Määritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V. Termejä: Lineaarikuvaus, Lineaarinen kuvaus.
|
|
- Petri Leppänen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 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: Lineaarikuvaus, Lineaarinen kuvaus. Huomautus 1. Lineaarikuvauksen argumentin ympäriltä jätetään usein sulut pois eli voidaan käyttää merkintää Lv := L(v). Lemma 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V W on lineaarinen joss aina, kun v, w V ja α, β K. Merkintä 1. Olkoot V ja W vektoriavaruuksia. Identtinen kuvaus Nollakuvaus (nollafunktio) L(αv + βw) = αlv + βlw (1) Id : V V, Id(v) = v v V. 0 : V W, 0(v) = 0 v V. 1
2 Esimerkki 1. Identtinen kuvaus ja nollakuvaus ovat lineaarisia kuvauksia. Esimerkki 2. Kuvaus L : R 2 R 2, on lineaarinen. Nimittäin, L(x) = 3 x, x R 2, (2) L(x + y) = 3 (x + y) = 3 x + 3 y = Lx + Ly; (3) L(rx) = 3 (r x) = r (3 x) = r Lx, (4) aina, kun x, y R 2 ja r R. Tiedetään, että R 1 on lineaariavaruus kunnan R yli. Tällöin voidaan tehdä samaistus R = R 1 (mieti vastaavaisuutta), jolloin reaaliluvuista R muodostuu lineaariavaruus kunnan R yli. Esimerkki 3. Kuvaus L : R R on lineaarinen jos ja vain jos on olemassa sellainen s R, että L(x) = sx (5) kaikilla x R. Todistus. : Oletetaan, että L on lineaarinen ja olkoon L(1) := s. Tällöin L(x) = L(x 1) = xl(1) = xs. (6) : Oletetaan, että Kotitehtävä: Osoita, että L on lineaarinen. 1.2 Matriisiesitys Merkintä 2. Merkintä L(x) = sx. (7) M h k (K) = {A A = [a ij ], i = 1,..., h; j = 1,..., k; a ij K} tarkoittaa h k-matriisien joukkoa. Siten, jos A M h k (K), niin matriisissa A = [a ij ] on h riviä ja k saraketta ja sen alkiot a ij K. 2
3 Merkintä 3. Tästä lähtien merkintä x viittaa pystyvektoriin x 1 x = (x 1,..., x n ) T =. x n joka voidaan tarvittaessa tulkita n 1-matriisiksi eli Yleisemmin: x 1 x =. Merkintä 4. Olkoon v = {v 1,..., v n } avaruuden V kanta. Koordinaattikuvaus [.] v kuvaa vektorin v kantaesityksen pystyvektoriksi eli matriisin sarakkeeksi seuraavasti n λ 1 [v] v = [ λ i v i ] v =.. (8) Koordinaattikuvaus on lineaarinen bijektio ja siten vektori ja sen koordinaateista muodostettu pystyvektori/sarake voidaan samaistaa. Lemma 2. Olkoon A M m n (R). Määritellään kuvaus asettamalla L A : R n x n R m kaikilla x R n, missä x tulkitaan n 1-matriisiksi. Tällöin kuvaus L A on lineaarinen. λ n v L A (x) = Ax (9) Tarkastellaan aluksi kertolaskua a 11 a a 1n x 1 a 21 a a 2n x 2 Ax =.. = a m1 a m2... a mn x n a 11 x 1 + a 12 x a 1n x n a 21 x 1 + a 22 x a 2n x n. Rm. (10) a m1 x 1 + a m2 x a mn x n 3
4 ja Nähdään, että m n-matriisilla kertominen todellakin indusoi kuvauksen x Ax; R n R m. Todistus. Osoitetaan, että kuvaus L A on lineaarinen. L A (x + y) = A(x + y) = Ax + Ay = L A (x) + L A (y), (11) L A (rx) = A(rx) = rax = rl A (x) (12) kaikilla x, y R n ja r R matriisitulon ominaisuuksien nojalla. Esimerkki 4. Olkoon L(x 1, x 2 ) = (x 1 + x 2, 2x 1 x 2 ) (x 1, x 2 ) R 2, (13) tällöin saadaan lineaarikuvaus L : R 2 R 2. Todistus. Kohta a. Lasketaan V.P. = L(x + y) = L(x 1 + y 1, x 2 + y 2 ) = ((x 1 + y 1 ) + (x 2 + y 2 ), 2(x 1 + y 1 ) (x 2 + y 2 )); O.P. = L(x) + L(y) = (x 1 + x 2, 2x 1 x 2 ) + (y 1 + y 2, 2y 1 y 2 ). Havaitaan, että V.P.=O.P. Kohta b. Kotitehtävä. Esimerkin 4 lineaarikuvausta L(x 1, x 2 ) = (x 1 + x 2, 2x 1 x 2 ) vastaa matriisiyhtälö eli [ ] [ ] [ ] 1 1 x1 x1 + x = x 2 2x 1 x 2 (14) [ ] x1 + x Ax = 2. (15) 2x 1 x 2 Pisteen x = (x [ 1,] x 2 ) kuva lineaarikuvauksessa [ ] L voidaan siis laskea kertomalla matriisi matriisilla A =. x x 2 4
5 1.3 Perustuloksia Lause 1. Olkoot V ja W vektoriavaruuksia sekä L : V W lineaarinen. Tällöin L(0) = 0 (16) ja ( k ) L λ i v i = k λ i L(v i ) (17) kaikilla k Z +, λ 1,..., λ k K ja v 1..., v k V. Lause 2. Olkoot V ja W vektoriavaruuksia kunnan K yli ja T, L : V W lineaarikuvauksia ja S avaruuden V kanta. Tällöin T = L jos ja vain jos T s = Ls kaikilla s S. Muistetaan, että T = L T v = Lv v V. (18) Siten, jos T = L, niin T s = Ls kaikilla s S. : Todistetaan tapaus: dim V = n <. Olkoon S = {s 1,..., s n }, jolloin V = s 1,..., s n. Oletetaan, että T s = Ls kaikilla s S. Nyt ( n ) ( n n n ) T v = T λ i s i = λ i T (s i ) = λ i L(s i ) = L λ i s i = Lv. (19) Lause 3. Olkoot V, W ja U vektoriavaruuksia sekä L : V W ja S : W U lineaarikuvauksia. Tällöin (a) yhdistetty kuvaus S L : V U on lineaarinen; (b) jos L on bijektio, niin L 1 : W V on lineaarinen. 5
6 Todistus. Kohta b: Koska L : V W on bijektio, niin L 1 : W V ja LL 1 = L 1 L = Id. Olkoot w 1, w 2 W, tällöin sellaiset v 1, v 2 V, että w 1 = Lv 1, w 2 = Lv 1. Siispä L 1 (w 1 + w 2 ) = L 1 (Lv 1 + Lv 2 ) = L 1 L(v 1 + v 2 ) = v 1 + v 2 = L 1 w 1 + L 1 w 2 ; L 1 (λw) = L 1 (λlv) = L 1 L(λv) = λv = λl 1 w. 1.4 Ker ja Im Määritelmä 2. Olkoot V ja W vektoriavaruuksia sekä L : V W lineaarinen. Kuvauksen L kernel on joukko ja image on joukko Ker L = {v V Lv = 0} Im L = {w W w = Lv jollakin v V }. Terminologiaa: Kernel eli ydin eli nollan alkukuva; Image eli kuvajoukko eli arvojoukko Esimerkki 5. Lasketaan Esimerkin 4 lineaarikuvauksen L : R 2 R 2 L(x 1, x 2 ) = (x 1 + x 2, 2x 1 x 2 ) (x 1, x 2 ) R 2, (20) kernel ja image. missä Kernel: x Ker L Lx = 0 Ax = 0 (21) A = [ ] 1 1, det A = 3 0. (22) 2 1 6
7 Siten x = A 1 0 = 0, joten Ker L = {0}. (23) Image: Valitaan maaliavaruudesta mielivaltainen alkio y R 2 ja yritetään hakea sille alkukuva x lähtöavaruudesta R 2. Asetetaan yhtälö Lx = y Ax = y x = A 1 y (24) Siten löydettiin lähtöavaruuden alkio x = A 1 y R 2 (y:n alkukuva) eli alkio jolle pätee Lx = y. (25) Havaitaan, että Im L = R 2. (26) Esimerkki 6. Kuvaus L : R 3 R 2, L(x, y, z) = (x, y + z) on lineaarinen. Määrätään sen ydin ja arvojoukko. Nyt (x, y, z) Ker L (27) (0, 0) = L(x, y, z) = (x, y + z) (28) x = 0, z = y R. (29) Siis y on vapaa parametri, jolloin Ker L = {(0, y, y) R 3 : y R} = (0, 1, 1) ; (30) dim Ker L = 1. (31) Olkoon b = (b 1, b 2 ) R 2 ja asetetaan L(x, y, z) = (x, y + z) = (b 1, b 2 ) { x = b 1 y + z = b 2. (32) Valitsemalla x = b 1, y = b 2 ja z = 0 saadaan L(b 1, b 2, 0) = (b 1, b 2 ) eli jokaisella R 2 :n pisteellä on alkukuva. Arvojoukoksi tulee Im L = R 2. (33) 7
8 Lause 4. Olkoot V ja W vektoriavaruuksia, V V ja W W aliavaruuksia ja L : V W lineaarikuvaus. Tällöin ovat aliavaruuksia. Erityisesti ovat aliavaruuksia ja L 1 (W ) V ja L(V ) W (34) Ker L V ja Im L W (35) dim Ker L dim V, dim Im L dim W. (36) Todistetaan, että Ker L on V :n aliavaruus. AA1. Koska L(0) = 0, niin 0 Ker L ja siten Ker L. AA2. Olkoot x 1, x 2 Ker L. Lasketaan L(x 1 + x 2 ) = Lx 1 + Lx 2 = = 0, (37) joten x 1 + x 2 Ker L. AA3. Olkoot k K ja x Ker L. Lasketaan joten k x Ker L. L(k x) = k Lx = k 0 = 0, (38) Lause 5. Olkoot V ja W vektoriavaruuksia sekä L : V W lineaarikuvaus. Tällöin L on injektio jos ja vain jos Ker L = {0}. Todistus. : Olkoon L injektio. Valitaan x Ker L, tällöin Lx = 0 = L0. Siten x = 0 ja edelleen Ker L = {0}. : Olkoon Ker L = {0}. Asetetaan Lx = Ly. Tällöin L(x y) = 0, joten x y Ker L = {0} x y = 0 x = y. 8
9 1.5 Dimensiolause Lause 6 (Dimensiolause). Olkoot V äärellisulotteinen vektoriavaruus, W vektoriavaruus ja L : V W lineaarinen. Tällöin Todistus. Olkoot dim V = dim Ker L + dim Im L. (39) dim V = n, dim Ker L = k, Ker L = v 1,..., v k. Täydennetään lista v 1,..., v k avaruuden V :n kannaksi, jolloin Määrätään kuva-avaruus V = v 1,..., v k, v k+1,..., v n, v k+1,..., v n / Ker L. Im L = L( v 1,..., v n ) = {L(a 1 v a n v n ) a 1,..., a n K} = {a 1 Lv a n Lv n a 1,..., a n K} = {a k+1 Lv k a n Lv n a 1,..., a n K}. Osoitetaan vielä, että {Lv k+1,..., Lv n } on lineaarisesti vapaa. Asetetaan lineaarikombinaatio nollaksi a k+1 Lv k a n Lv n = 0 L(a k+1 v k a n v n ) = 0 a k+1 v k a n v n Ker L a k+1 v k a n v n = b 1 v b k v k b 1 v b k v k + ( a k+1 )v k ( a n )v n = 0. Kantana joukko {v 1,..., v k, v k+1,..., v n } on lineaarisesti vapaa, joten b 1 =... = b k = a k+1 =... = a n = 0. Siten {Lv k+1,..., Lv n } on lineaarisesti vapaa ja kuva-avaruuden dimensioksi saadaan dim Im L = n k. Seuraus 1. Olkoot V ja W vektoriavaruuksia siten, että V on äärellisulotteinen, ja L : V W lineaarinen. Tällöin seuraavat väitteet ovat tosia: (a) Jos L on injektio, niin dim V dim W. 9
10 (b) Jos L on surjektio, niin dim V dim W. (c) Jos L on bijektio, niin dim V = dim W. Todistus. Aluksi k := dim Ker L n := dim V, n k = dim Im L dim W. a) kohta. Nyt Ker L = {0}, joten b) kohta. Nyt Im L = W, joten c) kohta seuraa kohdista a+b. k = 0 n k = n dim W. n k = m := dim W n = m + k m. dim W n dim W. Seuraus 2. Olkoot V ja W äärellisulotteisia vektoriavaruuksia siten, että niiden dimensiot ovat samat, ja olkoon L : V W lineaarinen. Tällöin seuraavat väitteet ovat yhtäpitäviä: (a) L on bijektio. (b) L on injektio. (c) L on surjektio. Esimerkki 7. Kuvaus L : R 3 R 2, L(x, y, z) = (y z, x z), on lineaarinen. Määrätään kuvauksen L ydin: y = z L(x, y, z) = 0 (y z, x z) = (0, 0) x = z z R. Siis Ker L = {(x, y, z) R 3 : x = y = z, z R} = {s(1, 1, 1) : s R} = (1, 1, 1), joten dim Ker L = 1. Erityisesti Ker L {0}, joten L ei ole injektio. Dimensiolauseen nojalla 3 = 1 + dim Im L, joten dim Im L = 2 = dim R 2. Siten Im L = R 2 eli L on surjektio. 10
11 Esimerkki 8. Tarkastellaan derivaattakuvausta D : Pol n (R, R) Pol n (R, R). Koska Dp = p = 0 jos ja vain jos p(x) = c kaikilla x R jollekin c R (eli p on vakiopolynomi), niin Ker D = 1. Näin ollen dim Ker D = 1. Dimensiolauseen nojalla dim P ol n (R, R) = n + 1 = 1 + dim Im D, joten dim Im D = n < dim P ol n (R, R). Näin ollen D ei ole surjektio. 1.6 Kannanvaihtomatriisit Merkintä 5. Olkoon v = {v 1,..., v n } avaruuden V kanta. Koordinaattikuvaus [.] v kuvaa vektorin v kantaesityksen n λ iv i pystyvektoriksi eli matriisin sarakkeeksi seuraavasti n λ 1 [v] v = [ λ i v i ] v =.. (40) Koordinaattikuvaus on lineaarinen bijektio ja siten vektori ja sen koordinaateista muodostettu pystyvektori/sarake voidaan samaistaa. Esimerkki 9. λ n 1 [v 1 ] v = [1 v v v n ] v = 0. 0 v v (41) Olkoot V ja W vektoriavaruuksia kunnan K yli, missä v = {v 1,..., v n } on avaruuden V kanta ja w = {w 1,..., w m } on avaruuden W kanta. Olkoon L : V W lineaarikuvaus, jolle kantavektoreitten v 1,..., v n kuvat kannassa w = {w 1,..., w m } ovat Lv 1 =a 11 w a m1 w m,... Lv n =a 1n w a mn w m eli [Lv 1 ] w = a 11 a 21. a m1 w, [Lv 2 ] w = a 12 a 22. a m2 w,..., [Lv n ] w = a 1n a 2n. a mn w. (42) 11
12 Merkitään a 11 a a 1n a 21 a a 2n [L] v,w = [[Lv 1 ] w, [Lv 2 ] w,..., [Lv n ] w ] =. a m1 a m2... a mn m n, (43) missä sarakkeina ovat kantavektoreitten v 1,..., v n kuvien Lv 1,..., Lv n koordinaattivektorit kannassa w 1,..., w n. Määritelmä 3. Matriisi [L] v,w on lineaarikuvauksen L matriisi kantojen v ja w suhteen. Lause 7. Olkoot V ja W vektoriavaruuksia kunnan K yli, missä v = {v 1,..., v n } on avaruuden V kanta ja w = {w 1,..., w m } on avaruuden W kanta. Olkoon L : V W lineaarikuvaus, jonka matriisi kantojen v ja w suhteen on [L] v,w = [a ij ]. Tällöin [a ij ] on se yksikäsitteinen m n-matriisi, jonka avulla kuvauksen L arvo Lv = m j=1 µ jw j pisteessä v = n λ iv i saadaan matriisikertolaskuna [L] v,w [v] v = [Lv] w (44) eli a a 1n λ 1 µ 1.. =. a m1... a mn λ n Todistus. Lasketaan lineaarikuvauksena Lv =L(λ 1,..., λ n ) = n n L( λ i v i ) = λ i Lv i = λ 1 (a 11 w a m1 w m ) λ n (a 1n w a mn w m ) = v µ m (a 11 λ a 1n λ n )w (a m1 λ a mn λ n )w m = (a 11 λ a 1n λ n,..., a m1 λ a mn λ n ) = (µ 1,..., µ m ) w (45) 12
13 ja matriiseilla a 11 a a 1n λ 1 a 21 a a 2n λ 2 [L] v,w [v] v =.. a m1 a m2... a mn λ n a 11 λ a 1n λ n. a m1 λ a mn λ n w µ 1 =. µ m w v = [Lv] w. = (46) Lineaarikuvausta vastaa yksikäsitteinen matriisi ja matriisin avulla voidaan määritellä lineaarikuvaus. On siis olemassa bijektio kaikkien lineaaristen kuvauksien L : V W ja kaikkien m n-matriisien välillä. Esimerkki 10. Olkoot V = W = R 2, e = {e 1, e 2 } V ja f = {f 1 = e 1 +e 2, f 2 = e 1 e 2 } W. Tarkastellaan lineaarikuvausta L : V W, joka kuvaa kantavektorit e 1, e 2 kuvavektoreiksi [ ] 0 Le 1 = e 1 + e 2 = 0 f 1 + ( 1) f 2 = ; 1 [ ] f (47) 1 Le 2 = e 1 + e 2 = 1 f 1 + f 2 =. 0 Tällöin L:n matriisi kantojen e ja f suhteen on [ ] 0 1 [L] e,f = [[Le 1 ] f, [Le 2 ] f ] =, (48) missä sarakkeina ovat kantavektoreitten e 1, e 2 kuvien Le 1, Le 2 koordinaattivektorit kannassa f 1, f Esimerkkejä Esimerkki 11. Määritellään lineaarikuvaus L : R 3 R 3, asettamalla L(x, y, z) = (z y, x z + y, x) aina, kun (x, y, z) R f
14 1. Määrää Ker L. 2. Onko L injektio? 3. Määrää dim Ker L. 4. Määrää dim Im L (käytä dimensiokaavaa). 5. Onko L surjektio? 6. Onko L bijektio? 7. Määrää Im L. 1. Ker L. Ratkaisu: Asetetaan Lx =0 (49) (z y, x z + y, x) = (0, 0, 0) (50) z y = x z + y = x = 0 x = 0, z = y (51) x = (0, y, y) (52) Ker L = {x R 3 Lx = 0} = (53) {(0, y, y) y R} = (0, 1, 1) R. (54) 2. Injektio? EI, koska 3. Ker L {0}. (55) dim Ker L = 1. (56) 4. Dimensiokaavalla (39): dim V = dim Ker L + dim Im L 3 = 1 + dim Im L. (57) Siten dim Im L = 2. (58) 5. EI ole surjektio, koska dim Im L = 2 ja maaliavaruuden R 3 dimensio=3. 6.EI ole bijektio. 14
15 7. Im L. Lx =(z y, x z + y, x) = (z y)e 1 + (x z + y)e 2 + xe 3 = (z y)e 1 + ( z + y)e 2 + x(e 2 + e 3 ) = (z y)(e 1 e 2 ) + x(e 2 + e 3 ), joten Im L ={Lx x = (x, y, z) R 3 } = {(z y)(e 1 e 2 ) + x(e 2 + e 3 ) x, y, z R} = {t(e 1 e 2 ) + x(e 2 + e 3 ) x, t R} = e 1 e 2, e 2 + e 3 R, missä e 1 e 2 ja e 2 + e 3 ovat lineaarisesti vapaita. Tästäkin voidaan päätellä, että L ei ole surjektio sekä dim Im L = 2. Esimerkki 12. Jatketaan lineaarikuvauksen L : R 3 R 3, L(x, y, z) = (z y, x z +y, x) tarkastelua. Määrää L:n matriisi 1. A 1 = [L] e,e luonnollisen kannan e = E 3 = {e 1, e 2, e 3 } R 3 suhteen. 2. A 2 = [L] f,f kannan f = {f 1 = e 1 +e 2, f 2 = e 2 +e 3, f 3 = e 3 +e 1 } suhteen. 3. A 3 = [L] e,f. 4. A 4 = [L] f,e. 5. Laske determinantit det A 1 ja det A 2. Lasketaan kantavektoreitten e 1, e 2, e 3 kuvat: Le 1 =L(1, 0, 0) = (0, 1, 1) = e 2 + e 3 = f 2 ; Le 2 =L(0, 1, 0) = ( 1, 1, 0) = e 1 + e 2 = f 2 f 3 ; Le 3 =L(0, 0, 1) = (1, 1, 0) = e 1 e 2 = f 2 + f 3. Joista saadaan A 1 = [L] e,e = [[Le 1 ] e, [Le 2 ] e, [Le 3 ] e ] = (59) 15
16 ja A 3 = [L] e,f = [[Le 1 ] f, [Le 2 ] f, [Le 3 ] f ] = Lasketaan kantavektoreitten f 1, f 2, f 3 kuvat: Lf 1 =L(e 1 ) + L(e 2 ) = e 1 + 2e 2 + e 3 = 2f 2 f 3 ; Lf 2 =L(e 2 ) + L(e 3 ) = 0 e e e 3 = 0 f f f 3 ; Lf 3 =L(e 3 ) + L(e 1 ) = e 1 + e 3 = f 3 ; 3 3 (60) Joista saadaan A 2 = [L] f,f = [[Lf 1 ] f, [Lf 2 ] f, [Lf 3 ] f ] = ja Esimerkki A 4 = [L] f,e = [[Lf 1 ] e, [Lf 2 ] e, [Lf 3 ] e ] = (61) (62) Kotitehtävä 34. Olkoon V reaalinen sisätuloavaruus, dim K V = k Z + ja n V annettu. Määritellään kuvaus L : V R, asettamalla aina, kun x V. 1. Osoita, että kuvaus L on lineaarinen. 2. Määrää dim Im L. 3. Määrää dim Ker L. Ratkaisu. Tapaus n {0}. L(x) = n x (63) Lineaarikuvauksen maaliavaruus on R, jolla on vain triviaalit aliavaruudet. Lisäksi dim R = 1. Koska L(n) = n n > 0, Im L {0} (64) 16
17 niin Im L = R, dim Im L = 1. (65) Edelleen dimensiokaavalla (39): dim V = dim Ker L + dim Im L k = dim Ker L + 1. (66) Siten dim Ker L = k 1. (67) Hypertaso onkin Kernel Siispä Ker L eli joukko N := {x V n x = 0} (68) on hypertaso. 17
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
Lisätiedot802320A LINEAARIALGEBRA OSA III
802320A LINEAARIALGEBRA OSA III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO Syksy 2017 LINEAARIALGEBRA 1 / 59 Määritelmä Määritelmä 1 Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V
Lisätiedot802320A LINEAARIALGEBRA OSA III
802320A LINEAARIALGEBRA OSA III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO KEVÄT 2019 LINEAARIALGEBRA 1 / 60 Määritelmä Määritelmä 1 Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V
Lisätiedot802320A LINEAARIALGEBRA OSA III LINEAR ALGEBRA PART III
802320A LINEAARIALGEBRA OSA III LINEAR ALGEBRA PART III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2017 Contents 1 Lineaarikuvaus 2 1.1 Määritelmä............................ 2 1.2 Matriisiesitys/Matrix
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,
Lisätiedotx = 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 Ratkaisuluonnoksia, 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
Lisätiedotx = 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
Lisätiedot802320A LINEAARIALGEBRA OSA I
802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä
Lisätiedot1 Lineaariavaruus eli Vektoriavaruus
1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus
LisätiedotLINEAARIALGEBRA 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
LisätiedotBijektio. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin jokaiselle alkiolle kuvautuu tasan yksi lähdön alkio.
Määritelmä Bijektio Oletetaan, että f : X Y on kuvaus. Sanotaan, että kuvaus f on bijektio, jos se on sekä injektio että surjektio. Huom. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin
Lisätiedotpdfmark=/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
LisätiedotKantavektorien 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
LisätiedotEnsi viikon luennot salissa X. Lineaarialgebra (muut ko) p. 1/66
Ensi viikon luennot salissa X Lineaarialgebra (muut ko) p. 1/66 Lineaarialgebra (muut ko) p. 2/66 Redusoitu porrasmuoto 1 1 2 4 1 1 4 6 2 2 5 9 1 1 0 2 0 0 1 1 0 0 0 0 Eli aste r(a) = 2 ja vaakariviavaruuden
LisätiedotLineaarialgebra 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:.
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Lineaarikuvaukset Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Lineaarikuvaukset Lineaarikuvaus Olkoot U ja V
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Lineaarikuvaukset Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 16 R. Kangaslampi Vektoriavaruudet Lineaarikuvaus
LisätiedotAvaruuden R n aliavaruus
Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla
LisätiedotKanta ja dimensio 1 / 23
1 / 23 Kuten ollaan huomattu, saman aliavaruuden voi virittää eri määrä vektoreita. Seuraavaksi määritellään mahdollisimman pieni vektorijoukko, joka virittää aliavaruuden. Jokainen aliavaruuden alkio
Lisätiedot4. LINEAARIKUVAUKSET
86 4 LINEAARIKUVAUKSET 41 Määritelmä ja esimerkkejä Olkoot V ja V vektoriavaruuksia Tarkastellaan kuvausta L : V V Tällöin jokaiseen vektoriin v V liittyy tietty, L:n ja v:n yksikäsitteisesti määräämä
LisätiedotLINEAARIALGEBRA. Harjoituksia/Exercises 2017 Valittuja ratkaisuja/selected solutions
LINEAARIALGEBRA Harjoituksia/Exercises 2017 Valittuja ratkaisuja/selected solutions 1. Olkoon n Z +. Osoita, että (R n, +, ) on lineaariavaruus, kun vektoreiden x = (x 1,..., x n ), y = (y 1,..., y n )
LisätiedotLineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44
Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44 Tehtävät 1-3 lasketaan alkuviikon harjoituksissa, verkkotehtävien dl on lauantaina aamuyöllä. Tehtävät 4 ja 5 lasketaan loppuviikon harjoituksissa.
Lisätiedotx = 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/Exercises 2017 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
LisätiedotKuvaus. Määritelmä. LM2, Kesä /160
Kuvaus Määritelmä Oletetaan, että X ja Y ovat joukkoja. Kuvaus eli funktio joukosta X joukkoon Y on sääntö, joka liittää jokaiseen joukon X alkioon täsmälleen yhden alkion, joka kuuluu joukkoon Y. Merkintä
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
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
LisätiedotLINEAARIALGEBRA. Harjoituksia/Exercises 2019 Valittuja ratkaisuja/selected solutions
LINEAARIALGEBRA Harjoituksia/Exercises 2019 Valittuja ratkaisuja/selected solutions 1. Olkoon n Z +. Osoita, että (R n, +, ) on lineaariavaruus, kun vektoreiden x = (x 1,..., x n ), y = (y 1,..., y n )
Lisätiedot2.5. Matriisin avaruudet ja tunnusluvut
2.5. Matriisin avaruudet ja tunnusluvut m n-matriisi A Lineaarikuvaus A : V Z, missä V ja Z ovat sopivasti valittuja, dim V = n, dim Z = m (yleensä V = R n tai C n ja Z = R m tai C m ) Kuva-avaruus ja
LisätiedotAlkeismuunnokset matriisille, sivu 57
Lineaarialgebra (muut ko) p. 1/88 Alkeismuunnokset matriisille, sivu 57 AM1: Kahden vaakarivin vaihto AM2: Vaakarivin kertominen skalaarilla c 0 AM3: Vaakarivin lisääminen toiseen skalaarilla c kerrottuna
LisätiedotLineaarikuvausten. Lineaarikuvaus. Lineaarikuvauksia. Ydin. Matriisin ydin. aiheita. Aiheet. Lineaarikuvaus. Lineaarikuvauksen matriisi
Lineaarikuvaukset aiheita ten ten 1 Matematiikassa sana lineaarinen liitetään kahden lineaariavaruuden väliseen kuvaukseen. ten Määritelmä Olkoon (L, +, ) ja (M, ˆ+, ˆ ) reaalisia lineaariavaruuksia, ja
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
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
Lisätiedot802320A LINEAARIALGEBRA OSA II
802320A LINEAARIALGEBRA OSA II Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 64 Sisätuloavaruus Määritelmä 1 Olkoon V reaalinen vektoriavaruus. Kuvaus on reaalinen
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotMatriisilaskenta, 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
Lisätiedot1 Sisätulo- ja normiavaruudet
1 Sisätulo- ja normiavaruudet 1.1 Sisätuloavaruus Määritelmä 1. Olkoon V reaalinen vektoriavaruus. Kuvaus : V V R on reaalinen sisätulo eli pistetulo, jos (a) v w = w v (symmetrisyys); (b) v + u w = v
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
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
LisätiedotLineaarialgebra ja matriisilaskenta II. LM2, Kesä /310
Lineaarialgebra ja matriisilaskenta II LM2, Kesä 2012 1/310 Kertausta: avaruuden R n vektorit Määritelmä Oletetaan, että n {1, 2, 3,...}. Avaruuden R n alkiot ovat jonoja, joissa on n kappaletta reaalilukuja.
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
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
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
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
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D Mika Hirvensalo mikhirve@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2014 Mika Hirvensalo mikhirve@utu.fi Luentokalvot 3 1 of 16 Kertausta Lineaarinen riippuvuus
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:
LisätiedotLineaarialgebra b, kevät 2019
Lineaarialgebra b, kevät 2019 Harjoitusta 4 Maplella with(linearalgebra); (1) Tehtävä 1. Lineaarisia funktioita? a) Asetelma on kelvollinen: lähtö- ja maalijoukko on R-kertoiminen lineaariavaruus ja L
LisätiedotHY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina klo
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina 10.8.2015 klo 16.15. Tehtäväsarja I Tutustu lukuun 15, jossa vektoriavaruuden
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
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 +
Lisätiedot6 Vektoriavaruus R n. 6.1 Lineaarikombinaatio
6 Vektoriavaruus R n 6.1 Lineaarikombinaatio Määritelmä 19. Vektori x œ R n on vektorien v 1,...,v k œ R n lineaarikombinaatio, jos on olemassa sellaiset 1,..., k œ R, että x = i v i. i=1 Esimerkki 30.
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
LisätiedotKanta ja Kannan-vaihto
ja Kannan-vaihto 1 Olkoon L vektoriavaruus. Äärellinen joukko L:n vektoreita V = { v 1, v 2,..., v n } on kanta, jos (1) Jokainen L:n vektori voidaan lausua v-vektoreiden lineaarikombinaationa. (Ts. Span(V
Lisätiedot{I n } < { I n,i n } < GL n (Q) < GL n (R) < GL n (C) kaikilla n 2 ja
5. Aliryhmät Luvun 4 esimerkeissä esiintyy usein ryhmä (G, ) ja jokin vakaa osajoukko B G siten, että (B, B ) on ryhmä. Määrittelemme seuraavassa käsitteitä, jotka auttavat tällaisten tilanteiden käsittelyssä.
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
Lisätiedot3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset
31 MS-A0004/A0006 Matriisilaskenta 3 Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2292015 Lineaariset yhtälöt ovat vektoreille luonnollisia yhtälöitä, joita
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
Lisätiedot9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista
29 9 Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista Tarkastelemme kertalukua n olevia lineaarisia differentiaaliyhtälöitä y ( x) + a ( x) y ( x) + + a ( x) y( x) + a ( x) y= b( x) ( n) ( n
LisätiedotMatriisit. Määritelmä 1 Reaaliluvuista a ij, missä i = 1,..., k ja j = 1,..., n, muodostettua kaaviota a 11 a 12 a 1n a 21 a 22 a 2n A =
1 / 21 Määritelmä 1 Reaaliluvuista a ij, missä i 1,..., k ja j 1,..., n, muodostettua kaaviota a 11 a 12 a 1n a 21 a 22 a 2n A... a k1 a k2 a kn sanotaan k n matriisiksi. Usein merkitään A [a ij ]. Lukuja
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 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:
LisätiedotMatriisialgebra harjoitukset, syksy 2016
MATRIISIALGEBRA, s, Ratkaisuja/ MHamina & M Peltola 7 Onko kuvaus F : R R, F(x 1,x = (x 1 +x,5x 1, x 1 +6x lineaarinen kuvaus? Jos on, niin määrää sen matriisi luonnollisen kannan suhteen Jos ei ole, niin
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 29.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/26 Kertausta: Kanta Määritelmä Oletetaan, että w 1, w 2,..., w k W. Vektorijono ( w 1, w 2,..., w k ) on aliavaruuden
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)
LisätiedotEsko Turunen Luku 3. Ryhmät
3. Ryhmät Monoidia rikkaampi algebrallinen struktuuri on ryhmä: Määritelmä (3.1) Olkoon joukon G laskutoimitus. Joukko G varustettuna tällä laskutoimituksella on ryhmä, jos laskutoimitus on assosiatiivinen,
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
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
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
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,
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
LisätiedotEnsi viikon luennot salissa X. Lineaarialgebra (muut ko) p. 1/159
Ensi viikon luennot salissa X Lineaarialgebra (muut ko) p. 1/159 Lineaarialgebra (muut ko) p. 2/159 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2 ) Skalaarilla
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
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
LisätiedotLineaariavaruudet. Span. Sisätulo. Normi. Matriisinormit. Matriisinormit. aiheita. Aiheet. Reaalinen lineaariavaruus. Span. Sisätulo.
Lineaariavaruudet aiheita 1 määritelmä Nelikko (L, R, +, ) on reaalinen (eli reaalinen vektoriavaruus), jos yhteenlasku L L L, ( u, v) a + b ja reaaliluvulla kertominen R L L, (λ, u) λ u toteuttavat seuraavat
LisätiedotKoodausteoria, 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.
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Idea Lineaarisen systeemin ratkaiseminen Olkoon
LisätiedotMatikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/210
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/210 Lineaarialgebra (muut ko) p. 2/210 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2
LisätiedotTehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä todistuksia ja lineaarikuvauksen muodostamista. Sarjaan liittyvät Stack-tehtävät: 1 ja 2.
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2016 Harjoitus 3 Ratkaisut palautettava viimeistään maanantaina 29.8.2016 klo 13.15. Tehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä
LisätiedotTällä viikolla viimeiset luennot ja demot. Lineaarialgebra (muut ko) p. 1/162
Tällä viikolla viimeiset luennot ja demot Lineaarialgebra (muut ko) p. 1/162 Lineaarialgebra (muut ko) p. 2/162 Kertausta Vektorin u = (u 1,u 2 ) R 2 pituus u = u 2 1 +u2 2 Vektorien u ja v = (v 1,v 2
LisätiedotMuistutus: Matikkapaja ke Siellä voi kysyä apua demoihin, edellisen viikon demoratkaisuja, välikoetehtävien selitystä, monisteesta yms.
Lineaarialgebra (muut ko) p. 1/139 Ensi viikon luennot salissa X Muistutus: Matikkapaja ke 14-16 Siellä voi kysyä apua demoihin, edellisen viikon demoratkaisuja, välikoetehtävien selitystä, monisteesta
LisätiedotLineaarialgebra ja matriisilaskenta II Syksy 2009 Laskuharjoitus 1 ( ) Ratkaisuehdotuksia Vesa Ala-Mattila
Lineaarialgebra ja matriisilaskenta II Syksy 29 Laskuharjoitus (9. - 3..29) Ratkaisuehdotuksia Vesa Ala-Mattila Tehtävä. Olkoon V vektoriavaruus. Todistettava: jos U V ja W V ovat V :n aliavaruuksia, niin
LisätiedotJAKSO 2 KANTA JA KOORDINAATIT
JAKSO 2 KANTA JA KOORDINAATIT Kanta ja dimensio Tehtävä Esittele vektoriavaruuden kannan määritelmä vapauden ja virittämisen käsitteiden avulla ja anna vektoriavaruuden dimension määritelmä Esittele Lause
LisätiedotMatemaattinen Analyysi / kertaus
Matemaattinen Analyysi / kertaus Ensimmäinen välikoe o { 2x + 3y 4z = 2 5x 2y + 5z = 7 ( ) x 2 3 4 y = 5 2 5 z ) ( 3 + y 2 ( 2 x 5 ( 2 7 ) ) ( 4 + z 5 ) = ( 2 7 ) yhteys determinanttiin Yhtälöryhmän ratkaiseminen
Lisätiedot2 / :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:
LisätiedotLineaariset Lien ryhmät / Ratkaisut 6 D 381 klo
JYVÄSKYLÄN YLIOPISO MAEMAIIKAN JA ILASOIEEEN LAIOS Lineaariset Lien ryhmät 27.2.2012 / t 6 D 381 klo. 16-18. 1. Matriisiryhmällä U(n) on epätriviaali normaali aliryhmä SU(n), joka on homomorfismin det
LisätiedotOrtogonaaliprojektio äärellisulotteiselle aliavaruudelle
Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle Olkoon X sisätuloavaruus ja Y X äärellisulotteinen aliavaruus. Tällöin on olemassa lineaarisesti riippumattomat vektorit y 1, y 2,..., yn, jotka
Lisätiedotjonka laskutoimitus on matriisien kertolasku. Vastaavasti saadaan K-kertoiminen erityinen lineaarinen ryhmä
4. Ryhmät Tässä luvussa tarkastelemme laskutoimituksella varustettuja joukkoja, joiden laskutoimitukselta oletamme muutamia yksinkertaisia ominaisuuksia: Määritelmä 4.1. Laskutoimituksella varustettu joukko
Lisätiedot7 Vapaus. 7.1 Vapauden määritelmä
7 Vapaus Kuten edellisen luvun lopussa mainittiin, seuraavaksi pyritään ratkaisemaan, onko annetussa aliavaruuden virittäjäjoukossa tarpeettomia vektoreita Jos tällaisia ei ole, virittäjäjoukkoa kutsutaan
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 17 R. Kangaslampi Vektoriavaruudet Vektoriavaruus
LisätiedotYleiset lineaarimuunnokset
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Kari Tuominen Yleiset lineaarimuunnokset Matematiikan ja tilastotieteen laitos Matematiikka Toukokuu 29 Tampereen yliopisto Matematiikan ja tilastotieteen laitos
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
Lisätiedot1 Tensoriavaruuksista..
1 Tensoriavaruuksista.. Käydään läpi kirjan (1) sivut 126-133. 19.02.2007 Palautetaaieleen viime kerran tärkeä määritelmä: (kirja, Määr. 5.12). Määritelmä 1.1 Olkoon T vektoriavaruus ja Φ : V 1 V 2 V m
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
Lisätiedot3x + y + 2z = 5 e) 2x + 3y 2z = 3 x 2y + 4z = 1. x + y 2z + u + 3v = 1 b) 2x y + 2z + 2u + 6v = 2 3x + 2y 4z 3u 9v = 3. { 2x y = k 4x + 2y = h
HARJOITUSTEHTÄVIÄ 1. Anna seuraavien yhtälöryhmien kerroinmatriisit ja täydennetyt kerroinmatriisit sekä ratkaise yhtälöryhmät Gaussin eliminointimenetelmällä. { 2x + y = 11 2x y = 5 2x y + z = 2 a) b)
LisätiedotLineaarialgebra (muut ko)
Lineaarialgebra (muut ko) p. 1/103 Lineaarialgebra (muut ko) Tero Laihonen Lineaarialgebra (muut ko) p. 2/103 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v
Lisätiedot802320A LINEAARIALGEBRA OSA I LINEAR ALGEBRA PART I
802320A LINEAARIALGEBRA OSA I LINEAR ALGEBRA PART I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2017 1 Contents 1 Lineaariavaruus eli Vektoriavaruus 3 1.1 Määritelmä ja esimerkkejä....................
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
Lisätiedot802320A LINEAARIALGEBRA OSA I LINEAR ALGEBRA PART I
802320A LINEAARIALGEBRA OSA I LINEAR ALGEBRA PART I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO KEVT 2019 1 Contents 1 Lineaariavaruus eli Vektoriavaruus 3 1.1 Määritelmä ja esimerkkejä....................
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
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
Lisätiedot