Ominaisvektoreiden lineaarinen riippumattomuus

Samankaltaiset tiedostot
Lineaarikuvauksen R n R m matriisi

Ortogonaalisen kannan etsiminen

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

Lineaarialgebra ja matriisilaskenta I. LM1, Kesä /218

Kertausta: avaruuden R n vektoreiden pistetulo

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

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

Ominaisarvo ja ominaisvektori

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:

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

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.

Kertausta: avaruuden R n vektoreiden pistetulo

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.

Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia

Lineaarialgebra ja matriisilaskenta I

Ominaisarvo ja ominaisvektori

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

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

Determinantti 1 / 30

1 Sisätulo- ja normiavaruudet

802320A LINEAARIALGEBRA OSA II

Similaarisuus. Määritelmä. Huom.

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

7 Vapaus. 7.1 Vapauden määritelmä

Matriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit

Ortogonaalinen ja ortonormaali kanta

802320A LINEAARIALGEBRA OSA I

1 Lineaariavaruus eli Vektoriavaruus

Ominaisarvot ja ominaisvektorit 140 / 170

MS-A0003/A Matriisilaskenta Laskuharjoitus 6

Kanta ja dimensio 1 / 23

Ratkaisuehdotukset LH 3 / alkuvko 45

5 Ominaisarvot ja ominaisvektorit

Pistetulo eli skalaaritulo

Vektorien virittämä aliavaruus

Vastaavasti, jos vektori kerrotaan positiivisella reaaliluvulla λ, niin

Vektoreiden virittämä aliavaruus

6 MATRIISIN DIAGONALISOINTI

1 Ominaisarvot ja ominaisvektorit

Ville Turunen: Mat Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007

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

Johdatus lineaarialgebraan

Kantavektorien kuvavektorit määräävät lineaarikuvauksen

Kuvaus. Määritelmä. LM2, Kesä /160

MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42

Lineaarialgebra ja matriisilaskenta I

Avaruuden R n aliavaruus

Miten osoitetaan joukot samoiksi?

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

Suora. Määritelmä. Oletetaan, että n = 2 tai n = 3. Avaruuden R n suora on joukko. { p + t v t R},

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

8 KANNAT JA ORTOGONAALISUUS. 8.1 Lineaarinen riippumattomuus. Vaasan yliopiston julkaisuja 151

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

5 OMINAISARVOT JA OMINAISVEKTORIT

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

Oppimistavoitematriisi

Kanta ja Kannan-vaihto

Esimerkki 4.4. Esimerkki jatkoa. Määrää matriisin ominaisarvot ja -vektorit. Ratk. Nyt

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

Insinöörimatematiikka D

Induktiota käyttäen voidaan todistaa luonnollisia lukuja koskevia väitteitä, jotka ovat muotoa. väite P(n) on totta kaikille n = 0,1,2,...

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle

Ortogonaaliset matriisit, määritelmä 1

Oppimistavoitematriisi

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.

Insinöörimatematiikka D

Ominaisarvo-hajoitelma ja diagonalisointi

Lineaarialgebra ja matriisilaskenta I

Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut

ominaisvektorit. Nyt 2 3 6

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

MS-C1340 Lineaarialgebra ja

1. Normi ja sisätulo

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

802320A LINEAARIALGEBRA OSA II/PART II

Johdatus lineaarialgebraan

Lineaariset mollit, kl 2017, Harjoitus 1

JAKSO 2 KANTA JA KOORDINAATIT

6. OMINAISARVOT JA DIAGONALISOINTI

x = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /310

Osoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.

x = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );

OMINAISARVOISTA JA OMINAISVEKTOREISTA

Johdatus lineaarialgebraan

Luento 8: Epälineaarinen optimointi

Sisätuloavaruudet. 4. lokakuuta 2006

802320A LINEAARIALGEBRA OSA II/PART II

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

Vektorit, suorat ja tasot

Matemaattinen Analyysi / kertaus

Lineaarialgebra ja matriisilaskenta I

sitä vastaava Cliffordin algebran kannan alkio. Merkitään I = e 1 e 2 e n

Esitetään tehtävälle kaksi hieman erilaista ratkaisua. Ratkaisutapa 1. Lähdetään sieventämään epäyhtälön vasenta puolta:

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

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

Insinöörimatematiikka D

Matemaattinen Analyysi, s2016, L2

Algebra I, harjoitus 5,

Transkriptio:

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 niitä vastaavat ominaisvektorit. Tällöin jono ( v 1,..., v m ) on vapaa. Todistus. Tehdään vastaoletus (antiteesi), että jono ( v 1,..., v m ) on sidottu. Tiedetään, että tällöin jokin jonon vektoreista on muiden lineaarikombinaatio. Esimerkiksi voi olla v 3 = 2 v 1 4 v 5 + 9 v 7. Tästä seuraa, että jokin jonon vektoreista on sitä edeltävien jonon vektoreiden lineaarikombinaatio. Edellisessä esimerkkitilanteessa v 7 = ( 2/9) v 1 + 0 v 2 + (1/9) v 3 + 0 v 4 + (4/9) v 5 + 0 v 6. LM1, Kesä 2015 141/232

Olkoon v k+1 jonon ensimmäinen vektori, joka on sitä edeltävien vektoreiden lineaarikombinaatio. Tällöin on olemassa c 1,..., c k R, joilla c 1 v 1 + + c k v k = v k+1. (1) Lisäksi jono ( v 1,..., v k ) on vapaa (muuten v k+1 ei olisikaan ensimmäinen vektori, joka on sitä edeltävien vektoreiden lineaarikombinaatio). Kertomalla yhtälön (1) molemmat puolet vasemmalta matriisilla A ja käyttämällä sen jälkeen matriisien laskusääntöjä ja oletusta, että vektorit v 1,..., v k ovat matriisin A ominaisvektoreita, saadaan A(c 1 v 1 + + c k v k ) = A v k+1 c 1 A v 1 + + c k A v k = A v k+1 c 1 λ 1 v 1 + + c k λ k v k = λ k+1 v k+1. (2) LM1, Kesä 2015 142/232

Kertomalla yhtälön (1) molemmat puolet luvulla λ k+1 saadaan c 1 λ k+1 v 1 + + c k λ k+1 v k = λ k+1 v k+1. (3) Vähennetään yhtälöstä (2) puolittain yhtälö (3), jolloin saadaan c 1 (λ 1 λ k+1 ) v 1 + + c k (λ k λ k+1 ) v k = 0. Jono ( v 1,..., v k ) on vapaa, joten tästä yhtälöstä seuraa, että sen kaikki kertoimet ovat nollia: c 1 (λ 1 λ k+1 ) = 0,..., c k (λ k λ k+1 ) = 0. Koska λ 1,..., λ m ovat kaikki eri ominaisarvoja, niin (λ i λ k+1 ) 0 kaikilla i {1,..., k}. Tulon nollasäännön nojalla tällöin c 1 = 0, c 2 = 0,..., c k = 0. LM1, Kesä 2015 143/232

Näin ollen v k+1 = c 1 v 1 + + c k v k = 0 v 1 + + 0 v k = 0. Toisaalta oletuksen mukaan v k+1 on matriisin A ominaisvektori, joten v k+1 0. Päädyttiin ristiriitaan, joten vastaoletus ei voi olla tosi. Siis alkuperäinen väite pätee eli jono ( v 1,..., v m ) on vapaa. LM1, Kesä 2015 144/232

Diagonalisointi Lause 22 Oletetaan, että n n -matriisilla on n eri ominaisarvoa. Tällöin A on diagonalisoituva. Todistus. Olkoot v 1,..., v n jotkin eri ominaisarvoihin liittyvät ominaisvektorit. Ne ovat lineaarisesti riippumattomia lauseen 17 nojalla. Koska matriisilla A on n lineaarisesti riippumatonta ominaisvektoria, niin A on diagonalisoituva lauseen 20 nojalla. LM1, Kesä 2015 189/232

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! Esimerkki 39 Merkitään ū = (1, 2, 3) ja w = ( 3, 5, 2). Lasketaan ū w: ū w = 1 ( 3) + 2 5 + ( 3) 2 = 3 + 10 6 = 1. LM1, Kesä 2015 201/232

Pistetulon ominaisuuksia Lause 24 Oletetaan, että v, w, ū R n ja c R. Tällöin (a) v w = w v (vaihdannaisuus) (b) v ( w + ū) = v w + v ū (osittelulaki) (c) (c v) w = c( v w) Huom. Muista, että lause tarkoittaa väitettä, joka voidaan perustella todeksi nojautumalla määritelmiin ja aikaisemmin perusteltuihin väitteisiin. LM1, Kesä 2015 202/232

Vektorien kohtisuoruus Määritelmä Vektorit v R n ja w R n ovat kohtisuorassa toisiaan vastaan eli ortogonaaliset, jos v w = 0. Tällöin merkitään v w. w v LM1, Kesä 2015 203/232

Vektorin pistetulo itsensä kanssa Lause 25 Oletetaan, että v R n. Tällöin (a) v v 0. (b) v v = 0, jos ja vain jos v = 0. Perustelun ideat: (a) v v = v1 2 + v 2 2 + + v n 2 0 + 0 + + 0 = 0. (b) Jos v v = 0, niin v 2 1 + v2 2 + + v n 2 = 0. Tästä seuraa, että v 1 = 0 ja v 2 = 0 ja... ja v n = 0 (huomaa, että jokainen yhteenlaskettava vi 2 0). Siten v = (0, 0,..., 0) = 0. Jos v = 0, niin v v = 0 2 + 0 2 + + 0 2 = 0. LM1, Kesä 2015 204/232

Vektorin normi (eli pituus) Määritelmä Vektorin v R n normi on Huom. v = v v. Jos v = (v 1, v 2,..., v n ), niin v = v 2 1 + v 2 2 + + v 2 n. Normin määritelmästä seuraa, että v 2 = v v. v v v LM1, Kesä 2015 205/232

Havainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin w = w w = ( 4) 2 + ( 3) 2 = 25 = 5 v = v v = ( 3) 2 + 2 2 = 13. w =5 3 2 v = 13 4 3 LM1, Kesä 2015 206/232

Normin ominaisuuksia II Lause 29 (Schwarzin epäyhtälö) Oletetaan, että v R n ja w R n. Tällöin v w v w. Lause 30 (Kolmioepäyhtälö) Oletetaan, että v R n ja w R n. Tällöin v + w v + w. v+ w w v LM1, Kesä 2015 212/232

Vektorien välinen kulma Schwarzin epäyhtälöstä saadaan Lemma 31 Oletetaan, että v R n \ { 0} ja w R n \ { 0}. Tällöin 1 v w v w 1. LM1, Kesä 2015 213/232

Vektorien välinen kulma Määritelmä Vektorien v R n \ { 0} ja w R n \ { 0} välinen kulma on se kulma α, jolle pätee 0 α 180 ja cos α = v w v w. LM1, Kesä 2015 214/232

Projektio Määritelmä Olkoot v, w R n ja w 0. Tällöin vektorin v projektio vektorin w virittämälle aliavaruudelle on sellainen vektori p R n, että (a) vektori p on yhdensuuntainen vektorin w kanssa (b) vektori v p on kohtisuorassa vektoria w vastaan. Projektiota merkitään p = proj w ( v). v proj w ( v) w LM1, Kesä 2015 217/232