Matemaattinen Analyysi, s2016, L2

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

Matemaattinen Analyysi, k2011, L2

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

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

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

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. 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.

Vektorien virittämä aliavaruus

7 Vapaus. 7.1 Vapauden määritelmä

Matemaattinen Analyysi / kertaus

Avaruuden R n aliavaruus

Liittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij.

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

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Lineaarikuvauksen R n R m matriisi

Insinöörimatematiikka D

Lineaarialgebra ja matriisilaskenta I

Kanta ja dimensio 1 / 23

Ominaisvektoreiden lineaarinen riippumattomuus

Vektoreiden virittämä aliavaruus

Insinöörimatematiikka D

6 Vektoriavaruus R n. 6.1 Lineaarikombinaatio

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

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

Kanta ja Kannan-vaihto

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra ja matriisilaskenta I

Ominaisarvot ja ominaisvektorit 140 / 170

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

Matriisialgebra harjoitukset, syksy x 1 + x 2 = a 0

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

Ominaisarvo ja ominaisvektori

1 Lineaariavaruus eli Vektoriavaruus

Käänteismatriisi 1 / 14

802320A LINEAARIALGEBRA OSA I

Insinöörimatematiikka D

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg

Aiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa.

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

Koodausteoria, Kesä 2014

Insinöörimatematiikka D

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

5 OMINAISARVOT JA OMINAISVEKTORIT

2.5. Matriisin avaruudet ja tunnusluvut

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44

Oppimistavoitematriisi

1 Kannat ja kannanvaihto

Aiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa.

802118P Lineaarialgebra I (4 op)

Lineaarialgebra ja matriisilaskenta II Syksy 2009 Laskuharjoitus 1 ( ) Ratkaisuehdotuksia Vesa Ala-Mattila

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

Ennakkotehtävän ratkaisu

Insinöörimatematiikka D

ominaisvektorit. Nyt 2 3 6

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

Ortogonaalisen kannan etsiminen

Ratkaisuehdotukset LH 3 / alkuvko 45

Ominaisarvo ja ominaisvektori

Similaarisuus. Määritelmä. Huom.

Kohdeyleisö: toisen vuoden teekkari

Kertausta: avaruuden R n vektoreiden pistetulo

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

MS-A0003/A Matriisilaskenta Laskuharjoitus 6

Kaksirivisen matriisin determinantille käytämme myös merkintää. a 11 a 12 a 21 a 22. = a 11a 22 a 12 a 21. (5.1) kaksirivine

JAKSO 2 KANTA JA KOORDINAATIT

Yhtälöryhmän herkkyys

Matriisi-vektori-kertolasku, lineaariset yhtälöryhmät

Oppimistavoitematriisi

1 Matriisit ja lineaariset yhtälöryhmät

Neliömatriisin adjungaatti, L24

Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut

Lineaarinen toisen kertaluvun yhtälö

Lineaarialgebra ja matriisilaskenta I. LM1, Kesä /218

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Johdatus lineaarialgebraan

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

Lineaarialgebra ja matriisilaskenta I

Determinantti 1 / 30

Ominaisarvo-hajoitelma ja diagonalisointi

MS-A0004/A0006 Matriisilaskenta

Insinöörimatematiikka D

Johdatus lineaarialgebraan

s = 11 7 t = = 2 7 Sijoittamalla keskimmäiseen yhtälöön saadaan: k ( 2) = 0 2k = 8 k = 4

Insinöörimatematiikka D

Lineaarialgebra ja matriisilaskenta I

9 Matriisit. 9.1 Matriisien laskutoimituksia

5 Lineaariset yhtälöryhmät

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.

A = a b B = c d. d e f. g h i determinantti on det(c) = a(ei fh) b(di fg) + c(dh eg). Matriisin determinanttia voi merkitä myös pystyviivojen avulla:

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

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

Matikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/210

MS-C1340 Lineaarialgebra ja

Määritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V. Termejä: Lineaarikuvaus, Lineaarinen kuvaus.

Transkriptio:

Matemaattinen Analyysi, s2016, L2 riippumattomuus,

1 Esimerkkejä esimerkki Dieetti-välipala 1: Opiskelija Ken Obi on dieetillä. Lenkin jälkeen Ken pysähtyy välipalalle. Dieetin mukaan hänen pitäisi saada välipalasta 100g rasvaa ja 50g sokeria. Repustaan Ken löytää suklaapatukoita ja keksejä. Patukassa on 20g rasvaa ja 20g sokeria. Keksissä on 30g rasvaa ja 5g sokeria. Ken esittää suklaapatukan ja keksin ravintoaine-jakaumat vektoreina patukka: ( ) 20 g rasvaa, keksi: 20 g sokeria ( ) 30 g rasvaa. 5 g sokeria Ken päättää syödä x suklaapatukka ja y keksiä.

2 Silloin hän saa täsmälleen oikean määrän eri ravintoaineita, jos ( ) ( ) ( ) 20 30 100 x + y = 20 5 50 { 20x + 30y = 100 20x + 5y = 50 Tästä yhtälöryhmästä Ken helposti saa ratkaisun dieetti-ongelmaansa. Hän syö kaksi patukkaa ja kaksi keksiä. Sovimme seuraavassa eräistä sanonnoista, joita jatkossa käytämme paljon.

3 Olkoon u,v 1,v 2,...,v m R n vektoreita ja λ 1,λ 2,...,λ m R reaalilukuja. (1) Jos u = λ 1 v 1 + λ 2 v 2 + + λ m v m niin sanomme, että vektori u on esitetty lineaarikombinaationa (linear combination) vektoreista {v 1,v 2,...,v m }. (2) Vektorijoukon K R n kaikkien äärellisten lineaarikombinaatioiden joukko on sen virittämä aliavaruus (a subspace of R n spanned by K ) [K ] = span(k ) = {u R n u on lineaarikombinaatio K : n vektoreista }

4 Edellä esimerkissä Kenin ratkaisu kaksi patukkaa ja kaksi keksiä oli lineaarikombinaatio kertoimin (2, 2). Matriisikertolasku on määritelty niin, että kun matriisin ja sarakevektorin tulo on lineaarikombinaatio matriisin sarakkeista ja lineaarikombinaation kertoimet ovat vektorin koordinaatit. ( 2 1 3 1 2 5 ) a b = c ( 2a + 1b + 3c 1a + 2b + 5c ( ) 2 = a + b 1 ( ) 1 + c 2 ) ( ) 3. 5

5 Vastaavasti rivivektorin ja matriisin tulo on lineaarikombinaatio matriisin riveistä ja lineaarikombinaation kertoimet ovat vektorin koordinaatit. ( ) ( ) 2 1 3 x y = ( 2x y 1x + 2y 3x + 5y ) 1 2 5 = x ( 2 1 3 ) + y ( 1 2 5 ).

6 Esimerkki Dieetti-välipala 2: Kenin ystävä Luke haluaa myös nauttia repusta löytyviä patukoita ja keksejä. Luken tarve on 50g rasvaa ja 100g sokeria. Samoin kuin Ken myös Luke pystyy analysoimaan ongelmaa yhtälöllä ( ) ( ) ( ) 20 30 50 x + y = 20 5 100 { { 20x + 30y = 50 x = 5.5 20x + 5y = 100 y = 2 (1) Ratkaisu on siis olemassa ja se on ainoa ratkaisu. Luken kannalta ratkaisu on tietenkin vähän ongelmallinen.

7 Esimerkki Dieetti-välipala 3: Jos edellä Luken tavoite ei ole niinkään syödä Kenin repusta, kuin lisätä oman reppunsa ravintosisälöä hankkimalla reppuunsa 50g rasvaa ja 100g sokeria, niin Luke onnistuu tässä ostamalla Keniltä 5.5 suklaapatukkaa ja myymällä Kenille 2 keksiä. Luken repun sisältö muuttuu silloin määrällä 5.5 ( ) 20 20 2 ( 30 5 ) = ( 50 100 ).

8 Esimerkki Dieetti-välipala 4: Ken päättää huomioida myös hiilihydraatit. Kenin tavoite on saada välipalastaan 100g rasvaa, 50g sokeria ja 75g hiilihydraattia. Patukan ja keksin ravintoainesisällöt ovat 20 g rasvaa 30 g rasvaa patukka: 20 g sokeria, keksi: 5 g sokeria. 10 g hiilaria 30 g hiilaria Tavoite onnistuu, jos Ken löytää sopivat lineaarikombinaation kertoimet yhtälöön 20 30 100 x 20 + y 5 = 50 10 30 75 20x + 30y = 100 20x + 5y = 50 10x + 30y = 75

9 Yhtälöryhmällä ei nyt ole ratkaisua. Johtopäätös on, että 100 vektoria 50 ei voi esittää vektoreiden 75 20 30 20 ja 5 lineaarikombinaationa. 10 30

riippumattomuus, 9 (1) Jos m > 1, niin vektorijono (v 1,v 2,...,v m ), on lineaarisesti riippuva (sidottu) (linearly dependent), jos jokin jonon vektoreista voidaan esittää jonon muiden vektoreiden lineaarikombinaationa ja vastaavasti vektorijono on lineaarisesti riippumaton (vapaa) (linearly independent), jos mitään jonon vektoria ei voida esittää jonon muiden vektoreiden lineaarikombinaationa. (2) Tapauksessa m = 1 sovimme, että nollavektorista muodostettu jono (0) on sidottu ja muut yhden vektorin jonot ovat vapaita.

10 Esimerkki Dieetti-välipala 5: Jos Kenin repussa on muitakin herkkuja kuin suklaapatukoita ja keksejä, niin vaihtoehtojen määrä alkaa kasvaa. Jos repusta löytyy myös hillomunkkeja, ja yhden hillomunkin ravintosisältö on täsmälleen sama kuin yhden suklaapatukan ja yhden keksin yhteenlaskettu ravintosisältö, niin Ken voi aina korvata annoksessaan yhden munkin yhdellä patukalla ja yhdellä keksillä. Luke voi jopa ajatella, että patukka = munkki keksi. Erilaisten ratkaisujen määrä kasvaa, mikä herkuttelijan mielestä on tietenkin mahtavaa. Matematiikassa kuitenkin usein halutaan, että on yksi ja vain yksi ratkaisu. Tähän usein päästään kun vektorit, joilla lasketaan, valitaan siten, että ne ovat keskenään lineaarisesti riippumattomat.

11 Lineaarisen riippumattomuuden voidaan tehdä kahdella tavalla. Edellä annettu on helppo ymmärtää, mutta sen avulla ei ole helppo nähdä kaikkia riippumattomuuden ominaisuuksia. Jotta voisimme perustella joitakin hyviä asioita annamme myös toisen muodon lineaarisen riippumattomuuden lle.

12 (1) Vektorijono (v 1,v 2,...,v m ), v j R n on lineaarisesti riippuva (sidottu) (linearly dependent), jos on olemassa reaaliluvut x 1,x 2,...,x m R, joista ainakin yksi ei ole nolla, niin että x 1 v 1 + x 2 v 2 + + x m v m = 0 (2) Vektorijono {v 1,v 2,...,v m } R n on lineaarisesti riippumaton (vapaa) (linearly independent), jos se ei ole sidottu, eli (x 1 v 1 + x 2 v 2 + + x m v m = 0) (x 1 = x 2 = = x m = 0)

13 Huomautus Monessa oppikirjassa on n (2) ehto on kirjoitettu ekvivalenssina LHS RHS. Ylläolevassa ssä on implikaatio vasemmalle ( ) jätetty pois, sillä se on itsestään selvästi aina totta. korostaa implikaatiota oikealle ( ) sillä se ei ole aina totta. Täsmälleen silloin, kun on voimassa vektorit muodostavat lineaarisesti riippumattoman joukon.

14 Vektorijonon lineaarista riippumattomuutta kannattaa usein tutkia siten, että vektorijonon vektoreista muodostetaan matriisi, jonka sarakkeina tutkittavat vektorit ovat. Esimerkiksi {v 1,v 2,v 3 } = {( 1 2 ), ( 3 0 ), ( )} 1 4 V = Tulemme jatkossa tekemään tämän vektorijonosta matriisiin tai matriisista vektorijonoon siirtymisen ilman suuria selittelyjä. Jonkin aikaa kannattaa ajatella, että matriisi on sarakejono! ( 1 3 1 2 0 4 ).

15 : (1) Matriisi V on lineaarisesti riippuva (sidottu) (linearly dependent), jos on olemassa nollavektorista eroava vektori x 0, niin että Vx = 0 (2) Matriisi V on lineaarisesti riippumaton (vapaa) (linearly independent), jos se ei ole sidottu, eli (Vx = 0) (x = 0)

Esimerkki 16 Esimerkki Olkoon kuten edellä {( ) ( 1 3 {v 1,v 2,v 3 } =, 2 0 V = ) ( )} 1, 4 ( 1 3 1 2 0 4 ). Vektorijono on sidottu koska ( ) 1 2v 1 v 2 v 3 = 2 2 ( ) 3 0 ( ) 1 = 0 4

Esimerkki 17 V = ( ) 1 3 1. 2 0 4 Matriisi on sidottu koska 2 ( ) 2 V 1 1 3 1 = 1 2 0 4 1 1 ( 1 2 + 3 ( 1) + ( 1) ( 1) = 2 2 + 0 ( 1) + 4 ( 1) ( ) ( ) ( ) 1 3 1 = 2 = 0 2 0 4 )

Lauseen tulos on käytännössä tärkeä, koska käytännössä lähes aina ratkaistessamme yhtälöryhmää toivomme, että on olemassa yksi ja vain yksi ratkaisu. Tämä on mahdollista vain jos yhtälöryhmän kerroimatriisi on vapaa. 18 Lause Jos yhtälöryhmällä Ax = b on kaksi ratkaisua, niin kerroinmatriisi A on lineaarisesti riippuva (eli sidottu). Todistus. Olkoon x 1 ja x 2 kaksi erisuurta yhtälöryhmän ratkaisua. Silloin ratkaisuvektoreiden erotus eroaa nollavektorista z = x 1 x 2 0 ja Az = A(x 1 x 2 ) = Ax 1 Ax 2 = b b = 0.