Insinöörimatematiikka D
|
|
- Teemu Alanen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 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 Luentokalvot 6 1 of 20
2 Kertausta Määritelmä Olkoon A n n-matriisi. Jos on olemassa sellainen n n-matriisi B, että AB = I n = BA, sanotaan, että B on A:n käänteismatriisi ja merkitään B = A 1. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 2 of 20
3 Kertausta Määritelmä Olkoon A n n-matriisi. Jos on olemassa sellainen n n-matriisi B, että AB = I n = BA, sanotaan, että B on A:n käänteismatriisi ja merkitään B = A 1. Jos A:lla on käänteismatriisi, sanotaan että A on säännöllinen. Muutoin A on singulaarinen. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 2 of 20
4 Kertausta Määritelmä Olkoon A n n-matriisi. Jos on olemassa sellainen n n-matriisi B, että AB = I n = BA, sanotaan, että B on A:n käänteismatriisi ja merkitään B = A 1. Jos A:lla on käänteismatriisi, sanotaan että A on säännöllinen. Muutoin A on singulaarinen. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 2 of 20
5 Kertausta Säännöllisen matriisin ominaisuuksia Olkoon A n n-matriisi. Seuraavat ehdot ovat yhtäpitäviä: Matriisi A on säännöllinen eli on olemassa matriisi B, jolle AB = I n ; Matriisin A redusoidussa porrasmuodossa on tarkalleen n porrasta ; A I n ; Matriisin A rivit ovat lineaarisesti riippumattomat; Matriisin A sarakkeet ovat lineaarisesti riippumattomat; Matriisi A on täysiasteinen eli r(a) = n; AB = 0 B = 0 (tai BA = 0 B = 0); det(a) 0. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 3 of 20
6 Kertausta Käänteismatriisi Gaussin-Jordanin menetelmällä Muodostetaan edellisistä yhtälöryhmistä (useampikertaisesti) augmentoitu matriisi ja saatetaan se redusoituun porrasmuotoon: ( A I ) ( I A 1 ) M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 4 of 20
7 Kertausta Käänteismatriisi Gaussin-Jordanin menetelmällä Muodostetaan edellisistä yhtälöryhmistä (useampikertaisesti) augmentoitu matriisi ja saatetaan se redusoituun porrasmuotoon: ( A I ) ( I A 1 ) Huomautus Jos Gaussin-Jordanin menetelmä ei muuta lohkomuodon (A I) vasemmanpuoleista matriisia A identiteettimatriisiksi, voidaan todeta että A:lla ei ole käänteismatriisia. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 4 of 20
8 Kertausta Determinantin määritelmä ja laskeminen Olkoon A = ( ) a b. c d Silloin determinantti det(a) = ad bc. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 5 of 20
9 Kertausta Determinantin määritelmä ja laskeminen Olkoon A = ( ) a b. c d Silloin determinantti det(a) = ad bc. Useampi riviset determinantit lasketaan käyttämällä determinanttien laskusääntöjä sekä kehittämällä determinantti rivien tai sarakkeiden suhteen (jolloin lopulta päädytään 2 2-determinantteihin). M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 5 of 20
10 Kertausta Determinantin määritelmä ja laskeminen Olkoon A = ( ) a b. c d Silloin determinantti det(a) = ad bc. Useampi riviset determinantit lasketaan käyttämällä determinanttien laskusääntöjä sekä kehittämällä determinantti rivien tai sarakkeiden suhteen (jolloin lopulta päädytään 2 2-determinantteihin). Determinantin ominaisuudet det(a) 0 tarkalleen silloin kun A on säännöllinen (eli A 1 on olemassa) det(ab) = det(a) det(b) M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 5 of 20
11 Kertausta Huomautus Olkoon A n n-matriisi. Jos det(a) 0, niin A 1 on olemassa ja homogeenisella yhtälöryhmällä Ax = 0 tarkalleen yksi ratkaisu x = A 1 0 = 0. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 6 of 20
12 Kertausta Huomautus Olkoon A n n-matriisi. Jos det(a) 0, niin A 1 on olemassa ja homogeenisella yhtälöryhmällä Ax = 0 tarkalleen yksi ratkaisu x = A 1 0 = 0. Jos det(a) = 0, on yhtälöllä aina muitakin ratkaisuja x 0. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 6 of 20
13 Determinanteista Käsitteitä ja laskeminen Olkoon A = (a ij ) i,j n n-matriisi. Determinanttia M ij, joka saadaan matriisin A determinantista poistamalla i:s rivi ja j:s sarake, kutsutaan determinantin det(a) alideterminantiksi. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 7 of 20
14 Determinanteista Käsitteitä ja laskeminen Olkoon A = (a ij ) i,j n n-matriisi. Determinanttia M ij, joka saadaan matriisin A determinantista poistamalla i:s rivi ja j:s sarake, kutsutaan determinantin det(a) alideterminantiksi. Matriisin A alkion a ij liittotekijä on C ij = ( 1) i+j M ij. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 7 of 20
15 Determinanteista Käsitteitä ja laskeminen Olkoon A = (a ij ) i,j n n-matriisi. Determinanttia M ij, joka saadaan matriisin A determinantista poistamalla i:s rivi ja j:s sarake, kutsutaan determinantin det(a) alideterminantiksi. Matriisin A alkion a ij liittotekijä on C ij = ( 1) i+j M ij. Tällöin matriisin A determinantti voidaan laskea rivin i suhteen tai sarakkeen j suhteen det(a) = a i1 C i a in C in det(a) = a 1j C 1j +...+a nj C nj. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 7 of 20
16 Determinanteista Käänteismatriisi (Cramerin sääntö) Olkoon A säännöllinen n n-matriisi. Tällöin käyttäen alideterminantteja saadaan matriisin A käänteismatriisi yhtälöstä C 11 C C n1 A 1 = 1 C 12 C C n2 det(a) C 1n C 2n... C nn M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 8 of 20
17 Määritelmä Olkoon A neliömatriisi. λ C on matriisin A ominaisarvo, jos on olemassa x 0 siten, että Ax = λx. Jokaista tämän yhtälön toteuttavaa vektoria x sanotaan ominaisarvoon λ kuuluvaksi ominaisvektoriksi. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 9 of 20
18 Esimerkki Ix = x = 1 x, joten 1 on identiteettimatriisin ominaisarvo ja mikä hyvänsä x 0 siihen liiittyvä ominaisvektori. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 10 of 20
19 Esimerkki Ix = x = 1 x, joten 1 on identiteettimatriisin ominaisarvo ja mikä hyvänsä x 0 siihen liiittyvä ominaisvektori. Esimerkki ( )( 1 0 ) = ( 2 0 ) ( 1 = 2 0 ) M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 10 of 20
20 Esimerkki Ix = x = 1 x, joten 1 on identiteettimatriisin ominaisarvo ja mikä hyvänsä x 0 siihen liiittyvä ominaisvektori. Esimerkki ( )( ) ( ) = ( )( ) ( ) = ( 1 = 2 0 ( 0 = 3 1 ) ) M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 10 of 20
21 Esimerkki Ix = x = 1 x, joten 1 on identiteettimatriisin ominaisarvo ja mikä hyvänsä x 0 siihen liiittyvä ominaisvektori. Esimerkki ( )( ) ( ) = ( )( ) ( ) = ( 1 = 2 0 ( 0 = 3 1 Siis (1, 0) on ominaisarvoon 2 kuuluva ominaisvektori ja (0, 1) arvoon 3 kuuluva. ) ) M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 10 of 20
22 Seuraus 1 Jos Ax = λx, on A i x = A i 1 Ax = A i 1 λx = = λ i x. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 11 of 20
23 Seuraus 1 Jos Ax = λx, on A i x = A i 1 Ax = A i 1 λx = = λ i x. Seuraus 2 Olkoot λ 1,..., λ n matriisin A ominaisarvoja ja x 1,..., x n näihin kuuluvat ominaisvektorit. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 11 of 20
24 Seuraus 1 Jos Ax = λx, on A i x = A i 1 Ax = A i 1 λx = = λ i x. Seuraus 2 Olkoot λ 1,..., λ n matriisin A ominaisarvoja ja x 1,..., x n näihin kuuluvat ominaisvektorit. Jos x = c 1 x c n x n, on Ax = c 1 Ax c n Ax n M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 11 of 20
25 Seuraus 1 Jos Ax = λx, on A i x = A i 1 Ax = A i 1 λx = = λ i x. Seuraus 2 Olkoot λ 1,..., λ n matriisin A ominaisarvoja ja x 1,..., x n näihin kuuluvat ominaisvektorit. Jos x = c 1 x c n x n, on Ax = c 1 Ax c n Ax n = c 1 λ 1 x c n λ n x n, M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 11 of 20
26 Seuraus 1 Jos Ax = λx, on A i x = A i 1 Ax = A i 1 λx = = λ i x. Seuraus 2 Olkoot λ 1,..., λ n matriisin A ominaisarvoja ja x 1,..., x n näihin kuuluvat ominaisvektorit. Jos x = c 1 x c n x n, on Ax = c 1 Ax c n Ax n = c 1 λ 1 x c n λ n x n, ja induktiolla A i x = c 1 λ i 1x c n λ i nx n. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 11 of 20
27 Geometrinen tulkinta Jokainen n n-matriisi A määrittelee lineaarikuvauksen R n R n, x Ax. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 12 of 20
28 Geometrinen tulkinta Jokainen n n-matriisi A määrittelee lineaarikuvauksen R n R n, x Ax. Jokainen matriisin A ominaisvektori x vastaa sellaista suuntaa, jossa A toimii venyttävänä tai kutistavana kuvauksena: Ax = λx. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 12 of 20
29 Ominaisarvojen määrittäminen Vaatimus: Yhtälöllä Ax = λx oltava ratkaisu x 0. Ax = λx M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 13 of 20
30 Ominaisarvojen määrittäminen Vaatimus: Yhtälöllä Ax = λx oltava ratkaisu x 0. Ax = λx Ax = λix M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 13 of 20
31 Ominaisarvojen määrittäminen Vaatimus: Yhtälöllä Ax = λx oltava ratkaisu x 0. Ax = λx Ax = λix (A λi)x = 0 M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 13 of 20
32 Ominaisarvojen määrittäminen Vaatimus: Yhtälöllä Ax = λx oltava ratkaisu x 0. Ax = λx Ax = λix (A λi)x = 0 Ratkaisu x 0 olemassa tarkalleen silloin kun A λi ei ole säännöllinen. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 13 of 20
33 Ominaisarvojen määrittäminen Vaatimus: Yhtälöllä Ax = λx oltava ratkaisu x 0. Ax = λx Ax = λix (A λi)x = 0 Ratkaisu x 0 olemassa tarkalleen silloin kun A λi ei ole säännöllinen. Ominaisarvoyhtälö Ratkaisu x 0 on olemassa tarkalleen silloin kun det(a λi) = 0. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 13 of 20
34 Ominaisarvojen määrittäminen Vaatimus: Yhtälöllä Ax = λx oltava ratkaisu x 0. Ax = λx Ax = λix (A λi)x = 0 Ratkaisu x 0 olemassa tarkalleen silloin kun A λi ei ole säännöllinen. Ominaisarvoyhtälö Ratkaisu x 0 on olemassa tarkalleen silloin kun det(a λi) = 0. Huomautus Jos A on n n-matriisi, on det(a λi) astetta n oleva λ:n polynomi. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 13 of 20
35 Lause Matriisin A ominaisarvot λ ovat tarkalleen seuraavan yhtälön ratkaisut: det(a λi) = 0. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 14 of 20
36 Lause Matriisin A ominaisarvot λ ovat tarkalleen seuraavan yhtälön ratkaisut: det(a λi) = 0. Ominaisvektorien määrittäminen Jos ominaisarvo λ on tunnettu, voidaan siihen kuuluvat ominaisvektorit x määrittää yhtälöstä Gaussin-Jordanin menetelmällä. Ax = λx M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 14 of 20
37 Aliavaruuden määritelmä Vektoriavaruuden V epätyhjä osajoukko U V on aliavaruus, jos c 1 v 1 +c 2 v 2 U aina kun v 1, v 2 U. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 15 of 20
38 Aliavaruuden määritelmä Vektoriavaruuden V epätyhjä osajoukko U V on aliavaruus, jos c 1 v 1 +c 2 v 2 U aina kun v 1, v 2 U. Lause Olkoon V n n-matriisin A ominaisarvoon λ liittyvien ominaisvektoreiden joukko. Tällöin V on avaruuden R n aliavaruus. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 15 of 20
39 Esimerkki Etsitään matriisin A = ( ) ominaisarvot ja niihin kuuluvat ominaisvektorit. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 16 of 20
40 Esimerkki Etsitään matriisin A = ( ) ominaisarvot ja niihin kuuluvat ominaisvektorit. Esimerkki Lasketaan edellisen esimerkin matriisille ( ) A i 5. 7 M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 16 of 20
41 Määritelmä Neliömatriisit A ja B ovat similaareja, jos on olemassa sellainen säännöllinen matriisi P, että A = P 1 BP. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 17 of 20
42 Määritelmä Neliömatriisit A ja B ovat similaareja, jos on olemassa sellainen säännöllinen matriisi P, että A = P 1 BP. Huomautus Jos A ja B ovat similaarisia, siis A = P 1 BP jollekin säännölliselle matriisille P, on A i = A A... A = P 1 BP P 1 BP... P 1 BP = P 1 B i P. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 17 of 20
43 Määritelmä Neliömatriisit A ja B ovat similaareja, jos on olemassa sellainen säännöllinen matriisi P, että A = P 1 BP. Huomautus Jos A ja B ovat similaarisia, siis A = P 1 BP jollekin säännölliselle matriisille P, on A i = A A... A = P 1 BP P 1 BP... P 1 BP = P 1 B i P. Huomautus Matriisien similaarisuus (merk. A B ) on ekvivalenssirelaatio: A A, koska A = I 1 AI M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 17 of 20
44 Määritelmä Neliömatriisit A ja B ovat similaareja, jos on olemassa sellainen säännöllinen matriisi P, että A = P 1 BP. Huomautus Jos A ja B ovat similaarisia, siis A = P 1 BP jollekin säännölliselle matriisille P, on A i = A A... A = P 1 BP P 1 BP... P 1 BP = P 1 B i P. Huomautus Matriisien similaarisuus (merk. A B ) on ekvivalenssirelaatio: A A, koska A = I 1 AI Jos A B, on A = P 1 BP B = PAP 1, joten B A. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 17 of 20
45 Määritelmä Neliömatriisit A ja B ovat similaareja, jos on olemassa sellainen säännöllinen matriisi P, että A = P 1 BP. Huomautus Jos A ja B ovat similaarisia, siis A = P 1 BP jollekin säännölliselle matriisille P, on A i = A A... A = P 1 BP P 1 BP... P 1 BP = P 1 B i P. Huomautus Matriisien similaarisuus (merk. A B ) on ekvivalenssirelaatio: A A, koska A = I 1 AI Jos A B, on A = P 1 BP B = PAP 1, joten B A. Jos A B ja B C, on A = P1 1 BP 1, B = P2 1 CP 2, joten A = (P 2 P 1 ) 1 C(P 2 P 1 ), siis A C. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 17 of 20
46 Huomautus Oletetaan, että n n-matriisilla A on n ominaisarvoa λ 1,..., λ n ja näihin liittyvät ominais(pysty)vektorit x 1,..., x n. Merkitään P = (x 1...x n ), jolloin AP = (Ax 1...Ax n ) = (λ 1 x 1...λ n x n ). M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 18 of 20
47 Huomautus AP = (Ax 1...Ax n ) = (λ 1 x 1...λ n x n ) M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 19 of 20
48 Huomautus AP = (Ax 1...Ax n ) = (λ 1 x 1...λ n x n ) ja λ λ (λ 1 x 1...λ n x n ) = (x 1...x n )..... = PD λ n }{{} D M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 19 of 20
49 Huomautus AP = (Ax 1...Ax n ) = (λ 1 x 1...λ n x n ) ja λ λ (λ 1 x 1...λ n x n ) = (x 1...x n )..... = PD λ n }{{} D Siis AP = PD. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 19 of 20
50 Huomautus AP = (Ax 1...Ax n ) = (λ 1 x 1...λ n x n ) ja λ λ (λ 1 x 1...λ n x n ) = (x 1...x n )..... = PD λ n }{{} D Siis AP = PD. Täten P 1 AP = D, jos P:llä on käänteismatriisi. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 19 of 20
51 Huomautus AP = (Ax 1...Ax n ) = (λ 1 x 1...λ n x n ) ja λ λ (λ 1 x 1...λ n x n ) = (x 1...x n )..... = PD λ n }{{} D Siis AP = PD. Täten P 1 AP = D, jos P:llä on käänteismatriisi. Esimerkki Jatketaan edellistä esimerkkiä. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 19 of 20
52 Huomautus Olkoon AP = PD kuten edellä. M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 20 of 20
53 Huomautus Olkoon AP = PD kuten edellä. P 1 on olemassa M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 20 of 20
54 Huomautus Olkoon AP = PD kuten edellä. P 1 on olemassa det(p) 0 M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 20 of 20
55 Huomautus Olkoon AP = PD kuten edellä. P 1 on olemassa det(p) 0 P:n sarakkeet ovat lineaarisesti riippumattomat M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 20 of 20
56 Huomautus Olkoon AP = PD kuten edellä. P 1 on olemassa det(p) 0 P:n sarakkeet ovat lineaarisesti riippumattomat Matriisin A ominaisvektorit muodostavat C n :n kannan M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 20 of 20
57 Huomautus Olkoon AP = PD kuten edellä. P 1 on olemassa det(p) 0 P:n sarakkeet ovat lineaarisesti riippumattomat Matriisin A ominaisvektorit muodostavat C n :n kannan Esimerkki Etsitään seuraavan matriisin ominaisarvot: A = M. Hirvensalo V. Junnila A. Lepistö Luentokalvot 6 20 of 20
Insinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
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
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
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.
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
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
LisätiedotInsinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut
Insinöörimatematiikka D, 06 laskuharjoituksien esimerkkiratkaisut Alla olevat esimerkkiratkaisut ovat melko ksitiskohtaisia Tenttivastauksissa ei leensä tarvitse muistaa lauseiden, määritelmien, esimerkkien
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
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
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) (
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
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
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
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)
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
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
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
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Ominaisarvot Kertaus: ominaisarvot Määritelmä
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
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
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
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
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
LisätiedotDemorastitiedot saat demonstraattori Markus Niskaselta Lineaarialgebra (muut ko) p. 1/104
Lineaarialgebra (muut ko) p. 1/104 Ensi viikolla luennot salissa X Torstaina 7.12. viimeiset demot (12.12. ja 13.12. viimeiset luennot). Torstaina 14.12 on välikoe 2, muista ilmoittautua! Demorastitiedot
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 13.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/12 Käytännön asioita Kesäkuun tentti: ke 19.6. klo 17-20, päärakennuksen sali 1. Anna palautetta kurssisivulle ilmestyvällä
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
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
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
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
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
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
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
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
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
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
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
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:
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 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
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
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
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,
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
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
LisätiedotMatikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/81
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/81 Lineaarialgebra (muut ko) p. 2/81 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2 )
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
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
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
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).
LisätiedotSeuraava luento ti on salissa XXII. Lineaarialgebra (muut ko) p. 1/117
Seuraava luento ti 31.10 on salissa XXII Lineaarialgebra (muut ko) p. 1/117 Lineaarialgebra (muut ko) p. 2/117 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v
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
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
LisätiedotOrtogonaalisen kannan etsiminen
Ortogonaalisen kannan etsiminen Lause 94 (Gramin-Schmidtin menetelmä) Oletetaan, että B = ( v 1,..., v n ) on sisätuloavaruuden V kanta. Merkitään V k = span( v 1,..., v k ) ja w 1 = v 1 w 2 = v 2 v 2,
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Lineaarikuvaukset Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Lineaarikuvaukset Lineaarikuvaus Olkoot U ja V
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
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
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
Lisätiedot3.2 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( )
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
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. Määritelmä
Determinantti Määritelmä Oletetaan, että A on n n-neliömatriisi Merkitään normaaliin tapaan matriisin A alkioita lyhyesti a ij = A(i, j) (a) Jos n = 1, niin det(a) = a 11 (b) Muussa tapauksessa n det(a)
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 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
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 4.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/19 Käytännön asioita Viimeiset harjoitukset on palautettava torstaina 13.6. Laskaripisteensä ja läsnäolonsa voi kukin tarkistaa
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
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
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
LisätiedotDeterminantti. Määritelmä
Determinantti Määritelmä Oletetaan, että A on n n-neliömatriisi. Merkitään normaaliin tapaan matriisin A alkioita lyhyesti a ij = A(i, j). (a) Jos n = 1, niin det(a) = a 11. (b) Muussa tapauksessa n det(a)
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?
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
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
LisätiedotDeterminantit. Kaksirivinen determinantti. Aiheet. Kaksirivinen determinantti. Kaksirivinen determinantti. Kolmirivinen determinantti
Determinantit 1 2 2-matriisin ( A = on det(a) = a 11 a 12 a 21 a 22 a 11 a 12 a 21 a 22 ) = a 11a 22 a 12 a 21. 1 2 2-matriisin on det(a) = Esim. Jos A = ( a 11 a 12 a 21 a 22 A = a 11 a 12 a 21 a 22 )
Lisätiedot800350A / S Matriisiteoria
800350A / 800693S Matriisiteoria Emma Leppälä Tero Vedenjuoksun luentomonisteen pohjalta 15 syyskuuta 2017 Sisältö 1 Lineaarialgebraa 2 11 Merkintöjä 2 12 Matriisien perusominaisuuksia 4 13 Matriisien
Lisätiedot6 MATRIISIN DIAGONALISOINTI
6 MATRIISIN DIAGONALISOINTI Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T Muistutus: vektorien a ja b pistetulo (skalaaritulo,
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 23.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/22 Käytännön asioita Ensimmäiset tehtävät olivat sujuneet hyvin. Kansilehdet on oltava mukana tehtäviä palautettaessa,
LisätiedotLineaarialgebra, kertausta aiheita
Lineaarialgebra, kertausta aiheita Matriisitulo käänteismatriisi determinantin kehittäminen determinantin ominaisuudet adjungaatti ja Cramerin kaavat yhtälöryhmän eri esitystavat Gauss-Jordan -algoritmi
LisätiedotJohdatus lineaarialgebraan. Juha Honkala 2017
Johdatus lineaarialgebraan Juha Honkala 2017 Sisällysluettelo 1 Lineaariset yhtälöryhmät ja matriisit 11 Lineaariset yhtälöryhmät 12 Matriisit 13 Matriisien alkeismuunnokset ja porrasmatriisit 14 Yhtälöryhmien
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
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
LisätiedotMATRIISIN HESSENBERGIN MUOTO. Niko Holopainen
MATRIISIN HESSENBERGIN MUOTO Niko Holopainen Matematiikan pro gradu Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Syksy 2013 Tiivistelmä: Niko Holopainen, Matriisin Hessenbergin muoto Matematiikan
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
LisätiedotNeliömatriisin adjungaatti, L24
Neliömatriisin adjungaatti, L24 1 2 1 3 Matriisi = A = 7 4 6 5 2 0 ( ) 7 6 Alimatriisi = A 12 = 5 0 Minori = det(a 12 ) = 7 6 5 0 = 30 Kofaktori = ( 1) 1+2 det(a 12 ) = 30 2 Määritelmä n n neliö-matriisin
LisätiedotKäänteismatriisin ominaisuuksia
Käänteismatriisin ominaisuuksia Lause 1.4. Jos A ja B ovat säännöllisiä ja luku λ 0, niin 1) (A 1 ) 1 = A 2) (λa) 1 = 1 λ A 1 3) (AB) 1 = B 1 A 1 4) (A T ) 1 = (A 1 ) T. Tod.... Ortogonaaliset matriisit
LisätiedotTehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2014 Harjoitus 4 Ratkaisujen viimeinen palautuspäivä: pe 662014 klo 1930 Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun
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.
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
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
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
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
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
LisätiedotLINEAARIALGEBRA P. LUENTOMONISTE ja HARJOITUSTEHTÄVÄT
LINEAARIALGEBRA II 802119P LUENTOMONISTE ja HARJOITUSTEHTÄVÄT syksy 2008 30 V SISÄTULOAVARUUKSISTA 1. Sisätulon määritelmä Tarkastellaan sisätulon määrittelyä varten kompleksilukujen joukkoa C = {x + iy
LisätiedotLineaariset kongruenssiyhtälöryhmät
Lineaariset kongruenssiyhtälöryhmät LuK-tutkielma Jesse Salo 2309369 Matemaattisten tieteiden laitos Oulun yliopisto Sisältö Johdanto 2 1 Kongruensseista 3 1.1 Kongruenssin ominaisuuksia...................
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
LisätiedotOrtogonaaliset matriisit, määritelmä 1
, määritelmä 1 Määritelmä (a). Neliömatriisi Q on ortogonaalinen, jos Q T Q = I. Määritelmästä voidaan antaa samaa tarkoittavat, mutta erilaiselta näyttävät muodot: Määritelmä (b). n n neliömatriisi Q,
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
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
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
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
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
LisätiedotNeliömatriisit A ja B ovat similaareja toistensa suhteen, A B, jos on olemassa kääntyvä matriisi P, jolle pätee A = PBP 1.
Similaarisuus 1 (Kreyszig 8.4, Lay 5.2) Aalto MS-C1340, 2014, Kari Eloranta Määritelmä Neliömatriisit A ja B ovat similaareja toistensa suhteen, A B, jos on olemassa kääntyvä matriisi P, jolle pätee A
Lisätiedot