FyMM IIb Kertausta kurssin asioista

Samankaltaiset tiedostot
FyMM IIa Kertausta loppukoetta varten

Ortogonaalisen kannan etsiminen

Kertausta: avaruuden R n vektoreiden pistetulo

802320A LINEAARIALGEBRA OSA II

1 Sisätulo- ja normiavaruudet

Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan

Kertausta: avaruuden R n vektoreiden pistetulo

Sisätuloavaruudet. 4. lokakuuta 2006

Ominaisvektoreiden lineaarinen riippumattomuus

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

MATEMATIIKAN JA TILASTOTIETEEN LAITOS

Fysiikan matemaattiset menetelmät II

802320A LINEAARIALGEBRA OSA II/PART II

Alkeismuunnokset matriisille, sivu 57

802320A LINEAARIALGEBRA OSA II/PART II

Osoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.

802320A LINEAARIALGEBRA OSA II LINEAR ALGEBRA PART II

802320A LINEAARIALGEBRA OSA II LINEAR ALGEBRA PART II

30A02000 Tilastotieteen perusteet

Demorastitiedot saat demonstraattori Markus Niskaselta Lineaarialgebra (muut ko) p. 1/104

Tehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä todistuksia ja lineaarikuvauksen muodostamista. Sarjaan liittyvät Stack-tehtävät: 1 ja 2.

1. Normi ja sisätulo

Todennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset

Matemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto

5 Ominaisarvot ja ominaisvektorit

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin

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

Esimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0).

Matemaattinen Analyysi / kertaus

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

Mat / Mat Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 42, loppuviikko, syksy 2008

Ominaisarvoon 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.

Kompaktien operaattoreiden spektraaliteoriasta

HILBERTIN AVARUUKSISTA

Pistetulo eli skalaaritulo

Ominaisarvo ja ominaisvektori

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg

Likimääräisratkaisut ja regularisaatio

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia

1 Ominaisarvot ja ominaisvektorit

811120P Diskreetit rakenteet

EHDOTUS. EHDOTUS Matematiikan opetussuunnitelmien perusteiden oppiainekohtaiset osat

Täydellisyysaksiooman kertaus

MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)

Matriisilaskenta Luento 12: Vektoriavaruuden kannan olemassaolo

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

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra, kertausta aiheita

Otosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

3.2.2 Tikhonovin regularisaatio

Moniulotteisia todennäköisyysjakaumia

e int) dt = 1 ( 2π 1 ) (0 ein0 ein2π

Sarja. Lukujonosta (a k ) k N voi muodostaa sen osasummien jonon (s n ): s 1 = a 1, s 2 = a 1 + a 2, s 3 = a 1 + a 2 + a 3,...,

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Ominaisarvo ja ominaisvektori

MATEMATIIKKA MATEMATIIKAN PITKÄ OPPIMÄÄRÄ. Oppimäärän vaihtaminen

ominaisvektorit. Nyt 2 3 6

FUNKTIONAALIANALYYSIN PERUSKURSSI Johdanto

Lineaarialgebra II P

Yleistä tietoa kokeesta

Similaarisuus. Määritelmä. Huom.

Tehtävä 1. Oletetaan että uv on neliö ja (u, v) = 1. Osoita, että kumpikin luvuista u ja v on. p 2j i. p j i

Matematiikan tukikurssi

C = {(x,y) x,y R} joiden joukossa on määritelty yhteen- ja kertolasku seuraavasti

Konvergenssilauseita

Ominaisarvo-hajoitelma ja diagonalisointi

MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I

Liite 2: Verkot ja todennäköisyyslaskenta. Todennäköisyyslaskenta ja puudiagrammit

i=1 Näistä on helppo näyttää ominaisuudet (1)-(4). Ellei toisin mainita, käytetään R n :ssä

Reuna-arvotehtävien ratkaisumenetelmät

Insinöörimatematiikka D

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

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

Lineaarikuvauksen R n R m matriisi

Sovellettu todennäköisyyslaskenta B

Neliömatriisit A ja B ovat similaareja toistensa suhteen, A B, jos on olemassa kääntyvä matriisi P, jolle pätee A = PBP 1.

Todennäköisyyslaskentaa

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Määritelmä 2.5. Lause 2.6.

Tilastotieteen aihehakemisto

Oppimistavoitematriisi

Yleistä tietoa kokeesta

Positiivitermisten sarjojen suppeneminen

LINEAARIALGEBRA P. LUENTOMONISTE ja HARJOITUSTEHTÄVÄT

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.

k S P[ X µ kσ] 1 k 2.

Insinöörimatematiikka D

MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 2: Sarjat

4. Hilbertin avaruudet

Numeeriset menetelmät

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Insinöörimatematiikka D

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 2: Sarjat

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?

Transkriptio:

Keskiviikko 2.5.2018 1/12 FyMM IIb Kertausta kurssin asioista 2018

Keskiviikko 2.5.2018 2/12 1 Kokeesta yleisesti 2 3 4 5 6 7

Keskiviikko 2.5.2018 3/12 Koealue jakaantuu seuraaviin pääalueesiin: 1 2 3 4 ja spektraaliteoria Kokeeseen tulee neljä tehtävää, jotka periaatteessa jakautuvat tasaisesti em. pääalueisiin. Kurssin keskeisiin asioihin kuuluu myös todennäköisyyslaskenta, mutta en tule siitä kysymään loppukokeessa.

Keskiviikko 2.5.2018 4/12 Kurssilla toivon teidän oppineen erityisesti seuraavat asiat

eskiviikko 2.5.2018 5/12 Alkuosuus on lämmittelyä Varsinainen asia alkaa funktionaaleista Eulerin yhtälön johtaminen sekä yleisellä tasolla että käytännössä eri funktionaaleille on keskeinen asia. Erilaisten ääriarvotehtävien (sidosehtojen kanssa tai ilman) ratkominen Käykää läpi esimerkit ja laskuharjoitustehtävät

Keskiviikko 2.5.2018 6/12 muistakaa Beltramin identiteetti (jos voidaan käyttää): toisen asteen Eulerin yhtälö johtaa ensimmäisen asteen yhtälöihin sidosehtojen kaksi päätyyppiä osattava teoriassa ja käytännössä laskujen tasolla Legendren ehto muistettava ja osattava käyttää

Keskiviikko 2.5.2018 7/12 deltafunktioiden approksimointi jonojen ja orastavaien deltafunktioiden avulla on jatkon kannalta hyödyllistä funktionaaliderivaattoja on käytännössä kätevä laskea Eulerin yhtälön kaavaa muistuttavan kaavan kautta (saman verran muistamista) Ritzin menetelmää ei kysytä kokeessa

Keskiviikko 2.5.2018 8/12 Pitää osata pääkohdat S-L yhtälö sopivat reunaehdot ominaisuudet eli ominaisarvojen reaalisuus jne ei-degeneroituvuus ominaisfunktioiden ortogonaalisuus jne Esimerkit tärkeitä S-L lauseen teorian johtoa ei tarvitse osata, eikä nollakohtalauseita shooting menetelmää ei kysytä kokeessa S-L operaattorin Greenin funktiosta ei tod.näk. kysy, vaikka se onkin hyvä osata muuten Rayleigh-Ritzin menetelmää en kysy kokeessa

Keskiviikko 2.5.2018 9/12 Osattava keskeiset määritelmät Mitä ovat normi sisätulo Schwarzin epäyhtälö Gram-Schmidtin menetelmä Suunnikassääntö on helppo muistaa kuvan avulla (lävistäjien pituuksien nelioiden summa = sivujen pituuksien neliöiden summa) Riesz-Fiescherin lausetta en kysy Aliavaruuksien ja separoituvuuden määritelmät hyvä tietää ja lause 4.6 (ei todistusta) Plancherelin ja Parsevalin kaavat hyvä osata Aliavaruuden ortogonaalinen komplementti hyvä tietää Rieszin esityslauseen sisältö hyvä tietää (todistusta ei tarvitse osata)

Keskiviikko 2.5.2018 10/12 Operaattoreiden perusominaisuudet hyvä tietää mikä on operaattori rajoitettu / jatkuva normi Neumannin sarja adjungoitu/unitaarinen/hermiittinen/projektio-operaattori syytä osata operaattorin matriiselementit on syytä osata ominaisvektorit, ominaisarvot, täydellisyysrelaatio syytä tietää

Keskiviikko 2.5.2018 11/12 Tod.näk.avaruuden määritelmä hyvä tietää kombinatoriikkaa otanta takaisinpanolla ja ilman ehdollinen todennäköisyys jatkuvat todennäk.jakaumat, Gaussinen jakauma karakteristinen funktio: momenttien ja kumulanttien laskeminen moniulotteinen tod.näk.jakauma hyvä tietää keskeinen raja-arvolause on tärkeä

Keskiviikko 2.5.2018 12/12 Laskuharjoitustehtävät on syytä kerrata, samantapaisia tehtäviä saattaa tulla kokeeseen Laskuharjoituksien ratkaisut netissä eivät ole malleja vaan tiivistelmiä, koeratkaisuiksi vaaditaan syvempää käsittelyä/välivaiheita