1 Ominaisarvot ja lineaariset di erenssiyhtälöt
|
|
- Kaisa Mäki
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Taloustieteen mat.menetelmät syksy 27 materiaali II-4 Ominaisarvot ja lineaariset di erenssiyhtälöt. Idea a b Ajatellaan di erenssiyhtälöä z k+ Az k, A : Jos A olisi diagonaalimatriisi, eli b c, niin muuttujat (z:n komponentit) olisivat toisistaan c d riippumattomia (uncoupled) ja komponentit voisi laskea erikseen. Idea: jos kerroinmatriisi ei ole diagonaalinen, rakennellaan muunnos muuttujien vaihdoksen avulla, joka johtaa diagonaaliseen kerroinmatriisiin! käytetään ominaisarvoja.2 Ominaisarvot Idea neliömatriisille A lähtökohta: voidaanko tehdä sellainen muuttujan vaihdos, että matriisin A sijaan voidaan tarkastella helpommin käsiteltävää matriisia? muuttujan vaihdos: kääntyvä kuvaus (matriisi) P, uudet muuttujat P x miten A toimii kun muuttujat vaihdetaan: otetaan y (uudet muuttujat) ja haetaan sitä vastaava x (vanhat muuttujat), eli x P y, kuvataan A:lla, jolloin saadaan AP y ja suoritetaan taas muuttujan vaihdos P AP y (y:n kuva uusissa muuttujissa) siis muunnettu kuvaus on D P AP eo. kysymys: löytyykö P siten että D on diagonaalimatriisi? Määritelmä: on A:n ominaisarvo ja v 6 on vastaava ominaisvektori jos A I on singulaarinen ja v toteuttaa (A I)v A on neliömatriisi. A:n ominaisarvo on luku. Kun se vähennetään jokaisesta A:n diagonaalialkiosta, A muuttuu singulaariksi. huom. oletetaan, että v 6, koska olisi aina ominaisvektori (eikä siten kovinkaan kiinnostava) on ominaisarvo jos ja vain jos A I on singulaarinen, det(a I), tätä sanotaan A:n karakteristiseksi yhtälöksi, karakteristiseksi polynomiksi tai ominaisarvoyhtälöksi 2 Esim. : A vähentämällä tästä matriisista 2 saadaan 3 matriisi, joka on singulaarinen, eli ominaisarvo on 2, vastaava
2 v ominaisvektori v (v ; v 2 ) saadaan ratkaisemalla, v 2 eli v 6 ja v 2 muotoa olevat vektorit ovat ominaisvektoreita vastaten ominaisarvoa 2 myös 3 on ominaisarvo sillä A 3I on singulaarinen Faktoja ominaisarvoista ja -vektoreista diagonaalimatriisin diagonaalialkiot ovat ominaisarvoja jos v on ominaisvektori, niin myös v on ominaisvektori kaikilla 6 ominaisvektori määrittää suunnan, jota kuvaus A ei muuta matriisi on singulaarinen jos ja vain jos on sen ominaisarvo jos matriisi on symmetrinen, sillä on n ominaisarvoa, jotka ovat reaalilukuja 3 Esim. 2: A, koska kyseessä ei ole diagonaalimatriisi, on 2 ominaisarvojen laskemisessa turvauduttava karakteristiseen yhtälöön: 3 det(a I) det 2 ( + )( ) ( + 3)( 2) ominaisarvot ovat 3 ja 2 2. Ominaisarvoa vastaava ominaisvektori saadaan yhtälöparista (A ( 3)I)v, es- 2 3 v 2 3 v 2 imerkiksi v ( 3; 2) on ominaisarvo (kuten myös kaikkia vektorit v, 6 ), mikä on toinen ominaisvektori? 2 Esim. 3: 5 A, karakteristinen yhtälö 3 2 det(a 2 I) 5 A 3 2 (5 )( 4)( + ) ominaisarvoja on nyt kolme ;2;3 5; 4; 2 ovat v A A A (laske!) 3, vastaavat ominaisvektorit Havaintoja 2
3 karakteristinen yhtälö on n:nnen asteen polynomi! ominaisarvoja n kappaletta, osa voi olla kompleksilukuja (palataan tähän myöhemmin) yleisesti ottaen n:nnen asteen polynomin juurten hakeminen on työlästä.3 Diagonalisointi Määritelmä: matriisi A on diagonalisoituva, jos löytyy kääntyvä matriisi P (muuttujan vaihdos) siten, että D P AP on diagonaalimatriisi Lause: n n matriisi A on diagonalisoituva jos sillä on n erillistä, nollasta poikkeavaa ominaisarvoa kun ominaisvektorit ovat erillisiä ja 6, niin ominaisvektorit ovat lineaarisesti riippumattomia ominaisvektorit ovat matriisin P sarakkeita ja ominaisarvot ovat matriisin D diagonaalialkioita (matriisi voi olla diagonalisoituva myös silloin kun osa ominaisarvoista on samoja, mutta ei välttämättä) Taustaa: Huomataan että D P AP eli AP P D: Minkälainen pitäisi muunnosmatriisin P olla että D:stä tulisi diagonaalimatriisi?. 2D: Edellinen voidaan kirjoittaa A[v v 2 ][v v 2 ] josta saadaan Av 2 v ja Av 2 2 v 2 :(v v 2 ovat siis P :n sarakkeita). Tämä toteutuu kun :t ovat ominaisarvoja ja v:t ominaisvektoreita. Esim. 3 jatkoa 2 5 muunnosmatriisi A ja 4 A 3.4 Ominaisarvojen informaatio A:n määräämän lineaarikuvauksen luonnetta voi hahmotella ominaisvektorien ja ominaisarvojen avullla Jos A:n ominaisarvo on positiivinen, se tarkoittaa sitä, että A skaalaa vektoreita vastaavan ominaisvektorin suuntaan Jos ominaisarvo on negatiivinen, A peilaa ominaisvektorin suunnat ja skaalaa niitä k Esim. pohdi miten A toimii k 2 jos reaalisia ominaisarvoja ei ole, niin A ei toimi edellä kuvatulla tavalla mihinkään suuntaan 3
4 ! matriisi kääntää kaikkia suuntia (ja mahdollisesti skaalaa niitä) cos() sin() Esim. tasossa matriisi A kääntää kuvattavaa sin() cos() vektoria kulman. Ominaisarvojen avulla voi tutkia de niittisyyttä symmetrinen matriisi A on pos.sem.def (neg.sem.def) jos ja vain jos A:n ominaisarvot ovat ( ) vastaavasti pos.def. (neg.def.) jos ominaisarvot > (< ) matriisi on inde niitti jos ja vain jos sillä on positiivinen ja negatiivinen ominaisarvo.5 Di erenssiyhtälöt Jono fx k g k Rn toteutaa T :nnen kertaluvun di erenssiyhtälön jos G(x k ; x k ; : : : ; x k T ) (kaikilla k T ), missä G : R T n 7! R n yleensä, di erenssiyhtälöt voidaan saattaa ensimmäisen kertaluvun muotoon, jolloin esitys on rekursiivinen, eli x k+ F (x k ) tässä tapauksessa di erenssiyhtälön ratkaisulla tarkoitetaan jonoa, joka saadaan rekursion ratkaisuna, kun alkuarvo x on annettu rekursiota kutsutaan myös tilayhtälöksi (state transition equation), liikeyhtälöksi (law of motion) tai dynaamiseksi systeemiksi (dynamic system).6 Esimerkkejä Esim. malli kansantulolle (national income): periodin k kansantulo Y k toteuttaa yhtälön Y k C k + I k + G k, missä C k on kuluttajien menot, I k on investoinnit ja G k julkiset menot oletetaan C k Y k, G k G kaikilla k, I k (C k C k ) saadaan di erenssiyhtälö Y k Y k + (C k C k ) + G ( + )Y k Y k 2 + G kyseessä toisen kertaluvun di erenssiyhtälö valitsemalla muuttujiksi x k Y k ja z k Y k saadaan di erenssiyhtälöyhtälö ensimmäisen kertaluvun/rekursiiviseen muotoon: Esim 2. kasvumalli x k ( + )x k z k + G z k x k 4
5 tuotantofunktio f(k k ; L k ), K pääoma ja L työ, C k kulutus, pääoman kulumistekijä, K k+ f(k k ; L k ) + ( )K k C k Esim. 3. luonnonvaran käyttö luonnonvaran määrä s k, luonnonvaran käyttö/harvennus x k, kasvufunktio f(s), dynamiikka: s k+ f(s k ) x k.7 Kuluttajan elinkaari X Kuluttajan tehtävä max k u(c k ), 2 (; ) periodin k kulutus c k k oletetaan, että alkupääoma on annettu, w, pääoma kasvaa korkoa, korko r; w k+ ( + r)(w k c k ), missä w k on periodin k pääoma tilayhtälön voi ajatella rajoitteena Ensimmäisen kertaluvun ehdot Lagrangen funktio L(c; ) X k h i k u(c k ) k (w k+ ( + r)(w k c k )) huom. muuttujina c k, w k+, k, eli äärettömästi muuttujia! teoreettinen kysymys: toimiiko ensimmäisen kertaluvun ehdot? derivoidaan L kaikkien muuttujien suhteen ja asetetaan derivaatat nolliksi, saadaan k u (c k ) + k ( + r)( ) (derivointi c k :n suhteen) ( + r) k k (derivointi w k :n suhteen, k ) w k+ ( + r)(w k c k ); k tämä on di erenssiyhtälö, jossa muuttujina ovat c k :t, w k :t ja k :t huom. k :t voi eliminoida.8 Lineaariset Di erenssiyhtälöt Tarkastellaan di erenssiyhtälöitä, jotka ovat muotoa z k+ Az k, k ; ; : : :, ja z annettu tarkoituksena on hyödyntää ominaisarvoteoriaa näiden yhtälöiden ratkaisemisessa 5
6 huom. epälineaarinen di erenssiyhtälö voidaan linearisoida, jolloin lineaaristen di erenssiyhtälöiden teoriaa voidaan hyödyntää lokaalissa tarkastelussa Esim. : korkolaskua pääoma y k, vuosikorko, y k+ ( + )y k laskemalla periodista alkaen, y ( + )y, y 2 ( + ) 2 y, jne. havaitaan, että y k ( + ) k y (di erenssiyhtälön ratkaisu) Esim. 2: malli työttömyydelle työssäkäyvät keskimäärin x, työttömät keskimäärin y työllistymistodennäköisyys p, työssäpysymistodennäköisyys q x k+ qx k + py k y k+ ( q)x k + ( p)y k xk+ q p xk tai matriisimuodossa y k+ q p y k a b Havaintoja 2d mallista z k+ Az k, A c d jos A olisi diagonaalimatriisi, eli b c, niin muuttujat (z:n komponentit) olisivat toisistaan riippumattomia (uncoupled) ja komponentit voisi laskea erikseen kuten korkoesimerkissä, esim. työttömyysmallissa x ja y eivät näytä erikseen ratkeavan kuten korkoesimerkissä (kokeile)! idea: tehdään muuttujien vaihdos, joka johtaa diagonaaliseen kerroinmatriisiin! käytetään ominaisarvoja.9 Ratkaisu diagonalisoimalla Di erenssiyhtälön z k+ Az k ratkaiseminen Oletus A diagonalisoituva. tehdään muuttujan vaihdos, Z P z ja z P Z vanhat muuttujat z 2 R n ja uudet muuttujat Z 2 R n lasketaan A:n ominaisarvot ja ominaisvektorit, muodostetaan P ominaisvektoreista 2. muodostetaan di erenssiyhtälö Z:lle Z k+ P z k+ P Az k P AP Z k huom. P AP on ominaisarvoista muodostuva diagonaalimatriisi 3. ratkaistaan di erenssiyhtälö Z:lle 4. palataan takaisin alkuperäisiin muuttujiin 6
7 . Esimerkki Ratkaistaan matriisin A Az k Lasketaan ominaisarvot ja ominaisvektorit 4 määrittämä di erenssiyhtälö z 2 k+ karakteristinen yhtälö det(a I), ( )( ) 4 2! saadaan ominaisarvot ;2 2; 4 v ominaisvektorit, (i) (A I) v (ii) (A 2 I), mm. v 2 v 2 ( 2; ) muunnosmatriisi P ja P Tehdään muuttujan vaihdos v 2, mm. v (4; ) merkitään z (x; y), uudet muuttujat X ja Y, Z (X; Y ): X 6 3 x x 4 2 X ja Y 6 23 y y Y Johdetaan di erenssiyhtälö Z:lle: eli Z k+ P AP Z k ja P AP on diagonaalimatriisi, jossa ominaisvektorit diagonaalilla, eli P AP 2 tässä di erenssiyhtälössä X ja Y eivät riipu toisistaan, koska B on diagonaalimatriisi! Ratkaistaan Z k : X k 2 k X ja Y k ( ) k Y Siirrytään takaisin alkuperäisiin muuttujiin z k P Z k k X ( ) k Y 4 2 k X 2 ( ) k Y 2 k X + ( ) k (2 k X Y ) 4 + (( ) k Y ) alkuarvot X ja Y saadaan taas muunnoksella Z P z 2 7
8 2 Lineaariset di erenssiyhtälöt II - ominaisarvot 2. Ratkaisu ominaisarvojen avulla Di erenssiyhtälö z k+ Az k (z k 2 R n ) Oletus A diagonalisoituva ja sen ominaisarvot ovat reaalilukuja ominaisarvot ; : : : ; n ja ominaisvektorit v ; : : : ; v 2 k B merkitään C. A, jolloin D k C. A n k n Lause: Di erenssiyhtälön yleinen ratkaisu on z k c k v + c 2 k 2v 2 + : : : + c n k nv n, missä c i, i ; : : : ; n, ovat vakioita yleisellä ratkaisulla tarkoitetaan sitä että ratkaisu on aina edellä kuvattua muotoa riippumatta alkuarvosta z vakiot c i, i : : : ; n, voidaan ratkaista, kun alkuarvo z on annettu; merkitään c (c ; : : : ; c n ), jolloin c P z Lause: Kun alkuarvo on z niin di erenssiyhtälön ratkaisu on z k P D k P z huom. A k P D k P, tämän avulla diagonalisoitavalle matriisille voi määritellä mm. neliöjuuren A Esimerkki Ratkaistaan P D k P di erenssiyhtälölle z k+ Az k, A karakteristinen yhtälö det(a I) : ( + ) ominaisarvot ;2 ( p + 4 6)2 ( 5)2, 3 ja v ominaisvektorit: (i) (A I)v, joten 2 3 v 2 on oltava 2v + 3v 2, esim. v (3; 2) on ominaisvektori 2 3 v (ii) (A 2 I)v, joten 3v v, esim. v (; ) muunnosmatriisi P v 2 3 ja sen käänteismatriisi P 2 :2 :2 :4 :6 8
9 matriisi A k P D k P 3 ( 3) k :2 :2 2 2 k :4 :6 3( 3) k 2 k :2 :2 ( 2)( 3) k 2 k :4 :6 :2 ( ) k 3 k+ + :4 2 k :2 ( 3) k+ + :6 2 k :2 ( ) k+ 3 k + :4 2 k :2 ( ) k+2 3 k + :6 2 k 2.3 Kompleksiluvut Diagonalisointiin tarvitaan n ominaisarvoa, mutta mitä jos kaikkia näitä ei löydy reaalilukujen joukosta?! osa ominaisarvoista on kompleksilukuja Määritelmä: kompleksiluku on muotoa a + ib oleva luku missä i:lle pätee i 2 ja a ja b ovat reaalilukuja lukua a sanotaan reaaliosaksi ja lukua b imaginaariosaksi, i on imaginaariyksikkö Määritelmä: Luvun z a + ib kompleksikonjugaatiksi sanotaan lukua z a ib Lause: Jos kompleksiluku z on polynomin juuri niin myös z on polynomin juuri huom. n:nnen asteen polynomilla on enintään n juurta, jos n 2 ja yksi juurista on kompleksiluku niin toisenkin on oltava huom. vaikka kompleksiluvut määritellään toisen asteen yhtälön ratkaisujen kautta (i toteuttaa yhtälön x 2 ), niillä saadaan kaikkien korkeampaakin astetta olevien polynomiyhtälöiden kaikki ratkaisut 2.4 Kompleksiset ominaisarvot Pohditaan 2d tapausta reaalinen ominaisvektori on sellainen, että kuvaukset tämän vektorin suuntaan pysyvät saman suuntaisina! jos ominaisarvot ovat kompleksisia matriisi kääntää kaikkia suuntia reaalisten ominaisarvojen tapauksessa (2d) di erenssiyhtälön Z k+ Az k ratkaisu on muotoa z k c k v + c 2 k 2v 2, missä ja 2 ovat ominaisarvot, v ja v 2 ovat vastaavat ominaisvektorit ja c ja c 2 ovat vakioita 9
10 jos j i j < niin termi c i k i v i menee kohti nollaveltoria (kerroin k i suppenee nollaan), vastaavasti jos j i j > termi c i k i v i hajaantuu (ei suppene)! mitä tapahtuu jos ja 2 ovat kompleksilukuja? 2 2 (reaalinen) matriisi A, jolla kompleksiset ominaisarvot z i, vastaavat ominaisvektorit u iv di erenssiyhtälön yleinen ratkaisu on z k 2r k [(c cos k c 2 sin k)u (c 2 cos k+c sin k)v], missä c ja c 2 ovat reaalilukuja, jotka määräytyvät alkuarvosta z kompleksiset ominaisarvot johtavat siihen että ratkaisu värähtelee sini- ja kosinitermien johdosta 2.5 Esimerkki A 9 p karakteristinen yhtälö p p, ratkaisut ;2 (2 4 4 )2 (2 36))2 (2 6 )2 i3 3i v ominaisvektorit: (A I), eli 3iv 9 3i v 2 + v 2, esim. v (; 3i) kelpaa, toinen ominaisvektori on (; 3i) ) r p p, arccos( p ) :249 Di erenssiyhtälön ratkaisu, merk. z (x; y) xk p (c k y cos k c 2 sin k) (c k 2 cos k + c sin k) Stabiilisuus Määritelmä: Vektori x on di erenssiyhtälön x k+ F (x k ) tasapaino jos x F (x ) epälineaarinen di erenssiyhtälö voidaan linearisoida tasapainon ympäristössä: F (x) F (x ) + DF (x )(x x ), tällöin muuttujan vaihdoksella z x x päädytään lineaariseen di erenssiyhtälöön, jossa A DF (x )! epälineaaristen di erenssiyhtälöiden tasapainoja voidaan analysoida lineaaristen di erenssiyhtälöiden avulla Määritelmä: Lineaarisen di erenssiyhtälön z k+ Az k tasapaino z on (globaalisti) asymptoottisesti stabiili, jos di erenssiyhtälön ratkaisut suppenevat kohti vektoria kaikilla alkuarvoilla
11 reaalisten ominaisarvojen tapauksessa tasapaino on stabiili kun ominaisarvot ovat itseisarvoltaan pienempiä kuin yleisesti ominaisarvojen on oltava kompleksitasossa yksikköympyrän sisäpuolella, eli r p a 2 + b 2 < edellä olleissa esimerkeissä origo on epästabiili 2.7 Markov prosessit Määritelmä: Oletetaan äärellinen määrä tiloja i ; : : : ; n. Stokastinen prosessi on sääntö, joka määrittää todennäköisyydet sille, että periodilla k + ollaan tilassa i. Jos tilojen todennäköisyydet riippuvat vain edellisen periodin tilasta, stokastista prosessia sanotaan Markov-prosessiksi Esimerkki luokitellaan perheet kotipaikan mukaan: () kaupunkilaisiin, (2) esikaupunkien asukkaisiin ja (3) maalaisiin eri luokkia voidaan pitää tiloina ; 2; 3, jos perheen kotipaikan tyyppi muuttuu, niin tila muuttuu Tilansiirtotodennäköisyydet merkitään x i (k) todennäköisyys että jaksolla k ollaan tilassa i siirtymätodennäköisyydet m ij todennäköisyys että jaksolla k + tila on i kun jaksolla k oltiin tilassa j voidaan koota tilansiirtomatriisiksi (Markov-matriisiksi) m m n B C. A m n m nn Esimerkki (jatkoa) voidaan ajatella että todennäköisyys x i (k) kuvaa osuutta populaatiosta, joka asuu (i ) kaupungissa, (i 2) esikapungissa, (i 3) maalla jaksolla k esim. m j todennäköisyys, jolla pysytään kaupunkilaisena (j ) tai tullaan kaupunkilaiseksi (j 2 tai j 3), voidaan tulkita osuuksina populaatiosta, jotka pysyvät paikoillaan ja muuttavat :75 :2 : :2 :9 :2A :5 :8 :7 Markov-prosessi di erenssiyhtälönä
12 todennäköisyys, että jaksolla k + ollaan tilassa i: x i (k + ) (tod. näk. että siirrytään tilasta tilaan i) (tod. näk. että lähdetään tilasta ) + : : : + (tod. näk että siirrytään tilasta n tilaan i) (tod. näk. että lähdetään tilasta n) P j m ijx j (k) tilansiirtomatriisin avulla x(k + ) M x(k), eli x (k + ) m m n x (k) B C C B C. A x n (k + ) m n m nn x n (k) 2.8 Esimerkki Markov matriisi M :9 :4 : :6 Ominaisarvot, det(m I) (:9 )(:6 ) : :4 2 (:9 + :6) + :9 :6 :4, saadaan ;2 (:5 p :5 2 4 :5)2 (:5 :5)2 ; :5 Ominaisvektoreiksi saadaan v (4; ) ja v 2 (; ) Di erenssiyhtälön yleinen ratkaisu Havaintoja x (k + ) c 4 k + c 2 :5 k x 2 (k + ) c k + c 2 ( ) :5 k toinen ominaisarvo on yksi ja toinen pienempi kuin yksi kun k!, niin raja-arvona on c (4; ) (ominaisarvoa vastaavan ominaisvektorin suunta), koska raja-arvon on oltava todennäköisyysjakauma on 4c + c, eli c 5 yleisesti pätee, että kun M on Markov-matriisi, jonka kaikki komponentit ovat nollasta poikkeavia (tai M k :n alkiot nollasta poikkeavia jollakin k), niin yksi ominaisarvoista on yksi ja loput välillä ( ; ), jolloin prosessi suppenee kohti ominaisarvoa vastaavan ominaisvektorin määrittämää rajajakaumaa! rajajakauma on di erenssiyhtälön stabiili tasapaino (kaikilla todennäköisyysjakaumilla alkutiloina) :8 kokeile eo. esimerkissä mitä on M :2 2.9 Ominaisarvojen ominaisuuksia Lause: Jos ; : : : ; n ovat n n matriisin ominaisarvot, niin n trace(a) ja 2 n det(a). 2
13 trace(a) on matriisin diagonaalialkioden summa (matriisin jälki) tulos voi helpottaa ominaisarvojen laskemista Esimerkki (kaupunki-maaseutu x (k + ) :75 :2 : x 2 (k + ) :2 :9 x (k) x 2 (k) A x 3 (k + ) :5 :8 :7 x 3 (k) tiedetään, että yksi ominaisarvoista on, joten :75 + :9 + :7 2:35 ja 2 :455, saadaan ominaisarvot :7 ja : ominaisvektorit A 35 3 yleinen ratkaisu x (k + ) x 2 (k + ) 225 5A + c 8 5A (:7) k + c A (:65) k x 3 (k + )
1 Di erentiaaliyhtälöt
Taloustieteen mat.menetelmät syksy 2017 materiaali II-5 1 Di erentiaaliyhtälöt 1.1 Skalaariyhtälöt Määritelmä: ensimmäisen kertaluvun di erentiaaliyhtälö on muotoa _y = F (y; t) oleva yhtälö, missä _y
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
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,
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
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
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 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
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
LisätiedotOminaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3.
Matematiikan ja tilastotieteen laitos Lineaarialgebra ja matriisilaskenta II Ylimääräinen harjoitus 6 Ratkaisut A:n karakteristinen funktio p A on λ p A (λ) det(a λi ) 0 λ ( λ) 0 5 λ λ 5 λ ( λ) (( λ) (
LisätiedotLineaarikuvauksen R n R m matriisi
Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:
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
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-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).
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
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
LisätiedotTalousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita
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
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
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
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?
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
LisätiedotTyyppi metalli puu lasi työ I 2 8 6 6 II 3 7 4 7 III 3 10 3 5
MATRIISIALGEBRA Harjoitustehtäviä syksy 2014 Tehtävissä 1-3 käytetään seuraavia matriiseja: ( ) 6 2 3, B = 7 1 2 2 3, C = 4 4 2 5 3, E = ( 1 2 4 3 ) 1 1 2 3 ja F = 1 2 3 0 3 0 1 1. 6 2 1 4 2 3 2 1. Määrää
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt. osa 2 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 1 R. Kangaslampi Matriisihajotelmista
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
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
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,
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 14 Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu Luennolla 6 Tarkastelimme yhden muuttujan funktion f(x) rajoittamatonta optimointia
LisätiedotVärähdysliikkeet. q + f (q, q, t) = 0. q + f (q, q) = F (t) missä nopeusriippuvuus kuvaa vaimenemista ja F (t) on ulkoinen pakkovoima.
Torstai 18.9.2014 1/17 Värähdysliikkeet Värähdysliikkeet ovat tyypillisiä fysiikassa: Häiriö oskillaatio Jaksollinen liike oskillaatio Yleisesti värähdysliikettä voidaan kuvata yhtälöllä q + f (q, q, t)
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
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
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
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
LisätiedotTehtävä 2. Osoita, että seuraavat luvut ovat algebrallisia etsimällä jokin kokonaislukukertoiminen yhtälö jonka ne toteuttavat.
JOHDATUS LUKUTEORIAAN syksy 017) HARJOITUS 6, MALLIRATKAISUT Tehtävä 1. Etsi Pellin yhtälön x Dy = 1 pienin positiivinen ratkaisu kun D {,, 5, 6, 7, 8, 10}. Ratkaisu 1. Tehtävässä annetuilla D:n arvoilla
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
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
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
LisätiedotDynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II
Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman
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
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
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
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
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
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
LisätiedotMilloin A diagonalisoituva?
Milloin A diagonalisoituva? ) Oletus: A on diagonalisoituva eli D = TAT, jollakin D = diag(λ, λ 2,..., λ n ). A:n ja D:n ominaisarvot ovat samat λ, λ 2,..., λ n ovat myös A:n ominaisarvot... D e i = D
Lisätiedot6. Differentiaaliyhtälösysteemien laadullista teoriaa.
1 MAT-13450 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 2010 6. Differentiaaliyhtälösysteemien laadullista teoriaa. Olemme keskittyneet tässä kurssissa ensimmäisen kertaluvun
LisätiedotPäättelyn voisi aloittaa myös edellisen loppupuolelta ja näyttää kuten alkupuolella, että välttämättä dim W < R 1 R 1
Lineaarialgebran kertaustehtävien b ratkaisuista. Määritä jokin kanta sille reaalikertoimisten polynomien lineaariavaruuden P aliavaruudelle, jonka virittää polynomijoukko {x, x+, x x }. Ratkaisu. Olkoon
Lisätiedot(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
Lisätiedot17. Differentiaaliyhtälösysteemien laadullista teoriaa.
99 17. Differentiaaliyhtälösysteemien laadullista teoriaa. Differentiaaliyhtälön x'(t) = f(x(t),t), x(t) n määrittelemän systeemin sanotaan olevan autonominen, jos oikea puoli ei eksplisiittisesti riipu
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.
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
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
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
LisätiedotTaloustieteen matemaattiset menetelmät: Osa 2 - Pikakertaus ja esimerkkejä
Taloustieteen matemaattiset menetelmät: Osa 2 - Pikakertaus ja esimerkkejä Topi Hokkanen 27. maaliskuuta 2017 Tiivistelmä Nämä muistiinpanot ovat nk. quick and dirty - merkinnät kurssin toisen osan asioista.
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
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.
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
LisätiedotMS-A0102 Differentiaali- ja integraalilaskenta 1
MS-A0102 Differentiaali- ja integraalilaskenta 1 Kompleksiluvut Riikka Korte (muokannut Riikka Kangaslammen materiaalin pohjalta) Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.11.2015 1 /
Lisätiedot5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45
MS-A0003/A0005 Matriisilaskenta Laskuharjoitus / vko 5 Tehtävä 1 (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 3 =, b) z + 3 i < 3, c) 1/z >. Yleisesti: ehto z = R, z C muodostaa kompleksitasoon
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,
Lisätiedot763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät y' P. α φ
76336A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät 217 1. Koordinaatiston muunnosmatriisi (a) y' P r α φ ' Tarkastellaan, mitä annettu muunnos = cos φ + y sin φ, y = sin φ + y cos φ, (1a) (1b) tekee
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 +
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ
Mat-48 Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ L ẋ = x ẋ = g L sin x rx Epälineaarisen systeemin tasapainotiloja voidaan
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
Lisätiedotf(x) f(y) x y f f(x) f(y) (x) = lim
Y1 (Matematiikka I) Haastavampia lisätehtäviä Syksy 1 1. Funktio h määritellään seuraavasti. Kuvan astiaan lasketaan vettä tasaisella nopeudella 1 l/min. Astia on muodoltaan katkaistu suora ympyräkartio,
LisätiedotLineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / Ratkaisut
MS-C34 Lineaarialgebra ja differentiaaliyhtälöt, IV/26 Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / t Alkuviikon tuntitehtävä Hahmottele matriisia A ( 2 6 3 vastaava vektorikenttä Matriisia A
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
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
LisätiedotVapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
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
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
LisätiedotMATRIISIALGEBRA. Harjoitustehtäviä syksy Olkoot A =, B =
MATRIISIALGEBRA Harjoitustehtäviä syksy 2008 0 3 2 3. Olkoot, B =, C =. 3 2 3 2 4 0 Määrättävä A + B, 4A 2B, A T, C T, (A T ) T. 2. Jos A, B ja C ovat kuten edellisessä tehtävässä, onko a) C + C T määritelty,
Lisätiedot1 Avaruuksien ja lineaarikuvausten suora summa
MAT-33500 Differentiaaliyhtälöt, kevät 2006 Luennot 27.-28.2.2006 Samuli Siltanen 1 Avaruuksien ja lineaarikuvausten suora summa Tämä asialöytyy myös Hirschin ja Smalen kirjasta, luku 3, pykälä 1F. Olkoon
Lisätiedotax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.
BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 7, Syksy 206 Tutkitaan yhtälöryhmää x + y + z 0 2x + y + az b ax + y + 2z 0 (a) Jos a 0 ja b 0 niin mikä on yhtälöryhmän ratkaisu? Tulkitse ratkaisu
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
Lisätiedot6. 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
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.
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,
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
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)
Lisätiedottyyppi metalli puu lasi työ I II III metalli puu lasi työ
MATRIISIALGEBRA Harjoitustehtäviä syksy 29 ( 7 1 1 4 1 1. Olkoot, B = 1 5 2 5 3 Määrää 2A, B 2A, A T, ( 2A) T, (A T ) T. ), C = ( 1 ) 4 4 ja E = 7. 3 2. Olkoot A, B, C ja E kuten edellisessä tehtävässä.
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-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu
Lisätiedotz muunnos ja sen soveltaminen LTI järjestelmien analysointiin
z muunnos ja sen soveltaminen LTI järjestelmien analysointiin muunnoksella (eng. transform) on vastaava asema diskreettiaikaisten signaalien ja LTI järjestelmien analyysissä kuin Laplace muunnoksella jatkuvaaikaisten
LisätiedotKOMPLEKSILUVUT C. Rationaaliluvut Q. Irrationaaliluvut
KOMPLEKSILUVUT C Luonnolliset luvut N Kokonaisluvut Z Rationaaliluvut Q Reaaliluvut R Kompleksi luvut C Negat kokonaisluvut Murtoluvut Irrationaaliluvut Imaginaariluvut Erilaisten yhtälöiden ratkaiseminen
LisätiedotKompleksiluvut., 15. kesäkuuta /57
Kompleksiluvut, 15. kesäkuuta 2017 1/57 Miksi kompleksilukuja? Reaaliluvut lukusuoran pisteet: Tiedetään, että 7 1 0 x 2 = 0 x = 0 1 7 x 2 = 1 x = 1 x = 1 x 2 = 7 x = 7 x = 7 x 2 = 1 ei ratkaisua reaalilukujen
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( )
Lisätiedot1 Komparatiivinen statiikka ja implisiittifunktiolause
Taloustieteen matemaattiset menetelmät 27 materiaali 4 Komparatiivinen statiikka ja implisiittifunktiolause. Johdanto Jo opiskeltu antaa nyt valmiu tutkia taloudellisia malleja Kiinnostava malli voi olla
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
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
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
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
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään
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 Kompleksiluvut. Kompleksiluvut 10. syyskuuta 2005 sivu 1 / 7
Kompleksiluvut 10. syyskuuta 2005 sivu 1 / 7 1 Kompleksiluvut Lukualueiden laajennuksia voi lähestyä polynomiyhtälöiden ratkaisemisen kautta. Yhtälön x+1 = 0 ratkaisemiseksi tarvitaan negatiivisia lukuja.
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.
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 3 /
MS-A3/A5 Matriisilaskenta, II/27 MS-A3/A5 Matriisilaskenta Laskuharjoitus 3 / 3. 7..27 Tehtävä (L): Etsi kaikki yhtälön Ax = b ratkaisut, kun 3 5 4 A = 3 2 4 ja b = 6 8 7 4. Ratkaisu : Koetetaan ratkaista
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
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
Lisätiedot