Talousmatematiikan perusteet: Luento 8. Vektoreista ja matriiseista Vektorien peruslaskutoimitukset Lineaarinen riippumattomuus Vektorien sisätulo
|
|
- Harri Melasniemi
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Talousmatematiikan perusteet: Luento 8 Vektoreista ja matriiseista Vektorien peruslaskutoimitukset Lineaarinen riippumattomuus Vektorien sisätulo
2 Motivointi Esim. Herkkumatikka maksaa 50 /kg. Paljonko matikkaa saa 1000 :lla? Ratkaisu 1. asteen lineaarisella yhtälöllä: Kerroin 50 x = 1000 Side-ehto Muuttuja x = x = = 20. Yleisesti 1. asteen lineaarinen yhtälö ax = b ratkaistaan ax = b a 1 a x = a 1 b x = a 1 b Kerroin Muuttuja Side-ehto 2
3 Motivointi Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta, jossa käytetään raaka-aineita A, B ja C. Kuinka paljon raaka-aineita A, B ja C on käytettävä, kun 1. Tehdään 100 kg:n erä 2. Entsyymiä E on oltava 8000 mg ja 3. Erä saa maksaa 2000? Ehdoista 1-3 saadaan yhtälöryhmä: 1. x 1 + x 2 + x 3 = x x x 3 = x x x 3 = 2000 A B C Valmistettava määrä (kg) x 1 x 2 x 3 Entsyymin E määrä (mg/kg) Hinta ( /kg) Yhtälöryhmän voi esittää matriisimuodossa: Kerroinmatriisi A Muuttujavektori x x 1 x 2 x 3 = Ax = b Side-ehto- Vektori b
4 Motivointi Voidaanko yhtälöryhmä ratkaista samalla tavoin kuin yhtälö? ax = b x = a 1 b a:n käänteisluku Ax = b x = A 1 b A:n käänteismatriisi Voidaan! Lineaaristen yhtälöryhmien kannalta kiinnostavia matriiseja ja vektoreita tarkastellaan seuraavan kolmen luennon ajan 4
5 Nopea notaatiokertaus R = (, ) eli reaalilukujen joukko R + = [0, ) eli ei-negatiivisten reaalilukujen joukko R ++ = (0, ) eli positiivisten reaalilukujen joukko x = 0 x x = 0 x x = 0 x R = (, ) R + = [0, ) R ++ = (0, ) 5
6 R n :n vektorit Tähän asti olemme tarkastelleet reaalilukuja x R Vektori x = [x 1, x 2,, x n ] R n on n-ulotteisen reaaliavaruuden alkio, missä Jokainen vektorin komponentti x i R on reaaliluku Avaruus R n = R R R on n:n 1-ulotteisen reaaliavaruuden karteesinen tulo Vektorin voi esittää olla pysty- tai vaakavektorina: Pystyvektori a= Vaakavektori b=[100,8000,2000] x = 2 R = (, ) x 2 x = [3,2] R 2 = R R x = [2, 1,2] x 1 x 3 x Pystyvektori voidaan muuttaa vaakavektoriksi transponoimalla: a = b T, b = a T x 1 x 2 R 3 = R R R 6
7 Vektorin kertominen vakiolla Esim. Ekonomisti E hankkii USA:sta terveysvaikutteisia luonnontuotteita: Kuntojuomaa (KJ), Terveysuutetta (TU) ja Ihmepillereitä (IP). Hän seuraa näiden hyödykkeiden hintoja ja viikon aikana kuluttamiaan määriä noin vuoden välein: Hinnat Määrät Vuosi KJ ($/dl) TU ($/g) IP ($/kpl) KJ (dl) TU (g) IP (kpl) Mitkä olivat vuoden 2014 hinnat euroissa, kun kurssi oli tuolloin 1 USD = 0.74 EUR? Vuoden 2014 hinnat dollareissa voidaan esittää vektorina p 14 = [0.40, 0.50, 1.40] R 3 Kun hinnat muutetaan euroiksi, kukin vektorin komponentti kerrotaan vakiolla 0.74 Tämä vastaa koko vektorin kertomista vakiolla 0.74: 0.74 p 14 = , 0.50, 1.40 = , , = 0.30, 0.37, 1.04 Vektorin kertominen vakiolla tehdään siis komponenteittain 7
8 Vektorin kertominen vakiolla Vakiolla a kertomisen geometrinen tulkinta: Vektorin pituus a -kertaistuu Vektorin suunta pysyy samana, jos a>0 Vektorin suunta vaihtuu vastakkaiseksi, jos a<0 x = [1.5,1] 2 x = [3,2] x 1 x 1 x 1 2 x = [ 3, 2] 8
9 Vektorin kertominen vakiolla Vakiokertomisia voidaan yhdistellä ja järjestystä vaihtaa Esim. Mitkä olivat vuoden 2014 hinnat eurosenteissä, kun kurssi oli tuolloin 1 USD = 0.74 EUR? Dollarit voidaan ensin muuttaa euroiksi ja sitten eurosenteiksi: p 14 = , 0.37, 1.04 = 30, 37, 104 Dollarit voidaan ensin muuttaa dollarisenteiksi ja sitten eurosenteiksi: p 14 = , 50, 140 = 30, 37, 104 Kurssi voidaan ensin muuttaa 1 USD = 74 eurosenttiä: p 14 = , 0.50, 1.40 = 30, 37, 104 Hinnat Määrät Vuosi KJ ($/dl) TU ($/g) IP ($/kpl) KJ (dl) TU (g) IP (kpl)
10 Vektorien yhteenlasku Kuinka paljon E käytti Kuntojuomaa, Terveysuutetta ja Ihmepillereitä keskimäärin välillä ? Hinnat Määrät Vuosi KJ ($/dl) TU ($/g) IP ($/kpl) KJ (dl) TU (g) IP (kpl) Vuosina 2014 ja 2015 kulutetut määrät voidaan esittää vektoreina q 14 = [35, 60, 30] R 3 ja q 15 = [50, 70, 25] R 3 Keskimääräiset kulutukset saadaan laskemalla vuosien 2014 ja 2015 kulutukset yhteen ja jakamalla kahdella: Yhteenlasku komponenteittain: q 14 +q 15 = 35, 60, , 70, 25 = , , = 85,130, 55 = q 15 + q 14 (summausjärjestyksellä ei väliä) Kahdella jako (= vakiolla 0.5 kertominen) komponenteittain: 1 2 (q 14+q 15 ) = ,130, 55 = [42.5, 65, 27.5]. 10
11 Vektorien yhteenlasku Vektorien yhteenlaskun x + y geometrinen tulkinta: y = [1, 2] x + y = [2.5, 3] x = [1.5,1] x y x y Siirretään y alkamaan x:n kärkipisteestä Summavektori x+y lähtee origosta ja päättyy y:n uuteen kärkipisteeseen 11
12 Vektorien yhteenlasku Yhteenlaskujärjestyksellä ei ole väliä: x + y = y + x y = [1, 2] x = [1.5,1] y x y x y + x = [2.5, 3] Siirretään x alkamaan y:n kärkipisteestä Summavektori y+x lähtee origosta ja päättyy x:n uuteen kärkipisteeseen 12
13 Vektorien yhteenlasku Yhteenlaskuja voidaan yhdistellä: y = [1, 2] x + y = [2.5,3] z x = [1.5,1] x + y z = [ 3, 2] z = [ 3, 2] (x + y) + z = [ 0.5, 1] Summausjärjestystä voidaan tässäkin vaihtaa: (x + y) + z = x + (y + z) totea graafisesti! 13
14 Vektorien vähennyslasku Mikä oli viikottaisten kulutusmäärien ero vuosien 2014 ja 2015 välillä? Hinnat Määrät Vuosi KJ ($/dl) TU ($/g) IP ($/kpl) KJ (dl) TU (g) IP (kpl) Viikottaisten kulutusmäärien ero saadaan vuoden 2015 ja vuoden 2014 laskemalla määrävektoreiden erotus komponenteittain: q 15 q 14 = 50, 70, 25 35, 60, 30 = 50 35, 70 60, = 15,10, 5 14
15 Vektorien vähennyslasku Vektorien vähennyslaskun x y geometrinen tulkinta: y = [1, 2] x = [1.5,1] x = [1.5,1] x x y y y = [ 1, 2] x y = [0.5, 1] Kerrotaan y-vektori -1:llä, jolloin sen suunta vaihtuu vastakkaiseksi Siirretään -y alkamaan x:n kärkipisteestä Erotusvektori x-y lähtee origosta ja päättyy -y:n uuteen kärkipisteeseen 15
16 Vektorien vähennyslasku Vähennyslaskujärjestyksellä on väliä: x y = (y x) y = [1, 2] y = [1, 2] x = [1.5,1] x y x y x = [ 1.5, 1] y x = [ 0.5, 1] Kerrotaan x-vektori -1:llä, jolloin sen suunta vaihtuu vastakkaiseksi Siirretään -x alkamaan y:n kärkipisteestä Erotusvektori y-x lähtee origosta ja päättyy -x:n uuteen kärkipisteeseen 16
17 Vastavektori x = [2,2] Vektorin x = [x 1, x 2,, x n ] vastavektori on 1 x = x = [ x 1, x 2,, x n ] Esim. Vektorin [2,-1,3] vastavektori on [-2,1,-3] x = [ 2, 2] Kun vektori lasketaan yhteen vastavektorinsa kanssa, saadaan nollavektori 0 R n, jonka kaikki komponentit ovat nollia: x + x = x 1 x 1, x 2 x 2,, x n x n = 0,0,, 0 = 0 x x = 0,0 = 0 17
18 Lineaariavaruus Ehdot 1-8 toteuttavat vektorit muodostavat lineaariavaruuden 1. x + y = y + x (vaihdannaisuus) 2. x + y + z = x + y + z (liitännäisyys) 3. On olemassa nollavektori 0 = 0,, 0 4. Vektorilla x = [x 1, x 2,, x n ] on vastavektori x = [ x 1, x 2,, x n ] 5. a bx = b ax = ab x, missä a ja b ovat vakioita 6. 1 x = x 7. a x + y = ax + ay, missä a on vakio 8. a + b x = ax + bx, missä a ja b ovat vakioita Esim. R n on lineaariavaruus Lineaariavaruutta kutsutaan myös vektoriavaruudeksi 18
19 Lineaarikombinaatio Vakioilla kertomalla ja yhteenlaskemalla voidaan vektoreista x 1, x 2, tehdä uusia vektoreita. Esim. x 1 = 2,1,0, x 2 = [1, 3, 4] R 3 y = 4x 1 2x 2 = 4 2,1,0 2 1, 3, 4 = [6,10,8] R 3 Vektoria y = a 1 x 1 + a 2 x a n x n sanotaan vektorien x 1, x 2,, x n lineaarikombinaatioksi (a i :t vakioita) 19
20 Lineaarinen riippuvuus Esim. Tarkastellaan vektoreita x = 3, 2, y = 1,4, z = 5,4 R 2 Voidaanko z esittää x:n ja y:n lineaarikombinaationa? Eli onko olemassa vakiot a 1, a 2 siten, että z = a 1 x + a 2 y? Ehdosta 5,4 = a 1 3, 2 + a 2 1,4 saadaan yhtälöpari 2.2y = [ 2.2,8.8] z = [5,4] y = [ 1,4] z = [5,4] x = [3, 2] 3a 1 a 2 = 5 2a 1 + 4a 2 = 4 jonka ratkaisu on a 1 = 2.4 ja a 2 = x = [7.2, 4.8] 2.2y +2.4x z = [5,4] Tällaisia vektoreita sanotaan lineaarisesti riippuviksi 20
21 Lineaarinen riippumattomuus Vektoreita x 1, x 2,, x n sanotaan lineaarisesti riippumattomiksi, mikäli a 1 x 1 + a 2 x a n x n = 0 a 1 = a 2 = = a n = 0 Luetaan: Vektorien x 1, x 2,, x n lineaarikombinaatio a 1 x 1 + a 2 x a n x n on nolla jos ja vain jos kaikki kertoimet a i ovat nollia. Muuten vektorit ovat lineaarisesti riippuvia ja ainakin jokin niistä voidaan esittää muiden vektoreiden lineaarikombinaationa Esim. Ovatko x = 3, 2, y = 1,4 R 2 lineaarisesti riippumattomia? Ehdosta a 1 x + a 2 y = 0 a 1 3, 2 + a 2 1,4 = 0,0 saadaan yhtälöpari 3a 1 a 2 = 0 2a 1 + 4a 2 = 0 jonka ratkaisu on a 1 = a 2 = 0. Vektorit ovat lineaarisesti riippumattomia. 21
22 Lineaarinen riippumattomuus Edellisissä esimerkeissä x = 3, 2, y = 1,4 R 2 olivat lineaarisesti riippumattomia, mutta x, y ja z = 5,4 R 2 lineaarisesti riippuvia Yleisesti pätee: R n :ssä on korkeintaan n lineaarisesti riippumatonta vektoria Erilaisia lineaarisesti riippumattomien vektorien yhdistelmiä on ääretön määrä Mutta kussakin on korkeintaan n vektoria R Mutta vektorit x, y R ovat keskenään lineaarisesti riippuvia, sillä esim. x = 2y. R 2 y = 1 y = [ 1,4] x = 2 Vektori x = 2 R on lineaarisesti riippumaton Vektori y = 1 R on lineaarisesti riippumaton z = [5,4] x = [3, 2] Vektorit x = 3, 2, y = 1,4 R 2 ovat lineaarisesti riippumattomia Vektorit x = 3, 2, z = 5,4 R 2 ovat lineaarisesti riippumattomia Vektorit y = 1,4, z = 5,4 R 2 ovat lineaarisesti riippumattomia Mutta vektorit x, y, z R 2 ovat keskenään lineaarisesti riippuvia, sillä esim. z = 2.4x + 2.2y. x 22
23 Lineaariavaruuden kanta R 2 4,10 = 2.6x + 3.8y Kaikki R n :n vektorit voidaan muodostaa n:n lineaarisesti riippumattoman vektorin lineaarikombinaatioina y = [ 1,4] 4,0 = 1.6x 0.8y x = [3, 2] 5,4 = 2.4x + 2.2y Nämä n vektoria Virittävät lineaariavaruuden R n ja Muodostavat R n :n kannan 6, 8 = 3.2x 3.6y R 2 4,10 = 4e e 2 Tärkeä erikoistapaus on ortonormaalinen kanta, jonka muodostavat (koordinaattiakselien suuntaiset) yksikkövektorit: e 1 = 1,0,0,, 0 e 2 = [0,1,0,, 0] 4,0 = 4e 1 + 0e 2 e 2 = [0,1] e 1 = [1,0] 5,4 = 5e 1 + 4e 2 e n = [0,0,0,, 1] 6, 8 = 6e 1 8e 2 23
24 Yhteenveto tähän asti Vektori x = [x 1, x 2,, x n ] R n on n-ulotteisen reaaliavaruuden alkio, missä jokainen vektorin komponentti x i R on reaaliluku Vektorien peruslaskutoimitukset (vakiolla kertominen, yhteenlasku, vähennyslasku) tehdään komponenteittain Vektoria y = a 1 x 1 + a 2 x a n x n sanotaan vektorien x 1, x 2,, x n lineaarikombinaatioksi (a i :t vakioita) Vektoreita x 1, x 2,, x n sanotaan lineaarisesti riippumattomiksi, mikäli a 1 x 1 + a 2 x a n x n = 0 jos ja vain jos a 1 = a 2 = = a n = 0 Avaruus R n sisältää n kpl lineaarisesti riippumattomia vektoreita, jotka Virittävät lineaariavaruuden R n ja Muodostavat R n :n kannan 24
25 Kahden R n :n vektorin sisätulo Esim. Kuinka paljon ekonomisti E käytti viikoittain rahaa kuntojuomaan vuonna 2016? Käytetty raha saadaan KJ:n vuoden 2016 desilitrahinnan ja määrän tulona: = $36. Esim. Kuinka paljon ekonomisti E käytti viikoittain rahaa lisäravinteisiin vuonna 2016? Hinnat Määrät Vuosi KJ ($/dl) ($/g) ($/kpl) KJ (dl) TU (g) IP (kpl) Käytetty raha saadaan vuoden 2016 hinta- ja määrävektoreiden sisätulona: p 16 q 16 = 0.30,0.80, , 90,50 = = $308 25
26 Kahden R n :n vektorin sisätulo Vektorien x = [x 1, x 2,, x n ] ja y = [y 1, y 2,, y n ] sisätulo lasketaan siis kaavalla x y = x 1 y x n y n = n i=1 x i y i Vastinkomponentit kerrotaan keskenään ja lasketaan yhteen. 26
27 Kahden R n :n vektorin sisätulo Sisätulolle pätevät: 1. x y = y x 2. x 0 = 0 3. ax y = a x y = x ay 4. x + y z = x z + y z ja x y + z = x y + x z 27
28 Kahden R n :n vektorin sisätulo Sisätuloa kutsutaan myös Pistetuloksi, koska sitä merkitään pisteellä: x y Skalaarituloksi, koska tuloksena on skalaari: i=1 n x i y i R Projektiotuloksi johtuen sisätulon geometrisesta tulkinnasta (tästä lisää hieman myöhemmin) Sisätulo voidaan kirjoittaa myös x, y Jos x ja y ovat Vaakavektoreita, voidaan sisätulo kirjoittaa myös xy T Pystyvektoreita, voidaan sisätulo kirjoittaa myös x T y Näistä merkinnöistä lisää ensi luennolla 28
29 Vektorin pituus Vektorin x R n pituus x lasketaan kaavalla x = x x = x x x n 2 Esim. Vektorin x = [2,3,4] R 3 pituus on x = R 2 x x = [2,4] 4 R 2 :ssa tulos on yhtäpitävä Pythagoraan lauseen kanssa: x =
30 Vektorien välinen kulma Vektorien x ja y väliselle kulmalle θ pätee R 2 y = [2,4] cos θ = x y x y θ x = [3,0] Esim. x = [3,0], y = [2,4]: cos θ = = θ Esim. x = [2, 3,4, 1], y = [3, 4,5, 2]: cos θ = ( 3) ( 1) ( 4) ( 2) = θ
31 Vektorien välinen kulma Jos vektorit x ja y ovat Lähes samansuuntaiset θ 0 cos θ 1 Lähes vastakkaissuuntaiset θ 180 cos θ 1 Kohtisuorassa toisiaan vastaan, θ 90 cos θ 0 y = [ 6,4] θ x = [3, 2] Esim. x = [3, 2], y = [ 6,4]: cos θ = 3 ( 6) + ( 2) ( 2) 2 ( 6) 2 +4 = 26 = 1 θ = Esim. Edelliseltä kalvolta x = [2, 3,4, 1], y = [3, 4,5, 2] θ = 6.4 Vektoreita ei voida havainnollistaa geometrisesti Niiden välinen pieni kulma kertoo kuitenkin samansuuntaisuudesta eli samankaltaisuudesta Vektorien vastinkomponentit ovatkin samanmerkkisiä ja melko saman suuruisia 31
32 Sisätulon geometrinen tulkinta Vektorien x ja y sisätulo voidaan esittää myös muodossa R 2 y = [2,4] x y = cos θ x Kaavan geometrinen tulkinta: cos θ y : Vektori y projisoidaan samaan 1-ulotteiseen avaruuteen vektorin x kanssa cos θ y (tai toisinpäin cos θ x) (cos θ y ) x : Vektorien cos θ y ja x pituudet kerrotaan keskenään tässä 1-ulotteisessa dimensiossa (tai toisinpäin (cos θ x ) y ) y R θ x = [3,0] cos θ y = [2,0] x = 3 cos θ y = 2 Sisätuloa kutsutaankin myös nimellä projektiotulo x y = cos θ y x = 2 3 = 6 x y = 3,0 2,4 = = 6 32
33 Yhteys tilastolliseen analyysiin Esim. Taulukossa on viiden opiskelijan Laskettujen harjoitustehtävien pistemäärät (x i ), Koepisteiden määrät (y i ), Näiden arvojen poikkeamat keskiarvoista x ja y eli keskeistetyt arvot (u i = x i x ja v i = y i y) x i y i u i v i x = 53.2 y = 36 u =0 v =0 Hajontakuvioiden perusteella harjoitustehtävä- ja koepisteiden välillä on vahvaa lineaarista riippuvuutta y v x u 33
34 Yhteys tilastolliseen analyysiin Muodostetaan keskeistetyistä arvoista vektorit u = 17.8, 8.8, 3.8, 13.2, 17.2, v = 9, 4, 8, 5, 16 Vektoreiden u ja v välinen kulma on melko pieni: cos θ = u v u v = θ 24.5 Keskeistetyt harjoitustehtävä- ja koepistevektorit ovat siis samankaltaiset 34
35 Yhteys tilastolliseen analyysiin Keskeistettyjen havaintovektorien välisen kulman kosini = muuttujien x ja y lineaarista riippuvuutta y kuvaava Pearsonin korrelaatiokerroin r: r = i=1 n i=1 n (x i x)(y i y) u v = (x i x) 2 n i=1 (y i y) 2 u v = cos θ = x Korrelaatiokertoimen tulkinta: r = 1: Muuttujien x ja y välillä vallitsee eksakti lineaarinen riipuvuus (kun x on pieni/suuri, y=ax+b on pieni/suuri) r = 0: Muuttujien x ja y ei vallitse mitään lineaarista riippuvuutta r = 1: Muuttujien x ja y välillä vallitsee eksakti lineaarinen riipuvuus (kun x on pieni/suuri, y=ax+b on suuri/pieni) Vertaa korrelaatiokertoimen tulkintaa vektorien välisen kulman tulkintaan! v u 35
36 Yhteys tilastolliseen analyysiin 50 Muuttujan x (y) vaihtelun suuruutta kuvaava otosvarianssi σ x 2 (σ y 2 ) voidaan laskea keskeistetyn havaintovektorin u (v) sisätulon avulla y σ x 2 = 1 n 1 n i=1 (x i x) 2 = 1 n 1 u u = u 2 n 1 = x σ y 2 = 1 n 1 n i=1 Otoskeskihajonnat: (y i y) 2 = 1 n 1 σ x = σ x 2 = u n 1 = 14.8 σ y = σ y 2 = v n 1 = 10.5 v v = v 2 n 1 = v u 36
37 Yhteys tilastolliseen analyysiin Kahden muuttujan yhteisvaihtelua kuvaava otoskovarianssi voidaan laskea havaintovektorien sisätulon avulla y σ xy = 1 n 1 = n i=1 (x i x)(y i y) = 1 n 1 u v x Huom r = u v = 1 u v n 1 u v n 1 u n 1 v = σ xy σ x σ y v u 37
38 Yhteenveto Vektorien sisätulo: x y = x 1 y x n y n = n i=1 vastinkomponentit keskenään ja lasketaan yhteen Vektorin x pituus: x = x x = x x x n 2 Vektorien välinen kulma θ: cos θ = Jos vektorit x ja y ovat x y Lähes samansuuntaiset θ 0 cos θ 1 Lähes vastakkaissuuntaiset θ 180 cos θ 1 Kohtisuorassa toisiaan vastaan, θ 90 cos θ 0 x y x i y i, eli kerrotaan Vektorien laskutoimituksilla on sovelluksia etenkin tilastollisessa analyysissa. 38
Talousmatematiikan perusteet: Luento 9
Talousmatematiikan perusteet: Luento 9 Vektorien peruslaskutoimitukset Lineaarinen riippumattomuus Vektorien sisätulo ja pituus Vektorien välinen kulma Motivointi Tähän asti olemme tarkastelleet yhden
Talousmatematiikan perusteet: Luento 9. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo
Talousmatematiikan perusteet: Luento 9 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
Talousmatematiikan perusteet: Luento 10. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti
Talousmatematiikan perusteet: Luento 1 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
Talousmatematiikan 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
Talousmatematiikan 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
4 Vektoreista ja matriiseista
4 Vektoreista ja matriiseista Matriiseja ja niiden erikoistapauksia vektoreita tarvitaan - moniulotteisten funktioiden käsittelyssä pitämässä osat koossa - olioina, joihin voidaan pakata empiiristen muuttujien
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
Vektorit, suorat ja tasot
, suorat ja tasot 1 / 22 Koulussa vektori oli nuoli, jolla oli suunta ja suuruus eli pituus. Siirretään vektori siten, että sen alkupää on origossa. Tällöin sen kärki on pisteessä (x 1, x 2 ). Jos vektorin
Avaruuden R n aliavaruus
Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla
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
Vapaus. 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 +
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.
Vastaavasti, jos vektori kerrotaan positiivisella reaaliluvulla λ, niin
1 / 14 Lukiossa vektori oli nuoli, jolla oli suunta ja suuruus eli pituus. Tarkastellaan aluksi tason vektoreita (R 2 ). Siirretään vektori siten, että sen alkupää on origossa. Tällöin sen kärki on pisteessä
Vektorialgebra 1/5 Sisältö ESITIEDOT: vektori
Vektorialgebra 1/5 Sisältö Skalaaritulo Vektoreiden yhteenlaskun ja skalaarilla kertomisen lisäksi vektoreiden välille voidaan määritellä myös kertolasku. Itse asiassa näitä on kaksi erilaista. Seurauksena
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
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
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
Lineaarialgebra ja matriisilaskenta I. LM1, Kesä /218
Lineaarialgebra ja matriisilaskenta I LM1, Kesä 2012 1/218 Avaruuden R 2 vektorit Määritelmä (eli sopimus) Avaruus R 2 on kaikkien reaalilukuparien joukko; toisin sanottuna R 2 = { (a, b) a R ja b R }.
Tekijä Pitkä matematiikka b) Kuvasta nähdään, että b = i 4 j. c) Käytetään a- ja b-kohtien tuloksia ja muokataan lauseketta.
Tekijä Pitkä matematiikka 4 9.1.016 79 a) Kuvasta nähdään, että a = 3i + j. b) Kuvasta nähdään, että b = i 4 j. c) Käytetään a- ja b-kohtien tuloksia ja muokataan lauseketta. 5a b = 5(3i + j) ( i 4 j)
802320A LINEAARIALGEBRA OSA I
802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä
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
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
3 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
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
1 Lineaariavaruus eli Vektoriavaruus
1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus
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
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:
2.5. Matriisin avaruudet ja tunnusluvut
2.5. Matriisin avaruudet ja tunnusluvut m n-matriisi A Lineaarikuvaus A : V Z, missä V ja Z ovat sopivasti valittuja, dim V = n, dim Z = m (yleensä V = R n tai C n ja Z = R m tai C m ) Kuva-avaruus ja
3 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
0, niin vektorit eivät ole kohtisuorassa toisiaan vastaan.
Tekijä Pitkä matematiikka 4 9.1.016 168 a) Lasketaan vektorien a ja b pistetulo. a b = (3i + 5 j) (7i 3 j) = 3 7 + 5 ( 3) = 1 15 = 6 Koska pistetulo a b 0, niin vektorit eivät ole kohtisuorassa toisiaan
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
Vapaus. 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 +
Johdatus lineaarialgebraan
Johdatus lineaarialgebraan Lotta Oinonen ja Johanna Rämö 6. joulukuuta 2012 Helsingin yliopisto Matematiikan ja tilastotieteen laitos 2012 Sisältö 1 Avaruus R n 4 1 Avaruuksien R 2 ja R 3 vektorit.....................
Matriisi-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
Matematiikka 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
6 Vektoriavaruus R n. 6.1 Lineaarikombinaatio
6 Vektoriavaruus R n 6.1 Lineaarikombinaatio Määritelmä 19. Vektori x œ R n on vektorien v 1,...,v k œ R n lineaarikombinaatio, jos on olemassa sellaiset 1,..., k œ R, että x = i v i. i=1 Esimerkki 30.
Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut
Insinöörimatematiikka D, 29.3.2016 4. laskuharjoituksien esimerkkiratkaisut 1. Olkoon u (4,0,4,2) ja v ( 1,1,3,5) vektoreita vektoriavaruudessa R 4. Annetun sisätulon (x,y) indusoima normi on x (x,x) ja
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
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
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
Matikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/210
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/210 Lineaarialgebra (muut ko) p. 2/210 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2
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.
Matematiikka 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
MS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Idea Lineaarisen systeemin ratkaiseminen Olkoon
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
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
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
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
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,
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
1.1 Vektorit. MS-A0004/A0006 Matriisilaskenta. 1.1 Vektorit. 1.1 Vektorit. Reaalinen n-ulotteinen avaruus on joukko. x 1. R n.
ja kompleksiluvut ja kompleksiluvut 1.1 MS-A0004/A0006 Matriisilaskenta 1. ja kompleksiluvut Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 8.9.015 Reaalinen
Suorista ja tasoista LaMa 1 syksyllä 2009
Viidennen viikon luennot Suorista ja tasoista LaMa 1 syksyllä 2009 Perustuu kirjan Poole: Linear Algebra lukuihin I.3 - I.4 Esko Turunen esko.turunen@tut.fi Aluksi hiukan 2 ja 3 ulotteisen reaaliavaruuden
802118P Lineaarialgebra I (4 op)
802118P Lineaarialgebra I (4 op) Tero Vedenjuoksu Oulun yliopisto Matemaattisten tieteiden laitos 2012 Lineaarialgebra I Yhteystiedot: Tero Vedenjuoksu tero.vedenjuoksu@oulu.fi Työhuone M206 Kurssin kotisivu
Tekijä Pitkä matematiikka Poistetaan yhtälöparista muuttuja s ja ratkaistaan muuttuja r.
Tekijä Pitkä matematiikka 4 16.12.2016 K1 Poistetaan yhtälöparista muuttuja s ja ratkaistaan muuttuja r. 3 r s = 0 4 r+ 4s = 2 12r 4s = 0 + r+ 4s = 2 13 r = 2 r = 2 13 2 Sijoitetaan r = esimerkiksi yhtälöparin
1 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
VEKTORIT paikkavektori OA
paikkavektori OA Piste A = (2, -1) Paikkavektori OA = 2i j 3D: kuvan piirtäminen hankalaa Piste A = (2, -3, 4) Paikkavektori OA = 2i 3j + 4k Piste A = (a 1, a 2, a 3 ) Paikkavektori OA = a 1 i + a 2 j
Matikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/81
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/81 Lineaarialgebra (muut ko) p. 2/81 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2 )
BM20A0700, Matematiikka KoTiB2
BM20A0700, Matematiikka KoTiB2 Luennot: Matti Alatalo, Harjoitukset: Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luku 7. 1 Kurssin sisältö Matriiseihin
9. Vektorit. 9.1 Skalaarit ja vektorit. 9.2 Vektorit tasossa
9. Vektorit 9.1 Skalaarit ja vektorit Skalaari on koon tai määrän mitta. Tyypillinen esimerkki skalaarista on massa. Lukumäärä on toinen hyvä esimerkki skalaarista. Vektorilla on taas suuruus ja suunta.
Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia
Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia Voidaan osoittaa, että avaruuden R n vektoreilla voidaan laskea tuttujen laskusääntöjen mukaan. Huom. Lause tarkoittaa väitettä, joka voidaan perustella
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:
Ville Turunen: Mat Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007
Ville Turunen: Mat-1.1410 Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007 Materiaali: kirjat [Adams R. A. Adams: Calculus, a complete course (6th edition), [Lay D. C. Lay: Linear
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 = (,..., ). Reaalisten m n-matriisien joukkoa merkitään
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
Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
1.1 Vektorit. MS-A0007 Matriisilaskenta. 1.1 Vektorit. 1.1 Vektorit. Reaalinen n-ulotteinen avaruus on joukko. x 1. R n. 1. Vektorit ja kompleksiluvut
ja kompleksiluvut ja kompleksiluvut 1.1 MS-A0007 Matriisilaskenta 1. ja kompleksiluvut Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 26.10.2015 Reaalinen
Johdatus lineaarialgebraan
Johdatus lineaarialgebraan Osa II Lotta Oinonen, Johanna Rämö 28. lokakuuta 2014 Helsingin yliopisto Matematiikan ja tilastotieteen laitos Sisältö 15 Vektoriavaruus....................................
Matriisialgebra harjoitukset, syksy x 1 + x 2 = a 0
MATRIISIALGEBRA, s, Ratkaisuja/ MHamina & M Peltola 22 Virittääkö vektorijoukko S vektoriavaruuden V, kun a V = R 3 ja S = {(1,0, 1,(2,0,4,( 5,0,2,(0,0,1} b V = P 2 (R ja S = {t1,t 2 1,t 2 t} ( ( 1 0 c
Johdatus lineaarialgebraan
Johdatus lineaarialgebraan Osa I Jokke Häsä, Lotta Oinonen, Johanna Rämö 11. syyskuuta 2016 Helsingin yliopisto Matematiikan ja tilastotieteen laitos Sisältö 1 Vektoriavaruuksien R 2 ja R 3 vektorit........................
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
MS-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
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
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 17 R. Kangaslampi Vektoriavaruudet Vektoriavaruus
MS-A0002 Matriisilaskenta Luento 1:Vektorit ja lineaariyhdistelyt
MS-A0002 Matriisilaskenta Luento 1:Vektorit ja lineaariyhdistelyt Antti Rasila 2016 Vektorit Pysty- eli sarakevektori v = ( v1 v 2 missä v 1, v 2 ovat v:n komponentit. ), Matriisilaskenta 2/6 Vektorit
Johdatus lineaarialgebraan
Johdatus lineaarialgebraan Osa I Jokke Häsä, Lotta Oinonen, Johanna Rämö 27. marraskuuta 2015 Helsingin yliopisto Matematiikan ja tilastotieteen laitos Sisältö 1 Vektoriavaruuksien R 2 ja R 3 vektorit........................
Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
Lineaarialgebra (muut ko)
Lineaarialgebra (muut ko) p. 1/103 Lineaarialgebra (muut ko) Tero Laihonen Lineaarialgebra (muut ko) p. 2/103 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v
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
Juuri 4 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus. b) B = (3, 0, 5) K2. ( )
Kertaus K1. a) OA =- i + j + k K. b) B = (, 0, 5) K. a) AB = (6 -(- )) i + ( - ) j + (- -(- 7)) k = 8i - j + 4k AB = 8 + (- 1) + 4 = 64+ 1+ 16 = 81= 9 b) 1 1 ( ) AB = (--(- 1)) i + - - 1 j =-i - 4j AB
Kurssin loppuosassa tutustutaan matriiseihin ja niiden käyttöön yhtälöryhmien ratkaisemisessa.
7 Matriisilaskenta Kurssin loppuosassa tutustutaan matriiseihin ja niiden käyttöön yhtälöryhmien ratkaisemisessa. 7.1 Lineaariset yhtälöryhmät Yhtälöryhmät liittyvät tilanteisiin, joissa on monta tuntematonta
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
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
7 Vapaus. 7.1 Vapauden määritelmä
7 Vapaus Kuten edellisen luvun lopussa mainittiin, seuraavaksi pyritään ratkaisemaan, onko annetussa aliavaruuden virittäjäjoukossa tarpeettomia vektoreita Jos tällaisia ei ole, virittäjäjoukkoa kutsutaan
Käänteismatriisin ominaisuuksia
Käänteismatriisin ominaisuuksia Lause 1.4. Jos A ja B ovat säännöllisiä ja luku λ 0, niin 1) (A 1 ) 1 = A 2) (λa) 1 = 1 λ A 1 3) (AB) 1 = B 1 A 1 4) (A T ) 1 = (A 1 ) T. Tod.... Ortogonaaliset matriisit
Lineaarialgebra 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
Johdatus lineaarialgebraan
Johdatus lineaarialgebraan Osa I Jokke Häsä, Lotta Oinonen, Johanna Rämö 9 heinäkuuta 2013 Helsingin yliopisto Matematiikan ja tilastotieteen laitos Sisältö 1 Avaruuksien R 2 ja R 3 vektorit 4 11 Kaksiulotteisen
2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio
x = x 2 = 5/2 x 3 = 2 eli Ratkaisu on siis x = (x x 2 x 3 ) = ( 5/2 2) (Tarkista sijoittamalla!) 5/2 2 Tämä piste on alkuperäisten tasojen ainoa leikkauspiste Se on myös piste/vektori jonka matriisi A
Matemaattinen Analyysi, k2012, L1
Matemaattinen Analyysi, k22, L Vektorit Merkitsemme koulumatematiikasta tuttua vektoria v = 2 i + 3 j sarake matriisilla ( ) 2 v = v = = ( 2 3 ) T 3 Merkintätavan muutos helpottaa jatkossa siirtymistä
3 Skalaari ja vektori
3 Skalaari ja vektori Määritelmä 3.1 Skalaari on suure, jolla on vain suuruus, jota mitataan jossakin mittayksikössä. Skalaaria merkitään reaaliluvulla. Esimerkki 3.2 Paino, pituus, etäisyys, pinta-ala,
Lineaarinen yhtälöryhmä
Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.
KJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme
KJR-C1001 Statiikka ja dynamiikka Luento 23.2.2016 Susanna Hurme Tervetuloa kurssille! Mitä on statiikka? Mitä on dynamiikka? Miksi niitä opiskellaan? Päivän aihe: Voiman käsite ja partikkelin tasapaino
Kanta ja dimensio 1 / 23
1 / 23 Kuten ollaan huomattu, saman aliavaruuden voi virittää eri määrä vektoreita. Seuraavaksi määritellään mahdollisimman pieni vektorijoukko, joka virittää aliavaruuden. Jokainen aliavaruuden alkio
Suorat ja tasot, L6. Suuntajana. Suora xy-tasossa. Suora xyzkoordinaatistossa. Taso xyzkoordinaatistossa. Tason koordinaattimuotoinen yhtälö.
Suorat ja tasot, L6 Suora xyz-koordinaatistossa Taso xyz-koordinaatistossa stä stä 1 Näillä kalvoilla käsittelemme kolmen laisia olioita. Suora xyz-avaruudessa. Taso xyz-avaruudessa. Emme nyt ryhdy pohtimaan,
Talousmatematiikan perusteet: Luento 13. Usean muuttujan funktiot Osittaisderivaatta ja gradientti Suhteellinen muutosnopeus ja osittaisjousto
Talousmatematiikan perusteet: Luento 13 Usean muuttujan funktiot Osittaisderivaatta ja gradientti Suhteellinen muutosnopeus ja osittaisjousto Aiemmilla luennoilla Tähän mennessä olemme tarkastelleet Erilaisia
Yleiset lineaarimuunnokset
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Kari Tuominen Yleiset lineaarimuunnokset Matematiikan ja tilastotieteen laitos Matematiikka Toukokuu 29 Tampereen yliopisto Matematiikan ja tilastotieteen laitos
MS-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).
802120P Matriisilaskenta (5 op)
802120P Matriisilaskenta (5 op) Tero Vedenjuoksu Matemaattiset tieteet Syksy 2015 1 / 159 Luennoitsija: Tero Vedenjuoksu tero.vedenjuoksu@oulu.fi M321 Kurssilla käytetään Noppaa (noppa.oulu.fi) sekäoptimaa
3x + y + 2z = 5 e) 2x + 3y 2z = 3 x 2y + 4z = 1. x + y 2z + u + 3v = 1 b) 2x y + 2z + 2u + 6v = 2 3x + 2y 4z 3u 9v = 3. { 2x y = k 4x + 2y = h
HARJOITUSTEHTÄVIÄ 1. Anna seuraavien yhtälöryhmien kerroinmatriisit ja täydennetyt kerroinmatriisit sekä ratkaise yhtälöryhmät Gaussin eliminointimenetelmällä. { 2x + y = 11 2x y = 5 2x y + z = 2 a) b)
Talousmatematiikan perusteet: Luento 12. Usean muuttujan funktiot Osittaisderivaatta Gradientti Suhteellinen muutosnopeus ja osittaisjousto
Talousmatematiikan perusteet: Luento 12 Usean muuttujan funktiot Osittaisderivaatta Gradientti Suhteellinen muutosnopeus ja osittaisjousto Aiemmilla luennoilla Tähän mennessä olemme tarkastelleet Erilaisia
Talousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla
Talousmatematiikan perusteet: Luento 12 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,