57) 15

16 Todistus. Hypertaso on (k 1)-ulotteinen aliavaruus, joten on olemassa sellainen ortonormaali joukko g 1,..., g k 1, että H = g 1,..., g k 1, dim K H = k 1. (58) Edelleen on olemassa g k / H, g k V. Lauseen I:7 kohdan (34) nojalla g 1, g 2,..., g k on lineaarisesti vapaa ja siten V :n kanta, joka ortonormitetaan tarvittaessa ja käytetään samoja merkintöjä. Niinpä, jos x H, niin x = β 1 g β k 1 g k g k. (59) Valitaan n = 0 g g k g k, jolloin n x = 0. (60) Tutkitaan pisteen t V etäisyyttä hypertasosta H. Määritelmä 7. Olkoon V normiavaruus ja = S V. Tällöin pisteen t V etäisyys joukosta S on inf t s. (61) s S Tutkitaan pisteen t V etäisyyttä hypertasosta H. Voidaan osoittaa, että pisteen etäisyys hypertasosta on kohtisuoraetäisyys. Lemma 8. Olkoon dim K V = k Z + ja n V \ {0}. Tällöin hypertason H = {x V n x = 0} (62) ja pisteen t V välinen etäisyys l saadaan kaavasta l = n t n (63) Todistus. Ortonormitetaan n: ˆn = n/ n. Koska ˆn H, niin etäisyys l on vektorin αˆn pituus α, missä αˆn on vektorin t ja sen H:lla olevan projektion p H välinen etäisyysvektori eli t p = αˆn. Koska p ˆn ja t = p + αˆn, niin Siten 0 = p ˆn = (t αˆn) ˆn = t ˆn αˆn ˆn = t ˆn α. (64) Affiini hypertaso voidaan kirjoittaa muodossa α = t ˆn = t n n. (65) x 0 + H = {x V n x = b}, b = n x 0. (66) 16

17 Lemma 9. Olkoon dim K V = k Z + ja n V \ {0}. Tällöin affiinin hypertason x 0 + H = {x V n (x x 0 ) = 0} (67) ja pisteen t V välinen etäisyys l saadaan kaavasta l = n (t x 0) n = n t b n (68) Esimerkki 15. Olkoon V = R 3, n = (n 1, n 2, n 3 ), w = (x, y, z) ja w 0 = (x 0, y 0, z 0 ). Nyt affiini hypertaso on muotoa w 0 + H = {w R 3 n (w w 0 ) = 0} = {(x, y, z) R 3 n 1 x + n 2 y + n 3 z = b := n 1 x 0 + n 2 y 0 + n 3 z 0 }. (69) Affiinin hypertason ja pisteen t = (t 1, t 2, t 3 ) R 3 saadaan kaavasta l = n (t w 0) = n n 1 (t 1 x 0 ) + n 2 (t 2 y 0 ) + n 3 (t 3 z 0 ) n n n 2 3 välinen etäisyys l = n 1 t 1 + n 2 t 2 + n 3 t 3 b. (70) n n n Ortogonaalikomplementti Määritelmä 8. Olkoon V sisätuloavaruus ja A V. Osajoukon A ortogonaalikomplementti on osajoukko A = {b V b a = 0 a A}. Ortogonaalikomplementti, ortogonaalinen komplementti, kohtisuora komplementti Merkintä 1. h A h A. Lemma 10. Olkoon V sisätuloavaruus ja A avaruuden V aliavaruus. Tällöin ortogonaalikomplementti A on V :n aliavaruus. 17

18 Lemma 11. Olkoon V sisätuloavaruus ja A avaruuden V aliavaruus. Jos dim K V = n ja dim K A = k, niin A A = {0}, (71) dim K A = n k. (72) Määritelmä 9. Olkoon V sisätuloavaruus, t V ja A aliavaruus. Pisteen t kohtisuora projektio PROJ A (t) = p aliavaruudelle A on yksikäsitteinen piste p, joka toteuttaa ehdot p A; p + h = t; (73) h A. Palataan hetkeksi Gram-Schmidtin ortogonalisointimenetelmän, Lauseen 7 pariin. Olkoon V sisätuloavaruus ja {v 1,..., v k } V lineaarisesti riippumaton. Olkoon j k 1 ja A := {w 1,..., w j } V ortogonaalinen. Muodostetaan alkio w j+1 = h A seuraavasti. Valitaan alkio v j+1 = t / A ja asetetaan: p A; p + h = t; (74) h A. Joten Tällöin 0 = h w l = (t p) w l p = β 1 w β j w j ; p + h = t; h w 1 =... = h w j = 0; w i w l = 0, i l. t w l = p w l = (β 1 w β j w j ) w l = β l w l w l Niinpä saadaan uusi kohtisuora vektori (75) β l = t w l w l w l. (76) w j+1 := h = t p = v j+1 v j+1 w 1 w 1 w 1 w 1... v j+1 w j w j w j w j. (77) 18

x = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );

x = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 ); LINEAARIALGEBRA Harjoituksia, Syksy 2016 1. Olkoon n Z +. Osoita, että (R n, +, ) on lineaariavaruus, kun vektoreiden x = (x 1,..., x n ), y = (y 1,..., y n ) identtisyys, yhteenlasku ja reaaliluvulla

Lisätiedot

1 Lineaariavaruus eli Vektoriavaruus

1 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

Lisätiedot

Kertausta: avaruuden R n vektoreiden pistetulo

Kertausta: 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:

Lisätiedot

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on 13 Pistetulo Avaruuksissa R 2 ja R 3 on totuttu puhumaan vektorien pituuksista ja vektoreiden välisistä kulmista. Kuten tavallista, näiden käsitteiden yleistäminen korkeampiulotteisiin avaruuksiin ei onnistu

Lisätiedot

Lineaarialgebra II P

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

Lisätiedot

Ominaisvektoreiden lineaarinen riippumattomuus

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

Lisätiedot

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle

Ortogonaaliprojektio 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

Lisätiedot

Kertausta: avaruuden R n vektoreiden pistetulo

Kertausta: avaruuden R n vektoreiden pistetulo Kertausta: avaruuden R n vektoreiden pistetulo Määritelmä Vektoreiden v R n ja w R n pistetulo on v w = v 1 w 1 + v 2 w 2 + + v n w n. Huom. Pistetulo v w on reaaliluku! LM2, Kesä 2014 164/246 Kertausta:

Lisätiedot

Ortogonaalisen kannan etsiminen

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

Lisätiedot

1. Normi ja sisätulo

1. Normi ja sisätulo Kurssimateriaalia K3/P3-kursille syksyllä 3 83 Heikki Apiola Sisältää otteita Timo Eirolan L3-kurssin lineaarialgebramonisteesta, jonka lähdekoodin Timo on ystävällisesti antanut käyttööni Normi ja sisätulo

Lisätiedot

Havainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin. w w = ( 4) 2 + ( 3) 2 = 25 = 5. v = ( 3) = 13. v = v.

Havainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin. w w = ( 4) 2 + ( 3) 2 = 25 = 5. v = ( 3) = 13. v = v. Havainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin w = w w = ( 4) 2 + ( 3) 2 = 25 = 5 v = v v = ( 3) 2 + 2 2 = 13. w =5 3 2 v = 13 4 3 LM1, Kesä 2014 76/102 Normin ominaisuuksia I Lause

Lisätiedot

pdfmark=/pages, Raw=/Rotate 90 1 Lineaariavaruus eli Vektoriavaruus Sisätuloavaruus Lineaarikuvaus Ominaisarvo 0-68

pdfmark=/pages, Raw=/Rotate 90 1 Lineaariavaruus eli Vektoriavaruus Sisätuloavaruus Lineaarikuvaus Ominaisarvo 0-68 SISÄLTÖ Sisältö pdfmark=/pages, Raw=/Rotate 90 1 Lineaariavaruus eli Vektoriavaruus 0-1 2 Sisätuloavaruus 0-20 3 Lineaarikuvaus 0-41 4 Ominaisarvo 0-68 5 Esimerkkejä 0-88 1. Lineaariavaruus eli V 1 Lineaariavaruus

Lisätiedot

LINEAARIALGEBRA A 2016 TOMI ALASTE EDITED BY T.M. FROM THE NOTES OF

LINEAARIALGEBRA A 2016 TOMI ALASTE EDITED BY T.M. FROM THE NOTES OF LINEAARIALGEBRA 83A 6 EDITED BY T.M. FROM THE NOTES OF TOMI ALASTE SISÄLTÖ Sisältö Lineaariavaruus eli Vektoriavaruus Sisätuloavaruus 3 Lineaarikuvaus 4 Ominaisarvo 34 5 Esimerkkejä 44 . Lineaariavaruus

Lisätiedot

Insinöörimatematiikka D

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

Lisätiedot

HILBERTIN AVARUUKSISTA

HILBERTIN AVARUUKSISTA HILBERTIN AVARUUKSISTA Pro gradu -tutkielma Hannariikka Lehtiniemi Matematiikan ja tilastotieteen laitos Jyväskylän yliopisto syksy 2014 TIIVISTELMÄ Ääretönulotteiset avaruudet ovat monilta ominaisuuksiltaan

Lisätiedot

5 Ominaisarvot ja ominaisvektorit

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

Lisätiedot

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

Määritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V. Termejä: Lineaarikuvaus, Lineaarinen kuvaus. 1 Lineaarikuvaus 1.1 Määritelmä Määritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V W on lineaarinen, jos (a) L(v + w) = L(v) + L(w); (b) L(λv) = λl(v) aina, kun v, w V ja λ K. Termejä:

Lisätiedot

Sisätuloavaruudet. 4. lokakuuta 2006

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

Lisätiedot

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

Bijektio. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin jokaiselle alkiolle kuvautuu tasan yksi lähdön alkio. Määritelmä Bijektio Oletetaan, että f : X Y on kuvaus. Sanotaan, että kuvaus f on bijektio, jos se on sekä injektio että surjektio. Huom. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin

Lisätiedot

802320A LINEAARIALGEBRA OSA III

802320A LINEAARIALGEBRA OSA III 802320A LINEAARIALGEBRA OSA III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 56 Määritelmä Määritelmä 1 Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V

Lisätiedot

1 Ominaisarvot ja ominaisvektorit

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

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

Lineaarialgebra ja matriisilaskenta I. LM1, Kesä /218

Lineaarialgebra ja matriisilaskenta I. LM1, Kesä /218 Lineaarialgebra ja matriisilaskenta I LM1, Kesä 2012 1/218 Avaruuden R 2 vektorit Määritelmä (eli sopimus) Avaruus R 2 on kaikkien reaalilukuparien joukko; toisin sanottuna R 2 = { (a, b) a R ja b R }.

Lisätiedot

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

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

Lisätiedot

Insinöörimatematiikka D

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

Lisätiedot

Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut

Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut Insinöörimatematiikka D, 29.3.2016 4. laskuharjoituksien esimerkkiratkaisut 1. Olkoon u (4,0,4,2) ja v ( 1,1,3,5) vektoreita vektoriavaruudessa R 4. Annetun sisätulon (x,y) indusoima normi on x (x,x) ja

Lisätiedot

Matriisilaskenta Luento 12: Vektoriavaruuden kannan olemassaolo

Matriisilaskenta Luento 12: Vektoriavaruuden kannan olemassaolo Matriisilaskenta Luento 12: Vektoriavaruuden kannan olemassaolo Antti Rasila 2016 Vektoriavaruuden kannan olemassaolo Jos {v 1, v 2,..., v k } on äärellisulotteisen vektoriavaruuden V lineaarisesti riippumaton

Lisätiedot

i=1 Näistä on helppo näyttää ominaisuudet (1)-(4). Ellei toisin mainita, käytetään R n :ssä

i=1 Näistä on helppo näyttää ominaisuudet (1)-(4). Ellei toisin mainita, käytetään R n :ssä Kurssimateriaalia K3/P3-kursille syksyllä 003. 8.0.003 Heikki Apiola Sisältää otteita Timo Eirolan L3-kurssin lineaarialgebramonisteesta, jonka lähdekoodin Timo on ystävällisesti antanut käyttööni.. Normi

Lisätiedot

Insinöörimatematiikka D

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

Lisätiedot

Määritelmä 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 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

Lisätiedot

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Kannan 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

Lisätiedot

4. Hilbertin avaruudet

4. Hilbertin avaruudet FUNKTIONAALIANALYYSIN PERUSKURSSI 51 4. Hilbertin avaruudet Hilbertin avaruudet ovat ääretönulotteisista normiavaruuksista ominaisuuksiltaan kaikkein lähinnä kotiavaruutta R n tai C n. Tästä syystä niiden

Lisätiedot

Ristitulolle saadaan toinen muistisääntö determinantin avulla. Vektoreiden v ja w ristitulo saadaan laskemalla determinantti

Ristitulolle saadaan toinen muistisääntö determinantin avulla. Vektoreiden v ja w ristitulo saadaan laskemalla determinantti 14 Ristitulo Avaruuden R 3 vektoreille voidaan määritellä pistetulon lisäksi niin kutsuttu ristitulo. Pistetulosta poiketen ristitulon tulos ei ole reaaliluku vaan avaruuden R 3 vektori. Ristitulosta on

Lisätiedot

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:

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

Lisätiedot

Kuvaus. Määritelmä. LM2, Kesä /160

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

Lisätiedot

Insinöörimatematiikka D

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

Lisätiedot

Hilbertin avaruudet, 5op Hilbert spaces, 5 cr

Hilbertin avaruudet, 5op Hilbert spaces, 5 cr Hilbertin avaruudet, 5op Hilbert spaces, 5 cr Pekka Salmi 14.3.2015 Pekka Salmi Hilbertin avaruudet 14.3.2015 1 / 64 Yleistä Opettaja: Pekka Salmi, MA327 Kontaktiopetus ti 1012 (L), ke 810 (L), ma 1214

Lisätiedot

Tehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä todistuksia ja lineaarikuvauksen muodostamista. Sarjaan liittyvät Stack-tehtävät: 1 ja 2.

Tehtäväsarja 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

Lisätiedot

Johdatus lineaarialgebraan

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

Lisätiedot

Insinöörimatematiikka D

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

Lisätiedot

Pistetulo eli skalaaritulo

Pistetulo eli skalaaritulo Pistetulo eli skalaaritulo VEKTORIT, MAA4 Pistetulo on kahden vektorin välinen tulo. Tarkastellaan ensin kahden vektorin välistä kulmaa. Vektorien a ja, kun a 0, välinen kulma on (kuva) kovera kun a vektorit

Lisätiedot

6. OMINAISARVOT JA DIAGONALISOINTI

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

Lisätiedot

LINEAARIALGEBRA P. LUENTOMONISTE ja HARJOITUSTEHTÄVÄT

LINEAARIALGEBRA P. LUENTOMONISTE ja HARJOITUSTEHTÄVÄT LINEAARIALGEBRA II 802119P LUENTOMONISTE ja HARJOITUSTEHTÄVÄT syksy 2008 30 V SISÄTULOAVARUUKSISTA 1. Sisätulon määritelmä Tarkastellaan sisätulon määrittelyä varten kompleksilukujen joukkoa C = {x + iy

Lisätiedot

9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista

9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista 29 9 Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista Tarkastelemme kertalukua n olevia lineaarisia differentiaaliyhtälöitä y ( x) + a ( x) y ( x) + + a ( x) y( x) + a ( x) y= b( x) ( n) ( n

Lisätiedot

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44 Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44 Tehtävät 1-3 lasketaan alkuviikon harjoituksissa, verkkotehtävien dl on lauantaina aamuyöllä. Tehtävät 4 ja 5 lasketaan loppuviikon harjoituksissa.

Lisätiedot

Kompaktien operaattoreiden spektraaliteoriasta

Kompaktien operaattoreiden spektraaliteoriasta Kompaktien operaattoreiden spektraaliteoriasta Lauri Horttanainen Matematiikan Pro Gradu -tutkielma Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Kevät 2008 Sisältö Johdanto 2 1. Sisätuloavaruuden

Lisätiedot

MS-C1340 Lineaarialgebra ja

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

Lisätiedot

Luento 8: Epälineaarinen optimointi

Luento 8: Epälineaarinen optimointi Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään

Lisätiedot

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

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

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

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

Lisätiedot

2 / :03

2 / :03 file:///c:/users/joonas/desktop/linis II Syksy /Ratkaisuehdotukse / 8 76 3:3 Kysymys Pisteet,, Määritellään positiivisten reaalilukujen joukossa R + = {x R x > } yhteenlasku ja skalaarikertolasku seuraavasti:

Lisätiedot

3 Skalaari ja vektori

3 Skalaari ja vektori 3 Skalaari ja vektori Määritelmä 3.1 Skalaari on suure, jolla on vain suuruus, jota mitataan jossakin mittayksikössä. Skalaaria merkitään reaaliluvulla. Esimerkki 3.2 Paino, pituus, etäisyys, pinta-ala,

Lisätiedot

Luento 8: Epälineaarinen optimointi

Luento 8: Epälineaarinen optimointi Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään

Lisätiedot

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

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

Lisätiedot

Numeeriset 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 / 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

Lisätiedot

Selvästi. F (a) F (y) < r x d aina, kun a y < δ. Kolmioepäyhtälön nojalla x F (y) x F (a) + F (a) F (y) < d + r x d = r x

Selvästi. F (a) F (y) < r x d aina, kun a y < δ. Kolmioepäyhtälön nojalla x F (y) x F (a) + F (a) F (y) < d + r x d = r x Seuraavaksi tarkastellaan C 1 -sileiden pintojen eräitä ominaisuuksia. Lemma 2.7.1. Olkoon S R m sellainen C 1 -sileä pinta, että S on C 1 -funktion F : R m R eräs tasa-arvojoukko. Tällöin S on avaruuden

Lisätiedot

Hilbertin avaruudet, 5op Hilbert spaces, 5 cr

Hilbertin avaruudet, 5op Hilbert spaces, 5 cr Hilbertin avaruudet, 5op Hilbert spaces, 5 cr Pekka Salmi 26. huhtikuuta 2017 Pekka Salmi Hilbertin avaruudet 26. huhtikuuta 2017 1 / 115 Yleistä Opettaja: Pekka Salmi, MA327 Kontaktiopetus ti 1012 (L),

Lisätiedot

7 Vapaus. 7.1 Vapauden määritelmä

7 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

Lisätiedot

=p(x) + p(y), joten ehto (N1) on voimassa. Jos lisäksi λ on skalaari, niin

=p(x) + p(y), joten ehto (N1) on voimassa. Jos lisäksi λ on skalaari, niin FUNKTIONAALIANALYYSI, RATKAISUT 1 KEVÄT 211, (AP) 1. Ovatko seuraavat reaaliarvoiset funktiot p : R 3 R normeja? Ovatko ne seminormeja? ( x = (x 1, x 2, x 3 ) R 3 ) a) p(x) := x 2 1 + x 2 2 + x 2 3, b)

Lisätiedot

Singulaariarvohajotelma ja pseudoinverssi

Singulaariarvohajotelma 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

Vektorianalyysi I MAT Luennoitsija: Ritva Hurri-Syrjänen Luentoajat: ti: 14:15-16:00, to: 12:15-14:00 Helsingin yliopisto 21.

Vektorianalyysi I MAT Luennoitsija: Ritva Hurri-Syrjänen Luentoajat: ti: 14:15-16:00, to: 12:15-14:00 Helsingin yliopisto 21. Vektorianalyysi I MAT21003 Luennoitsija: Ritva Hurri-Syrjänen Luentoajat: ti: 14:15-16:00, to: 12:15-14:00 Helsingin yliopisto 21. syyskuuta 2017 1 Sisältö 1 Euklidinen avaruus 3 1.1 Euklidinen avaruus

Lisätiedot

Konformigeometriaa. 5. maaliskuuta 2006

Konformigeometriaa. 5. maaliskuuta 2006 Konformigeometriaa 5. maaliskuuta 006 1 Sisältö 1 Konformigeometria 1.1 Viivan esitys stereograasena projektiona............ 1. Euklidisen avaruuden konformaalinen malli........... 4 Konformikuvaukset

Lisätiedot

Lineaarialgebra ja matriisilaskenta II Syksy 2009 Laskuharjoitus 1 ( ) Ratkaisuehdotuksia Vesa Ala-Mattila

Lineaarialgebra 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

Lisätiedot

6. Lineaariset operaattorit

6. Lineaariset operaattorit 96 FUNKTIONAALIANALYYSIN PERUSKURSSI 6. Lineaariset operaattorit Luvussa 5 osoitimme, että Fourier-sarjat suppenevat L 2 -normissa (kts. Seuraus 5.8 sivulla 80). Osoitimme myös, että kun f on jatkuva ja

Lisätiedot

Lebesguen mitta ja integraali

Lebesguen mitta ja integraali Lebesguen mitta ja integraali Olkoon m Lebesguen mitta R n :ssä. R 1 :ssä vastaa pituutta, R 2 :ssa pinta-alaa, R 3 :ssa tilavuutta. Mitallinen joukko E R n = joukko jolla on järkevästi määrätty mitta

Lisätiedot

Lineaarikuvauksen R n R m matriisi

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

Lisätiedot

Ominaisarvoon 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.

Ominaisarvoon 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) (

Lisätiedot

Insinöörimatematiikka D

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

Lisätiedot

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

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

Lisätiedot

Laskutoimitusten operaattorinormeista

Laskutoimitusten operaattorinormeista Laskutoimitusten operaattorinormeista Rami Luisto 27. tammikuuta 2012 Tiivistelmä Tässä kirjoitelmassa määrittelemme vektoriavaruuksien väliselle lineaarikuvaukselle normin ja laskemme sen eksplisiittisesti

Lisätiedot

Metriset avaruudet 2017

Metriset avaruudet 2017 Metriset avaruudet 2017 Jouni Parkkonen Merkintöjä N = {0, 1, 2,... } luonnolliset luvut #(A) N { } joukon A alkioiden lukumäärä A B = {a A : a / B} joukkojen A ja B erotus. A B on joukkojen A ja B erillinen

Lisätiedot

Kantavektorien kuvavektorit määräävät lineaarikuvauksen

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

Lisätiedot

Alkeismuunnokset matriisille, sivu 57

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

Lisätiedot

1 Avaruuksien ja lineaarikuvausten suora summa

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

Lisätiedot

Lineaarialgebra ja matriisilaskenta I

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

Lisätiedot

Tehtävä 1. Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja.

Tehtävä 1. Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja. Tehtävä 1 Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja. 1 Jos 1 < y < 3, niin kaikilla x pätee x y x 1. 2 Jos x 1 < 2 ja y 1 < 3, niin x y

Lisätiedot

Metriset avaruudet. Erno Kauranen. 1 Versio: 10. lokakuuta 2016, 00:00

Metriset avaruudet. Erno Kauranen. 1 Versio: 10. lokakuuta 2016, 00:00 1 Metriset avaruudet Erno Kauranen 1 Versio: 10. lokakuuta 2016, 00:00 1. Sisätulo ja normiavaruus................................................. 3 2. Metrinen avaruus........................................................

Lisätiedot

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

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

Lisätiedot

HY / 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 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

Lisätiedot

8. Avoimen kuvauksen lause

8. Avoimen kuvauksen lause 116 FUNKTIONAALIANALYYSIN PERUSKURSSI 8. Avoimen kuvauksen lause Palautamme aluksi mieleen Topologian kursseilta ehkä tutut perusasiat yleisestä avoimen kuvauksen käsitteestä. Määrittelemme ensin avoimen

Lisätiedot

Johdatus lineaarialgebraan

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

Lisätiedot

2 Konveksisuus ja ratkaisun olemassaolo

2 Konveksisuus ja ratkaisun olemassaolo 2 Konveksisuus ja ratkaisun olemassaolo Ratkaisun olemassaolon tutkimiseen tarvitaan perustietoja konvekseista joukoista ja lineaarialgebrasta. Niitä tarvitaan myös ratkaisualgoritmin ymmärtämiseen. Tutkitaan

Lisätiedot

Ortogonaalinen ja ortonormaali kanta

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

Lisätiedot

Yleiset lineaarimuunnokset

Yleiset lineaarimuunnokset TAMPEREEN YLIOPISTO Pro gradu -tutkielma Kari Tuominen Yleiset lineaarimuunnokset Matematiikan ja tilastotieteen laitos Matematiikka Toukokuu 29 Tampereen yliopisto Matematiikan ja tilastotieteen laitos

Lisätiedot

Ensimmäinen induktioperiaate

Ensimmäinen induktioperiaate Ensimmäinen induktioperiaate Olkoon P(n) luonnollisilla luvuilla määritelty predikaatti. (P(n) voidaan lukea luvulla n on ominaisuus P.) Todistettava, että P(n) on tosi jokaisella n N. ( Kaikilla luonnollisilla

Lisätiedot

1 Käytännön järjestelyt

1 Käytännön järjestelyt 1 Käytännön järjestelyt Kurssin suorittaminen Tentti Laskuharjoitustehtävät (alustavasti 40%) ja kaksi välikoetta (alustavasti 60%). Suositeltu suoritustapa. Kurssimateriaali Luentomoniste. Saatavilla

Lisätiedot

6 MATRIISIN DIAGONALISOINTI

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

Lisätiedot

Ensimmäinen induktioperiaate

Ensimmäinen induktioperiaate 1 Ensimmäinen induktioperiaate Olkoon P(n) luonnollisilla luvuilla määritelty predikaatti. (P(n) voidaan lukea luvulla n on ominaisuus P.) Todistettava, että P(n) on tosi jokaisella n N. ( Kaikilla luonnollisilla

Lisätiedot

Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä)

Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä) Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe 26.10.2017 Ratkaisuehdotus 1. (35 pistettä) (a) Seuraavat matriisit on saatu eräistä yhtälöryhmistä alkeisrivitoimituksilla. Kuinka monta ratkaisua yhtälöryhmällä

Lisätiedot

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

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

Lisätiedot

Koodausteoria, Kesä 2014

Koodausteoria, Kesä 2014 Koodausteoria, Kesä 2014 Topi Törmä Matemaattisten tieteiden laitos 3. Lineaariset koodit Topi Törmä Matemaattisten tieteiden laitos 2 / 22 3.1 Lineaarisen koodin määrittely Olkoon F äärellinen kunta.

Lisätiedot

8. Avoimen kuvauksen lause

8. Avoimen kuvauksen lause FUNKTIONAALIANALYYSIN PERUSKURSSI 125 8. Avoimen kuvauksen lause Palautamme aluksi mieleen Topologian kursseilta ehkä tutut perusasiat yleisestä avoimen kuvauksen käsitteestä. Määrittelemme ensin avoimen

Lisätiedot

FUNKTIONAALIANALYYSIN PERUSKURSSI 7

FUNKTIONAALIANALYYSIN PERUSKURSSI 7 FUNKTIONAALIANALYYSIN PERUSKURSSI 7 2. Normi ja normiavaruus Olkoon E vektoriavaruus (eli lineaariavaruus) skalaarikuntana K = R tai K = C. Kurssilla Lineaarialgebra I määriteltiin vain R-kertoimiset vektoriavaruudet,

Lisätiedot

Avaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät

Avaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät 11 Taso Avaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät tason. Olkoot nämä pisteet P, B ja C. Merkitään vaikkapa P B r ja PC s. Tällöin voidaan sanoa, että vektorit

Lisätiedot

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

Matikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/210 Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/210 Lineaarialgebra (muut ko) p. 2/210 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2

Lisätiedot

Talousmatematiikan perusteet: Luento 8. Vektoreista ja matriiseista Vektorien peruslaskutoimitukset Lineaarinen riippumattomuus Vektorien sisätulo

Talousmatematiikan perusteet: Luento 8. Vektoreista ja matriiseista Vektorien peruslaskutoimitukset Lineaarinen riippumattomuus Vektorien sisätulo Talousmatematiikan perusteet: Luento 8 Vektoreista ja matriiseista Vektorien peruslaskutoimitukset Lineaarinen riippumattomuus Vektorien sisätulo Motivointi Esim. Herkkumatikka maksaa 50 /kg. Paljonko

Lisätiedot

Määritelmä 2.5. Lause 2.6.

Määritelmä 2.5. Lause 2.6. Määritelmä 2.5. Olkoon X joukko ja F joukko funktioita f : X R. Joukkoa F sanotaan pisteittäin rajoitetuksi, jos jokaiselle x X on olemassa sellainen C x R, että f x C x jokaiselle f F. Joukkoa F sanotaan

Lisätiedot

Vektoreiden virittämä aliavaruus

Vektoreiden 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

Lisätiedot

3.4 Käänteiskuvauslause ja implisiittifunktiolause

3.4 Käänteiskuvauslause ja implisiittifunktiolause 3.4 Käänteiskuvauslause ja implisiittifunktiolause Tässä luvussa käsitellään kahta keskeistä vektorianalyysin lausetta. Esitellään aluksi kyseiset lauseet ja tutustutaan niiden käyttötapoihin. Lause 3.4.1

Lisätiedot