9.7 Matriisinormit. Vaasan yliopiston julkaisuja 225. Ei siis lainkaan ongelmia defektiivisyydestä.

Samankaltaiset tiedostot
5.3 Matriisin kääntäminen adjungaatilla

Yhtälöryhmän herkkyys

MS-C1340 Lineaarialgebra ja

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ,, x1 x. Matriiseihin perehtyminen voidaan perustella useilla järkisyillä.

Laaja matematiikka 2 Kertaustehtäviä Viikko 17/ 2005

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3

5. Lineaarisen optimoinnin perusprobleemat

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Luento 8: Epälineaarinen optimointi

Mat Lineaarinen ohjelmointi

4.6 Matriisin kääntäminen rivioperaatioilla

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

Insinöörimatematiikka IA

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.

Analyysi A. Harjoitustehtäviä lukuun 1 / kevät 2018

Luento 8: Epälineaarinen optimointi

4.3 Signaalin autokorrelaatio

Inversio-ongelmien laskennallinen peruskurssi Luento 4

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

Tilastollinen todennäköisyys

Inversio-ongelmien laskennallinen peruskurssi Luento 3

S Laskennallinen systeemibiologia

EX1 EX 2 EX =

Neliömatriisin adjungaatti, L24

Numeeriset menetelmät TIEA381. Luento 4. Kirsi Valjus. Jyväskylän yliopisto. Luento 4 () Numeeriset menetelmät / 44

(0 desimaalia, 2 merkitsevää numeroa).

MATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai

5.1. Normi ja suppeneminen Vektoriavaruus V on normiavaruus, jos siinä on määritelty normi : V R + = [0, ) jolla on ominaisuudet:

1. Normi ja sisätulo

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

Ratkaisuehdotukset LH 8 / vko 47

λ x = 0,100 nm, Eγ = 0,662 MeV, θ = 90. λ λ+ λ missä ave tarkoittaa aikakeskiarvoa.

Ominaisvektoreiden lineaarinen riippumattomuus

Käänteismatriisi 1 / 14

811312A Tietorakenteet ja algoritmit, , Harjoitus 4, Ratkaisu

6 MATRIISIN DIAGONALISOINTI

Solmu 3/ toteutuu kaikilla u,v I ja λ ]0,1[. Se on aidosti konveksi, jos. f ( λu+(1 λ)v ) < λf(u)+(1 λ)f(v) (2)

Ratkaisu: Ensimmäinen suunta. Olkoon f : R n R m jatkuva eli kaikilla ε > 0 on olemassa sellainen δ > 0, että. kun x a < δ. Nyt kaikilla j = 1,...

Lineaarialgebra, kertausta aiheita

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

Numeeriset menetelmät

Esimerkki 2 (Kaupparatsuongelma eli TSP)

Matematiikan tukikurssi

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

Matemaattinen Analyysi / kertaus

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

Algebra I Matematiikan ja tilastotieteen laitos Ratkaisuehdotuksia harjoituksiin 5 (6 sivua)

1 Eksponenttifunktion määritelmä

Ratkaisuehdotukset LH 10 / vko 48

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

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

Tehtäviä neliöiden ei-negatiivisuudesta

T Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen

Malliratkaisut Demot

Seuraavana tavoitteena on osoittaa, että binääristen neliömuotojen ekvivalenssiluokat

Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä)

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

Matematiikan tukikurssi

HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 2017 Harjoitus 1 Ratkaisuehdotukset. I.1. Todista Cauchyn-Schwarzin epäyhtälö

2. Teoriaharjoitukset

Tarkastelemme sitten epähomogeenista toisen kertaluvun yhtälöä

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

Taustatietoja ja perusteita

( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.

TILASTOT: johdantoa ja käsitteitä

LASKENNALLISEN TIETEEN ERIKOISKURSSI kl 2000

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 2: Usean muuttujan funktiot

Kertaa tarvittaessa induktiota ja rekursiota koskevia tietoja.

Insinöörimatematiikka D

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

ja läpäisyaika lasketaan (esim) integraalilla (5.3.1), missä nyt reitti s on z-akselilla:

8. Ortogonaaliprojektiot

Ortogonaalisuus ja projektiot

Äärettämän sarjan (tai vain sarjan) sanotaan suppenevan eli konvergoivan, jos raja-arvo lims

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg

RATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan

Inversio-ongelmien laskennallinen peruskurssi Luento 11 12

Ominaisarvo ja ominaisvektori

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

MS-A0207 Differentiaali- ja integraalilaskenta 2 (CHEM) Luento 2: Usean muuttujan funktiot

ELEMENTTIMENETELMÄN PERUSTEET SESSIO 07: Aksiaalinen sauvaelementti, osa 2.

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

Pienimmän neliösumman menetelmä

Determinantti 1 / 30

BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016

Numeeriset menetelmät

Ominaisarvo-hajoitelma ja diagonalisointi

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?

2. Mittaus ja data 2.1. Johdanto Mittaustyypit

Laajennetaan lukualuetta lisäämällä murtoluvut

Matemaattinen Analyysi, s2016, L2

Ryhmän osajoukon generoima aliryhmä ja vapaat ryhmät

MS-A0003/A Matriisilaskenta Laskuharjoitus 6

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

MATA172 Sami Yrjänheikki Harjoitus Totta vai Tarua? Lyhyt perustelu tai vastaesimerkki!

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.

Transkriptio:

Vaasa yliopisto julkaisuja 225 U = 0.1213-0.9359-0.3307-0.1005-0.3430 0.9339 0.9875 0.0801 0.1357 S = V = >> 4.5221 0 0 0 2.2793 0 0 0 1.1642 0.0537-0.8212-0.5681 0.4414-0.4908 0.7512 0.8957 0.2911-0.3361 Ei siis laikaa ogelmia defektiivisyydestä. Sec:MatNorms 9.7 Matriisiormit Lieaarie yhtälöryhmä A x = b o hyväkutoie, jos pieet muutokset kerroimatriisissa A tai RHS-vektorissa b aiheuttavat vai pieiä muutoksia ratkaisuvektorissa x. Muussa tapauksessa ryhmä o huookutoie. c4s19es1 Esimerkki 256 Ryhmä { 0.9999x1 1.0001x 2 = 1 x 1 x 2 = 1 yksikäsitteie ratkaisu o x 1 = 0.5 ja x 2 = 0.5. Jos b 2 :ta hiuka muutetaa, saadaa { { 0.9999x1 1.0001x 2 = 1 x 1 x 2 = 1 + ε x1 = 0.5 + 5000.5ε x 2 = 0.5 + 4999.5ε Ratkaisu o hyvi herkkä lähtötietoje muutoksille, jote yhtälöryhmä o huookutoie. Tämä ilmiö ymmärtämiseksi tutustumme seuraavaksi matriisi ormii. Vektoriormit 1, 2 ja esiteltii määritelmässä ( 151) c4s3deform sivulla 136. c4s3deform (1) a 1 = a 1 + a 2 + + a = a k k=1 (2) a 2 = a 2 1 + a2 2 + + a2 = a a (3) a = max{ a 1, a 2,..., a } = max 1 k a k

Vaasa yliopisto julkaisuja 226 Lieaariavaruude L ormi o fuktio N : L R site, että (N1) (N2) (N3) N(x) 0, x L ja N(x) = 0 x = θ L N(αx) = α N(x), x L,α R N(x + y) N(x) + N(y), x,y L Normia o tapaa merkitä N(x) = x. Ja kahde vektori x ja y väliseksi etäisyydeksi saomme iide erotukse ormia x y. Valittu vektoriormi idusoi matriiseille vastaava operaattoriormi. A p = max x 0 A x p = max =1 A x p (9.36) matormi Erityisesti, ku p = 1, p = 2 tai p, saadaa m -matriisi A ormeille kaavat A 1 = max j A = max i A 2 = m i=1 a i j ( = itseisarvoje sarakesummie maksimi) a i j ( = itseisarvoje rivisummie maksimi) j=1 λ max (A T A) = σ max (A) missä λ max (A T A) o matriisi A T A itseisarvoltaa suuri omiaisarvo eli matriisi A suuri sigulaariarvo. Uitaarimatriisi kaikki sigulaariarvot ovat ykkösiä (U = U II T ), jote uitaarimatriisi 2-ormi o U 2 = 1. Edellä määriteltyje operaattoriormie lisäksi m -matriisille A käytetää varsi paljo myös Frobeius ormia A F = m i=1 a i j 2 (9.37) j=1 Määritelmä seuraa, että matriisi operaattoriormeilla o omiaisuudet A x p A p (9.38) AB p A p B p (9.39) A p A p (9.40)

Vaasa yliopisto julkaisuja 227 Sec:MatCod 9.8 Matriisi kutoluku Tarkastellaa yt yhtälöryhmää, jossa kerroimatriisi o -matriisi A x = b. Jos RHS muuttuu arvoo b + Δ b, ii vastaava uusi ratkaisu o x + Δ x. Arvioimme seuraavassa suhteellista virhettä ormi p mielessä. { A( x + Δ x) = b + Δ b Toisaalta vastaavasti A x = b Δ x = A 1 Δ b Δ x p A 1 p Δ b p (9.41) b p = A x p A p Yhdistämällä epäyhtälöt ( mey1 9.41) ja ( mey2 9.42) saadaa 1 A p b p (9.42) Δ x p A p A 1 Δ b p p (9.43) cod1 }{{} b p =Cod p (A) Kaavassa ( cod1 9.43) olevaa kerroita Cod p (A) = A p A 1 p saotaa matriisi kutoluvuksi. Hyväkutoise yhtälöryhmä kerroimatriisi kutoluku o piei (kuiteki aia 1). Tarkastellaa edellee yhtälöryhmää A x = b Jos kerroimatriisi muuttuu arvoo A + ΔA, ii vastaava uusi ratkaisu o x + Δ x. Arvioimme seuraavassa suhteellista virhettä ormi p mielessä. (A + ΔA)( x + Δ x) = b AΔ x + ΔA( x + Δ x) = 0 Δ x = A 1 ΔA( x + Δ x) Δ x p A 1 p ΔA p x + Δ x p = Cod(A) ΔA p A p x + Δ x p

Vaasa yliopisto julkaisuja 228 Voimme siis arvioida Δ x p Δ x p x + Δ x p Cod(A) ΔA p A p (9.44) Jos matriisi kutoluku o suuri, o odotettavissa ogelmia laskettaessa matriisilla. Piei kutoluku o hyvä kutoluku. Kahde matriisi tulo kutolukua voimme arvioida seuraavasti Cod p (AB) = AB p (AB) 1 p = AB p B 1 A 1 p A p B p B 1 p A 1 p = Cod(A)Cod(B) Koska uitaarie matriisi säilyttää 2-ormi, ii uitaariselle matriisille U pätee U 2 = 1, ja Cod 2 (U) = 1. Vaikka uitaarie (ortogoaalie) matriisi oki käsi laskettaessa työläs olio, ii laskettaessa tietokoeella umeerisesti, se siisti ja ogelmato olio. Uitaarisella matriisilla kertomie ei kasvata lausekkeide kutolukuja. Esimerkki 257 Pyydämme vielä Matlabilta arvio kutoluvusta esimerkissä ( 256) c4s19es1 esiityeelle kerroimatriisille ( 0.9999 1.0001 1 1 Ku katsoo esimerkkiä ( c4s19es1 256), ii esimmäie ajatus o, että kutoluku olisi oi 5000, mutta asia täytyy tutkia tarkemmi: ). Esimerkissä suhteellie virhe RHS:ssä oli ja ratkaisu suhteellie virhe oli ja äide suhde o siis 20000. Δ x 1 x 1 Δ b 1 b 1 = ε 2 = 10000ε 1

Vaasa yliopisto julkaisuja 229 >> help cod COND Coditio umber with respect to iversio. COND(X) returs the 2-orm coditio umber (the ratio of the largest sigular value of X to the smallest). Large coditio umbers idicate a early sigular matrix. COND(X,P) returs the coditio umber of X i P-orm: NORM(X,P) * NORM(INV(X),P). where P = 1, 2, if, or fro. Class support for iput X: float: double, sigle See also rcod, codest, codeig, orm, ormest. >> A = [0.9999-1.0001 ; 1-1] A = 0.9999-1.0001 1.0000-1.0000 >> cod(a,1) as = 2.0001e+004 >> cod(a,2) as = 2.0000e+004 >> cod(a,if) as = 2.0001e+004 >> cod(a, fro ) as = 2.0000e+004 >> Sec:FormDef 9.9 Neliömuodot ja defiiittisyys Seuraavassa määriteltävä eliömuoto ei ole lieaarikuvaus, vaikka se omiaisuuksia tutkitaa matriisie avulla. Tässä kurssissa käsiteltävät sovellukset liittyvät optimoi-