Numeeriset menetelmät
|
|
- Anita Toivonen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Numeeriset menetelmät Keijo Ruotsalainen Division of Mathematics
2 Kurssitiedot Luennot alkavat ke Ke L3 To L6 Kurssin viimeinen luento To Kurssin suorittaminen välikokein: 1. välikoe La klo 9-12 (L3) 2. välikoe La klo 9-12 (L3) Lisäpisteet: Harjoitustehtävien yhteydessä on 10 palautettavaa kotitehtävää, jotka arvostellaan asteikolla 0, 0.5 ja 1. Maksimissaan lisäpisteitä voi kerätä 10 p. Kurssin voi myös suorittaa loppukokein Kurssimateriaali löytyy Optimasta. Kirjallisuus: Faires and Burden; Numerical Methods tai Quarteroni, Sacco and Salieri; Numerical Mathematics Keijo Ruotsalainen Matematiikan jaos 2 / 54
3 1.1 Hyvin asetettu ongelma Probleema Probleema: Määrää x siten, että F(x,d) = 0. (1) d on ongelman data (tunnettu); x ongelman ratkaisu; F(, ) ratkaisun ja datan välinen riippuvuus Muuttujat x, d voivat olla lukuja, vektoreita, matriiseja tai funktioita; Muuttujien välinen riippuvuus voidaan määritellä matriisiyhtälönä, differentiaaliyhtälönä tai funktion avulla Keijo Ruotsalainen Matematiikan jaos 3 / 54
4 Esim. 1 Esim. 1 Yksinkertaisen jousi-massa-systeemin DY on Ongelmassa x (t)+kx(t) = d(t), x(0) = 0 x (0) = 0 Datana on jousivakio k (luku) ja ulkoinen voima d(t) (funktio); Ratkaisu on funktio x(t); Riippuvuuden muuttujien välille määrittelee differentiaaliyhtälön alkuarvotehtävä Keijo Ruotsalainen Matematiikan jaos 4 / 54
5 Esim. 2 Esim. 2 Yleinen tietoliikennekanava mallinnetaan tavallisesti muodossa y = Ax + n, missä x on lähetetty signaalivektori; y on vastaanotettu signaalivektori; n on kanavan kohina; A on ns. kanavamatriisi, joka kuvaa signaalin vaimenemista Ongelma: Määrää x, kun data y,n,a on tunnettu. Keijo Ruotsalainen Matematiikan jaos 5 / 54
6 Esim. 3 Kuvannusmenetelmällä saadaan kohinainen kuva särkyneestä sydämestä. Kuvan segmentoinnissa esitetään seuraavanlaisia kysymyksiä: Mikä pikseli on osa sydäntä? Missä on kuvan eri osien reunat? Yleinen oletus: Kuvan osien välinen reunakäyrä on sileä; Todelliset pikseliarvot u p ja havaitut arvot y p ovat lähellä toisiaan Energian minimointi: min E(u) = p u p y p 2 + p V(u p,u q ). q Keijo Ruotsalainen Matematiikan jaos 6 / 54
7 Hyvin asetettu ongelma Määr. 1.1 Ongelma (1) on hyvin asetettu,jos jokaiselle datalle d ratkaisu x(d) on yksikäsitteinen; ja jos x(d +δd) on ongelman F(x(d +δd),d +δd) = 0 ratkaisu, niin lim x(d +δd) = x(d). δd 0 Muutoin ongelma on huonosti asetettu. Keijo Ruotsalainen Matematiikan jaos 7 / 54
8 Esimerkki Esim. Polynomin p a (x) = x 4 x 2 +(2a 1)+a(a 1) reaalisten nollakohtien määrääminen on huonosti asetettu ongelma, sillä nollakohtia on 4, kun a 1; nollakohtia on 2, kun 0 a < 1; nollakohtia on 0, kun a < 0. Keijo Ruotsalainen Matematiikan jaos 8 / 54
9 Ongelman ehtoluku Hyvin asetetun ongelman (1) Määr. 1.2 Suhteellinen ehtoluku on Absoluuttinen ehtoluku K(d) = sup δd 0 δx x ; δd d δx K abs (d) = sup δd 0 δd. Yllä ja jatkossa luku x on muuttujan x normi, joka ilmoittaa muuttujan suuruuden. Sanotaan, että ongelma on stabiili, jos ehtoluku on pieni, ja epästabiili, jos se on suuri. Keijo Ruotsalainen Matematiikan jaos 9 / 54
10 Numeerinen menetelmä Määr. 1.3 Numeerinen menetelmä hyvin asetetun ongelman (1) ratkaisemiseksi koostuu jonosta approksimaatio-ongelmia F n (x n,d n ) = 0, n 1. (2) Tavoitteena numeerisen menetelmän konstruoimisessa on d n d, kun n. x n x, kun n. F n F, kun n. Sanotaan, että numeerinen menetelmä on konsistentti, jos lim F n(x,d) = lim F n(x,d) F(x,d) = 0. n n Keijo Ruotsalainen Matematiikan jaos 10 / 54
11 Iteratiivinen ratkaisumenetelmä Alkuarvo x 0 on annettu; Seuraavaa approksimaatio ratkaistaan ongelmasta F n (x n,x n 1,d) = 0. Iteratiivinen ratkaisumenetelmä on konsistentti, jos Esim. 4 F n (x,x,d) 0, kun n. Oletetaan, että funktion f(x) nollakohta z on yksinkertainen, ts. f(z) = 0, f (z) 0. Newtonin menetelmä x n = x n 1 f(x n 1) f (x n 1 ), x 0 annettu on iteratiivinen ratkaisumenetelmä nollakohdan approksimoimiseen. Osoita, että menetelmä on konsistentti. Keijo Ruotsalainen Matematiikan jaos 11 / 54
12 Konvergenssi Määr. 1.4 Numeerinen menetelmä suppenee (konvergoi), jos x n (d n ) x(d),kunn. Määr. 1.5 Numeerinen menetelmä on stabiili, jos yhtälöllä (2) on yksikäsitteinen ratkaisu jokaisella n; ja ratkaisu on jatkuva pienten häiriöiden suhteen, ts. lim δdn x n (d +δd n ) x n (d n ) = 0. Keijo Ruotsalainen Matematiikan jaos 12 / 54
13 Määr. 1.6 Suhteellinen stabiilisuus: Absoluuttinen stabiilisuus K n (d n ) = sup δd 0 δx n x n δd n d n δx n K abs,n (d n ) = sup δd 0 δd n. ; Keijo Ruotsalainen Matematiikan jaos 13 / 54
14 Laskennan perusprinsiipit Numeeriseen laskentaan kuuluu seuraavat kaksi perusperiaatetta: tulos = (järki) rauta ; järki rauta = C (vakio). Keijo Ruotsalainen Matematiikan jaos 14 / 54
15 1.3 Virhelähteet Lähtökohta on aina oikea fysikaalinen ongelma, jonka ratkaisu on x fys. Fysikaalisesta ongelmasta muodostetaan matemaattinen malli, joka voidaan kuvat yhtälönä F(x,d) = 0. Matemaattista mallia vuorostaan approksimoidaan numeerisella mallilla F n (x n,d n ) = 0. Prosessissa syntyvä globaali virhe Tässä e n = x n x fys = [x n x]+[x x fys ] = E n + E M. E M on matemaattisen mallin virhe ja riippumaton laskennasta; E n numeerisessa laskennassa tehty virhe, joka koostuu kahdesta virhelähteestä: typistysvirheestä ja lukujen pyöristysvirheestä. Keijo Ruotsalainen Matematiikan jaos 15 / 54
16 Liukuluvut Olkoon tietokoneen muistipaikojen lukumäärä N. Reaaliluvun liukulukuesitys kantaluvun β suhteen Tässä x = ( 1) s (0.a 1 a 2 a 3 a t ) β e = ( 1) s mβ e t. β on kantaluku (desimaalijärjestelmässä β = 10, tietokoneessa β = 2); t on merkitsevien numeroiden lukumäärä; m = a 1 a 2 a t on mantissa, a i {0,...,β 1}; e on eskponentti ja L < e < U. s = 0 tai 1 sen mukaan onko luku positiivinen vai negatiivinen. Keijo Ruotsalainen Matematiikan jaos 16 / 54
17 Pyöristyssääntö Merkitään liukuluvulla fl(x) luvun x esitystä t:n merkitsevän numeron liukulukuaritmetiikassa: { fl(x) = ( 1) s (0.a 1 a 2 a 3 a t ) β e a t, a t+1 < β, a t = 2 a t + 1, a t+1 β 2 Aritmeettiset operaatiot: Olkoon mikä tahansa reaalilukujen aritmeettisista operaatioista (summa, vähennyslasku, kertolasku tai jakolasku). Tällöin vastaava liukulukuoperaatio on : R R F; x y = fl(fl(x) fl(y)). Keijo Ruotsalainen Matematiikan jaos 17 / 54
18 Numeerista lineaarialgebraa Sisältö Kertausta matriiseista (kts. Appendix A); Gaussin eliminaatio; LU-hajotelma; Pivotisointistrategiat; Matriisin ehtoluku; Virheanalyysi; Konjugaattigradienttimenetelmä; Keijo Ruotsalainen Matematiikan jaos 18 / 54
19 Gaussin eliminaatio: Esim. Tarkastellaan yhtälöryhmää: x x 2 = x 3 0 Keijo Ruotsalainen Matematiikan jaos 19 / 54
20 Gaussin eliminaatio: Esim. Muokataan matriisiyhtälöä kertomalla se vasemmalta eliminaatiomatriisilla : x x 2 = x Keijo Ruotsalainen Matematiikan jaos 19 / 54
21 Gaussin eliminaatio: Esim. Tulokseksi saadaan yhtälöryhmä x x 2 = x 3 0 Keijo Ruotsalainen Matematiikan jaos 19 / 54
22 Gaussin eliminaatio: Esim. Kerrotaan yhtälöryhmä sopivalla eliminaatiomatriisilla x x 2 = x Keijo Ruotsalainen Matematiikan jaos 19 / 54
23 Gaussin eliminaatio: Esim. Yhtälöryhmä on muunnettu yläkolmiomuotoon x x 2 = x 3 3 joka on helppo ratkaista taaksepäin-sijoituksella Keijo Ruotsalainen Matematiikan jaos 19 / 54
24 Gaussin eliminaatio: 1. askel Tarkastellaan yhtälöryhmää (a 11 0): a 11 a 12 a 13 a 14 a 1n a 21 a 22 a 23 a 24 a 2n x 1 b 1 a 31 a 32 a 33 a 34 a 3n x 2 a 41 a 42 a 43 a 44 a 4n = b 2.. x n b n a n1 a n2 a n3 a n4 a nn Keijo Ruotsalainen Matematiikan jaos 20 / 54
25 Gaussin eliminaatio: 1. askel Muokataan matriisiyhtälöä kertomalla se vasemmalta alakolmiomatriisilla: a 11 a 12 a 13 a 14 a 1n a a a 21 a 22 a 23 a 24 a 2n a 31 a 32 a 33 a 34 a 3n a 41 a a 41 a 42 a 43 a 44 a 4n a n1 a a n1 a n2 a n3 a n4 a nn a a b 1 31 = b 2 a 41 a b n a n1 a Keijo Ruotsalainen Matematiikan jaos 20 / 54 x 1 x 2. x n
26 Gaussin eliminaatio: 1. askel Tulokseksi saadaan yhtälöryhmä a 11 a 12 a 13 a 14 a 1n 0 a (1) 22 a (1) 23 a (1) 24 a (1) 2n 0 a (1) 32 a (1) 33 a (1) 34 a (1) x 3n 1 0 a (1) 42 a (1) 43 a (1) 44 a (1). = 4n x 2. n. 0 a (1) n2 a (1) n3 a (1) n4 a nn (1) b 1 b (1) b (1) n Keijo Ruotsalainen Matematiikan jaos 20 / 54
27 Yleinen eliminaatioaskel k:nnen eliminaatioaskeleen jälkeen (1 k n 1) yhtälöryhmä on muotoa: a 11 a 12 a 13 a 14 a 1n 0 a (1) 22 a (1) 23 a (1) 24 a (1) b 1 2n 0 0 a (2) 33 a (2) 34 a (2) x 1 b (1) 3n x a (k) k+1,k+1 a (k). = 2. b (k). k+1,n k+1. x n a (k) n,k+1 a nn (k) b n (k) Oletus: Pivotalkio a (k) k+1,k+1 0. Keijo Ruotsalainen Matematiikan jaos 21 / 54
28 Yleinen eliminaatioaskel Kerrotaan alakolmiomatriisilla L 1 k+1 = a(k) k+2,k a (k) k+1,k a(k) n,k a (k) k+1,k+1 Keijo Ruotsalainen Matematiikan jaos 21 / 54
29 Yleinen eliminaatioaskel Yhtälöryhmä saadaan muotoon: A (k+1) x = b (k+1), missä a (i 1) a (k+1) ij, kun 1 i k + 1 ij = a (k) ij a(k) i,k+1 a (k) a (k) k+1,j, kun k + 2 i n k+1,k+1 b (k+1) i = b (i 1) i, kun 1 i k + 1 b (k) i a(k) i,k+1 b (k) a (k) k+1, kun k + 2 i n k+1,k+1 Keijo Ruotsalainen Matematiikan jaos 21 / 54
30 LU-hajotelma Alkuperäinen yhtälö: Ax = b. Eliminaatiovaiheen jälkeen: L 1 n 1 L 1 n 2 L 1 1 Ax = Ux = b. Matriisin LU-hajotelma A = (L 1 L 2 L 3 L n 1 )U = LU. Keijo Ruotsalainen Matematiikan jaos 22 / 54
31 L-matriisi Matriisi L k+1 on L k+1 = a (k) k+2,k a (k) k+1,k a (k) n,k+1 a (k) k+1,k+1 Keijo Ruotsalainen Matematiikan jaos 23 / 54
32 L-matriisi Ja L-matriisi L = a 21 a a 31 a (1) 32 a a (1) a (1) k+1,2 a a (1) a n1 n2 1 a k+1,1 a 11 a (1) a (1) 22 a (k) n,k+1 a (k) k+1,k+1 Keijo Ruotsalainen Matematiikan jaos 23 / 54
33 LU-hajotelman käyttö Jos LU-hajotelma tunnetaan, niin 1. Ratkaistaan: Ly = b y = L 1 b Keijo Ruotsalainen Matematiikan jaos 24 / 54
34 LU-hajotelman käyttö Jos LU-hajotelma tunnetaan, niin 1. Ratkaistaan: Ly = b y = L 1 b 2. Ratkaistaan: Ux = y x = U 1 L 1 b = A 1 b Keijo Ruotsalainen Matematiikan jaos 24 / 54
35 LU-hajotelman käyttö Jos LU-hajotelma tunnetaan, niin 1. Ratkaistaan: Ly = b y = L 1 b 2. Ratkaistaan: Ux = y x = U 1 L 1 b = A 1 b Laskutoimitusten (kertolaskujen) lukumäärä: LU-hajotelman muodostaminen: n 1 n 1 (n k)(n k + 1) = k(k + 1) k=1 k=1 = 1 6 n(n 1)(2n 1)+ 1 2 n(n 1) = 1 3 (n3 n) Eteenpäin-sijoitus: 1 2 (n2 n) Taaksepäin-sijoitus: n = 1 2 (n2 + n) Kokonaismäärä: Z Gauss = 1 3 n3 + n n Keijo Ruotsalainen Matematiikan jaos 24 / 54
36 Esimerkki 2. Ratkaise lineaarinen yhtälöryhmä 2x 1 + 3x 2 5x 3 4x 1 + 8x 2 3x 3 6x 1 + x 2 + 4x 3 = 10 = 19 = 11 LU-hajotelmalla. Keijo Ruotsalainen Matematiikan jaos 25 / 54
37 Yhtälöryhmän ratkaisu Tarkastellaan yhtälöryhmää: x x 2 = x 3 11 Keijo Ruotsalainen Matematiikan jaos 26 / 54
38 Yhtälöryhmän ratkaisu Muokataan matriisiyhtälöä kertomalla se vasemmalta eliminaatiomatriisilla : x x 2 = x Keijo Ruotsalainen Matematiikan jaos 26 / 54
39 Yhtälöryhmän ratkaisu Tulokseksi saadaan yhtälöryhmä x x 2 = x 3 41 Keijo Ruotsalainen Matematiikan jaos 26 / 54
40 Yhtälöryhmän ratkaisu Kerrotaan yhtälöryhmä eliminaatiomatriisilla x x 2 = x Keijo Ruotsalainen Matematiikan jaos 26 / 54
41 Yhtälöryhmän ratkaisu Yhtälöryhmä on muunnettu yläkolmiomuotoon x 1 10 Ux = x 2 = 1 = y x 3 46 joka ratkaistaan taaksepäin-sijoituksella Keijo Ruotsalainen Matematiikan jaos 26 / 54
42 Yhtälöryhmän ratkaisu Matriisin LU-hajotelma A = = (3) Keijo Ruotsalainen Matematiikan jaos 26 / 54
43 Esimerkki 4 Esim. 4 Ratkaise yhtälöryhmä x x 2 = x x 2 = neljän merkitsevän luvun aritmetiikassa. Yhtälön ratkaisu eksaktissa aritmetiikassa on x 1 = 10, x 2 = 1 Eliminaatioaskel: Kertomalla 1. rivi luvulla l 21 = = = 1764 ja vähentämällä tulos 2. rivistä saadaan x x 2 = x 2 = Eli pieleen meni ja pahasti. x 2 = = x 1 = = Keijo Ruotsalainen Matematiikan jaos 27 / 54
44 Pivot-strategiat Yksinkertainen: Pivotalkio a (k 1) kk 0 Osittainen: Pivotalkio max i=k,...,n a (k 1) i,k Täydellinen: Pivotalkio max i,j=k,...,n a (k 1) ij Lause 1 Jos matriisi on diagonaalidominantti, so. a ii > n k=1, l i a i,k, i = 1,...,n niin yksinkertainen Pivot-strategia on mahdollinen. Keijo Ruotsalainen Matematiikan jaos 28 / 54
45 Pivot-strategia toimii Lause 2 Olkoon matriisi A säännöllinen, ts. A 1 on olemassa. Tällöin osittainen (täydellinen) Pivot-strategia toimii aina. Tod. A on säännöllinen, joten det(a) 0. Jos a 11 = 0, niin ainakin yksi alkio 1. sarakkeella nollasta eroava, muutoin det(a) = 0. Vastaava päättely toimii myös i:nnellä eliminaatioaskeleella. Lause 3 Jokaiselle säännölliselle matriisille A on olemassa permutaatiomatriisi P siten, että PA = LU, missä L on alakolmiomatriisi ja U yläkolmiomatriisi. Keijo Ruotsalainen Matematiikan jaos 29 / 54
46 Esimerkki 5 Esim. 5 Ratkaise yhtälöryhmä osittaisella Pivot-strategialla x x 2 = x x 2 = neljän merkitsevän luvun aritmetiikassa. Koska max{5.291, } = 5.291, suoritetaan rivien vaihto. Eliminaatioaskel: Kertomalla 1. rivi luvulla l 21 = = ja vähentämällä tulos 2. rivistä saadaan 5.291x x 2 = x 2 = x 2 = 1 x 1 = = Keijo Ruotsalainen Matematiikan jaos 30 / 54
47 Vektorinormit Vektorinormi Vektorinormi on kuvaus R n R + siten että 1. x > 0, x 0 ja jos x = 0, niin x = 0; 2. λx = λ x ; 3. x + y x + y. Esimerkkejä x 1 = n i=1 x = max 1 i n x i, x p = [ n i=1 x i, x 2 = [ n i=1 x i p ] 1 p, 1 p <. x i 2 ] 1 2, Keijo Ruotsalainen Matematiikan jaos 31 / 54
48 Euklidinen sisätulo x T y = (x,y) = n x i y i i=1 Ominaisuudet 1. Se on lineaarinen: (ax + by,z) = a(x,z)+b(y,z); 2. Symmetrisyys: (x,y) = (y,x); 3. Positiviisuus: (x, x) > 0 kaikille x 0, ja (x,x) = 0 x = 0. Cauchy-Schwarz Kaikille pareille x,y: (x,y) = x T y x 2 y 2. Yhtälö on voimassa, jos ja vain jos x = ky jollain k R. Keijo Ruotsalainen Matematiikan jaos 32 / 54
49 Suppeneminen Määr. Vektorijono {x (k) } k N suppenee kohti vektoria x, jos lim k x(k) i = x i, i = 1,2,3...,n. Lause Jokaiselle R n :ssä määritelylle vektorinormille lim k x(k) = x lim x k x(k) = 0 Keijo Ruotsalainen Matematiikan jaos 33 / 54
50 Matriisinormi Määr A > 0, A 0 ja jos A = 0, niin A = 0; 2. λa = λ A ; 3. A+B A + B ; 4. AB A B. Vektorinormin indusoima matriisinormi: A = max x =1 Ax. Keijo Ruotsalainen Matematiikan jaos 34 / 54
51 Esimerkkejä Määr. 2 Esimerkiksi seuraavat matriisinormit ovat vastaavien vektorinormien indusoimia: A 1 = max 1 j n n i=1 a ij A 2 = A:n suurin singulaariarvo n A = max a ij 1 i n j=1 Keijo Ruotsalainen Matematiikan jaos 35 / 54
52 Vektori- ja matriisinormin yhteensopivuus Vektori- ja matriisinormi ovat yhteensopivia, jos Ax A x. Frobenius-normi m n A F = [ i=1 j=1 a 2 ij] 1 2 ei ole minkään vektorinormin indusoima matriisinormi. Huom! Vaikka Frobenius-normi ei ole l 2 -normin indusoima, niin silti on voimassa Ax 2 A F x 2. Keijo Ruotsalainen Matematiikan jaos 36 / 54
53 Ehtoluku Matriisin ehtoluku Matriisin A ehtoluku K(A) = A A 1, missä A on joku indusoitu matriisinormi. Ehtoluku riippuu valittavasta normista. Tavallisesti kuitenkin käytetään A 1, A 2, A normeja ehtoluvun määrittelyyn. Tällöin merkitään ehtoluvulle alaindeksi K 1 (A), K 2 (A) tai K (A). Keijo Ruotsalainen Matematiikan jaos 37 / 54
54 Ominaisuuksia K(A) 1; K(A) = K(A 1 ); K 2 (A) = σ 1(A) σ n(a), missä σ 1 on matriisin suurin ja σ n pienin singulaariarvo. A on symmetrinen ja positiivisesti definiitti: K 2 (A) = λ max λ min. Keijo Ruotsalainen Matematiikan jaos 38 / 54
55 Virheanalyysi Ratkaistaan yhtälöryhmät Ax = b (4) Lause 4 (A+δA)(x +δx) = b+δb. (5) Olkoon A säännöllinen matriisi ja δa pieni häiriö siten, että A 1 δa < 1. Tällöin, jos x on yhtälöryhmän (4) ratkaisu ja δx toteuttaa yhtälön (5), niin ratkaisun suhteellinen virhe δx x K(A) 1 K(A) δa A ( δb b + δa ). A Keijo Ruotsalainen Matematiikan jaos 39 / 54
56 Virheanalyysi jatkuu Lause 5 Olkoon edellisen lauseen ehdot voimassa ja δa = 0. Tällöin Lause 6 1 δb K(A) b δx x K(A) δb b. Olkoon γ = β 1 t ns. konevakio, missä β on kantaluku ja t mantissan pituus siten, että δa γ A, δb γ b. Jos γk(a) < 1, niin x +δx x δx x 1+γK(A) (6) 1 γk(a) 2γK(A) 1 γk(a). (7) Keijo Ruotsalainen Matematiikan jaos 40 / 54
57 Esimerkki 6 Esim. 6 Lineaarisen yhtälöryhmän [ ][ x1 x 2 ] = [ ] [ ] 1 ratkaisu on. Laske matriisin ehtoluku K 1 2 (A). Arvioi ratkaisun suhteellisen virheen herkkyyttä yhtälöryhmän kertoimien pienille muutoksille. Yhtälöryhmän sijasta ratkaistaan häiritty yhtälö [ ][ ] [ ] x1 +δx = x 2 +δx Arvioi suhteellista virhettä ehtoluvun avulla ja laske todellinen suhteellinen virhe. Keijo Ruotsalainen Matematiikan jaos 41 / 54
58 Appendix A: Matriiseista Matriisi on lukukaavio, jossa on m riviä ja n saraketta a 11 a 12 a 1n a 21 a 22 a 2n A =..., a m1 a m2 a mn a ij R tai C; i alkion rivi-indeksi; j sarakeindeksi Jos m = 1 tai n = 1, niin kyseessä rivi- tai sarakevektori; neliömatriisille n = m; Päädiagonaali on diag(a) = (a 11,a 22,...,a nn ). Keijo Ruotsalainen Matematiikan jaos 42 / 54
59 Matriisien laskuoperaatiot Summa: A+B = (a ij + b ij ; Skalaarilla kertominen: ka = (ka ij ); Matriisitulo: Olkoon A (m p)-matriisi ja B (p n)-matriisi. Tällöin tulomatriisi AB = (c ij ) = ( p a ik b kj ). k=1 Ominaisuuksia A(B+C)=AB+AC; A(BC)=(AB)C; MUTTA!!!!! Yleensä AB BA. Keijo Ruotsalainen Matematiikan jaos 43 / 54
60 Käänteismatriisi Määr Neliömatriisi A on kääntyvä (säännöllinen tai ei-singulaarinen), jos on olemassa matriisi B siten, että AB = BA = I. Matriisia B kutsutaan A:n käänteismatriisiksi, ja merkitään B = A 1 Tulomatriisin AB käänteismatriisi, jos se on olemassa, on AB) 1 = B 1 A 1. Lause Neliömatriisi on kääntyvä jos ja vain jos sen sarakevektorit ovat lineaarisesti riippumattomat. Keijo Ruotsalainen Matematiikan jaos 44 / 54
61 Transpoosi Määr. Matriisin A R m n transpoosi on (n m)-matriisi A T, joka saadaan vaihtamalla matriisin A rivit matriisin A T sarakkeiksi. Ominaisuuksia (A T ) T = A (A+B) T = A T + B T (AB) T = B T A T (αa) T = αa T (A T ) 1 = (A 1 ) T. Matriisi on symmetrinen, jos A T = A. Lopuksi matriisi on ortogonaalinen, jos A T A = AA T = I, ts. A 1 = A T. Keijo Ruotsalainen Matematiikan jaos 45 / 54
62 Matriisin jälki ja determinantti Neliömatriisin A jälki on matriisin diagonaalialkioiden summa: tr(a) = n a ii. i=1 Matriisin determinantti det(a) = σ P sign(σ)a 1,σ(1) a 2,σ(2) a n,σ(n), missä P on lukujen I = (1,2,3...,n) permutaatioiden joukko. Permutaation merkki sign(σ) on 1 (-1), jos σ(i) saadaan I:stä parillisella (parittomalla) määrällä paikanvaihtoja. Keijo Ruotsalainen Matematiikan jaos 46 / 54
63 Determinantin Ominaisuuksia det(a) = det(a T ) det(ab) = det(a) det(b) det(a 1 = 1 det(a) det(ka) = k n det(a). Keijo Ruotsalainen Matematiikan jaos 47 / 54
64 Kofaktori Merkitään matriisilla A ij sellaista kertalukua n 1 olevaa matriisia, joka saadaan matriisista A poistamalla i:s rivi ja j:s sarake; Alkion a ij kofaktori ij = ( 1) i+j) det(a ij ); Laplacen sääntö: det(a) = n ij a ij = j=1 Matriisin A käänteimatriisi: Lause A 1 on olemassa det(a) 0 n ij a ij. i=1 A 1 = 1 det(a) [ ji]. Keijo Ruotsalainen Matematiikan jaos 48 / 54
65 Matriisin aste ja ydin A tyyppiä m n Matriisin kuva-avaruus on R(A) = {y R m y = Ax jollain x R n }. Matriisin A aste rank(a) on kuva-avaruuden dimensio, l. lineaarisesti riippumattomien sarakevektoreiden lukumäärä. Matriisin ydin: Ominaisuudet: 1. rank(a) = rank(a T ); 2. rank(a)+dim(ker(a) = n. Ker(A) = {x R n Ax = 0}. Jos matriisi on säännöllinen, niin rank(a) = n ja dim ker(a) = 0. Keijo Ruotsalainen Matematiikan jaos 49 / 54
66 Säännöllisyys Neliömatriislle seuraavat ominaisuudet ovat yhtäpitäviä: Lause 1. A on säännöllinen l. A 1 on olemassa; 2. det(a) 0; 3. ker(a) = {0}; 4. rank(a) = n; 5. A:n sarake- ja rivivektorit ovat lineaarisesti riippumattomia; 6. Yhtälöryhmällä Ax = f on yksikäsitteinen ratkaisu jokaiselle f. Keijo Ruotsalainen Matematiikan jaos 50 / 54
67 Ylä- ja alakolmiomatriisit Matriiseissa kullakin sarakkeella lävistäjäalkion ala- tai yläpuolella on pelkkiä nollia: l u 11 u 12 u 13 u 1n l 21 l L =...., U = 0 u 22 u 23 u 2n..... l n1 l n2 l n3 l nn u nn Ominaisuuksia Determinantti on diagonaalialkioiden tulo; yläkolmio- ja alakolmiomatriisin käänteismatriisi on myös yläkolmio- ja alakolmiomatriisi. Kahden alakolmiomatriisin tulo on edelleen alakolmiomatriisi; vastaava pätee yläkölmiomatriiseille. Keijo Ruotsalainen Matematiikan jaos 51 / 54
68 Ominaisarvot Määr. Luku λ C on ominaisarvo, jos se toteuttaa karakteristisen yhtälön det(a λi) = 0, ja vektori u λ R n on ominaisarvoon λ liittyvä ominaisvektori, jos Au λ = λu λ. Matriisin determinantti ja jälki ovat det(a) = Π n i=1λ i (A), tr(a) = n λ i. i=1 Matriisin spektraalisäde on ρ(a) = max 1 i λ i(a). Keijo Ruotsalainen Matematiikan jaos 52 / 54
69 Diagonalisointi Reaalisen ja symmetrisen matriisin kaikki ominaisarvot ovat aina reaalisia; Ominaisvektoreista voidaan muodostaa vektoriavaruudelle R n ortonormaalikanta. Ominaisvektoreista voidaan muodostaa ortogonaalinen matriisi Q, joka diagonalisoi matriisin A: Q T AQ = D = diag(λ 1,...,λ n ). Keijo Ruotsalainen Matematiikan jaos 53 / 54
70 Singulaariarvo Yleisesti, matriisila A R m n ei ole ominaisarvoja. Mutta sille voidaan määritellä singulaariarvot: Määr. Luku σ 0 on matriisin A singulaariarvo, jos λ = σ 2 on matriisin A T A ominaisarvo. Lause Symmetrisen ja reaalisen matriisin singulaariarvot ovat sen ominaisarvojen iteseisarvot. Keijo Ruotsalainen Matematiikan jaos 54 / 54
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
LisätiedotMatematiikka B2 - TUDI
Matematiikka B2 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 5 Ti 20.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 5 Ti 20.9.2011 p. 1/40 p. 1/40 Choleskyn menetelmä Positiivisesti definiiteillä matriiseilla kolmiohajotelma
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille
LisätiedotIteratiiviset ratkaisumenetelmät
Iteratiiviset ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Yleinen iteraatio Lineaarisen yhtälöryhmän iteratiivinen ratkaisumenetelmä voidaan esittää muodossa: Anna alkuarvaus: x 0 R n
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotLU-hajotelma. Esimerkki 1 Matriisi on yläkolmiomatriisi ja matriisi. on alakolmiomatriisi. 3 / 24
LU-hajotelma 1 / 24 LU-hajotelma Seuravassa tarkastellaan kuinka neliömatriisi voidaan esittää kahden kolmiomatriisin tulona. Käytämme alkeismatriiseja tälläisen esityksen löytämiseen. Edellä mainittua
LisätiedotNumeeriset menetelmät TIEA381. Luento 4. Kirsi Valjus. Jyväskylän yliopisto. Luento 4 () Numeeriset menetelmät / 44
Numeeriset menetelmät TIEA381 Luento 4 Kirsi Valjus Jyväskylän yliopisto Luento 4 () Numeeriset menetelmät 21.3.2013 1 / 44 Luennon 4 sisältö Lineaarisen yhtälöryhmän ratkaisemisesta: Choleskyn menetelmä
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 5. luento.2.27 Lineaarialgebraa - Miksi? Neuroverkon parametreihin liittyvät kaavat annetaan monesti
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
Lisätiedot3 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
LisätiedotNeliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja
7 NELIÖMATRIISIN DIAGONALISOINTI. Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T () Muistutus: Kokoa n olevien vektorien
Lisätiedot5 Ominaisarvot ja ominaisvektorit
5 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin A
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Ominaisarvot Kertaus: ominaisarvot Määritelmä
LisätiedotMatriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?
Harjoitus 1, kevät 007 1. Olkoon [ ] cos α sin α A(α) =. sin α cos α Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?. Olkoon a x y A = 0 b z, 0 0 c missä a, b, c 0. Määrää käänteismatriisi
Lisätiedot1 Ominaisarvot ja ominaisvektorit
1 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) 1 missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Luentokalvot 5 1
Lisätiedot(0 desimaalia, 2 merkitsevää numeroa).
NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 22 R. Kangaslampi matriisiteoriaa Kertaus: ominaisarvot
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 4 To 15.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 4 To 15.9.2011 p. 1/38 p. 1/38 Lineaarinen yhtälöryhmä Lineaarinen yhtälöryhmä matriisimuodossa Ax = b
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
Lisätiedot3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset
32 Idea: Lineaarikuvausten laskutoimitusten avulla määritellään vastaavat matriisien laskutoimitukset Vakiolla kertominen ja summa Olkoon t R ja A, B R n m Silloin ta, A + B R n m ja määritellään ta ta
Lisätiedot6 MATRIISIN DIAGONALISOINTI
6 MATRIISIN DIAGONALISOINTI Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T Muistutus: vektorien a ja b pistetulo (skalaaritulo,
LisätiedotBM20A0700, 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
Lisätiedot1 Matriisit ja lineaariset yhtälöryhmät
1 Matriisit ja lineaariset yhtälöryhmät 11 Yhtälöryhmä matriisimuodossa m n-matriisi sisältää mn kpl reaali- tai kompleksilukuja, jotka on asetetettu suorakaiteen muotoiseksi kaavioksi: a 11 a 12 a 1n
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 6.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/22 Kertausta: Kääntyvien matriisien lause Lause 1 Oletetaan, että A on n n -neliömatriisi. Seuraavat ehdot ovat yhtäpitäviä.
Lisätiedot5 OMINAISARVOT JA OMINAISVEKTORIT
5 OMINAISARVOT JA OMINAISVEKTORIT Ominaisarvo-ongelma Käsitellään neliömatriiseja: olkoon A n n-matriisi. Luku on matriisin A ominaisarvo (eigenvalue), jos on olemassa vektori x siten, että Ax = x () Yhtälön
LisätiedotMS-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
LisätiedotMatriisien tulo. Matriisit ja lineaarinen yhtälöryhmä
Matriisien tulo Lause Olkoot A, B ja C matriiseja ja R Tällöin (a) A(B + C) =AB + AC, (b) (A + B)C = AC + BC, (c) A(BC) =(AB)C, (d) ( A)B = A( B) = (AB), aina, kun kyseiset laskutoimitukset on määritelty
LisätiedotMS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42
MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42 Tehtävät 1-4 lasketaan alkuviikon harjoituksissa ryhmissä, ja ryhmien ratkaisut esitetään harjoitustilaisuudessa (merkitty kirjaimella L = Lasketaan).
LisätiedotAx, y = x, A y. A = A A hermiittinen. Jokainen reaalinen ja symmetrinen matriisi on määritelmän mukaan myös hermiittinen. A =, HARJOITUSTEHTÄVIÄ
X.. Matriisialgebra Esimerkki 4 Jos niin x =[i, +i, 2 i ] T C 3, y =[ 2i, 2i, i ] T C 3, x, x = x 2 =+(+)+(4+)=8, y, y =(+4)+4+(+)=, x, y = i( + 2i)+(+i)( 2i)+(2 i)( +i) = +3i. Matriisia A = ĀT sanotaan
LisätiedotOminaisarvo ja ominaisvektori
Ominaisarvo ja ominaisvektori Määritelmä Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka
Lisätiedot1.1. Määritelmiä ja nimityksiä
1.1. Määritelmiä ja nimityksiä Luku joko reaali- tai kompleksiluku. R = {reaaliluvut}, C = {kompleksiluvut} R n = {(x 1, x 2,..., x n ) x 1, x 2,..., x n R} C n = {(x 1, x 2,..., x n ) x 1, x 2,..., x
LisätiedotNumeeriset Menetelmät, P. Keijo Ruotsalainen Teknillinen tiedekunta matematiikan jaos
Numeeriset Menetelmät, 031022P Keijo Ruotsalainen Teknillinen tiedekunta matematiikan jaos 11. helmikuuta 2010 2 Sisältö 1 Johdanto 7 1.1 Varoitus.............................. 7 1.2 Numeeriset menetelmät
LisätiedotAlkeismuunnokset matriisille, sivu 57
Lineaarialgebra (muut ko) p. 1/88 Alkeismuunnokset matriisille, sivu 57 AM1: Kahden vaakarivin vaihto AM2: Vaakarivin kertominen skalaarilla c 0 AM3: Vaakarivin lisääminen toiseen skalaarilla c kerrottuna
LisätiedotMatikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/210
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/210 Lineaarialgebra (muut ko) p. 2/210 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2
LisätiedotLineaarialgebra (muut ko)
Lineaarialgebra (muut ko) p. 1/103 Lineaarialgebra (muut ko) Tero Laihonen Lineaarialgebra (muut ko) p. 2/103 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v
LisätiedotVille Turunen: Mat Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007
Ville Turunen: Mat-1.1410 Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007 Materiaali: kirjat [Adams R. A. Adams: Calculus, a complete course (6th edition), [Lay D. C. Lay: Linear
LisätiedotNumeeriset menetelmät TIEA381. Luento 3. Kirsi Valjus. Jyväskylän yliopisto. Luento 3 () Numeeriset menetelmät / 45
Numeeriset menetelmät TIEA381 Luento 3 Kirsi Valjus Jyväskylän yliopisto Luento 3 () Numeeriset menetelmät 20.3.2013 1 / 45 Luennon 3 sisältö Luku 2: Epälineaarisen yhtälön ratkaiseminen Polynomin reaaliset
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 14 R. Kangaslampi matriisiteoriaa Matriisinormi
LisätiedotMATEMATIIKAN JAOS NUMEERISET MENETELMÄT
MATEMATIIKAN JAOS NUMEERISET MENETELMÄT Harjoitustehtäviä, kevät 2012 1. Tarkastellaan summaa S = 1+0.4+0.3+0.2+0.04+0.03+0.02+0.01. a) Laske summa laskukoneella vasemmalta oikealle käyttäen liukulukuaritmetiikkaa,
LisätiedotEsimerkki 4.4. Esimerkki jatkoa. Määrää matriisin ominaisarvot ja -vektorit. Ratk. Nyt
Esimerkki 4.4. Määrää matriisin 2 2 1 A = 1 3 1 2 4 3 ominaisarvot ja -vektorit. Ratk. Nyt det(a λi ) = 1 + 2 λ 2 1 + 1 λ 1 λ 1 3 λ 1 = 1 3 λ 1 2 4 3 λ 2 4 3 λ 1 λ = 1 4 λ 1 = (1 λ)( 1)1+1 4 λ 1 2 6 3
LisätiedotNumeeriset Menetelmät, P. Keijo Ruotsalainen Teknillinen tiedekunta matematiikan jaos
Numeeriset Menetelmät, 031022P Keijo Ruotsalainen Teknillinen tiedekunta matematiikan jaos 11. helmikuuta 2009 2 Sisältö 1 Johdanto 7 1.1 Varoitus.............................. 7 1.2 Numeeriset menetelmät
LisätiedotMS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48
MS-A3/A5 Matriisilaskenta Malliratkaisut 5 / vko 48 Tehtävä (L): a) Onko 4 3 sitä vastaava ominaisarvo? b) Onko λ = 3 matriisin matriisin 2 2 3 2 3 7 9 4 5 2 4 4 ominaisvektori? Jos on, mikä on ominaisarvo?
LisätiedotMS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
LisätiedotTalousmatematiikan 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,
Lisätiedot5.1. Normi ja suppeneminen Vektoriavaruus V on normiavaruus, jos siinä on määritelty normi : V R + = [0, ) jolla on ominaisuudet:
5.. Normi ja suppeneminen Vektoriavaruus V on normiavaruus, jos siinä on määritelty normi : V R + = [, ) jolla on ominaisuudet: x = x = x + y x + y, x, y V a x = a x, x V, a K (= R tai C) Esimerkki 5..
LisätiedotMatikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/81
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/81 Lineaarialgebra (muut ko) p. 2/81 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2 )
LisätiedotDeterminantti 1 / 30
1 / 30 on reaaliluku, joka on määritelty neliömatriiseille Determinantin avulla voidaan esimerkiksi selvittää, onko matriisi kääntyvä a voidaan käyttää käänteismatriisin määräämisessä ja siten lineaarisen
LisätiedotOsittaistuenta Gaussin algoritmissa: Etsitään 1. sarakkeen itseisarvoltaan suurin alkio ja vaihdetaan tämä tukialkioiksi (eli ko. rivi 1. riviksi).
Liukuluvut Tietokonelaskuissa käytetään liukulukuja: mikä esittää lukua ± α α α M β k ± ( M α i β i )β k, i= β on järjestelmän kantaluku, α α M liukuluvun mantissa, α,, α M lukuja,,,, β, siten että α Esimerkki
LisätiedotMatriisinormeista. Sanni Carlson. Matematiikan pro gradu
Matriisinormeista Sanni Carlson Matematiikan pro gradu Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Kevät 2015 Tiivistelmä: Sanni Carlson, Matriisinormeista (engl On matrix norms), matematiikan
LisätiedotDemorastitiedot saat demonstraattori Markus Niskaselta Lineaarialgebra (muut ko) p. 1/104
Lineaarialgebra (muut ko) p. 1/104 Ensi viikolla luennot salissa X Torstaina 7.12. viimeiset demot (12.12. ja 13.12. viimeiset luennot). Torstaina 14.12 on välikoe 2, muista ilmoittautua! Demorastitiedot
LisätiedotMatriisi-vektori-kertolasku, lineaariset yhtälöryhmät
Matematiikan peruskurssi K3/P3, syksy 25 Kenrick Bingham 825 Toisen välikokeen alueen ydinasioita Alla on lueteltu joitakin koealueen ydinkäsitteitä, joiden on hyvä olla ensiksi selvillä kokeeseen valmistauduttaessa
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 30.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/19 Käytännön asioita Kurssi on suunnilleen puolessa välissä. Kannattaa tarkistaa tavoitetaulukosta, mitä on oppinut ja
LisätiedotMatriisihajotelmat. MS-A0007 Matriisilaskenta. 5.1 Diagonalisointi. 5.1 Diagonalisointi
MS-A0007 Matriisilaskenta 5. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 25.11.2015 Laskentaongelmissa käsiteltävät matriisit ovat tyypillisesti valtavia.
Lisätiedot1. Normi ja sisätulo
Kurssimateriaalia K3/P3-kursille syksyllä 3 83 Heikki Apiola Sisältää otteita Timo Eirolan L3-kurssin lineaarialgebramonisteesta, jonka lähdekoodin Timo on ystävällisesti antanut käyttööni Normi ja sisätulo
LisätiedotOsoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.
LINEAARIALGEBRA Harjoituksia 2016 1. Olkoon V = R 2 varustettuna tavallisella yhteenlaskulla. Määritellään reaaliluvulla kertominen seuraavasti: λ (x 1, x 2 ) = (λx 1, 0) (x 1, x 2 ) R 2 ja λ R. Osoita,
LisätiedotTalousmatematiikan 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,
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 3
Inversio-ongelmien laskennallinen peruskurssi Luento 3 Kevät 2011 1 Singulaariarvohajotelma (Singular Value Decomposition, SVD) Olkoon A R m n matriisi 1. Tällöin A voidaan esittää muodossa A = UΣV T,
LisätiedotKäänteismatriisin ominaisuuksia
Käänteismatriisin ominaisuuksia Lause 1.4. Jos A ja B ovat säännöllisiä ja luku λ 0, niin 1) (A 1 ) 1 = A 2) (λa) 1 = 1 λ A 1 3) (AB) 1 = B 1 A 1 4) (A T ) 1 = (A 1 ) T. Tod.... Ortogonaaliset matriisit
LisätiedotMS-A0003/A Matriisilaskenta Laskuharjoitus 6
MS-A3/A - Matriisilaskenta Laskuharjoitus 6 Ratkaisuehdotelmia. Diagonalisointi on hajotelma A SΛS, jossa diagonaalimatriisi Λ sisältää matriisin A ominaisarvot ja matriisin S sarakkeet ovat näitä ominaisarvoja
LisätiedotOminaisarvo-hajoitelma ja diagonalisointi
Ominaisarvo-hajoitelma ja a 1 Lause 1: Jos reaalisella n n matriisilla A on n eri suurta reaalista ominaisarvoa λ 1,λ 2,...,λ n, λ i λ j, kun i j, niin vastaavat ominaisvektorit x 1, x 2,..., x n muodostavat
LisätiedotLineaarinen toisen kertaluvun yhtälö
Lineaarinen toisen kertaluvun yhtälö Keijo Ruotsalainen Mathematics Division Lineaarinen toisen kertaluvun differentiaaliyhtälö Toisen kertaluvun täydellinen lineaarinen yhtälö muotoa p 2 (x)y + p 1 (x)y
LisätiedotOrtogonaalisen kannan etsiminen
Ortogonaalisen kannan etsiminen Lause 94 (Gramin-Schmidtin menetelmä) Oletetaan, että B = ( v 1,..., v n ) on sisätuloavaruuden V kanta. Merkitään V k = span( v 1,..., v k ) ja w 1 = v 1 w 2 = v 2 v 2,
LisätiedotLineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg
Vaasan yliopisto, syksy 218 Lineaarialgebra II, MATH124 Matti laaksonen, Lassi Lilleberg Tentti T1, 284218 Ratkaise 4 tehtävää Kokeessa saa käyttää laskinta (myös graafista ja CAS-laskinta), mutta ei taulukkokirjaa
LisätiedotKonjugaattigradienttimenetelmä
Konjugaattigradienttimenetelmä Keijo Ruotsalainen Division of Mathematics Konjugaattigradienttimenetelmä Oletukset Matriisi A on symmetrinen: A T = A Positiivisesti definiitti: x T Ax > 0 kaikille x 0
LisätiedotKanta ja Kannan-vaihto
ja Kannan-vaihto 1 Olkoon L vektoriavaruus. Äärellinen joukko L:n vektoreita V = { v 1, v 2,..., v n } on kanta, jos (1) Jokainen L:n vektori voidaan lausua v-vektoreiden lineaarikombinaationa. (Ts. Span(V
LisätiedotTalousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi
Talousmatematiikan perusteet: Luento 11 Lineaarikuvaus Matriisin aste Käänteismatriisi Viime luennolla Käsittelimme matriisien peruskäsitteitä ja laskutoimituksia Vakiolla kertominen, yhteenlasku ja vähennyslasku
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 3 Ti 13.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 3 Ti 13.9.2011 p. 1/37 p. 1/37 Epälineaariset yhtälöt Newtonin menetelmä: x n+1 = x n f(x n) f (x n ) Sekanttimenetelmä:
LisätiedotOminaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3.
Matematiikan ja tilastotieteen laitos Lineaarialgebra ja matriisilaskenta II Ylimääräinen harjoitus 6 Ratkaisut A:n karakteristinen funktio p A on λ p A (λ) det(a λi ) 0 λ ( λ) 0 5 λ λ 5 λ ( λ) (( λ) (
LisätiedotLineaarikuvauksen R n R m matriisi
Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:
LisätiedotPäättelyn voisi aloittaa myös edellisen loppupuolelta ja näyttää kuten alkupuolella, että välttämättä dim W < R 1 R 1
Lineaarialgebran kertaustehtävien b ratkaisuista. Määritä jokin kanta sille reaalikertoimisten polynomien lineaariavaruuden P aliavaruudelle, jonka virittää polynomijoukko {x, x+, x x }. Ratkaisu. Olkoon
LisätiedotEnnakkotehtävän ratkaisu
Ennakkotehtävän ratkaisu Ratkaisu [ ] [ ] 1 3 4 3 A = ja B =. 1 4 1 1 [ ] [ ] 4 3 12 12 1 0 a) BA = =. 1 + 1 3 + 4 0 1 [ ] [ ] [ ] 1 0 x1 x1 b) (BA)x = =. 0 1 x 2 x [ ] [ ] [ 2 ] [ ] 4 3 1 4 9 5 c) Bb
Lisätiedoti=1 Näistä on helppo näyttää ominaisuudet (1)-(4). Ellei toisin mainita, käytetään R n :ssä
Kurssimateriaalia K3/P3-kursille syksyllä 003. 8.0.003 Heikki Apiola Sisältää otteita Timo Eirolan L3-kurssin lineaarialgebramonisteesta, jonka lähdekoodin Timo on ystävällisesti antanut käyttööni.. Normi
LisätiedotSeuraava luento ti on salissa XXII. Lineaarialgebra (muut ko) p. 1/117
Seuraava luento ti 31.10 on salissa XXII Lineaarialgebra (muut ko) p. 1/117 Lineaarialgebra (muut ko) p. 2/117 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma
LisätiedotOminaisarvo ja ominaisvektori
Määritelmä Ominaisarvo ja ominaisvektori Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka
Lisätiedot3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. Olkoot A 2 := AA =
3 3 Olkoot 9 8 B 7 6 ja A 5 4 [ 3 4 Nyt A + B, AB ja BB eivät ole mielekkäitä (vastaavilla lineaarikuvauksilla menisivät dimensiot solmuun tällaisista yhdistelmistä) Kuitenkin voidaan laskea BA ja 9( )
LisätiedotKäänteismatriisi 1 / 14
1 / 14 Jokaisella nollasta eroavalla reaaliluvulla on käänteisluku, jolla kerrottaessa tuloksena on 1. Seuraavaksi tarkastellaan vastaavaa ominaisuutta matriiseille ja määritellään käänteismatriisi. Jokaisella
LisätiedotPaikannuksen matematiikka MAT
TA M P E R E U N I V E R S I T Y O F T E C H N O L O G Y M a t h e m a t i c s Paikannuksen matematiikka MAT-45800 4..008. p.1/4 Käytännön järjestelyt Kotisivu: http://math.tut.fi/courses/mat-45800/ Luennot:
Lisätiedot6. OMINAISARVOT JA DIAGONALISOINTI
0 6 OMINAISARVOT JA DIAGONALISOINTI 6 Ominaisarvot ja ominaisvektorit Olkoon V äärellisulotteinen vektoriavaruus, dim(v ) = n ja L : V V lineaarikuvaus Määritelmä 6 Skalaari λ R on L:n ominaisarvo, jos
LisätiedotOrtogonaaliset matriisit, määritelmä 1
, määritelmä 1 Määritelmä (a). Neliömatriisi Q on ortogonaalinen, jos Q T Q = I. Määritelmästä voidaan antaa samaa tarkoittavat, mutta erilaiselta näyttävät muodot: Määritelmä (b). n n neliömatriisi Q,
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma
LisätiedotEpälineaaristen yhtälöiden ratkaisumenetelmät
Epälineaaristen yhtälöiden ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Perusoletus Lause 3.1 Olkoon f : [a, b] R jatkuva funktio siten, että f(a)f(b) < 0. Tällöin funktiolla on ainakin
LisätiedotTalousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi
Talousmatematiikan perusteet: Luento 10 Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi Lineaarikuvaus Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta, jossa käytetään
LisätiedotSimilaarisuus. Määritelmä. Huom.
Similaarisuus Määritelmä Neliömatriisi A M n n on similaarinen neliömatriisin B M n n kanssa, jos on olemassa kääntyvä matriisi P M n n, jolle pätee Tällöin merkitään A B. Huom. Havaitaan, että P 1 AP
LisätiedotLineaarialgebra, kertausta aiheita
Lineaarialgebra, kertausta aiheita Matriisitulo käänteismatriisi determinantin kehittäminen determinantin ominaisuudet adjungaatti ja Cramerin kaavat yhtälöryhmän eri esitystavat Gauss-Jordan -algoritmi
LisätiedotReuna-arvotehtävien ratkaisumenetelmät
Reuna-arvotehtävien ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Malliprobleema Kahden pisteen reuna-arvotehtävä u (x) = f (x) (1) u() = u(1) = Jos u C ([,1]) ratkaisu, niin missä x u(x)
LisätiedotMatriisialgebra harjoitukset, syksy 2016
Matriisialgebra harjoitukset, syksy 6 MATRIISIALGEBRA, s. 6, Ratkaisuja/ M.Hamina & M. Peltola 8. Olkoon 4 A 6. 4 Tutki, onko A diagonalisoituva. Jos on, niin määrää matriisi D T AT ja siihen liittyvä
LisätiedotMatemaattinen Analyysi / kertaus
Matemaattinen Analyysi / kertaus Ensimmäinen välikoe o { 2x + 3y 4z = 2 5x 2y + 5z = 7 ( ) x 2 3 4 y = 5 2 5 z ) ( 3 + y 2 ( 2 x 5 ( 2 7 ) ) ( 4 + z 5 ) = ( 2 7 ) yhteys determinanttiin Yhtälöryhmän ratkaiseminen
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
LisätiedotYhtälöryhmä 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
LisätiedotYhtälöryhmä 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 =
Lisätiedot110. 111. 112. 113. 114. 4. Matriisit ja vektorit. 4.1. Matriisin käsite. 4.2. Matriisialgebra. Olkoon A = , B = Laske A + B, 5 14 9, 1 3 3
4 Matriisit ja vektorit 4 Matriisin käsite 42 Matriisialgebra 0 2 2 0, B = 2 2 4 6 2 Laske A + B, 2 A + B, AB ja BA A + B = 2 4 6 5, 2 A + B = 5 9 6 5 4 9, 4 7 6 AB = 0 0 0 6 0 0 0, B 22 2 2 0 0 0 6 5
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Idea Lineaarisen systeemin ratkaiseminen Olkoon
LisätiedotMatriisilaskenta (TFM) MS-A0001 Hakula/Vuojamo Ratkaisut, Viikko 47, 2017
Matriisilaskenta (TFM) MS-A1 Hakula/Vuojamo Ratkaisut, Viikko 47, 17 R Alkuviikko TEHTÄVÄ J1 Mitkä matriisit E 1 ja E 31 nollaavat sijainnit (, 1) ja (3, 1) matriiseissa E 1 A ja E 31 A kun 1 A = 1. 8
Lisätiedot