MATRIISIN HESSENBERGIN MUOTO. Niko Holopainen
|
|
- Timo-Jaakko Kinnunen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 MATRIISIN HESSENBERGIN MUOTO Niko Holopainen Matematiikan pro gradu Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Syksy 2013
2
3 Tiivistelmä: Niko Holopainen, Matriisin Hessenbergin muoto Matematiikan pro gradu-tutkielma, 55 sivua Jyväskylän yliopisto, Matematiikan ja tilastotieteen laitos, syksy 2013 Tämä tutkielma käsittelee lineaarialgebraa ja erityisesti matriisiteoriaa Erityisesti tutustutaan neliömatriiseihin ja niiden ominaisarvojen karakteristisen polynomin löytämiseen ja sitä kautta ominaisarvojen ratkaisemiseen Mitä yksinkertaisemmassa muodossa matriisi on, sitä helpommin sen karakteristinen polynomi on ratkaistavissa Helpompi muoto jollekin neliömatriisille A tarkoittaa, että etsitään sille jokin yksinkertaisemmassa muodossa oleva matriisi B niin, että ne ovat keskenään similaarisia Tutkielman tarkoituksena on selventää, kuinka yksinkertaisessa muodossa jokin mielivaltainen neliömatriisi on mahdollista esittää Eräs yksinkertainen neliömatriisityyppi on Hessenbergin matriisi, johon tässä tutkielmassa tutustutaan Hessenbergin matriisia on kahta tyyppiä: ylämuotoa ja alamuotoa Hessenbergin ylämuodossa oleva matriisi voi poiketa yläkolmiomatriisista ainoastaan sen ensimmäisen alemman sivudiagonaalin kohdalla Hessenbergin alamuodossa oleva matriisi voi puolestaan poiketa alakolmiomatriisista ainoastaan sen ensimmäisen ylemmän sivudiagonaalin kohdalla Hessenbergin muodon etuna on, että kaikki neliömatriisit voidaan esittää kyseisessä muodossa Tutkielmassa selvitetään erilaisia algoritmeja neliömatriisin muuntamiseksi sekä Hessenbergin ylämuotoon että alamuotoon similaarimuunnoksilla Lisäksi käydään myös läpi neliömatriisin muuntaminen Hessenbergin ylämuotoon Householderin muunnoksen avulla Tutkielmassa näytetään, kuinka redusoimattoman Hessenbergin matriisin ominaisarvot voidaan ratkaista Krylovin menetelmällä Lisäksi näytetään myös, kuinka redusoituvan Hessenbergin matriisin ominaisarvot voidaan selvittää i Avainsanat: Neliömatriisi, karakteristinen polynomi, ominaisarvo, similaarisuus, Hessenbergin matriisi, Householderin muunnos, Krylovin menetelmä
4
5 Sisältö Johdantoa 1 Luku 1 Matriisi 3 11 Kompleksinen sisätulo ja normi 3 12 Lineaarikuvaus ja matriisi 6 13 Matriisilaskentaa 7 14 Matriisien lohkomuodot Matriisipolynomit 12 Luku 2 Ominaisarvoteoriaa Ominaisarvo, ominaisvektori ja ominaisavaruus Ominaisarvojen ratkaisemisesta Ominaisarvoteoriaa matriisipolynomeille Matriisien similaarisuus 18 Luku 3 Hessenbergin matriisi Muunnos Hessenbergin muotoon similaarimuunnoksilla Hessenbergin matriisin käyttökelpoisuus Householderin muunnos 28 Luku 4 Hessenbergin matriisin ominaisarvot Krylovin menetelmä Redusoituvan Hessenbergin matriisin ominaisarvot 45 Kirjallisuutta 49 iii
6
7 Johdantoa Matriisit ovat olennainen osa lineaarialgebraa Tässä työssä tarkastelun kohteena ovat erityisesti neliömatriisit Monissa eri sovelluksissa ollaan kiinnostuneita neliömatriisin ominaisarvoista ja karakteristisesta polynomista Karakteristinen polynomi ja ominaisarvot ovat kytköksissä toisiinsa, koska ominaisarvot saadaan karakteristisen polynomin nollakohdista Matriisin A karakteristinen polynomi p(λ) on p A (λ) = det(a λi) Mitä yksinkertaisemmassa muodossa matriisi on, sitä helpompi karakteristinen polynomi on selvittää Jos tutkittava neliömatriisi A ei alunperin ole siistissä muodossa, se pyritään saattamaan sellaiseen muotoon Käytännössä on löydettävä jokin yksinkertaisemmassa muodossa oleva matriisi B, joka on similaarinen matriisin A kanssa Matriisit A ja B ovat similaarisia keskenään, jos on olemassa sellainen kääntyvä matriisi C, että C 1 AC = B Jos matriisit ovat similaarisia keskenään, niillä on sama karakteristinen polynomi ja tällöin myös samat ominaisarvot Jos matriisi A on similaarinen jonkin diagonaalimatriisin D kanssa, se on diagonalisoituva Diagonaalimatriisin ominaisarvot saadaan luettua suoraan diagonaalilta, joten tällainen muoto olisi ideaali Kaikki matriisit eivät kuitenkaan ole diagonalisoituvia Yksi vaihtoehto yksinkertaisemmaksi muodoksi on Hessenbergin matriisi, jota on kahta tyyppiä: ylämuotoa ja alamuotoa Hessenbergin ylämuodossa oleva matriisi poikkeaakin yläkolmiomatriisista korkeintaan ensimmäisen alemman sivudiagonaalin (engl subdiagonal) kohdalla ja alamuodossa oleva voi poiketa alakolmiomatriisista ainoastaan ensimmäisen ylemmän sivudiagonaalin (engl superdiagonal) kohdalla Tutkielmassa selviää, että itse asiassa kaikki neliömatriisit on mahdollista muuntaa sekä Hessenbergin ylämuotoon että alamuotoon Ensimmäisessä luvussa tutustutaan tutkielman kannalta tärkeimpiin peruskäsitteisiin Aivan ensimmäisenä määritellään kompleksinen sisätulo ja normi Tämän jälkeen tutustutaan lineaarikuvaukseen ja sitä kautta matriisin määritelmään Luvussa tutustutaan muiden muassa erilaisiin neliömatriisityyppeihin, matriisituloon ja determinanttiin Näytetään, kuinka matriisi voidaan osittaa jakamalla se pienempiin 1
8 2 JOHDANTOA lohkoihin Luvun lopuksi näytetään, kuinka matriiseista voidaan muodostaa polynomeja tavallisten lukujen tapaan Ensimmäisessä luvussa käsitellyt perusasiat löytyvät kirjallisuuslähteistä [1] ja [5]-[9] Osa esiintyvistä lauseista on todistettu, mutta osa sivuutetaan Edellä mainituista lähteistä löytyvät todistukset lauseisiin Toisessa luvussa keskitytään ominaisarvoteoriaan ja erityisesti matriisin karakteristiseen polynomiin ja ominaisarvoihin Selvitetään, miksi matriisin A ominaisarvoja ratkoessa päädytään tutkimaan juuri yhtälöä det(a λi) = 0 Yhtälön vasen puoli määrittelee matriisin karakteristisen polynomin p A (λ) Tarkastellaan karakteristisen polynomin yhteyttä matriisipolynomeihin Määritellään käsite similaarisuus ja todetaan, että similaarisilla matriiseilla todellakin on sama karakteristinen polynomi ja samat ominaisarvot Toisessa luvussa käsiteltävien asioiden pohjana on käytetty pääosin lähdettä [1] ja myös lähteitä [4],[6],[8] ja [9] Kolmannessa luvussa tutustutaan matriisin Hessenbergin muotoon Selvitetään, kuinka matriisi voidaan muuntaa Hessenbergin ylämuotoon ja alamuotoon similaarimuunnoksia käyttäen Luvussa myös todetaan, että jokainen matriisi todellakin voidaan esittää sekä Hessenbergin ylämuodossa että alamuodossa Luvun lopuksi tutustutaan vielä Householderin muunnokseen, jonka avulla matriisi voidaan muuntaa Hessenbergin ylämuotoon Tässä luvussa on käytetty pohjana lähdettä [2] laajentaen sen reaaliset tarkastelut kompleksiseen tapaukseen Viimeisessä luvussa on tutustuttu Hessenbergin matriisin ominaisarvojen ratkaisemiseen Redusoitumattoman Hessenbergin matriisin tapauksessa käytetään Krylovin menetelmää Redusoituva Hessenbergin matriisi voidaan puolestaan jakaa sopiviin lohkoihin Tämän luvun pohjana on pääosin käytetty lähdettä [2] laajentaen sen reaaliset tarkastelut kompleksiseen tapaukseen ja myös lähteitä [3] ja [9]
9 LUKU 1 Matriisi 11 Kompleksinen sisätulo ja normi Kompleksilukujen kunta C koostuu lukupareista (x, y) R 2 ja ne ovat muotoa z = x + iy, jossa i on imaginaariyksikkö, jolle pätee i 2 = 1 Kompleksiluvun z C liittoluku (tai kompeksikonjugaatti) määritellään asettamalla Kompleksiluvun z reaaliosa on ja imaginääriosa on z = x iy x =: Re(z) R y =: Im(z) R Kompleksiluvun z C itseisarvo (tai moduli) määritetään asettamalla z := zz = (x + iy)(x iy) = x 2 i 2 y 2 = x 2 + y 2 Selvästi Re(z) Re(z) z ja Im(z) Im(z) z kaikilla (x, y) R 2 Tässä Re(z) ja Im(z) ovat tavallisia itseisarvoja avaruudessa R Kannattaa myös huomata, että z + z = (x + iy) + (x iy) = 2x = 2 Re(z) Reaalilukujen joukko R voidaan ajatella kompleksilukujen kunnan C osajoukkona, koska jokainen reaaliluku a R voidaan samaistaa kompleksiluvuksi (a, 0) = a + i 0 = a Jokaiselle muotoa (a, 0) olevalle kompleksiluvulle pätee tällöin selvästi a = a Kompleksinen vektori z C n on muotoa z = (z 1,, z n ), jossa komponentit z 1,, z n ovat kompleksilukuja Kompleksisen vektorin z C n kompleksikonjugaatti saadaan ottamalla jokaisesta komponentista erikseen liittoluku: z = (z 1,, z n ) Vektoreiden z = (z 1,, z n ) ja w = (w 1,, w n ) kompleksinen sisätulo määritetään asettamalla n (z w) = z i w i = z 1 w 1 + z n w n i=1 3
10 4 1 MATRIISI Jos vektoreiden a, b C n kaikki komponentit ovat reaalisia (se on reaalinen vektori), tällöin n n (a b) = a i b i = a 1 b a n b n = a 1 b a n b n = a i b i, i=1 jolloin kompleksinen sisätulo vastaa tavallista Eukleideen sisätuloa reaalisille vektoreille Kuvaus : C n R on normi avaruudessa C n, jos se toteuttaa seuraavat ehdot: (1) x 0 kaikilla x C n (2) x = 0, jos ja vain jos x = 0 (3) x + y x + y kaikilla x, y C n (4) αx = α x kaikilla α C ja x C n Tavallinen Eukleideen normi saadaan ottamalla neliöjuuri vektorin sisätulosta itsensä kanssa Kompleksisessa tapauksessa normi määritetään muuten samalla tavalla, mutta tavallisen reaalisen sisätulon sijaan käytetään kompleksista sisätuloa Kompleksisen vektorin z = (z 1,, z n ) C n normiksi saadaan tällöin z = (z z) = n z i z i = z 1 z 1 + z n z n Vektorit x, y C n ovat ortogonaaliset eli kohtisuorat, jos i=1 (x y) = (y x) = 0 Vektorin y ortogonaaliprojektio vektorin x suuntaan määritetään asettamalla (y x) P x y := x x 2 Tällöin pätee (y P x y x) = (y x) (P x y x) = (y x) jolloin y P x y ja x ovat kohtisuorassa keskenään Koska (P x y y P x y) = (P x y P x y) (y P x y) (y x)2 = x 4 x 2 = 0, i=1 (y x) x 2 x 2 = 0, (y x)2 x 2 myös P x y y ja P x y ovat kohtisuorassa keskenään Ortogonaalisille vektoreille pätee Pythagoraan lause, koska x + y 2 = (x + y x + y) = x 2 + (x y) + (y x) + y 2 }{{}}{{} =0 =0 = x 2 + y 2
11 11 KOMPLEKSINEN SISÄTULO JA NORMI 5 Seuraava tulos antaa hyödyllisen arvion kompleksisille vektoreille avaruudessa C n Lause 11 (Cauchyn-Schwarzin epäyhtälö) Kaikille x, y C n pätee (x y) x y Todistus Tapaus on selvä, kun x = 0 Käsitellään tapaus x 0 Koska y P x y ja P x y ovat kohtisuorassa keskenään, pätee Pythagoraan lauseen perusteella y 2 = y P x y + P x y 2 = y P x y 2 + P x y 2 P x y 2 = (y x) 2 x 2 = x 4 Edellistä muokkaamalla saadaan (y x) 2 x 2 (x y) 2 x 2 y 2, joka on yhtäpitävää sen kanssa, että (x y) x y Lause 12 (Kolmioepäyhtälö) Kaikille x, y C n pätee Todistus x + y x + y x + y 2 = (x + y x + y) = x 2 + (x y) + (y x) + y 2 = x 2 + (x y) + (x y) + y 2 = x Re((x y)) + y 2 x (x y) + y 2 x x y + y 2 = ( x + y ) 2 Edellinen on yhtäpitävää sen kanssa, että x + y x + y Kompleksiselle normille pätevät selvästi normin ehdot (1) ja (2) Ehto (3) saadaan lauseesta 12 Lisäksi kompleksiselle normille pätee αx = αxαx = αα xx = α x, mikä on ehto (4) Kompleksinen normi näin ollen täyttää normin ehdot Jos vektorin z kaikki komponentit ovat reaalisia, kompleksinen normi vastaa tällöin tavallista Eukleideen vektorinormia reealisille vektoreille
12 6 1 MATRIISI 12 Lineaarikuvaus ja matriisi Tarkastellaan aluksi lineaarista yhtälöryhmää a 11 x a 1n x n = b 1 (1) a m1 x a mn x n = b m, jossa a ij ja b i (tässä i = 1,, m ja j = 1,, n) ovat kompleksisia vakioita ja x 1,, x n kompleksisia muuttujia Merkitään x = (x 1,, x n ) C n, jolloin x voidaan samaistaa vektoriksi, jolla on n komponenttia: x 1,, x n Yhtälöryhmän (1) yhtälöiden vasemmat puolet määrittelevät kuvauksen L: C n C m : x (a 11 x a 1n x n,, a m1 x a mn x n ) Tällaista kuvausta L kutsutaan lineaarikuvaukseksi ja sillä on selvästi seuraavat ominaisuudet: (1) L(x + y) = L(x) + L(y) kaikilla x, y C n, (2) L(λx) = λl(x) kaikilla x C n ja λ C Tarkastellaan edelleen lineaarista yhtälöryhmä (1) ja esitetään se muodossa a 11 x a 1n x n b 1 (2) = a m1 x a mn x n b m Vektori x C n on mahdollista esittää sarakevektorina x 1 x = (x 1,, x n ) = x n Nyt yhtälö (2) voidaan esittää muodossa a 11 x a 1n x n a 11 a 1n x 1 =: a m1 x a mn x n a m1 a mn x n Yhtälöryhmän kertoimien a ij muodostamaa kaaviota A = A m n = [ a ] 11 a 1n a ij = a m1 a mn kutsutaan matriisiksi, tarkemmin m n-matriisiksi Matriisilla A on selvä yhteys lineaarikuvaukseen L, koska jokainen lineearikuvaus voidaan esittää aina matriisina Matriisi A onkin lineaarikuvausta L vastaava matriisi
13 13 MATRIISILASKENTAA 7 Matriisi koostuu riveista ja sarakkeista Matriisin A sarakkeet a 1j ā j = a mj ovat vektoreina sen sarakevektoreita ā j = (a 1j,, a mj ) C m Matriisin A rivit a i = [ ] a i1 a in ovat vektoreina sen rivivektoreita a i = (a i1,, a in ) C n Matriisi voidaan näin ollen esittää myös muodossa a 1 A = [ ] ā 1 ā n = a m 13 Matriisilaskentaa 131 Neliömatriisi Matriisia, jolla on sama määrä rivejä ja sarakkeita, kutsutaan neliömatriisiksi: a 11 a 1n A = A n n = a n1 a nn Neliömatriisilla on joitakin erikoistapauksia Neliömatriisia, joiden alkioille pätee a ij = 0 silloin, kun i > j, sanotaan yläkolmiomatriisiksi: a 11 a 1n 0 A = A n n = 0 0 a nn Vastaavasti neliömatriisia, joiden alkioille pätee a ij = 0 silloin, kun i < j, sanotaan alakolmiomatriisiksi: a A = A n n = 0 a n1 a nn Ylä- ja alakolmiomatriiseille käytetään yhteisnimitystä kolmiomatriisi Neliömatriisia, joiden alkioille pätee a ij = 0 silloin, kun i j, kutsutaan lävistäjä- tai diagonaalimatriisiksi: a A = A n n = a nn
14 8 1 MATRIISI Diagonaalimatriisille käytetään myös merkintää A = diag(a 11,, a nn ) Diagonaalimatriisin erikoistapaus on yksikkömatriisi I, joissa kaikki diagonaalin alkiot ovat ykkösiä Tällöin I = diag(1,, 1): I = I n = Lause 13 Matriisille A m n pätee aina AI n = A = I m A Jos neliömatriisille A löytyy sellainen neliömatriisi B, että AB = I, sanotaan, että matriisi A on kääntyvä ja silloin B on sen käänteismatriisi Tällöin myös BA = I Matriisin A käänteismatriisille käytetään merkintää A 1 Jos matriisi ei ole kääntyvä, sitä kutsutaan singulaariseksi Lause 14 Matriisi A n n on singulaarinen, jos ja vain jos on olemassa sellainen x C n (x 0), jolle pätee Ax = 0 Neliömatriisille A n n voidaan määrittää potensseja samaan tapaan kuin reaaliluvuille Asetetaan ensin, että A 0 = I, jolloin yksikkömatriisi I voidaan ikään kuin samaistaa ykköseksi matriisien tapauksessa Matriisia voidaan tunnetusti kertoa reaaliluvulla Yleisemmin reaaliluku λ voidaan samaistaa matriisiksi λi Toisaalta voidaan ajatella, että A 1 = A ja A 2 = AA Sitä suuremmat potenssit voidaan määrittää rekursiivisesti A k = AA k 1, jolloin edellinen voidaan puolestaan samaistaa matriisien potensseiksi Matriisia, jonka kaikki alkiot ovat nollia, kutsutaan nollamatriisiksi ja sitä merkitään usein yksinkertaisesti vain nollalla: 0 0 =: Nollamatriisi ei tosin aina ole neliömatriisi 132 Matriisin adjungaatti Matriisin A m n = [ a ij ] transpoosi on matriisi B n m, jonka alkioille pätee a ij = b ji kaikilla indekseillä i ja j Matriisin A transpoosi saadaankin vaihtamalla sarakkeet riveiksi ja rivit sarakkeiksi Matriisin A transpoosille käytetään merkintää A T Matriisin A m n = [a ij ] kompleksikonjugaatti on matriisi B n m, jonka alkioille pätee b ij = a ij kaikilla indekseillä i ja j Matriisin A kompleksikonjugaatille käytetään merkintää A
15 13 MATRIISILASKENTAA 9 Matriisin A adjungaatti määritetään asettamalla A = A T Matriisin A adjungaatti on sen kompleksikonjugaatin transpoosi Matriisin A adjungaatin B alkioille pätee b ji = a ij kaikilla indekseillä i ja j Reaalisessa tapauksessa matriisin A adjungaatti vastaa sen transpoosia Matriisia A kutsutaan itseadjungoituvaksi, jos A = A Reaalisessa tapauksessa tämä vastaa symmetristä matriisia Neliömatriisia U n n kutsutaan unitaariseksi, jos sen käänteismatriisi on sen adjungaatti, jolloin U 1 = U Reaalisessa tapauksessa tämä vastaa ortogonaalista matriisia 133 Matriisitulo Matriisien A l m ja B m n tulomatriisin C l n alkioille pätee m c ij = a ik b kj kaikilla indekseillä i ja j k=1 Matriisien A l m ja B m n tulo on tällöin muotoa a 11 a 1m b 11 b 1n AB = a l1 a lm b m1 b mn a 11 b a 1m b m1 a 11 b 1n + + a 1m b mn = a l1 b a lm b m1 a l1 b 1n + + a lm b mn Jotta tulo olisi mahdollista laskea, matriisin A sarakkeiden ja matriisin B rivien lukumäärät on oltava samat 134 Determinantti Determinantin määrittämiseen on useita erilaisia tapoja Käydään lyhyesti läpi yhtä tapaa näistä Määritellään ensin alimatriisin käsite Kun matriisilta A n n poistetaan i rivi ja j sarake, muodostuvaa (n 1) (n 1)-matriisia kutsutaan matriisin A alimatriisiksi paikan (i, j) suhteen, ja merkitään A ij Kokoa 1 1 olevan matriisin A = [a] determinantti on sen ainoan alkion arvo: det A := a Kokoa 2 2 olevan matriisin [ ] a11 a A = 12 a 21 a 22 determinantti det A määritellään asettamalla det A := a 11 a 12 a 21 a 22 := a 11a 22 a 21 a 12
16 10 1 MATRIISI Suurempien neliömatriisien determinantit voidaan määrittää rekursiivisesti Neliömatriisin A n n (n 3) determinantti voidaan hajottaa sen alimatriisien determinanttien lineaarikombinaatioksi asettamalla det A = a 11 det A 11 a 21 det A ( 1) n+1 a n1 A n1 n = ( 1) k+1 a k1 det A k1 k=1 Vastaavasti jokaisen alimatriisin A k1 determinantti voidaan hajottaa pienempien matriisien determinanttien lineaarikombinaatioksi Samalla periaatteella edetään rekursiivisesti, kunnes päästään laskemaan kokoa 2 2 olevien matriisien determinantteja Esimerkiksi 3 3-matriisin determinantti on a 11 a 12 a 13 det A = a 21 a 22 a 23 a 31 a 32 a 33 = a 11 a 22 a 23 a 32 a 33 a 21 a 12 a 13 a 32 a 33 + a 31 a 12 a 13 a 22 a 23 Matriisin A n n alkion a ij kofaktori cof a ij määritetään asettamalla cof a ij = ( 1) i+j det A ij Matriisia B, jonka alkioille pätee b ij = cof a ij kaikilla indekseillä i ja j, sanotaan matriisin B liittomatriisiksi (tai kofaktorimatriisiksi) Tällöin merkitään B =: à Lause 15 Olkoon à matriisin A liittomatriisi Tällöin Aà = ÃA = (det A)I Lause 16 Matriisi A n n on kääntyvä jos ja vain jos det A 0 Lause 17 Kolmiomatriisin A n n = [a ij ] determinantti on sen diagonaalialkoiden tulo, toisin sanoen n det A = a jj = a 11 a nn j=1 135 Rivioperaatiot ja alkeismatriisit Matriisimuotoinen lineaariyhtälöryhmä voidaan ratkaista Gaussin-Jordanin mene tel mää käyttäen Menetelmä perustuu ns rivioperaatioihin, joita on kolmea eri tyyppiä Kukin rivioperaatio saadaan tehtyä kertomalla muokattavaa matriisia vasemmalta jollakin sopivalla alkeismatriisilla Alkeismatriiseja muodostettaessa tarvitaan ensin kantamatriisin käsite Kantamatriisin E ij alkiot ovat muotoa { 1, kun i = k ja j = l, [E ij ] kl = 0, muulloin Kantamatriisilla E ij nollia on ykkönen paikassa (i, j) ja muut alkiot ovat
17 14 MATRIISIEN LOHKOMUODOT 11 Ensimmäinen alkeismatriisi määritetään asettamalla M i (λ) = I + (λ 1)E ii, jossa λ C, λ 0 Matriisi M i (λ) saadaan käytännössä vaihtamalla yksikkömatriisissa paikassa (i, i) ykkönen luvuksi λ Tämä operaatio kertoo matriisin A riviä i luvulla λ Toinen alkeismatriisi määritetään asettamalla P ij = I E ii E jj + E ij + E ji, jossa i j Matriisi P ij saadaan vaihtamalla yksikkömatriisista paikoissa (i, i) ja (j, j) ykköset nolliksi ja vaihtamalla paikoissa (i, j) ja (j, i) nollat ykkösiksi Tämä operaatio vaihtaa matriisin A rivit i ja j keskenään Kolmas ja viimeinen alkeismatriisi määritetään asettamalla A ij (λ) = I + λe ji, jossa i j Matriisi A ij (λ) saadaan vaihtamalla yksikkömatriisin paikassa (j, i) nolla luvuksi λ Tämä operaatio lisää rivin i kerrottuna luvulla λ riviin j Kaikille kolmelle operaatiolle on olemassa käänteisoperaatiot, ja ne saadaan vastaavien alkeismatriisien käänteismatriiseina Alkeismatriisien käänteismatriisit ovat ( ) 1 M i (λ) 1 = M i, λ P 1 ij = P ij, A ij (λ) 1 = A ij ( λ) 14 Matriisien lohkomuodot Oletetaan, että matriisille A m n pätee m 1 + m 2 = m joillakin m 1, m 2 1 Tällöin matriisi voidaan esittää lohkomuodossa [ ] A11 A =, A 21 jossa A 11 on m 1 n-matriisi ja A 21 on m 2 n-matriisi Tällöin matriisin A rivivektorit a 1,, a m1 muodostavat matriisin A 21 rivit ja rivivektorit a m1 +1,, a m muodostavat matriisin A 22 rivit Oletetaan, että matriisille A m n pätee n 2 ja n 1 +n 2 = n Tällöin matriisi voidaan esittää muodossa A = [ A 11 A 12 ], jossa A 11 m n 1 -matriisi ja A 12 on m n 2 -matriisi Tällöin matriisin A sarakevektorit ā 1,, ā n1 muodostavat matriisin A 11 sarakkeet ja sarakevektorit ā n1 +1,, ā n muodostavat matriisin A 12 sarakkeet
18 12 1 MATRIISI Jos matriisille A m n pätee m 2 ja m 1 + m 2 = m, sekä n 2 ja n 1 + n 2 = n, se voidaan esittää muodossa [ ] A11 A A = 12 A 21 A 22 Yleistyksenä matriisi voidaan vastaavalla periaatteella jakaa sekä rivien että sarakkeiden suhteen mielivaltaiseen määrään lohkoja Lause 18 Oletetaan, että matriisi A voidaan esittää lohkomuodossa [ ] A11 A 12, 0 A 22 jossa A 11 ja A 22 ovat neliömatriiseja Tällöin Olkoon polynomi p muotoa Tällöin matriisia det A = det A 11 det A Matriisipolynomit p(t) = a k t k + + a 1 t + a 0 p(a) = a k A k + + a 1 A + a 0 I sanotaan matriisin A matriisipolynomiksi
19 LUKU 2 Ominaisarvoteoriaa 21 Ominaisarvo, ominaisvektori ja ominaisavaruus Tutkitaan tilannetta, missä lineearikuvaukselle L: C n C n halutaan löytää jokin sellainen vektori x C n, että x ja Lx ovat yhdensuuntaisia Tällöin on löydettävä jokin λ C, jolle pätee Lx = λx Oletetaan, että a 11 a 1n A = A n n = a n1 a nn on lineearikuvausta L vastaava matriisi Arvoa λ C kutsutaan matriisin A ominaisarvoksi, mikäli on olemassa sellainen vektori x C n (x 0), että Ax = λx Vektoria x kutsutaan puolestaan ominaisarvoa λ vastaavaksi ominaisvektoriksi Matriisin A kaikkien ominaisarvojen joukkoa kutsutaan sen spektriksi ja merkitään σ(a) Aliavaruudelle V λ = {x C n : Ax = λx} käytetään nimitystä matriisin A ominaisarvoa λ vastaava ominaisavaruus Esimerkki 21 Tarkastellaan 2 2 matriisia [ ] 6 7 A = 9 10 ja vektoria x 1 = (7, 9) Tällöin [ [ ] Ax 1 = = 9 10] 9 [ ] [ 21 7 = ] Matriisin A yksi ominaisarvo on λ 1 = 3 ja eräs sitä vastaava ominaisvektori x 1 Toisaalta vektorilla x 2 = (1, 1) saadaan [ [ ] [ ] [ Ax 2 = = = ] 1 1 1] Matriisin A toinen ominaisarvo on λ 2 = 1 ja sitä vastaava ominaisvektori x 2 13
20 14 2 OMINAISARVOTEORIAA 22 Ominaisarvojen ratkaisemisesta Ominaisarvot voidaan ratkaista muutenkin kuin kokeilemalla Tarkastellaan yksikkömatriisia I Tällöin kaikille vektoreille x C n pätee Ix = x Tässä tapauksessa 1 on selvästi ainoa mahdollinen ominaisarvo Matriisin A ominaisarvolle λ pätee Ax = λx = λix, jolloin Ax λix = 0 jollakin vektorilla x C n Ominaisarvoja selvittäessä päädytään tutkitaan yhtälöä (A λi)x = 0 Lause 21 Olkoon A kokoa n n oleva matriisi Tällöin λ on matriisin ominaisarvo jos, ja vain jos det(a λi) = 0 Todistus Osoitetaan ensin, että jos det(a λi) = 0, luku λ on ominaisarvo Koska det(a λi) = 0, lauseen 16 perusteella tiedetään, että matriisi A on singulaarinen On olemassa sellainen x C n (x 0), että (A λi)x = 0 (lause 14) Nyt (A λi)x = Ax λix = Ax λx = 0 Tällöin Ax = λx, jolloin λ on ominaisarvo Osoitetaan vielä toisin päin: jos λ on ominaisarvo, pätee det(a λi) = 0 Tehdään antiteesi: λ on matriisin A ominaisarvo, mutta det(a λi) 0 Tällöin matriisi (A λi) olisi kääntyvä, jolloin sille löytyisi käänteismatriisi (A λi) 1 Kertomalla yhtälö (A λi)x = 0 puolittain vasemmalta käänteismatriisilla (A λi) 1 saadaan (A λi) 1 (A λi)x = (A λi) 1 0 Ix = 0 x = 0 Yhtälön (A λi)x = 0 ainoa mahdollinen ratkaisu on nollavektori x = 0, mikä on ristiriita Polynomia det(a λi) kutsutaan matriisin A karakteriseksi polynomiksi ja yhtälöä det(a λi) = 0 matriisin A karakteristiseksi yhtälöksi Matriisin karakteristiselle polynomille käytetään myös merkintää p A (λ) := det(a λi) Laskemalla lauseke det(a λi) auki huomataan, että kyseessä todellakin on polynomi Esimerkki 22 Ratkaistaan ominaisarvot matriisille [ ] 5 2 A = 7 4
21 Nyt 23 OMINAISARVOTEORIAA MATRIISIPOLYNOMEILLE 15 [ ] [ ] [ ] A λi = λ = [ ] 5 λ 2 = 7 4 λ [ ] λ 0 0 λ Karakteristiseksi polynomiksi saadaan tällöin p(λ) = 5 λ λ = (5 λ)( 4 λ) 2 ( 7) = λ 2 λ + 6 Ratkaisemalla karakteristinen yhtälö λ 2 λ + 6 = 0 saadaan matriisin A ominaisarvoiksi λ 1 = 2 ja λ 2 = 3 on Lause 22 Kolmiomatriisin A n n = [a ij ] karakteristinen polynomi p(λ) = n (a jj λ) = (a 11 λ) (a nn λ) j=1 Todistus Matriisin A karakteristinen polynomi on p(λ) = det(a λi) Koska A on kolmiomatriisi, myös A λi on kolmiomatriisi Lauseen 17 perusteella matriisin A λi determinantti on sen diagonaalialkioiden tulo, jolloin n det(a λ) = (a jj λ) = (a 11 λ) (a nn λ) j=1 23 Ominaisarvoteoriaa matriisipolynomeille Jos matriisilla A n n on ominaisarvo λ C ja eräs sitä vastaava ominaisvektori x C n, määritelmän perusteella pätee Toisaalta Vastaavasti Ax = λx A 2 x = A(Ax) = Aλx = λ(ax) = λ(λx) = λ 2 x A 3 x = A(A 2 x) = Aλ 2 x = λ 2 (Ax) = λ 2 (λx) = λ 3 x Edelliset voidaankin kirjoittaa induktiivisesti yleisessä muodossa Lause 23 Olkoon λ C matriisin A n n ominaisarvo ja x C n tätä ominaisarvoa vastaava ominaisvektori Tällöin A i x = λ i x kaikilla i = 1, 2
22 16 2 OMINAISARVOTEORIAA Todistus Käytetään induktiota Kun i = 1, tällöin suoraan määritelmästä saadaan A i x = Ax = λx = λ i x Tehdään induktio-oletus: oletetaan, että väite pätee, kun i = k: A k x = λ k x Osoitetaan, että jos väite pätee tapauksessa i = k, se pätee silloin myös tapauksessa i = k + 1 : A k+1 x = A(A k x) = Aλ k x = λ k (Ax) = λ k (λx) = λ k+1 x Käytännössä edellinen lause tarkoittaa, että jos x C n on matriisin A n n ominaisvektori, se on myös matriisin A k ominaisvektori Matriisin A k tapauksessa ominaisvektoria x vastaa ominaisarvo λ k Lause 24 Olkoot p polynomi ja matriisi A n n, jonka ominaisarvoa λ vastaa ominaisvektori x 0 Tällöin p(a)x = p(λ)x Todistus Lauseen 23 perusteella tiedetään, että Olkoon polynomi p(t) muotoa A i x = λ i x kaikilla i = 1, 2 p(t) = a k t k + + a 1 t + a 0, jolloin matriisipolynomiksi saadaan Nyt p(a) = a k A k + + a 1 A + a 0 I p(a)x = ( a k A k + + a 1 A + a 0 I ) x = a k A k x + + a 1 Ax + a 0 x = a k λ k x + + a 1 λx + a 0 x = ( a k λ k + + a 1 λ + a 0 ) x = p(λ)x Lause 25 (Cayleyn-Hamiltonin lause) Olkoon p matriisin A n n karakteristinen polynomi Tällöin p(a) = 0
23 23 OMINAISARVOTEORIAA MATRIISIPOLYNOMEILLE 17 Todistus Matriisin A karakteristinen polynomi on muotoa p(λ) = det(a λi) = ( 1) n (λ n + + a 1 λ + a 0 ) Olkoon B matriisin A λi liittomatriisi Matriisin B kaikille alkioille pätee b ij = ( 1) i+j det(a λi) ij Koska det(a λi) on muuttujan λ suhteen n asteen polynomi, det(a λi) ij voi siten olla korkeintaan astetta n 1, jolloin matriisin B alkiot b ij voivat olla korkeintaan tätä astetta Tämän perusteella tiedetään, että B voidaan esittää muodossa B = λ n 1 B n 1 + λ n 2 B n λb 1 + B 0, jossa B 0, B 1,, B n 2, B n 1 ovat matriiseja, joiden alkiot ovat kompleksia vakioita Nyt B(A λi) =(λ n 1 B n 1 + λ n 2 B n λb 1 + B 0 )(A λi) =λ n 1 B n 1 A + λ n 2 B n 2 A + + λb 1 A + B 0 A λ n B n 1 λ n 1 B n 2 λ 2 B 1 λb 0 = λ n B n 1 + λ n 1 (B n 1 A B n 2 ) + λ(b A 1 + B 0 ) + B 0 A Edellinen hieman yleisemmin kirjoitettuna on ( n 1 ) B(A λi) = B 0 A + λ i (B i A B i 1 ) λ n B n 1 i=1 Toisaalta lauseen 15 perusteella (A λi)b = B(A λi) = det(a λi)i, joten (A λi)b = det(a λi)i = p(λ)i = ( 1) n λ n I + + a 1 λi + a 0 I Koska (A λi)b = B(A λi), saadaan yhtälöryhmä B 0 A = a 0 I, B i A B i 1 = a i I kaikilla i = 1,, n 1, B n 1 = ( 1) n I Kertomalla keskimmäiset yhtälöt puolittain matriisin potenssilla A i, saadaan B i A i+1 B i 1 A i = a i A i kaikilla i = 1,, n 1 Kertomalla vielä viimeinen yhtälö puolittain matriisin potenssilla A n, saadaan B n 1 A n = ( 1) n A n Yhtälöryhmäksi saadaan, että B 0 A = a 0 I, B i A i+1 B i 1 A i = a i A i, kaikilla i = 1,, n 1, B n 1 A n = ( 1) n A n
24 18 2 OMINAISARVOTEORIAA Laskemalla yhtälöryhmän vasemmat puolet yhteen saadaan, että B 0 A+B 1 A 2 B 0 A+B 2 A 3 B 1 A 2 + +B n 1 A n B n 1 A n 1 B n 1 A n = (B 0 A B 0 A) + (B 1 A 2 B 1 A 2 ) + + (B n 1 A n B n 1 A n ) = 0 Laskemalla yhtälöryhmän oikeat puolet yhteen saadaan Tällöin p(a) = 0 a 0 I + a 1 A + + a n 1 A n 1 + ( 1) n A n = p(a) 24 Matriisien similaarisuus Eräs oleellinen käsite neliömatriiseihin liittyen on similaarisuus Matriisit A ja B ovat keskenään similaarisia, mikäli on olemassa sellainen kääntyvä matriisi B n n, että B = P 1 AP Similaarisia matriiseita vastaa sama lineaarikuvaus Matriisi P on niin sanottu kannanvaihtomatriisi luonnollisesta kannasta johonkin toiseen kantaan Lause 26 Similaarisilla matriiseilla A ja B on sama karakteristinen polynomi Todistus Olkoon λ C Koska B = P 1 AP jollakin kääntyvällä matriisilla P, voidaan kirjoittaa B λi = P 1 AP λi = P 1 AP λp 1 P = P 1 AP P 1 λp = P 1 AP P 1 λip = P 1 (A λi)p Determinantin ominaisuuksien avulla saadaan nyt det(b λi) = det(p 1 (A λi)p ) = det P 1 det(a λi) det P = det P 1 det P det(a λi) = det(p 1 P ) det(a λi) = det I det(a λi) = det(a λi) Koska similaarisien matriisien karakteristiset polynomit ovat samat, niillä on tietenkin myös samat ominaisarvot
25 LUKU 3 Hessenbergin matriisi Matriisien ominaisarvojen selvittäminen voi joskus olla laskennallisesti työlästä varsinkin isojen matriisien kohdalla Kuten aikaisemmin todettiin, similaarisilla matriiseilla on samat ominaisarvot Ominaisarvojen selvittämistä voidaan helpottaa etsimällä jokin similaarinen, mutta laskennallisesti yksinkertaisempi matriisi kuin alkuperäinen Diagonaalimatriisi on yksinkertaisessa muodossa, koska ominaisarvot saadaan luettua suoraan diagonaalilta Matriisi A on diagonalisoituva, jos se on similaarinen jonkin diagonaalimatriisin kanssa Käytännössä tämä tarkoittaa, että on olemassa sellainen kääntyvä matriisi C ja diagonaalimatriisi D, että C 1 AC = D Koska matriisit A ja D ovat similaarisia keskenään, niillä on samat ominaisarvot Kun muodostettaisiin aluksi sopiva kannanvaihtomatriisi C, saataisiin matriisin A ominaisarvot luettua suoraan matriisin C 1 AC = D diagonaalilta Kaikki matriisit eivät kuitenkaan diagonalisoituvia Miten yksinkertaisessa muodossa jokin täysin mielivaltainen matriisi voidaan esittää, jotta se säilyisi similaarisena alkuperäisen kanssa? Eräs ratkaisu tähän on Hessenbergin matriisi Hessenbergin matriisia on kahta tyyppiä Neliömatriisi H n n = [h ij ] on Hessenbergin ylämuotoa (engl upper Hessenberg form), jos sen alkioille pätee h ij = 0, kun i > j + 1 Tällöin matriisi on muotoa h 11 h 1n h 21 (3) H = h n,n 1 h nn Neliömatriisi H n n = [h ij ] on Hessenbergin alamuotoa (engl lower Hessenberg form), jos sen alkioille pätee h ij = 0, kun j > i
26 20 3 HESSENBERGIN MATRIISI Tällöin matriisi on muotoa h 11 h (4) H = 0 hn 1,n h n1 h nn Hessenbergin muodossa oleva matriisi on melkein kolmiomatriisi Hessenbergin alamuodossa oleva matriisi voi poiketa alakolmiomatriisista ainoastaan ensimmäisen ylemmän sivudiagonaalin (engl superdiagonal) h 12,, h n 1,n kohdalla (alakolmiomatriisissa nämä alkiot olisivat kaikki nollia) Vastaavasti ylämuodossa oleva Hessenbergin matriisi voi poiketa yläkolmiomatriisista ainoastaan ensimmäisen alemman sivudiagonaalin (engl subdiagonal) h 21,, h n,n 1 kohdalla (yläkolmiomatriisissa nämä alkiot olisivat kaikki nollia) 31 Muunnos Hessenbergin muotoon similaarimuunnoksilla 311 Matriisin muuntaminen Hessenbergin ylämuotoon similaarimuunnoksilla Tarkastellaan johdatteluna, kuinka 4 4- matriisi a 11 a 12 a 13 a 14 A = a 21 a 22 a 23 a 24 a 31 a 32 a 33 a 34 a 41 a 42 a 43 a 44 voidaan muuntaa Hessenbergin ylämuotoon Oletetaan aluksi, että a 21 0 Muodostetaan alkeismatriiseja (katso 135) hyödyntäen matriisi S 1 asettamalla ( A 23 a ) ( 31 A 24 a ) 41 = a 21 a a a =: S a 21 Edellisten käänteisoperaatioilla muodostetaan matriisi S1 1 asettamalla ( ) ( ) a31 a41 A 23 A 24 = a 21 a 21 0 a a =: S a 21
27 31 MUUNNOS HESSENBERGIN MUOTOON SIMILAARIMUUNNOKSILLA 21 Nähdään, että S 1 S1 1 = I, joten S 1 ja S1 1 ovat toistensa käänteismatriiseja Matriisit B := S 1 AS1 1 ja A ovat selvästi similaarisia Laskemalla matriisien kertolaskut nähdään, että matriisi B on muotoa b 11 b 12 b 13 b 14 (5) B = S 1 AS 1 1 = b 21 b 22 b 23 b 24 0 b 32 b 33 b 34 0 b 42 b 43 b 44 Matriisi B ei ole vielä Hessenbergin matriisi, jos b 42 0, joten sitä pitää vielä muokata Oletetaan aluksi, että b 32 0 Muodostetaan alkeismatriiseja hyödyntäen matriisi S 2 asettamalla ( A 34 b ) = b b =: S b 32 Edellisen käänteisoperaatioilla muodostetaan matriisi S2 1 asettamalla ( ) b A 34 = =: S 1 b b b 32 Nyt S 2 S2 1 = I, joten S 2 ja S2 1 ovat toistensa käänteismatriiseja Matriisit H := S 2 BS2 1 ja B ovat similaarisia Laskemalla kertolaskut nähdään, että matriisi H on muotoa h 11 h 12 h 13 h 14 H = S 2 BS 1 2 = h 21 h 22 h 23 h 24 0 h 32 h 33 h h 43 h 44 Matriisille A on nyt löydetty Hessenbergin ylämuodossa oleva similaarinen matriisi H Jos matriisille A päteekin a 21 = 0, on matriisia muokattava erilaiseen muotoon Tarkalleen ottaen halutaankin jokin matriisi Ã, joka on similaarinen matriisin A kanssa ja jolle ã 21 0 Jos a 31 0, vaihtamalla alkioiden a 21 ja a 31 paikkaa keskenään ongelma olisi ratkaistu Hyödynnetään tässä alkeismatriiseja asettamalla P 23 = =: P
28 22 3 HESSENBERGIN MATRIISI Nyt P 1 P 1 = I, jolloin P 1 on itsensä käänteismatriisi Erityisesti matriisi à := P 1 AP 1 on similaarinen matriisin A kanssa ja se on muotoa a 11 a 13 a 12 a 14 à = a 31 a 33 a 32 a 34 a 22 a 23 a 22 a 24 a 41 a 43 a 42 a 44 Nyt ã 21 = a 31 0, joten Hessenbergin matriisia voidaan muodostaa aiemmin esitetyllä tavalla Jos matriisille A pätee myös a 31 = 0, asetetaan P 24 = =: P jolle pätee P 2 P 2 = I Matriisi à = P 2 AP 2 on similaarinen matriisin A kanssa ja se on muotoa a 11 a 14 a 13 a 12 à = a 41 a 44 a 43 a 42 a 31 a 34 a 33 a 32 a 21 a 24 a 23 a 22 Koska ã 31 = a 31 = 0 ja ã 41 = a 21 = 0, matriisilla on ensimmäisessä sarakkeessa jo halutuissa alkioissa nollat Hessenbergin muodon kannalta, joten voidaan siirtyä käsittelemään toista saraketta Jos matriisille A pätee jo alun perin a 21 = a 31 = a 41 = 0, sillä on ensimmäisessä sarakkeessa jo sellaisenaan halutuissa alkioissa nollat, jolloin voidaan suoraan lähteä muokkaamaan toista saraketta Oletetaan, että matriisilla B on ensimmäinen sarake halutussa muodossa Hessenbergin muodon kannalta (5), jolloin voidaan lähteä muokkaamaan toista saraketta Jos b 42 = 0, matriisi on jo valmiiksi Hessenbergin muodossa, jolloin sille ei tarvitse tehdä enää mitään Jos b 32 = 0 ja b 42 0, matriisia joudutaan muokkaamaan Asetetaan P 34 = =: P jolloin pätee P 3 P 3 = I Erityisesti B = P 3 BP 3 on similaarinen matriisin B kanssa ja on muotoa b 11 b 12 b 14 b 13 B = b 21 b 22 b 24 b 23 0 b 42 b 44 b 43 0 b 32 b 34 b 33 Nyt b 42 = b 32 = 0, jolloin B on Hessenbergin muodossa
29 31 MUUNNOS HESSENBERGIN MUOTOON SIMILAARIMUUNNOKSILLA 23 Tarkastellaan seuraavaksi yleistä tapausta, jossa matriisille A n n etsitään sellainen Hessenbergin muoto, jossa nolla-alkiot löytyvät lävistäjän alapuolelta a 11 a 1n A = a n1 a nn Olkoon n 3 Aletaan järjestyksessä nollata kustakin sarakkeesta halutut alkiot Täten on ensin löydettävä matriisin A kanssa similaarinen matriisi B 1, jonka ensimmäisen sarakkeen n 2 viimeistä alkiota ovat nollia Oletetaan, että a 21 0 Muodostetaan alkeismatriiseja hyödyntäen matriisi S 1 asettamalla ( A 23 a ) ( 31 A 2n a ) n ( n1 = A 2i a ) i1 := S 1 a 21 a 21 a 21 Edellisten käänteisoperaatioilla muodostetaan matriisi S1 1 asettamalla ( ) ( ) a31 an1 n ( ) ai1 A 23 A 2n = A 2i := S1 1 a 21 a 21 a 21 Koska S 1 S1 1 = I, ovat S 1 ja S1 1 toistensa käänteismatriisit Näin ollen matriisit B 1 := S 1 AS1 1 ja A ovat similaarisia keskenään Laskemalla matriisien kertolaskut havaitaan, että B 1 on muotoa b 11 b 12 b 1n b 21 b 22 B 1 = 0 0 b 11 b 11 Matriisilla B on tällöin ensimmäisessä sarakkeessa halutuissa alkioissa nollat Seuraavaksi nollataan toisesta sarakkeesta haluttavat alkiot Halutaan löytää matriisin B 1 kanssa similaarinen matriisi B 2, jonka toisen sarakkeen n 3 viimeistä alkiota ovat nollia Oletetaan, että b 32 0 Muodostetaan matriisi S 2 asettamalla n ( A 3i b ) i2 =: S 2 b 32 i=4 ja matriisi S2 1 edellisten käänteisoperaatiolla asettamalla n ( ) bi2 A 3i =: S2 1 b 32 i=4 Koska S 2 S2 1 = I, ovat S 2 ja S2 1 toistensa käänteismatriisit Näin ollen matriisit B 2 := S 2 B 1 S2 1 ja B ovat similaarisia keskenään Laskemalla i=3 i=3
30 24 3 HESSENBERGIN MATRIISI matriisien kertolaskut havaitaan, että B 2 on muotoa c 11 c 12 c 13 c 1n c 21 c 22 c 23 B 2 = 0 c 32 c c n3 c nn Nyt matriisilla C on ensimmäisessä ja toisessa sarakkeessa halutuissa alkioissa nollat Samalla periaatteella käydään läpi loput sarakkeet niin, että matriisi on saatettu Hessenbergin muotoon Yleisesti kirjoitettuna muokattaessa saraketta j muodostetaan matriisi S j (a j+1,j 0) asettamalla n ( A j+1,i a ) ij := S j a j+1,j ja matriisi S 1 j i=j+2 edellisten käänteisoperaatioilla: n ( ) aij A j+1,i a j+1,j i=j+2 := S 1 j Jos a j+1,j = 0, korjataan asia samalla periaatteella, kuin 4 4-matriisin tapauksessakin Valitaan jokin sarakkeen j lopuista alkioista a j+2,j,, a nj, jolle pätee a ij 0 Jos alkio a kj 0, asetetaan P j+1,k =: P Koska P P = I, matriisi A on similaarinen matriisin à = P AP kanssa Jos a ij = 0 kaikilla i = j + 2,, n, matriisilla on kyseisessä sarakkeessa jo valmiiksi halutuissa alkioissa nollat ja voidaan siirtyä muokkaamaan seuraavaa saraketta Matriisilla S j B j 1 S 1 j on sarakkeissa 1,, j nollattu tarvittavat alkiot (tässä B 0 = A) Toistetaan algoritmia aina (n 2) sarakkeeseen asti, jonka jälkeen matriisi on Hessenbergin muodossa Algoritmissa on oleellista, että matriisit A, B 1,, B n 2 ovat keskenään similaarisia, jolloin niillä on samat ominaisarvot Jokainen matriisi B j on similaarinen matriisin A kanssa Jos sarakkeella j on jo valmiiksi halutuissa alkioissa nollat, asetetaan yksinkertaisesti S j = I Koska B j = S j B j 1 S 1 j kaikilla j = 1,, n 2 (tässä B 0 = A), tällöin S n 2 S 1 AS 1 1 S 1 n 2 = H, jossa H on Hessenbergin ylämuodossa Merkitään S n 2 S 1 =: S, jolloin S1 1 Sn 2 1 = S 1 Nyt tiedetään, että jokaiselle matriisille
31 31 MUUNNOS HESSENBERGIN MUOTOON SIMILAARIMUUNNOKSILLA 25 A n n löytyy jokin sellainen kääntyvä matriisi S, että SAS 1 = H Erityisesti jokainen neliömatriisi on muunnettavissa Hessenbergin ylämuotoon Esimerkki 31 Etsitään similaarimuunnoksien avulla Hessenbergin ylämuoto matriisille A = Aikaisemmin esitetyllä tavalla valitaan S 1 = ja S 1 1 = Tällöin B 1 = S 1 AS 1 1 = Matriisilla B 1 on ensimmäisessä sarakkeessa halutuissa alkioissa nollat Hessenbergin muodon kannalta, joten lähdetään muokkaamaan toista saraketta Valitaan matriisit Tällöin S 2 = H = S 2 B 1 S 1 2 = missä H on Hessenbergin matriisi ja S 1 2 = , Esimerkki 32 Etsitään similaarimuunnoksilla Hessenbergin ylämuoto matriisille A = Ensimmäisessä sarakkeessa on nolla väärässä kohdassa, koska a 21 = 0 Asia voidaan korjata vaihtamalla 2 ja 3 rivin ensimmäiset
32 26 3 HESSENBERGIN MATRIISI alkiot keskenään (säilyttämällä uusi matriisi kuitenkin similaarisena alkuperäisen kanssa) Asetetaan P 23 = =: P Tällöin P P = I, joten P on itsensä käänteismatriisi Matriisi à = P AP = on tällöin similaarinen matriisin A kanssa Aikaisemmin esitetyllä tavalla valitaan nyt matriisit S 1 = ja S 1 1 = Nyt matriisi B 1 = S 1 ÃS 1 1 = on similaarinen matriisin à kanssa Edelleen aikaisemmin esitetyllä tavalla saadaan matriisit S 2 = ja S 1 2 = Matriisi H = S 2 B 1 S 1 2 = on Hessenbergin muodossa ja se on similaarinen alkuperäisen matriisin A kanssa 312 Matriisin muuntaminen Hessenbergin alamuotoon similaarimuunnoksilla Matriisi A n n voidaan vastaavasti muokata myös Hessenbergin matriisin alamuotoon (4) Tässä tapauksessa aletaan nollata sarakkeista tarvittavat alkiot oikealta lähtien aloittaen n sarakkeesta Olkoon n 3 Hessenbergin alamuotoa varten matriisilta
33 31 MUUNNOS HESSENBERGIN MUOTOON SIMILAARIMUUNNOKSILLA 27 A n n halutaan nollata sarakkeesta j ensimmäiset j 2 alkiota Yleisesti kirjoitettuna sarakkeella j muodostetaan matriisi S j (a j 1,j 0) asettamalla j 2 ( A j 1,i a ) ij = S j a j 1,j ja matriisiksi S 1 j i=1 edellisten käänteisoperaatioilla j 2 ( ) aij A j 1,i = S 1 j a j 1,j i=1 Tällöin S j ja S 1 j ovat toistensa käänteismatriiseja, koska S j S 1 j = I Matriisilta A n n nollataan ensin halutut alkiot n sarakkeesta, jolloin uusi matriisi on muotoa S n ASn 1 =: B n Seuraavaksi matriisilta B n nollataan halutut alkiot (n 1) sarakkeesta Halutut alkiot nollataan aina 3 sarakkeeseen asti Jokainen matriisi S j B j+1 S 1 j =: B j kaikilla j = 3,, n (tässä B n+1 = A) on similaarinen matriisin A kanssa ja sillä ovat j 2 ensimmäistä alkiota nollia Esimerkiksi 5 5-matriisin tapauksessa 5 saraketta muokattaessa matriisiksi S 5 valitaan ja matriisiksi S 1 A 41 ( a15 a 45 5 valitaan A 41 ( a 15 a 45 ) A 42 ( a25 a 45 ) A 42 ( a 25 a 45 ) A 43 ( a35 a 45 ) = S 5, ) ( A 43 a ) 35 = S5 1 a 45 Uusi matriisi on muotoa b 11 b 12 b 13 b 14 0 b 21 b 22 b 23 b 24 0 S 5 AS5 1 = b 31 b 32 b 33 b 34 0 b 41 b 42 b 43 b 44 b 45 = B 5 b 51 b 52 b 53 b 54 b 55 Jos jotakin saraketta muokatessa onkin a j 1,j = 0, nolla-alkion paikka kyseisessä sarakkeessa voidaan vaihtaa sopivalla alkeismatriisilla samalla periaatteella, kuin Hessenbergin matriisin ylämuodon tapauksessa Jokainen matriisi B j on similaarinen matriisin A kanssa Jos sarakkeella j on jo valmiiksi halutuissa alkioissa nolllat, asetetaan yksinkertaisesti S j = I Koska B j = S j B j 1 S 1 j kaikilla j = 3,, n (tässä B n+1 = A), tällöin S 3 S n ASn 1 S3 1 = H, jossa H on Hessenbergin alamuodossa Merkitään S 3 S n =: S, jolloin Sn 1 S3 1 = S 1 Nyt tiedetään, että jokaiselle matriisille A n n löytyy jokin sellainen kääntyvä matriisi S, että SAS 1 = H
34 28 3 HESSENBERGIN MATRIISI Erityisesti jokainen neliömatriisi on muunnettavissa Hessenbergin alamuotoon Esimerkki 33 Muokataan matriisi A = Hessenbergin alamuotoon similaarimuunnoksilla Valitaan ensin matriisit S 1 = ja S 1 1 = Nyt S 1 HS1 1 = := H Matriisilla H on viimeisessä sarakkeessa halutuissa alkioissa nollat Hessenbergin muodon kannalta ja lisäksi h 13 = 0, joten se on itse asiassa jo nyt Hessenbergin muodossa 32 Hessenbergin matriisin käyttökelpoisuus Tässä luvussa on käyty tapoja erilaisten neliömatriisien muokkaamiseksi sekä Hessenbergin ylämuotoon että alamuotoon On huomattu, että itse asiassa jokainen neliömatriisi voidaan muuntaa sekä Hessenbergin ylämuotoon että alamuotoon Seuraavaksi voidaan esittää tämän tutkielman tärkein lause Lause 31 Jokaiselle matriisille A n n löytyy kääntyvä matriisi S siten, että SAS 1 = H, jossa H on Hessenbergin muodossa matriisi Todistus Tässä luvussa on käsitelty kaikentyyppisille neliömatriiseille menetelmä Hessenbergin muotoon muuntamiseksi 33 Householderin muunnos Tutustutaan toiseen tapaan matriisin Hessenbergin muodon löytämiseksi, Householderin muunnokseen Oletetaan, että u C n (u 0) Householderin matriisi (tai Householderin muunnos) määritellään asettamalla Q = I 2uu u u
35 33 HOUSEHOLDERIN MUUNNOS 29 Lause 32 Householderin matriisi on itseadjungoituva ja unitaarinen Todistus Osoitetaan ensin itseadjungoituvuus Määritelmän mukaan Householderin matriisi Q n n on itseadjungoituva, kun Q = Q Merkitään lyhyemmin b = 2 R, jolloin u u Q = I buu Nyt Q = (I buu ) = I (buu ) = I b (uu ) = I b(u ) u = I buu = Q Osoitetaan vielä unitaarisuus Määritelmän mukaan Householderin matriisi Q n n on unitaarinen, kun Q = Q 1 Itseadjungoituvuuden nojalla Q = Q, joten unitaarisuus voidaan todeta osoittamalla, että Q = Q 1 Tällöin QQ = I Merkitään aluksi lyhyemmin b = 2 R Nyt u u QQ = (I buu ) (I buu ) = I 2 2Ibuu + (buu ) (buu ) = I 2buu + b 2 (uu ) (uu ) = I 2buu + b 2 u (u u) }{{} R = I 2buu + b 2 (u u)uu = I 2 2 ( ) 2 2 u u uu + (u u)uu u u = I 4uu u u + 4(u u)(uu ) (u u)(u u) = I 4uu u u + 4uu u u = I Lauseen 32 perusteella Householderin matriisille Q pätee u Q = Q = Q 1 Matriisi Q onkin samaan aikaan sekä itsensä adjungaatti että käänteismatriisi Kun matriisille A n n etsitään Hessenbergin muotoa, lähdetään ensimmäisestä sarakkeesta lähtien nollaamaan riittävä määrä sarakevektorin komponentteja lopusta Lähdetään tarkastelemaan, miten Householderin matriisi on muodostettava, jotta sitä voitaisiin hyödyntää Tarkemmin halutaankin tietää, miten vektori u C n valitaan
36 30 3 HESSENBERGIN MATRIISI Olkoon matriisilla A sarakevektorit ā 1,, ā n, jolloin A = [ ā 1 ā n ] Kun matriisia A kerrotaan vasemmalta puolelta matriisilla Q, tulomatriisin sarakevektorit ovat muotoa Oletetaan, että sarakevektorilta QA = [ Qā 1 Qā n ] v 1 v = v n haluttaisiin nollata n k viimeistä komponenttia kertomalla sitä Householderin matriisilla Q Tutkitaan, miten päästään tulokseen Qx = w, jossa w olisi tarkalleen muotoa w = v 1 v k 1 s 0 0 C n Kun Householderin matriisilla Q kerrotaan vektoria v C n, saadaan ) Qv = (I 2uu v = v 2uu v u u u u Merkitään lyhyemmin 2u v u u = γ, jolloin Qv = v γu Jos haluttaisiin päätyä tulokseen Qv = w, olisi oltava v v 1 u 1 1 v v Qv = v γu = k 1 u γ k 1 k 1 = s v k u k 0 v n u n 0 Huomataan, että edelliseen tulokseen voidaan päätyä, kun seuraavat neljä ehtoa ovat voimassa: (1) u i = 0, kun i = 1,, k 1, (2) γ = 1, (3) v k u k = s,
37 33 HOUSEHOLDERIN MUUNNOS 31 (4) u i = v i, kun i = k + 1,, n Householderin matriisissa esiintyvän vektorin u C on oltava muotoa 0 0 u = v k s v k+1 v n Vielä on määritettävä s sellaiseksi, että γ = 1 Asetetaan s = v k vk v k 2 + v k v n 2 Koska v k R ja v k 2 + v k v n 2 R, pätee selvästi Tällöin saadaan Lisäksi Toisaalta s = v k vk v k 2 + v k v n 2 s 2 = ss = v kv k v k 2 ( vk 2 + v k v n 2) = v k 2 v k 2 ( vk 2 + v k v n 2) = v k 2 + v k v n 2 R v k s = v kv k vk v k 2 + v k v n 2 = v k 2 vk v k 2 + v k v n 2 = v k v k 2 + v k v n 2 v k s = v kv k vk v k 2 + v k v n 2 = v k 2 vk v k 2 + v k v n 2 = v k v k 2 + v k v n 2 = v k s
38 32 3 HESSENBERGIN MATRIISI Edellisten perusteella saadaan Toisaalta Tällöin u u = (v k s)(v k s) + v k v n 2 = (v k s)(v k s) + v k v n 2 = v k 2 v k s v }{{} k s + s 2 + v k v n 2 =v k s = v k 2 + v k v n 2 + s 2 v }{{} k s v k s = s 2 = 2 s 2 2v k s u v = (v k s)v k + v k v n 2 = (v k s)v k + v k v n 2 = v k v k sv k + v k v n 2 = v k 2 + v k v n 2 v k s = s 2 v k s γ = 2u v u u = 1, jolloin ehdossa (2) asetettu vaatimus komponentille s C pätee Jos Householderin matriisi Q = [q ij ] on määritetty edellä käsitellyllä tavalla, matriisilla QA = [b ij ] on halutuissa sarakkeissa halutuissa alkioissa nollat Kun matriisille A etsitään Hessenbergin muotoa, uuden matriisin on oltava similaarinen alkuperäisen matriisin kanssa Koska Householderin matriisille pätee Q = Q 1, matriisi QAQ on similaarinen matriisin A kanssa Mutta onko matriisilla QAQ myös halutuissa alkioissa nollat kuten matriisilla QA? Hessenbergin matriisin ylämuodossa on ensimmäisessä sarakkeessa n 2 viimeistä alkiota nollia ja toisessa sarakkeessa n 3 viimeistä alkiota nollia Yleisesti voidaan ilmaista, että kokoa n n olevan Hessenbergin matriisin k sarakkeen n k 1 viimeistä alkiota ovat nollia Muokattaessa saraketta k on vektorilla u C n nollat k ensimmäisessä sarakkeessa Havaitaan, että muodostettava Householderin matriisi lohkomuodossa ilmaistuna on tällöin (6) Q = [ Ik 0 0 U jossa I k on kokoa k k oleva yksikkömatriisi ja U kokoa (n k) (n k) oleva matriisi, jonka kaikki alkiot u ij voivat olla nollasta poikkeavia Kun matriisin A n n ensimmäistä saraketta muokataan, matriisien Q ja ],
39 A tulo on muotoa 33 HOUSEHOLDERIN MUUNNOS 33 b 11 b 12 b 1n b 21 b 22 QA = 0 0 b n2 b nn Yleisesti kirjoittetuna matriisin QAQ = [c ij ] ensimmäisen sarakkeen alkio c i1 on matriisitulon määritelmän mukaan n c i1 = b ij q j1 kaikilla i = 1,, n j=1 Matriisille QA pätee b i1 = 0 kaikilla i = 3,, n Toisaalta q j1 = 0 kaikilla i = 2,, n Täten c i1 = 0 kaikilla i = 3,, n Näin ollen matriisi QAQ on muotoa c 11 c 12 c 1n c 21 c 22 c 2n QAQ = 0, 0 c n2 c nn jolloin silläkin on ensimmäisessä sarakkeessa halutuissa alkioissa nollat Tarkastellaan yleisempää tapausta, jossa matriisilla A n n on nollattu k 1 ensimmäisessä sarakkeessa halutut alkiot Hessenbergin muodon kannalta Seuraavaksi matriisilta halutaan nollata sarakkeesta k viimeiset n k 1 alkiota Muodostetaan aiemmin esitetyllä tavalla Householderin matriisi (6) Yleisesti kirjoitettuna matriisin QAQ sarakkeen k alkio c i1 on matriisitulon määritelmän mukaan n c ik = b ij q jk kaikilla i = 1,, n Matriisille QA pätee j=1 b i1 = b i2 = = b ik = 0 kaikilla i = k + 2,, n Toisaalta q j1 = 0 kaikilla i = k + 1,, n Täten c ik = 0 kaikilla i = k + 2,, n Tällöin matriisin QAQ sarakkeen k viimeiset n k 1 alkiota ovat nollia Havaitaan, että muokattaessa matriisia A Hessenbergin muotoon matriiseilla QA ja QAQ on molemmilla halutuissa alkioissa nollat Householderin muunnoksessakin lähdetään nollaamaan matriisilta sarake kerrallaan halutut alkiot Householderin matriisilla Q 1 nollataan
40 34 3 HESSENBERGIN MATRIISI alkioita ensimmäisestä sarakkeesta, jolloin matriisi Q 1 AQ 1 =: B 1 on similaarinen matriisin A kanssa Householderin matriisilla Q 2 nollataan alkioita toisesta sarakkeesta, jolloin Q 2 Q 1 AQ 1 Q 2 =: B 2 on similaarinen matriisin A kanssa Nollataan tarvittavat alkiot aina (n 2) sarakkeeseen asti Yleisesti jokainen matriisi B j (jossa i = 1,, n 2) on tällöin similaarinen matriisin A kanssa Jos sarakkeella j on jo valmiiksi halutuissa alkioissa nollat, asetetaan yksinkertaisesti Q j = I Esimerkki 34 Etsitään Hessenbergin ylämuoto Householderin muunnoksen avulla matriisille A = Koska matriisi on 3 3-muotoa, se saadaan Hessenbergin ylämuotoon nollaamalla ensimmäisen sarakkeen viimeinen alkio Merkitään nyt jolloin s = v = 1 3, 4 v v 2 3 = = 5 tällöin u 2 = v 2 s = 3 5 = 2, jolloin saadaan Householderin matriisissa esiintyväksi vektoriksi u = Nyt u u = 12 ja uu = 0 2 [ ] = Householderin matriisiksi saadaan tällöin Q = I 2uu u u = Nyt mikä on Hessenbergin muodossa QAQ = ,
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
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
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
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Ominaisarvot Kertaus: ominaisarvot Määritelmä
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
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
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
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
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
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)
LisätiedotLU-hajotelma. Esimerkki 1 Matriisi on yläkolmiomatriisi ja matriisi. on alakolmiomatriisi. 3 / 24
LU-hajotelma 1 / 24 LU-hajotelma Seuravassa tarkastellaan kuinka neliömatriisi voidaan esittää kahden kolmiomatriisin tulona. Käytämme alkeismatriiseja tälläisen esityksen löytämiseen. Edellä mainittua
LisätiedotEsimerkki 4.4. Esimerkki jatkoa. Määrää matriisin ominaisarvot ja -vektorit. Ratk. Nyt
Esimerkki 4.4. Määrää matriisin 2 2 1 A = 1 3 1 2 4 3 ominaisarvot ja -vektorit. Ratk. Nyt det(a λi ) = 1 + 2 λ 2 1 + 1 λ 1 λ 1 3 λ 1 = 1 3 λ 1 2 4 3 λ 2 4 3 λ 1 λ = 1 4 λ 1 = (1 λ)( 1)1+1 4 λ 1 2 6 3
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
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
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
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
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,
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) (
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
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?
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
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
Lisätiedot9 Matriisit. 9.1 Matriisien laskutoimituksia
9 Matriisit Aiemmissa luvuissa matriiseja on käsitelty siinä määrin kuin on ollut tarpeellista yhtälönratkaisun kannalta. Matriiseja käytetään kuitenkin myös muihin tarkoituksiin, ja siksi on hyödyllistä
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@utufi V Junnila viljun@utufi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Luentokalvot 5 1
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
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
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
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,
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
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
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
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
LisätiedotMatriisilaskenta. Harjoitusten 3 ratkaisut (Kevät 2019) 1. Olkoot AB = ja 2. Osoitetaan, että matriisi B on matriisin A käänteismatriisi.
Matriisilaskenta Harjoitusten ratkaisut (Kevät 9). Olkoot ja A = B = 5. Osoitetaan, että matriisi B on matriisin A käänteismatriisi. Tapa Käänteismatriisin määritelmän nojalla riittää osoittaa, että AB
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
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
LisätiedotA = a b B = c d. d e f. g h i determinantti on det(c) = a(ei fh) b(di fg) + c(dh eg). Matriisin determinanttia voi merkitä myös pystyviivojen avulla:
11 Determinantti Neliömatriisille voidaan laskea luku, joka kertoo muun muassa, onko matriisi kääntyvä vai ei Tätä lukua kutsutaan matriisin determinantiksi Determinantilla on muitakin sovelluksia, mutta
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
LisätiedotKäänteismatriisin. Aiheet. Käänteismatriisin ominaisuuksia. Rivioperaatiot matriisitulona. Matriisin kääntäminen rivioperaatioiden avulla
Käänteismatriisi, L5 1 Tässä kalvosarjassa käsittelemme neliömatriiseja. Ilman asian jatkuvaa toistamista oletamme seuraavassa, että kaikki käsittelemämme matriisit ovat neliömatriiseja. Määritelmä. Olkoon
LisätiedotLineaariset yhtälöryhmät ja matriisit
Lineaariset yhtälöryhmät ja matriisit Lineaarinen yhtälöryhmä 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. a m1 x 1 + a m2 x 2 + + a mn x n = b m, (1) voidaan esittää
Lisätiedot10 Matriisit ja yhtälöryhmät
10 Matriisit ja yhtälöryhmät Tässä luvussa esitellään uusi tapa kirjoittaa lineaarinen yhtälöryhmä matriisien avulla käyttäen hyväksi matriisikertolaskua sekä sarakevektoreita Pilkotaan sitä varten yhtälöryhmän
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).
Lisätiedot1 Kannat ja kannanvaihto
1 Kannat ja kannanvaihto 1.1 Koordinaattivektori Oletetaan, että V on K-vektoriavaruus, jolla on kanta S = (v 1, v 2,..., v n ). Avaruuden V vektori v voidaan kirjoittaa kannan vektorien lineaarikombinaationa:
LisätiedotBM20A0700, Matematiikka KoTiB2
BM20A0700, Matematiikka KoTiB2 Luennot: Matti Alatalo, Harjoitukset: Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luku 7. 1 Kurssin sisältö Matriiseihin
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
LisätiedotMatriisit, kertausta. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, kertausta Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ) ( 0, 4 ), ( ) ( 1 4 2, a 11 a 12 a 21 a 22 ) Kaavio kirjoitetaan kaarisulkujen väliin
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
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
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
LisätiedotTalousmatematiikan perusteet: Luento 9. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo
Talousmatematiikan perusteet: Luento 9 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
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
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
LisätiedotOrtogonaalinen 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
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.
Lisätiedotx 2 x 3 x 1 x 2 = 1 2x 1 4 x 2 = 3 x 1 x 5 LINEAARIALGEBRA I Oulun yliopisto Matemaattisten tieteiden laitos 2014 Esa Järvenpää, Hanna Kiili
6 4 2 x 2 x 3 15 10 5 0 5 15 5 3 2 1 1 2 3 2 0 x 2 = 1 2x 1 0 4 x 2 = 3 x 1 x 5 2 5 x 1 10 x 1 5 LINEAARIALGEBRA I Oulun yliopisto Matemaattisten tieteiden laitos 2014 Esa Järvenpää, Hanna Kiili Sisältö
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
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
Lisätiedot3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset
32 Idea: Lineaarikuvausten laskutoimitusten avulla määritellään vastaavat matriisien laskutoimitukset Vakiolla kertominen ja summa Olkoon t R ja A, B R n m Silloin ta, A + B R n m ja määritellään ta ta
LisätiedotMatriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, L20 Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ) ( 0, 4 ), ( ) ( 1 4 2, a 11 a 12 a 21 a 22 ) Merkintöjä 1 Matriisi on suorakulmainen lukukaavio.
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
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
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-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
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.
LisätiedotInsinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut
Insinöörimatematiikka D, 06 laskuharjoituksien esimerkkiratkaisut Alla olevat esimerkkiratkaisut ovat melko ksitiskohtaisia Tenttivastauksissa ei leensä tarvitse muistaa lauseiden, määritelmien, esimerkkien
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
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
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
Lisätiedot1 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
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
LisätiedotTalousmatematiikan perusteet: Luento 10. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti
Talousmatematiikan perusteet: Luento 1 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
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.
LisätiedotYhteenlaskun ja skalaarilla kertomisen ominaisuuksia
Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia Voidaan osoittaa, että avaruuden R n vektoreilla voidaan laskea tuttujen laskusääntöjen mukaan. Huom. Lause tarkoittaa väitettä, joka voidaan perustella
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
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
LisätiedotLineaariset kongruenssiyhtälöryhmät
Lineaariset kongruenssiyhtälöryhmät LuK-tutkielma Jesse Salo 2309369 Matemaattisten tieteiden laitos Oulun yliopisto Sisältö Johdanto 2 1 Kongruensseista 3 1.1 Kongruenssin ominaisuuksia...................
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
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
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
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
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,
LisätiedotTalousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi
Talousmatematiikan perusteet: Luento 11 Lineaarikuvaus Matriisin aste Käänteismatriisi Viime luennolla Käsittelimme matriisien peruskäsitteitä ja laskutoimituksia Vakiolla kertominen, yhteenlasku ja vähennyslasku
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
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
LisätiedotMatriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, L20 Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ( 0, 4, ( ( 1 4 2, a 11 a 12 a 21 a 22 Kaavio kirjoitetaan kaarisulkujen väliin (amer. kirjoissa
Lisätiedot3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. Olkoot A 2 := AA =
3 3 Olkoot 9 8 B 7 6 ja A 5 4 [ 3 4 Nyt A + B, AB ja BB eivät ole mielekkäitä (vastaavilla lineaarikuvauksilla menisivät dimensiot solmuun tällaisista yhdistelmistä) Kuitenkin voidaan laskea BA ja 9( )
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
LisätiedotOminaisarvot ja ominaisvektorit 140 / 170
Ominaisarvot ja ominaisvektorit 140 / 170 Seuraavissa luvuissa matriisit ja vektori ajatellaan kompleksisiksi, ts. kertojakuntana oletetaan olevan aina kompleksilukujoukko C Huomaa, että reaalilukujoukko
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
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
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
LisätiedotMääritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )
Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä
LisätiedotSisätuloavaruudet. 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
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
LisätiedotLineaarialgebra 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
Lisätiedot802120P Matriisilaskenta (5 op)
802120P Matriisilaskenta (5 op) Marko Leinonen Matemaattiset tieteet Syksy 2016 1 / 220 Luennoitsija: Marko Leinonen marko.leinonen@oulu.fi MA333 Kurssilla käytetään Noppaa (noppa.oulu.fi) Luentomoniste
LisätiedotOsitetuista matriiseista
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Anja Kuronen Ositetuista matriiseista Matematiikan ja tilastotieteen laitos Matematiikka Joulukuu 2010 Tampereen yliopisto Matematiikan ja tilastotieteen laitos
LisätiedotTalousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi
Talousmatematiikan perusteet: Luento 10 Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi Lineaarikuvaus Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta, jossa käytetään
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
Lisätiedot