LUKU 6. Weingartenin kuvaus

Koko: px
Aloita esitys sivulta:

Download "LUKU 6. Weingartenin kuvaus"

Transkriptio

1 LUKU 6 Weingartenin kuvaus 6.1. Vektorikentän derivaatta Seuraavassa määritellään pinnalla määritellyn reaaliarvoisen funktion ja vektorikentän derivaatta. Nämä tulevat olemaan hyvinmääriteltyjä, kunhan derivointisuunta on pinnalle tangentiaalinen. Tätä varten kannattaa kerrata kurssilta Differentiaalilaskenta 1 [4, luku I], miten derivaatta ja differentioituvuus on määritelty euklidisen avaruuden avoimessa osajoukossa määritellylle funktiolle, ja miksi määrittelyssä pitää rajoittua nimenomaan avoimiin joukkoihin. Kerrataan aluksi derivoinnin ketjusääntö sellaisessa muodossa, josta derivaatta on helppo yleistää pinnalla määritellylle funktiolle ja vektorikentälle. Olkoot V R 3 avoin, p V, (p; v) R 3 p ja f : V R C -funktio. Funktion f derivaatta pisteessä p vektorin v suuntaan on Df(p)v = Df(α(0))α (0) = (f α) (0), missä α: ( ε, ε) V on C -polku siten, että α(0) = p ja α (0) = v. Jos f on määritelty vain pinnalla M, on derivaatta (f α) (0) edelleen hyvinmääritelty, kunhan polku α on pinnan M polku. Määritelmä 6.1. Olkoot M R 3 sileä pinta, p M, v p = (p; v) T p (M), f : M R C -funktio ja X pinnan M C -vektorikenttä. (i) Funktion f derivaatta tangenttivektorin v p suuntaan on D vp f := (f α) (0), missä α: ( ε, ε) M on C -polku siten, että α(0) = p ja α (0) = v. (ii) Vektorikentän X derivaatta tangenttivektorin v p suuntaan on D vp X := (p; (X α) (0)), missä α: ( ε, ε) M on C -polku siten, että α(0) = p ja α (0) = v, ja X on vektorikentän X suuntaosa, X(x) = (x; X(x)), x M. Ennenkuin selvitellään tässä määritellyn derivaatan ominaisuuksia, ja ennen kaikkea osoitetaan, että määritelmä on hyvin asetettu, tarkastellaan kahta esimerkkiä, jotka osoittavat, miksi pinnalla määritellylle funktiolle tai vektorikentälle derivaatta voidaan määritellä vain pinnalle tangentiaaliseen suuntaan. Esimerkki 6.2. Olkoon T := {(x, y, z) R 3 z = 1}. Tällöin T on funktion F : R 3 R, F (x, y, z) = z 1, määräämä sileä tasa-arvopinta, jolle normaalina on F (x, y, z) = (0, 0, 1) ja tangenttiavaruus 1 Viimeksi muutettu T p (T) = {(p; v) T R 3 v = (v 1, v 2, 0)}. 42

2 6.1. VEKTORIKENTÄN DERIVAATTA 43 Olkoon f : T R, f(p) := 0, kaikille p T. Jotta funktion f derivaatta voitaisiin määrätä muihinkin suuntiin kuin pinnalle tangentiaaliseen suuntiin, pitää funktion arvot tuntea jossakin pinnan ympäristössä. Olkoot g ja h funktion f seuraavat laajennukset koko avaruuteen: g : R 3 R, g(p) := 0, ja h: R 3 R, h(x, y, z) := z 1. Olkoon nyt α: ( ε, ε) R 3 C -polku siten, että α(0) = p T ja α (0) = v. Tässä vektorin (p; v) ei tarvitse olla pinnan T tangenttivektori. Nyt g(α(t)) = 0 kaikille t ( ε, ε), joten (g α) (0) = 0. Toisaalta, h(α(t)) = α 3 (t) 1, kun α = (α 1, α 2, α 3 ), joten (h α) (0) = α 3(0) = v 3. Jos polku α valitaan siten, että α 3 (t) = t kaikille t ( ε, ε), on (h α) (0) = v 3 = 1, ja siis (g α) (0) (h α) (0). Siis, jos (p; v) ei ole pinnan T tangenttivektori, derivaatta riippuu siis laajenuksen valinnasta. Jos taas (p; v) on pinnan T tangenttivektori, on v 3 = 0 ja (h α) (0) = v 3 = 0 = (g α) (0). Esimerkki 6.3. Olkoot r > 0 ja M := {(x, y, z) R 3 x 2 + y 2 + z 2 = r 2 } sekä X pinnan M vektorikenttä, jonka suuntaosalle X on X(p) := 1 r p. Olkoot Y ja Z vektorikentän X seuraavat laajennukset (vain suuntaosa on annettu): Y : R 3 R 3, Y (p) := 1 p, ja r Z : R 3 \ {0} R 3, Z(p) := 1 p p. Olkoon nyt α: ( ε, ε) R 3 C -polku siten, että α(0) = p ja α (0) = v. Tässä vektorin (p; v) ei tarvitse olla pinnan M tangenttivektori. Nyt Y (α(t)) = 1 α(t) kaikille t ( ε, ε), joten (Y r α) (0) = 1 r α (0) = 1 v. r Toisaalta, Z(α(t)) = 1 α(t), joten α(t) (Z α) 1 ( d 1 t=0 (0) = α(0) α (0) + α(0) = dt α(t) ) 1 ( α(0) α p v (0) ) p α(0) 3 = 1 r v p v p. r 3 Nyt (Y α) (0) = (Z α) (0), jos ja vain jos p v p = 0, eli p v = 0, tai yhtäpitävästi r 3 v p T p (M). Huomautuksia 6.4. a) Olkoot X pinnan M vektorikenttä ja Y avoimessa joukossa joukossa V M määritelty vektorikenttä, jolle Y (p) = X(p) kaikille p M. Olkoot p M, v p = (p; v) T p (M) ja α: ( ε, ε) M C -polku siten, että α(0) = p ja α (0) = v. Tällöin suuntaosille on ketjusäännön nojalla (X α) (0) = (Y α) (0) = DY (α(0))α (0) = DY (p)v. Siis, derivaatta D vp X ei riipu valitusta polusta α, jolle α(0) = p ja α (0) = v, ainoastaan pisteestä p ja suunnasta v.

3 6.2. WEINGARTENIN KUVAUS 44 b) Derivaatta D vp X ei myöskään riipu siitä, miten a-kohdan laajennus Y valitaan. Nimittäin, jos Z on avoimessa joukossa joukossa V M määritelty vektorikenttä, jolle Z(p) = X(p) kaikille p M, on (Z α)(t) = (Y α)(t) kaikille t ( ε, ε), joten (Z α) (0) = (Y α) (0). c) Kohdan a) lasku antaa menetelmän derivaatan D vp X määräämiseen ilman, että tarvitsee määrätä polku α, jolle α(0) = p ja α (0) = v. c) Kohtien a) ja b) väitteet pätevät myös reaaliarvoisen funktion f derivaatalla (sopivasti modifioituina). Erityisesti, derivaatalle on D vp f = (f α) (0) = Dg(p)v, kun g on avoimessa joukossa joukossa V M määritelty funktio, jolle g(p) = f(p) kaikille p M, ja v p = (p; v) T p (M) Funktioiden ja vektorikenttien derivointia koskevat tutut derivointikaavat, joiden todistaminen jätetään lukijan tehtäväksi (f : M R on pinnalla M määritelty C -funktio, X ja Y ovat pinnan M C -vektorikenttiä ja v p = (p; v) T p (M)): (i) D vp ( X + Y ) = D vp X + Dvp Y ; (ii) D vp (f Y ) = (D vp f) X(p) + f(p) (D vp Y ); (iii) D vp ( X Y ) = (D vp X) Y (p) + X(p) Dvp Y Funktion f tai vektorikentän X derivaatan määräämiseksi kannattaa huomata seuraava käytännöllinen yhteys lokaaleihin parametriesityksiin: Olkoot M R 3 sileä pinta, p M, ϕ: U M pinnan M lokaali parametriesitys ja u 0 U siten, että ϕ(u 0 ) = p. Olkoot edelleen f : M R C -funktio ja X pinnan M C -vektorikenttä. Tällöin derivaatat koordinaattikäyrien tangenttivektorien E ϕ 1 (u 0 ) = ϕ (u 0 ) ja E ϕ 2 (u 0 ) = ϕ (u 0 ), u 1 u 2 suuntiin ovat (f ϕ) (f ϕ) D E ϕ 1 (u 0)f = (u 0 ), D u E ϕ 2 (u 0)f = (u 0 ), 1 u 2 D ( (X ϕ) ) E ϕ 1 (u 0) X = p; (u 0 ), D u ( (X ϕ) ) E ϕ 2 (u 0) X = p; (u 0 ). 1 u 2 Näidenkin kaavojen toteaminen jätetään lukijan tehtäväksi. Kannattaa muistaa, että E ϕ 1 (u 0 ) on polun t ϕ(u 0 + t e 1 ) ja E ϕ 2 (u 0 ) vastaavasti polun t ϕ(u 0 + t e 2 ) tangenttivektori hetkellä t = 0. Tässä e 1 := (1, 0) ja e 2 := (0, 1) Weingartenin kuvaus Yksikkövauhtisen polun α kaarevuus on helppo ymmärtää tangenttivektorin α muutosnopeuteen α liittyväksi ominaisuudeksi. Kaksiulotteiselle pinnalle M R 3 vastaava ajattelutapa ei ole helppoa toteuttaa. Ensinnäkin, jos ϕ: U M on pinnan M lokaali parametriesitys, on tangenttivektoreita nyt kaksi, eli nyt pitäisi selvittää kaksiulotteisen tangenttiavaruuden muuttumisnopeutta. Toisekseen, lokaalia

4 6.2. WEINGARTENIN KUVAUS 45 parametriesitystä ei välttämättä voida korjata sellaiseksi, että koordinaattikäyrät olisivat yksikkövauhtisia. Helpompi lähestymistapa saadaan tutkimalla pinnan yksikkönormaalia. Tasokäyristä kannattaa palauttaa mieleen seuraava Frenet n kaavojen antama kaava: kun α: I R 2 on yksikkövauhtinen polku, on N = κ T, missä T := α, N := Jα ja κ on polun α merkkinen kaarevuus. Määritelmä 6.5. Olkoot (M, N) suunnistettu pinta, p M ja v p T p (M). Pinnan M Weingartenin kuvaus S p pisteessä p määritellään kaavalla 2 S p (v p ) := D vp N. Huomautuksen 6.4 kohdasta a) saadaan kaava Weingartenin kuvauksen arvojen laskemiseen: Jos V on avoin, pinnan M sisältävä joukko ja Ñ : V R3 C -kuvaus, jolle Ñ M = N, sekä v p = (p; v) T p (M), niin S p (v p ) = (p; DÑ(p)v). Tästä seuraa erityisesti, että Weingartenin kuvaus S p on lineaarikuvaus T p (M) R 3 p. Kuvavektoreista S p (v p ) voidaan sanoa hieman enemmänkin: Koska N on yksikkövektori, on N(p) N(p) = 1 kaikille p M, joten (ks iii) 0 = D vp 1 = 2(D vp N) N(p). Siis D vp N N(p), joten Dvp N Tp (M), eli Weingartenin kuvaus S p on lineaarikuvaus S p : T p (M) T p (M). Weingartenin kuvauksen arvojen S p (v p ) laskemista helpottavat seuraavat kaavat: Olkoot p M, ϕ: U M pinnan M lokaali parametriesitys ja u 0 U siten, että ϕ(u 0 ) = p. Tällöin kohdan kaavojen nojalla ( S p (E ϕ (N ϕ) ) 1 (u 0 )) = p; (u 0 ), u 1 ( S p (E ϕ (N ϕ) ) 2 (u 0 )) = p; (u 0 ). u 2 Koska vektorit E ϕ 1 (u 0 ) ja E ϕ 2 (u 0 ) virittävät tangenttiavaruuden T p (M), saadaan Weingartenin kuvauksen arvot S p (v p ) lasketuksi y.o. derivaattojen avulla kaikille tangenttivektoreille v p T p (M). Kannattaa lisäksi muistaa, että (N ϕ)(u) = ±N ϕ (u), missä N ϕ on tilkun ϕ yksikkönormaali, joka puolestaan on helppo laskea koordinaattikäyrien tangenttivektorien ristitulon avulla. Lause 6.6. Olkoot (M, N) suunnistettu pinta ja α: I M C 2 -polku. Tällöin pinnan M Weingartenin kuvaukselle S on voimassa α (t) N(α(t)) = S α(t) (α (t)) α (t) kaikille t I. 2 Weingartenin kuvauksesta käytetään myös nimitystä muoto-operaattori, varsinkin englannin kielisenä versiona shape operator. Kuten myöhemmin nähdään, Weingartenin kuvaus mittaa pinnan kaareutumista vastaavaan tapaan kuin tasokäyrän kaarevuus.

5 Todistus. Derivoidaan identiteetti puolittain muuttujan t suhteen. Saadaan 6.2. WEINGARTENIN KUVAUS 46 α (t) N(α(t)) = 0 0 = α (t) N(α(t)) + α (t) (N α) (t) = α (t) N(α(t)) + α (t) D (α(t);α (t)) N = α (t) N(α(t)) α (t) S α(t) (α (t)). Lauseen identitetti on erään tasokäyrille tutun kaavan yleistys: kun α: I R 2 on sileä polku, on κ(t) = α (t) J(α (t)) α (t) 3 = α (t) N(t) α (t) 2, kun N := Jα / α. Tasokäyrille lausekkeen S α(t) (α (t)) α (t) tilalla siis on κ(t) α (t) 2. Tämä antaa aiheen seuraavaan määritelmään: Määritelmä 6.7. Olkoot (M, N) suunnistettu pinta, p M, u p T p (M) yksikkövektori (siis u p = 1) ja S p pinnan M Weingartenin kuvaus pisteessä p. Pinnan M normaalikaarevuus tangenttivektorin u p suuntaan on k(u p ) := S p (u p ) u p. Kaikille v p T p (M), v p 0 p, asetetaan k(v p ) := S p(v p ) v p v p 2. Kuva 1. Voidaan osoittaa, että pinnan M normaalikaarevuus tangenttivektorin v p suuntaan on pinnan normaalin N(p) ja tangenttivektorin v p määräämän tason {p + s v + t N(p) s, t R} ja pinnan M leikkauskäyrän merkkinen kaarevuus. Kuvassa myös leikkauskäyrän C kuvajoukko N(C) pinnan Gaussin kuvauksessa.

6 6.2. WEINGARTENIN KUVAUS 47 Edellisen lauseen tulos antaa seuraavan, tasokäyrien kaarevuuden merkin merkityksen yleistävän tulkinnan: Jos pinta M tangenttivektorin v p suuntaan liikuttaessa taipuu normaalivektoria N(p) kohti, on normaalikaarevuus k(v p ) 0. Vastaavasti, jos pinta M tangenttivektorin v p suuntaan liikuttaessa taipuu normaalivektorista N(p) poispäin, on normaalikaarevuus k(v p ) 0. Esimerkki 6.8 (Pallo). Olkoot r > 0, M := {p R 3 p = r} ja N(p) := 1 p r (vrt. esimerkkiin 6.3). Tällöin ( D vpn = p; 1 ). r v Pallon Weingartenin kuvaus pisteeessä p M on siis S p (v p ) = (p; 1 ) r v = 1 r v p Tarkastellaan ominaisarvoyhtälöä S p (v p ) = λ v p. Selvästi tämä yhtälö toteutuu kaikille tangenttivektoreille v p, kun λ = 1 r. Jos taas λ 1 r, yhtälö toteutuu ainoastaan vektorille v p = 0 p. Pallon Weingartenin kuvauksen S p ominaisarvot ovat siis λ 1 = λ 2 = 1 r. Näitä vastaaviksi ominaisvektoreiksi kelpaavat mitkä tahansa nollasta eroavat tangenttivektorit. Esimerkki 6.9 (Torus). Olkoot 0 < b < a ja ϕ: R 2 R 3, ϕ(u, v) := ((a + b cos v) cos u, (a + b cos v) sin u, b sin v). Tällöin ϕ on sileä tilkku, jonka kuvajoukko M := ϕ(r 2 ) on sileä pinta, torus Kuva 2. Torus väritettynä ominaisarvon λ 1 avulla. 3 Tarkasteltava torus on esitettävissä myös sileänä tasa-arvopintana ( x 2 + y 2 a ) 2 + z 2 = b 2, joten torus on suunnistuva.

7 Toruksen koordinaattivektorikentät ovat joten tilkulla ϕ on normaalivektori ja yksikkönormaali 6.2. WEINGARTENIN KUVAUS 48 E ϕ 1 (u, v) = (a + b cos v) ( sin u, cos u, 0), E ϕ 2 (u, v) = b ( sin v cos u, sin v sin u, cos v), E ϕ 1 (u, v) E ϕ 2 (u, v) = b (a + b cos v) (cos v cos u, cos v sin u, sin v) N ϕ (u, v) = (cos v cos u, cos v sin u, sin v). Määritelmän 6.5 jälkeen esitettyjen kaavojen nojalla Weingartenin kuvauksen arvot koordinaattivektorikenttien suuntiin saadaan osittaisderivaattoina N ϕ (u, v) = (cos v sin u, cos v cos u, 0) u ja N ϕ (u, v) = (sin v cos u, sin v sin u, cos v). v Koska N ϕ (u, v) = cos v u a + b cos v Eϕ 1 (u, v) ja N ϕ v (u, v) = 1 b Eϕ 2 (u, v), on toruksen Weingartenin kuvauksella S p ominaisarvoina pisteessä p = ϕ(u, v) λ 1 = cos v a + b cos v ja λ 2 = 1 b. Näitä vastaavat ominaisvektorit ovat koordinaattivektorikentät E ϕ 1 (u, v) ja E ϕ 2 (u, v) Kahden edellisen esimerkin kaltainen ominaisuus, että suunnistetun pinnan Weingartenin kuvauksella on reaaliset ominaisarvot, on kaikilla suunnistetuilla pinnoilla. Tämä perustuu seuraavaan Weingartenin kuvauksen tärkeään symmetriaominaisuuteen: Lause Suunnistetun pinnan (M, N) Weingartenin kuvaus S p on symmetrinen jokaisessa pisteessä p M, t.s. (6.1) S p (v p ) w p = v p S p (w p ) kaikille v p, w p T p (M). Todistus. Olkoon ϕ: U M pinnan M lokaali parametriesitys pisteen p ympäristössä siten, että sen yksikkönormaali N ϕ ja pinnan N ovat samansuuntaiset, t.s. N(ϕ(u)) = N ϕ (u) kaikille u = (u 1, u 2 ) U. Määritelmän 6.5 jälkeen esitettyjen kaavojen nojalla Weingartenin kuvauksen arvot koordinaattivektorikenttien suuntiin saadaan osittaisderivaattoina S ϕ(u) (E ϕ 1 (u)) = (ϕ(u); N ϕ ) (u), u 1 S ϕ(u) (E ϕ 2 (u)) = (ϕ(u); N ϕ ) (u). u 2 Derivoidaan identiteetti N ϕ (u) ϕ u 1 (u) = 0

8 muuttujan u 2 suhteen. Saadaan Siis 6.2. WEINGARTENIN KUVAUS 49 0 = N ϕ (u) ϕ (u) + N ϕ 2 ϕ (u) (u) u 2 u 1 u 2 u 1 = S ϕ(u) (E ϕ 2 (u)) E ϕ 1 (u) + N ϕ (u) S ϕ(u) (E ϕ 2 (u)) E ϕ 1 (u) = N ϕ (u) Vaihtamalla muuttujien u 1 ja u 2 roolit, saadaan 2 ϕ u 2 u 1 (u). 2 ϕ u 2 u 1 (u). S ϕ(u) (E ϕ 1 (u)) E ϕ 2 (u) = N ϕ 2 ϕ (u) (u). u 1 u 2 Koska toisen kertaluvun osittaisderivaatat ovat riippumattomia derivointijärjestyksestä (ks. [4, H. A. Schwarzin lause 7.3]), on 2 ϕ u 2 u 1 (u) = 2 ϕ u 1 u 2 (u), joten S ϕ(u) (E ϕ 2 (u)) E ϕ 1 (u) = S ϕ(u) (E ϕ 1 (u)) E ϕ 2 (u). Koska vektorit E ϕ 1 (u) ja E ϕ 2 (u) muodostavat tangenttiavaruudelle T ϕ(u) (M) kannan, seuraa väite lineaarisuusperiaatteesta: bilineaarimuodon (v p, w p ) S p (v p ) w p arvot määräytyvät täysin kantavektoreilla saamistaan arvoista. Yksityiskohtien läpikäyminen jätetään lukijan tehtäväksi. (Esitä mielivaltaiset tangenttivektorit v p, w p T p (M) kantavektoreiden E ϕ 1 (u) ja E ϕ 2 (u) lineaarikombinaatioina, ja laske kaavan (6.1) molemmat puolet auki käyttäen kantavektoreille saatua tulosta apuna.) Weingartenin kuvauksen symmetrisyys takaa sen, että jokaisen suunnistetun pinnan Weingartenin kuvauksella S p on (reaaliset) ominaisarvot (ja vastaavat reaaliset ominaisvektorit). Ominaisarvoilla on selkeä geometrinen merkitys: Olkoot λ R Weingartenin kuvauksen S p ominaisarvo ja v p T p (M) sitä vastaava ominaisvektori. Tällöin on siis S p (v p ) = λ v p, joten Jos erityisesti v p on yksikkövektori, on S p (v p ) v p = λ v p v p = λ v p 2. λ = S p (v p ) v p = k(v p ) pinnan normaalikaarevuus tangenttivektorin v p suuntaan Palautetaan mieleen eräitä tärkeitä tuloksia lineaarikuvauksen ominaisarvoista ja -vektoreista. 4 Olkoot V := T p (M) ja L := S p : T p (M) T p (M), jolloin V on kaksiulotteinen vektoriavaruus ja L symmetrinen lineaarikuvaus V V. Lineaarikuvauksen L ominaisuuksien tarkastelemiseksi sen matriisin avulla menetellään seuraavasti: 1 Valitaan avaruudelle V jokin kanta. 4 Vaikka tässä Weingartenin kuvaus S p on kaksiulotteisen vektoriavaruuden T p (M) lineaarikuvaus itselleen, ei aliavaruutta T p (M) R 3 p kannata samaistaa tason R 2 kanssa eikä Weingartenin kuvausta S p 2 2-matriisiin liian suoraviivaisesti. Katso tarkemmin dokumentista Lineaarikuvauksen determinantti ja jälki.

9 6.2. WEINGARTENIN KUVAUS 50 2 Käytetään esimerkiksi Gramin ja Schmidtin ortogonalisointimenetelmää [1, 12], jonka avulla valitusta kannasta saadaan sisätuloavaruudelle V ortonormeerattu kanta {t 1, t 2 }. 3 Lineaarikuvauksen L matriisi A := [ a 1,1 a 1,2 a 2,1 a 2,2 ] kannan {t 1, t 2 } suhteen määrätään kantavektoreiden kuvavektoreiden avulla seuraavasti: Lt 1 = a 1,1 t 1 + a 2,1 t 2, Lt 2 = a 1,2 t 1 + a 2,2 t 2. 4 Lineaarikuvauksen matriisi A ortonormeeratun kannan {t 1, t 2 } suhteen on symmetrinen, jos ja vain jos lineaarikuvaus L on symmetrinen eli toteuttaa ehdon Lv w = v Lw kaikille v, w V ; vrt. [2, 6]. 5 Matriisien ominaisarvoteorian [2, luku III] nojalla symmetrisen matriisin A ominaisarvot λ 1 ja λ 2 ovat reaaliset ja vastaavista ominaisvektoreista voidaan muodostaa tasoon R 2 ortonormeerattu kanta {v 1, v 2 }. 6 Olkoon U : R 2 V lineaarikuvaus, joka vie tason standardikannan avaruuden V ortonormeeratuksi kannaksi {t 1, t 2 }, t.s. U(1, 0) = t 1 ja U(0, 1) = t 2. Tällöin lineaarikuvauksen U 1 LU matriisi tason standardikannan suhteen on juuri A, joten kaikille tason vektoreille v on U 1 LUv = Av, t.s. LUv = UAv. Erityisesti, LUv j = UAv j = λ j Uv j, j {1, 2}. 7 Avaruudelle V saadaan ortonormeerattu kanta {e 1, e 2 }, kun e 1 := Uv 1 ja e 2 := Uv 2. Tällöin Le j = λ j e j, joten luvut λ 1 ja λ 2 ovat kuvauksen L ominaisarvot ja vektorit e 1 ja e 2 vastaavat ominaisvektorit. Olkoot nyt k 1 ja k 2 R Weingartenin kuvauksen S p ominaisarvot sekä e 1 ja e 2 T p (M) vastaavat ominaisvektorit, jotka voidaan olettaa yksikkövektoreiksi ja toisiaan vastaan kohtisuoriksi. Jokainen yksikkövektori v T p (M) voidaan esittää muodossa v = cos θ e 1 + sin θ e 2, missä θ R. Pinnan M normaalikaarevuus vektorin v suuntaan on 5 k(v) = S p (v) v = (cos θ S p (e 1 ) + sin θ S p (e 2 )) v = (cos θ k 1 e 1 + sin θ k 2 e 2 ) v = cos 2 θ k 1 + sin 2 θ k 2. Saadusta esityksestä on helppo nähdä, että normaalikaarevuuden k(v) ja ominaisarvojen k 1 ja k 2 välillä on voimassa, kun oletetaan, että k 1 k 2, k 1 = max{k(v) v T p (M), v = 1}, k 2 = min{k(v) v T p (M), v = 1}. Määritelmä Suunnistetun pinnan (M, N) Weingartenin kuvauksen S p ominaisarvot k 1 (p) ja k 2 (p) ovat pinnan M pääkaarevuuksia pisteeessä p ja vastaavat ominaisvektorit e 1 (p) ja e 2 (p) ovat pinnan M pääkaarevuussuuntia pisteeessä p. 5 Tämä tulos tunnetaan Eulerin lauseena [16, 2 6] tai [8, Cor ]. Yhtälö on yksi monista Leonhard Eulerin nimeä kantavista yhtälöistä ja kaavoista. Euler ( ) oli yksi kaikkien aikojen tuottoisimmista matematiikoista. Julkaisujen joukossa on mm. äskettäin suomennettu Kirjeitä saksalaiselle prinsessalle fysiikasta ja filosofiasta, Oy Fram Ab, Vaasa, 2007 (suom. ja toim. Johan Stén).

10 6.2. WEINGARTENIN KUVAUS 51 Lineaarikuvaukselle L: V V (ks ) määritellään determinantti ja jälki asettamalla det L := det A = a 1,1 a 1,2 a 2,1 a 2,2, ja tr L := tr A := a 1,1 + a 2,2. On helppo todeta, että lineaarikuvauksen determinantti ja jälki ovat hyvinmääriteltyjä (eli määritelty arvo ei riipu valitusta kannasta; kannan ei tässä tarvitse olla edes ortonormeerattu). Määritelmä Suunnistetun pinnan (M, N) Gaussin kaarevuus K(p) ja keskikaarevuus H(p) pisteeessä p määritellään kaavoilla (6.2) K(p) := det S p ja H(p) := 1 2 tr S p. Koska ominaisvektoreiden v 1 ja v 2 muodostamassa kannassa matriisin A määrämän lineaarikuvauksen matriisi on [k1 ] (p) 0, 0 k 2 (p) saadaan K(p) = k 1 (p) k 2 (p) ja H(p) = 1 (k 2 1(p) + k 2 (p)). Gaussin kaarevuutta K(p), keskikaarevuutta H(p) sekä pääkaarevuuksia k 1 (p) ja k 2 (p) sitoo seuraava yhtälö: Lause Suunnistetun pinnan (M, N) pääkaarevuudet k 1 (p) ja k 2 (p) toteuttavat yhtälön λ 2 2H(p) λ + K(p) = 0. Todistus. Olkoon A := [ a 1,1 a 1,2 a 2,1 a 2,2 ] Weingartenin kuvauksen S p matriisi tangenttiavaruuden T p (M) jonkin ortonormeeratun kannan {t 1, t 2 } suhteen. Koska pääkaarevuudet k 1 (p) ja k 2 (p) ovat matriisin A ominaisarvot, toteuttavat ne yhtälön Väite seuraa tästä. det(λ I A) = λ 2 (a 1,1 + a 2,2 ) λ + (a 1,1 a 2,2 a 1,2 a 2,1 ) = 0. Pääkaarevuudet k 1 (p) ja k 2 (p) ovat siis k 1,2 (p) = H(p) ± H(p) 2 K(p). Edellä esitetty ominaisarvoteoriaan perustuva menetelmä antaa geometrisen yhteyden Weingartenin kuvauksen ja varsinkin normaalikaarevuuden, pääkaarevuuksien ja pääkaarevuussuuntien välille. Kaarevuuksien laskeminen onnistuu kuitenkin helpommin, kun apuna käytetään pinnan lokaalia parametriesitystä ja siihen liittyviä Weingartenin yhtälöitä. Näitä tarkastellaan seuraavassa luvussa.

LUKU 7. Perusmuodot Ensimmäinen perusmuoto. Funktiot E, F ja G ovat tilkun ϕ ensimmäisen perusmuodon kertoimet ja neliömuoto

LUKU 7. Perusmuodot Ensimmäinen perusmuoto. Funktiot E, F ja G ovat tilkun ϕ ensimmäisen perusmuodon kertoimet ja neliömuoto LUKU 7 Perusmuodot 7 Ensimmäinen perusmuoto Määritelmä 7 Olkoon ϕ: U R 3 tilkku Määritellään funktiot E, F, G: U R asettamalla (7) E := ϕ ϕ, F := ϕ, G := ϕ u u u u Funktiot E, F G ovat tilkun ϕ ensimmäisen

Lisätiedot

Pinnan tangenttivektorit

Pinnan tangenttivektorit LUKU 5 Pinnan tangenttivektorit Tästä lähtien oletetaan, että annetut polut, pinnat, funktiot ja vektorikentät ovat C. Vastaavasti, konstruoiduista poluista, pinnoista, funktioista ja vektorikentistä pitää

Lisätiedot

LUKU 10. Yhdensuuntaissiirto

LUKU 10. Yhdensuuntaissiirto LUKU hdensuuntaissiirto Olkoot (M, N) suunnistettu pinta, p M ja v p R 3 p annettu vektori pisteessä p (vektorin v p ei tarvitse olla pinnan M tangenttivektori). Tällöin vektori (v p N(p)) N(p) on vektorin

Lisätiedot

LUKU 4. Pinnat. (u 1, u 2 ) ja E ϕ 2 (u 1, u 2 ) := ϕ u 2

LUKU 4. Pinnat. (u 1, u 2 ) ja E ϕ 2 (u 1, u 2 ) := ϕ u 2 LUKU 4 Pinnat 4.. Määritelmiä ja esimerkkejä Määritelmä 4.. Epätyhjä osajoukko M R 3 on sileä (kaksiulotteinen) pinta, jos jokaiselle pisteelle p M on olemassa ympäristö V p R 3, avoin joukko U p R 2 ja

Lisätiedot

Differentiaalimuodot

Differentiaalimuodot LUKU 2 Differentiaalimuodot Olkoot A R n ja p A. Vektori pisteessä p on pari (p; v), missä v R n. Pisteeseen p kiinnitetyn vektorin v p := (p; v) ensimmäinen komponentti p on vektorin v p paikkaosa ja

Lisätiedot

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

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

Lisätiedot

Oletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U

Oletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 018 Harjoitus 4 Ratkaisuehdotukset Tehtävä 1. Olkoon U R avoin joukko ja ϕ = (ϕ 1, ϕ, ϕ 3 ) : U R 3 kaksiulotteisen C 1 -alkeispinnan

Lisätiedot

Käyrän kaarevuus ja kierevyys

Käyrän kaarevuus ja kierevyys Käyrän kaarevuus ja kierevyys LuK-tutkielma Recardt Jua Opiskelijanumero 2435589 Matemaattisten tieteiden laitos Oulun yliopisto Kevät 2017 Sisältö 1 Jodanto 2 2 Esitietoja 3 2.1 Derivointi polulla.........................

Lisätiedot

Tasokäyrän kaarevuus LUKU 1

Tasokäyrän kaarevuus LUKU 1 LUKU Tasokäyrän kaarevuus.. Käyrät Määritelmä.. Polku (eli parametrisoitu käyrä) on jatkuva kuvaus α: I R n, missä I R on väli. Polku α = (α,..., α n ) on (jatkuvasti) derivoituva, jos jokainen α j, j

Lisätiedot

Lineaarikuvauksen R n R m matriisi

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

Lisätiedot

Esimerkki 1.1. Kahdeksikkopolku α: u (sin u, sin 2u) on helppo todeta injektioksi

Esimerkki 1.1. Kahdeksikkopolku α: u (sin u, sin 2u) on helppo todeta injektioksi . Pinnoista.. Pinnan määritelmästä. Monisteen [] määritelmän 4.. mukainen pinta S on sama olio, jollaista abstraktimmassa differentiaaligeometriassa kutsutaan avaruuden R n alimonistoksi (tarkemmin upotetuksi

Lisätiedot

Osoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.

Osoita, 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,

Lisätiedot

Insinöörimatematiikka D

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

Lisätiedot

Ortogonaalisen kannan etsiminen

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

Lisätiedot

Polkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä Olkoot γ : [a, b] R m paloittain C 1 -polku välin [a, b] jaon

Polkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä Olkoot γ : [a, b] R m paloittain C 1 -polku välin [a, b] jaon Polkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä 4.1.3. Olkoot : [a, b] R m paloittain C 1 -polku välin [a, b] jaon P = {a = t 1 < < t k = b} ja joukko D R m sellainen, että ([a, b])

Lisätiedot

Kanta ja Kannan-vaihto

Kanta 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

Lineaarikuvausten. Lineaarikuvaus. Lineaarikuvauksia. Ydin. Matriisin ydin. aiheita. Aiheet. Lineaarikuvaus. Lineaarikuvauksen matriisi

Lineaarikuvausten. 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

Lisätiedot

MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio.

MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Riikka Korte Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto

Lisätiedot

1 Ominaisarvot ja ominaisvektorit

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

Lisätiedot

Monistot LUKU 4. (P ): on olemassa avoin, pisteen x sisältävä joukko U R n, avoin joukko W

Monistot LUKU 4. (P ): on olemassa avoin, pisteen x sisältävä joukko U R n, avoin joukko W LUKU 4 Monistot Muistettakoon, että avointen joukkojen U, V R n välinen diffeomorfismi h: U V on C 1 -kuvaus, jolle myös käänteiskuvaus h 1 on C 1. Jatkossa oletetaan, että tarkasteltavat kuvaukset ovat

Lisätiedot

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k LUKU 3 Ulkoinen derivaatta Olkoot A R n alue k n ja ω jatkuvasti derivoituva k-muoto alueessa A Muoto ω voidaan esittää summana ω = ω i1 i 2 i k dx i 1 dx i 2 1 i 1

Lisätiedot

5 Ominaisarvot ja ominaisvektorit

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

Lisätiedot

5 OMINAISARVOT JA OMINAISVEKTORIT

5 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

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

Ominaisvektoreiden lineaarinen riippumattomuus

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

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-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

Lisätiedot

Derivaatta: funktion approksimaatio lineaarikuvauksella.

Derivaatta: funktion approksimaatio lineaarikuvauksella. Viikko 5 Tällä viikolla yleistetään R 2 :n ja R 3 :n vektorialgebran peruskäsitteet n-ulotteiseen avaruuteen R n, ja määritellään lineaarikuvaus. Tarkastellaan funktioita, joiden määrittelyjoukko on n-ulotteisen

Lisätiedot

Kantavektorien kuvavektorit määräävät lineaarikuvauksen

Kantavektorien kuvavektorit määräävät lineaarikuvauksen Kantavektorien kuvavektorit määräävät lineaarikuvauksen Lause 18 Oletetaan, että V ja W ovat vektoriavaruuksia. Oletetaan lisäksi, että ( v 1,..., v n ) on avaruuden V kanta ja w 1,..., w n W. Tällöin

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Ominaisarvot Kertaus: ominaisarvot Määritelmä

Lisätiedot

Lineaarikuvaukset. 12. joulukuuta F (A r ) = F (A r ) r .(3) F (s) = s. (4) Skalaareille kannattaa määritellä lisäksi seuraavat tulot:

Lineaarikuvaukset. 12. joulukuuta F (A r ) = F (A r ) r .(3) F (s) = s. (4) Skalaareille kannattaa määritellä lisäksi seuraavat tulot: Lineaarikuvaukset 12. joulukuuta 2005 1 Yleistys multivektoreille Olkoon F lineaarikuvaus vektoriavaruudessa. Yleistetään F luonnollisella tavalla terille F (a 1 a n ) = F (a 1 ) F (a n ), (1) sekä terien

Lisätiedot

1 Sisätulo- ja normiavaruudet

1 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

Lisätiedot

802320A LINEAARIALGEBRA OSA II

802320A 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

Lisätiedot

Matemaattinen Analyysi / kertaus

Matemaattinen 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

Lisätiedot

1 Avaruuksien ja lineaarikuvausten suora summa

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

Lisätiedot

JYVÄSKYLÄN YLIOPISTO. Integraalilaskenta 2 Harjoitus Olkoon A := {(x, y) R 2 0 x π, sin x y 2 sin x}. Laske käyräintegraali

JYVÄSKYLÄN YLIOPISTO. Integraalilaskenta 2 Harjoitus Olkoon A := {(x, y) R 2 0 x π, sin x y 2 sin x}. Laske käyräintegraali JYVÄSKYLÄN YLIOPISTO MTEMTIIKN J TILSTOTIETEEN LITOS Integraalilaskenta Harjoitus 4 5.4.4. Olkoon := {(x, y) R x π, sin x y sin x}. Laske käyräintegraali + (y dx + x dy) a) suoraan; ja b) Greenin lauseen

Lisätiedot

Määritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )

Määritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m ) Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä

Lisätiedot

Ominaisarvo-hajoitelma ja diagonalisointi

Ominaisarvo-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

Lisätiedot

4. Käyrän lokaaleja ominaisuuksia

4. Käyrän lokaaleja ominaisuuksia 23 VEKTORIANALYYSI Luento 3 4 Käyrän lokaaleja ominaisuuksia Käyrän tangentti Tarkastellaan parametrisoitua käyrää r( t ) Parametrilla t ei tarvitse olla mitään fysikaalista merkitystä, mutta seuraavassa

Lisätiedot

Kuvaus. Määritelmä. LM2, Kesä /160

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

Lisätiedot

Insinöörimatematiikka D

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

Lisätiedot

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

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

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 9 1 Implisiittinen derivointi Tarkastellaan nyt yhtälöä F(x, y) = c, jossa x ja y ovat muuttujia ja c on vakio Esimerkki tällaisesta yhtälöstä on x 2 y 5 + 5xy = 14

Lisätiedot

F dr = F NdS. VEKTORIANALYYSI Luento Stokesin lause

F dr = F NdS. VEKTORIANALYYSI Luento Stokesin lause 91 VEKTORIANALYYI Luento 13 9. tokesin lause A 16.5 tokesin lause on kuin Gaussin lause, mutta yhtä dimensiota alempana: se liittää toisiinsa kentän derivaatasta pinnan yli otetun integraalin ja pinnan

Lisätiedot

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48

MS-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?

Lisätiedot

Kertausta: avaruuden R n vektoreiden pistetulo

Kertausta: avaruuden R n vektoreiden pistetulo Kertausta: avaruuden R n vektoreiden pistetulo Määritelmä Vektoreiden v R n ja w R n pistetulo on v w = v 1 w 1 + v 2 w 2 + + v n w n. Huom. Pistetulo v w on reaaliluku! LM2, Kesä 2012 227/310 Kertausta:

Lisätiedot

802320A LINEAARIALGEBRA OSA III

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

Lisätiedot

Matriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit

Matriisilaskenta 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

Lisätiedot

6 MATRIISIN DIAGONALISOINTI

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

Lisätiedot

Luento 8: Epälineaarinen optimointi

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

Lisätiedot

Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja

Neliömatriisi 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

Lisätiedot

Oletetaan sitten, että γ(i) = η(j). Koska γ ja η ovat Jordan-polku, ne ovat jatkuvia injektiivisiä kuvauksia kompaktilta joukolta, ja määrittävät

Oletetaan sitten, että γ(i) = η(j). Koska γ ja η ovat Jordan-polku, ne ovat jatkuvia injektiivisiä kuvauksia kompaktilta joukolta, ja määrittävät HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 18 Harjoitus 6 Ratkaisuehdotukset Tehtävä 1. Osoita, että sileille Jordan-poluille on voimassa : I R n ja : J R n (I) = (J) jos ja vain

Lisätiedot

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

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

Lisätiedot

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 2016 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2016

Lisätiedot

Insinöörimatematiikka D

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

Lisätiedot

4.3.7 Epäoleellinen integraali

4.3.7 Epäoleellinen integraali Esimerkki 4.3.16. (Lineaarinen muuttujien vaihto) Olkoot A R m sellainen kompakti joukko, että A on nollajoukko. Olkoon M R m m säännöllinen matriisi (eli det(m) 0) ja f : R m R jatkuva funktio. Tehdään

Lisätiedot

HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina klo

HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina klo HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina 10.8.2015 klo 16.15. Tehtäväsarja I Tutustu lukuun 15, jossa vektoriavaruuden

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista

Lisätiedot

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

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos: 8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden

Lisätiedot

MS-A0004/A0006 Matriisilaskenta

MS-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

Lisätiedot

Kertausta: avaruuden R n vektoreiden pistetulo

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

Lisätiedot

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina.

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Funktiot Tässä luvussa käsitellään reaaliakselin osajoukoissa määriteltyjä funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Avoin väli: ]a, b[ tai ]a, [ tai ],

Lisätiedot

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause.

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause. MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause. Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2015

Lisätiedot

Determinantti 1 / 30

Determinantti 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

Lisätiedot

Konformigeometriaa. 5. maaliskuuta 2006

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

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 3: Osittaisderivaatta

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 3: Osittaisderivaatta MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 3: Osittaisderivaatta Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu Antti Rasilan luentomonisteeseen

Lisätiedot

Talousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu

Talousmatematiikan 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

Lisätiedot

VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4

VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4 VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4 Jokaisen tehtävän jälkeen on pieni kommentti tehtävään liittyen Nämä eivät sisällä mitään kovin kriittistä tietoa tehtävään liittyen, joten niistä ei tarvitse välittää

Lisätiedot

Talousmatematiikan 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 Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita

Lisätiedot

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16 MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Antti Rasila Matematiikan ja systeemianalyysin laitos

Lisätiedot

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

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

Lisätiedot

Lineaarialgebra ja matriisilaskenta I

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

Lisätiedot

kaikki ( r, θ )-avaruuden pisteet (0, θ ) - oli θ

kaikki ( r, θ )-avaruuden pisteet (0, θ ) - oli θ 58 VEKTORIANALYYSI Luento 9 Ortogonaaliset käyräviivaiset koordinaatistot Olemme jo monta kertaa esittäneet karteesiset x, y ja z koordinaatit uusia koordinaatteja käyttäen: x= xuvw (,, ), y= yuvw (,,

Lisätiedot

9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista

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

Lisätiedot

3.4 Käänteiskuvauslause ja implisiittifunktiolause

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

Lisätiedot

3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset

3.1 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

Lisätiedot

Sisätuloavaruudet. 4. lokakuuta 2006

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

Lisätiedot

12. Hessen matriisi. Ääriarvoteoriaa

12. Hessen matriisi. Ääriarvoteoriaa 179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä

Lisätiedot

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44

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

Lisätiedot

y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1

y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1 1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y

Lisätiedot

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 4 / vko 47

MS-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

Lisätiedot

JAKSO 2 KANTA JA KOORDINAATIT

JAKSO 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

Lisätiedot

Ortogonaaliset matriisit, määritelmä 1

Ortogonaaliset 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,

Lisätiedot

Liittomatriisi. 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. 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

Lisätiedot

DI matematiikan opettajaksi: Täydennyskurssi, kevät 2010 Luentorunkoa ja harjoituksia viikolle 11: ti klo 13:00-15:30

DI matematiikan opettajaksi: Täydennyskurssi, kevät 2010 Luentorunkoa ja harjoituksia viikolle 11: ti klo 13:00-15:30 DI matematiikan opettajaksi: Tädennskurssi, kevät Luentorunkoa ja harjoituksia viikolle : ti 6 klo :-5: Kädään läpi: funktioita f : D f R n R m ja integrointia R n :ssä Oletetaan, että, R n ovat mielivaltaisia

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 8 1 Suunnattu derivaatta Aluksi tarkastelemme vektoreita, koska ymmärrys vektoreista helpottaa alla olevien asioiden omaksumista. Kun liikutaan tasossa eli avaruudessa

Lisätiedot

Derivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2

Derivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2 MS-C50 Osittaisdifferentiaaliyhtälöt Harjoitukset syksy 07. Oletetaan että vektorikenttä E E E E : R R on kaksi kertaa jatkuvasti derivoituva E C R. Näytä että E E. Derivaatat lasketaan komponenteittain

Lisätiedot

Vektoreiden A = (A1, A 2, A 3 ) ja B = (B1, B 2, B 3 ) pistetulo on. Edellisestä seuraa

Vektoreiden A = (A1, A 2, A 3 ) ja B = (B1, B 2, B 3 ) pistetulo on. Edellisestä seuraa Viikon aiheet Pistetulo (skalaaritulo Vektorien tulot Pistetulo Ristitulo Skalaari- ja vektorikolmitulo Integraalifunktio, alkeisfunktioiden integrointi, yhdistetyn funktion derivaatan integrointi Vektoreiden

Lisätiedot

Viikon aiheet. Funktion lineaarinen approksimointi

Viikon aiheet. Funktion lineaarinen approksimointi Viikon aiheet Funktion ääriarvot Funktion lineaarinen approksimointi Vektorit, merkintätavat, pituus, yksikkövektori, skalaarilla kertominen, kanta ja kannan vaihto Funktion ääriarvot 6 Väliarvolause Implisiittinen

Lisätiedot

6. OMINAISARVOT JA DIAGONALISOINTI

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

Lisätiedot

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Lineaarikombinaatio, 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

Lisätiedot

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

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

Lisätiedot

Lineaariavaruudet. Span. Sisätulo. Normi. Matriisinormit. Matriisinormit. aiheita. Aiheet. Reaalinen lineaariavaruus. Span. Sisätulo.

Lineaariavaruudet. 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

Lisätiedot

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

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

Lisätiedot

ominaisvektorit. Nyt 2 3 6

ominaisvektorit. 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)

Lisätiedot

Ratkaisuehdotukset LH 7 / vko 47

Ratkaisuehdotukset LH 7 / vko 47 MS-C34 Lineaarialgebra, II/7 Ratkaisuehdotukset LH 7 / vko 47 Tehtävä : Olkoot M R symmetrinen ja positiividefiniitti matriisi (i) Näytä, että m > ja m > (ii) Etsi Eliminaatiomatriisi E R siten, että [

Lisätiedot

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Vesanen MS-A0205/6 Differentiaali- ja integraalilaskenta 2, kevät 2017 Laskuharjoitus 4A (Vastaukset) alkuviikolla

Lisätiedot