Saj at ert ek-probl em ak febru ar 26.

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Saj at ert ek-probl em ak febru ar 26."

Átírás

1 Sajátérték-problémák február 26.

2 Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre az egyenlet teljesül az A mátrix sajátvektorai és sajátértékei. minden sajátvektor számszorosára is igaz (1) ezeket nem tekintjük külön sajátvektornak a sajátvektorok ezért normalizálhatók a v = 0 triviális megoldás nem sajátvektor

3 A karakterisztikus egyenlet Az eredeti egyenlet akkor és csak akkor teljesül, ha det A λi = 0 is teljesül. ez egy polinomiális egyenlet λ-ra csak N < 4 esetben érdemes ezt megoldani lehetnek nem valós és degenerált gyökök is nagyobb mátrixok esetében más módszerek lesznek

4 Sajátvektorok Megkülönböztetünk jobb és baloldali sajátvektorokat Av = λv ua = λu v: jobboldali sajátvektor, oszlopvektor u: baloldali sajátvektor, sorvektor a kétoldali sajátvektorokhoz tartozó sajátértékek megegyeznek valós szimmetrikus mátrixra a sajátvektorok is

5 Négyzetes mátrixok állatkertje Szimmetrikus mátrix A = A T a ij = a ji Hermitikus mátrix A = A H a ij = a ji Ortogonális mátrix Normálmátrix Unitér mátrix A T A = A A T = I A H A = A A H A H = A 1 Valós mátrixokra hermitikus szimmetrikus unitér ortogonális

6 Speciális mátrixok tulajdonságai Hermitikus mátrix: A = A H sajátértékei mind valósak Nem szimmetrikus valós mátrix sajátértékei valósak vagy komplex konjugált párok Általános komplex mátrix sajátértékei tetszőleges komplex számok

7 Érdekesség: Wigner-féle félkörtörvény Valós, szimmetrikus mátrix random elemekkel feltöltve A sajátértékek valószínűségi eloszlása egy félkör, N esetben Viszonylag kevés megkötés az egyes elemek valószínűségi eloszlására: Azonos eloszlásból, függetlenül választva A sajátértékek eloszlása random mátrixokra tehát jól meghatározott Algoritmusok tesztelésére a random mátrixok nem jók!

8 Sajátvektorokból alkotott bázis Ha egy normálmátrix sajátértékei mind különbözőek, akkor sajátvektorai ortogonális bázist alkotnak normálás után: e i e j = δ ij degenerált sajátérték esetén saját altér van ortogonalizálható: pl. Gram Schmidt-eljárás Általános mátrix esetében a sajátvektorok általában nem ortogonálisak nem biztos, hogy teljes bázist alkotnak de a legtöbbször azért a bázis teljes

9 Gram Schmidt-ortogonalizáció u 1 = v 1, e 1 = u 1 u 1 u 2 = v 2 proj u1 (v 2 ), e 2 = u 2 u 2 u 3 = v 3 proj u1 (v 3 ) proj u2 (v 3 ), e 3 = u 3 u 3 u 4 = v 4 proj u1 (v 4 ) proj u2 (v 4 ) proj u3 (v 4 ), e 4 = u 4 u 4. k 1 u k = v k proj uj (v k ), j=1. e k = u k u k. Vektor vetítése másik vektorra: proj (b) a = a cos θ ( b b = a ) b b b b (2)

10 Jobb és baloldali sajátvektorok mátrixa Vezessük be a következő mátrixokat: U: baloldali sorvektorok alkotta mátrix V: jobboldali oszlopvektorok alkotta mátrix λ: a sajátértékekből alkotott diagonális mátrix Ezzel a jelöléssel a sajátérték-egyenletek: U A = λ U A V = V λ

11 Bal és jobboldali sajátvektorok ortogonalitása A sajátértékegyenletek: U A = λ U A V = V λ Az elsőt balról V-vel, a másodikat jobbról U-val szorozva, majd a két egyenlet különbségét képezve: (UV)λ = λ(uv) Különböző elemekből álló diagonális mátrixszal, mint pl. λ, csak olyan mátrix kommutál, ami maga is diagonális. következmény: UV diagonális következmény: u i v j = δ ij persze u-k és v-k megfelelően normálandók

12 Invertálható mátrix faktorizációja Ha létezik egy A mátrix inverze, akkor a következő áll fenn a balés jobboldali sajátvektorokból képzett U és V mátrixokra: U 1 = V Ha létezik a mátrix inverze, akkor a következőképpen faktorizálható A = VλV 1 A 1 = Vλ 1 V 1 illetve igaz, hogy λ = V 1 AV

13 Invertálható mátrix diagonalizálása Előző eredmény: λ = UAV viszont tudjuk: vagyis: U = V 1 V 1 AV = λ Valós szimmetrikus mátrixokra: fenn áll, hogy V 1 = U = V T így a V-vel való szendvicselés ortogonális transzformáció is

14 Általános esetben ezt a szendvicselést hasonlósági transzformációnak nevezzük: ahol Z nyilvánvalóan invertálható A Z 1 AZ, A sajátérték-problémát megoldó programok ezen alapulnak megfelelően választott P i transzformációkkal az A mátrixot egyre közeĺıtjük a diagonálishoz: A P 1 1 AP 1 P 1 2 P 1 1 AP 1P 2... λ Ekkor a sajátvektorokat a következő módon kapjuk V = P 1 P 2...

15 Jacobi-transzformáció Keressük a P transzformációkat síkbeli forgatások alakjában: 1 c s P pq =. 1. s c 1 ahol a c és s számokra fennáll, hogy c 2 + s 2 = 1 ez a mátrix csak a pq, qp, pp és qq helyeken nem 0 vagy 1 szendvicseljük vele A-t, és számoljuk végig

16 Egyenlet a Jacobi-transzformáció paramétereire Elvégezzük a beszorzást 1 kiszámoljuk az A = P 1 AP mátrix elemeit csak a p. és q. sorok, illetve oszlopok elemei változnak tegyük a pq-t nullává! a következő egyenletre jutunk ctg 2φ = c2 s 2 2sc = a qq a pp 2a pq 1 házi feladat

17 A = P 1 AP kiszámítása a rp = ca rp sa rq ha r p, r q a rq = ca rq + sa rp ha r p, r q a pp = c 2 a pp + s 2 a qq 2sca pq a qq = s 2 a pp + c 2 a qq + 2sca pq a pq = ( c 2 s 2) a pq + sc (a pp a qq ) = a qp

18 A Jacobi-transzformáció elemi lépése Az előbb felvázolt lépéssel a mátrix a pq elemét nulláztuk ezt a lépés tetszőlegesen sokszor ismételhetjük az újabb lépés a korábban lenullázott elemeket ugyan elrontja, de belátható: a nem diagonális elemek négyzetösszege monoton csökken vagyis a mátrix tart a diagonálishoz A Jacobi-transzformáció tulajdonságai érdemes mindig a legnagyobb nem diagonális elemet nullázni az algoritmus N 2 elem nullázását igényli de többször végig kell menni az egész mátrixon

19 A hatványiteráció Keressük egy mátrix legnagyobb sajátértékéhez tartozó sajátvektorát a sajátvektorai teljes ortogonális bázist alkotnak a teljes sajátérték-probléma megoldása nem feltétlen éri meg gyorsabb, iteratív megoldást keresünk Ha x 0 tetszőleges vektor megszorozzuk az A mátrixszal, majd leosztjuk a kapott vektort a legnagyobb elemével y 0 = 1 Ax 0, ahol c 0 = max (Ax 0 ) (i) c 0 i ezután képezzük a következő iterációt x k = y k 1

20 A hatványiteráció konvergenciája Fejtsük ki az x 0 vektort a sajátvektorok bázisán: x 0 = α 1 v 1 + α 2 v α n v n Mivel a v vektorok sajátvektorok, ezért az A mátrix hatása: Ax 0 = λ 1 α 1 v 1 + λ 2 α 2 v λ n α n v n Most fejtsük ki az x k vektort a sajátvektorok bázisán: x k = 1 [ ] λ k c 1 c 2...c 1α 1 v 1 + λ k 2α 2 v λ k nα n v n k Emeljük ki a legnagyobb sajátérték k. hatványát: [ λ k ( ) k ( ) ] k 1 λ2 λn x k = α 1 v 1 + α 2 v α n v n c 1 c 2...c k λ 1 λ 1

21 A hatványiteráció konvergenciája Előző diáról: λ k 1 x k = c 1 c 2...c k [ ( ) k ( ) ] k λ2 λn α 1 v 1 + α 2 v α n v n λ 1 λ 1 ahol λ 1 a legnagyobb sajátérték emiatt az iteráció során az összes együttható kihal kivéve α 1 -et a sorozat a legnagyobb sajátértékhez tartozó sajátvektorhoz konvergál lim k x k = v 1 lim k c k = λ 1

22 Fontos tétel Az első egyenlet mindkét oldalához τ v-et adva: Av + τv = λv + τv a sajátértékek eltolódnak, de a sajátvektorok változatlanok, ugyanis (A + τi) v = (λ + τ) v Ezt a tulajdonságot sok numerikus módszer kihasználja

23 Inverz hatványiteráció Gyakran előfordul, hogy megsejtjük valamelyik sajátértéket hogyan találhatjuk meg a hozzá tartozó sajátvektort? Tekintsük a következő egyenletet (A τi) y 0 = b 0 legyen b 0 tetszőleges vektor τ pedig közel van valamelyik λ sajátértékhez y 0 a fenti egyenlet megoldása Belátjuk, hogy b n = y n 1 helyettesítéssel az iteráció konvergens b n a λ-hoz tartozó sajátvektorhoz tart

24 Az inverz hatványiteráció konvergenciája Fejtsük ki y-t és b-t az v i sajátvektorok alkotta bázison: y 0 = j α j v j b 0 = j β j v j Ezzel az egyenlet: α j (λ j τ)v j = j j β j v j, vagyis α j = β j λ j τ és y 0 = j β j v j λ j τ Az így kapott y 0 -t helyettesítjük be b 0 helyére, ebből: y 1 = j β j v j (λ j τ) 2, stb.

25 Inverz hatványiteráció Előző diáról: y 1 = j β j v j (λ j τ) 2, stb. A további iterációk során a nevezőben λ j τ hatványai jelennek meg: y k = β j v j (λ j j τ) (k 1) Ha τ közel van a j. sajátértékhez, azaz λ j τ λ i τ, i j, akkor a szummában a j. tag fog dominálni vagyis y k v j

Saj at ert ek-probl em ak febru ar 22.

Saj at ert ek-probl em ak febru ar 22. Sajátérték-problémák 2016. február 22. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre az egyenlet

Részletesebben

Vektorterek. =a gyakorlatokon megoldásra ajánlott

Vektorterek. =a gyakorlatokon megoldásra ajánlott Vektorterek =a gyakorlatokon megoldásra ajánlott 40. Alteret alkotnak-e a valós R 5 vektortérben a megadott részhalmazok? Ha igen, akkor hány dimenziósak? (a) L = { (x 1, x 2, x 3, x 4, x 5 ) x 1 = x 5,

Részletesebben

Vektorok, mátrixok, lineáris egyenletrendszerek

Vektorok, mátrixok, lineáris egyenletrendszerek a Matematika mérnököknek I. című tárgyhoz Vektorok, mátrixok, lineáris egyenletrendszerek Vektorok A rendezett valós számpárokat kétdimenziós valós vektoroknak nevezzük. Jelölésükre latin kisbetűket használunk.

Részletesebben

Szinguláris érték felbontás Singular Value Decomposition

Szinguláris érték felbontás Singular Value Decomposition Szinguláris érték felbontás Singular Value Decomposition Borbély Gábor 7. április... Tétel (teljes SVD. Legyen A C m n mátrix (valósra is jó, ekkor léteznek U C m m és V C n n unitér mátrixok (valósban

Részletesebben

1. Az euklideszi terek geometriája

1. Az euklideszi terek geometriája 1. Az euklideszi terek geometriája Bázishoz tartozó skaláris szorzat Emékeztető Az R n vektortérbeli v = λ 2... és w = λ 1 λ n µ 1 µ 2... µ n λ 1 µ 1 +λ 2 µ 2 +...+λ n µ n. Jele v,w. v,w = v T u, azaz

Részletesebben

Kvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla

Kvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,

Részletesebben

LINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40

LINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 LINEÁRIS ALGEBRA matematika alapszak SZTE Bolyai Intézet, 2016-17. őszi félév Euklideszi terek Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 Euklideszi tér Emlékeztető: A standard belső szorzás és standard

Részletesebben

6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján

6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján Közelítő és szimbolikus számítások 6. gyakorlat Sajátérték, Gersgorin körök Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján . Mátrixok sajátértékei

Részletesebben

Mátrixok 2017 Mátrixok

Mátrixok 2017 Mátrixok 2017 számtáblázatok" : számok rendezett halmaza, melyben a számok helye két paraméterrel van meghatározva. Például lineáris egyenletrendszer együtthatómátrixa 2 x 1 + 4 x 2 = 8 1 x 1 + 3 x 2 = 1 ( 2 4

Részletesebben

Matematika (mesterképzés)

Matematika (mesterképzés) Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,

Részletesebben

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb

Részletesebben

1.1. Vektorok és operátorok mátrix formában

1.1. Vektorok és operátorok mátrix formában 1. Reprezentáció elmélet 1.1. Vektorok és operátorok mátrix formában A vektorok és az operátorok mátrixok formájában is felírhatók. A végtelen dimenziós ket vektoroknak végtelen sok sort tartalmazó oszlopmátrix

Részletesebben

Sajátértékek és sajátvektorok. mf1n1a06- mf1n2a06 Csabai István

Sajátértékek és sajátvektorok. mf1n1a06- mf1n2a06 Csabai István Sajátértékek és sajátvektorok A fizika numerikus módszerei I. mf1n1a06- mf1n2a06 Csabai István Lineáris transzformáció Vektorok lineáris transzformációja: általános esetben az x vektor iránya és nagysága

Részletesebben

Matematika A2 vizsga mgeoldása június 4.

Matematika A2 vizsga mgeoldása június 4. Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont

Részletesebben

Gauss-eliminációval, Cholesky felbontás, QR felbontás

Gauss-eliminációval, Cholesky felbontás, QR felbontás Közelítő és szimbolikus számítások 4. gyakorlat Mátrix invertálás Gauss-eliminációval, Cholesky felbontás, QR felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei

Részletesebben

15. LINEÁRIS EGYENLETRENDSZEREK

15. LINEÁRIS EGYENLETRENDSZEREK 15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a

Részletesebben

10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak

10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak 10. Előadás Megyesi László: Lineáris algebra, 98. 108. oldal. Gondolkodnivalók Mátrix inverze 1. Gondolkodnivaló Igazoljuk, hogy invertálható trianguláris mátrixok inverze is trianguláris. Bizonyítás:

Részletesebben

Szinguláris értékek. Wettl Ferenc április 12. Wettl Ferenc Szinguláris értékek április / 35

Szinguláris értékek. Wettl Ferenc április 12. Wettl Ferenc Szinguláris értékek április / 35 Szinguláris értékek Wettl Ferenc 2016. április 12. Wettl Ferenc Szinguláris értékek 2016. április 12. 1 / 35 Tartalom 1 Szinguláris érték 2 Norma 3 Mátrixnorma 4 Alkalmazások Wettl Ferenc Szinguláris értékek

Részletesebben

Lineáris algebra 2. Filip Ferdinánd december 7. siva.banki.hu/jegyzetek

Lineáris algebra 2. Filip Ferdinánd december 7. siva.banki.hu/jegyzetek Lineáris algebra 2 Filip Ferdinánd filipferdinand@bgkuni-obudahu sivabankihu/jegyzetek 2015 december 7 Filip Ferdinánd 2016 februar 9 Lineáris algebra 2 1 / 37 Az el adás vázlata Determináns Determináns

Részletesebben

Szinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28

Szinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28 Szinguláris értékek Wettl Ferenc 2015. április 3. Wettl Ferenc Szinguláris értékek 2015. április 3. 1 / 28 Tartalom 1 Szinguláris érték 2 Alkalmazások 3 Norma 4 Mátrixnorma Wettl Ferenc Szinguláris értékek

Részletesebben

Ortogonalizáció. Wettl Ferenc Wettl Ferenc Ortogonalizáció / 41

Ortogonalizáció. Wettl Ferenc Wettl Ferenc Ortogonalizáció / 41 Ortogonalizáció Wettl Ferenc 2016-03-22 Wettl Ferenc Ortogonalizáció 2016-03-22 1 / 41 Tartalom 1 Ortonormált bázis 2 Ortogonális mátrix 3 Ortogonalizáció 4 QR-felbontás 5 Komplex skaláris szorzás 6 Diszkrét

Részletesebben

1. Bázistranszformáció

1. Bázistranszformáció 1. Bázistranszformáció Transzformáció mátrixa új bázisban A bázistranszformáció képlete (Freud, 5.8.1. Tétel) Legyenek b és d bázisok V -ben, ] v V és A Hom(V). Jelölje S = [[d 1 ] b,...,[d n ] b T n n

Részletesebben

Lineáris leképezések (előadásvázlat, szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla

Lineáris leképezések (előadásvázlat, szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla Lineáris leképezések (előadásvázlat, 2012. szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla Ennek az előadásnak a megértéséhez a következő fogalmakat kell tudni: homogén lineáris egyenletrendszer és

Részletesebben

Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek

Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,

Részletesebben

1. zárthelyi,

1. zárthelyi, 1. zárthelyi, 2009.10.20. 1. Írjuk fel a tér P = (0,2,4) és Q = (6, 2,2) pontjait összekötő szakasz felezőmerőleges síkjának egyenletét. 2. Tekintsük az x + 2y + 3z = 14, a 2x + 6y + 10z = 24 és a 4x+2y

Részletesebben

Determinánsok. A determináns fogalma olyan algebrai segédeszköz, amellyel. szolgáltat az előbbi kérdésekre, bár ez nem mindig hatékony.

Determinánsok. A determináns fogalma olyan algebrai segédeszköz, amellyel. szolgáltat az előbbi kérdésekre, bár ez nem mindig hatékony. Determinánsok A determináns fogalma olyan algebrai segédeszköz, amellyel jól jellemezhető a mátrixok invertálhatósága, a mátrix rangja. Segítségével lineáris egyenletrendszerek megoldhatósága dönthető

Részletesebben

9. Előadás. (9. előadás) Lineáris egyr.(3.), Sajátérték április / 35

9. Előadás. (9. előadás) Lineáris egyr.(3.), Sajátérték április / 35 9. Előadás (9. előadás) Lineáris egyr.(3.), Sajátérték 2019. április 24. 1 / 35 Portfólió-analízis Tegyük fel, hogy egy bank 4 különböző eszközbe fektet be (réz, búza, arany és kakaó). Az ügyfeleinek ezen

Részletesebben

és n oszlopból áll, akkor m n-es mátrixról beszélünk. (Az oszlopok száma a mátrix vízszintes mérete, a sorok 2 3-as, a ij..

és n oszlopból áll, akkor m n-es mátrixról beszélünk. (Az oszlopok száma a mátrix vízszintes mérete, a sorok 2 3-as, a ij.. Biológia alapszak Matematika I A GY 6/7 félév III MÁTRIXOK SAJÁTÉRTÉK-FELADAT III Mátrixok Definíció Számok téglalap alakú táblázatban való elrendezését mátrix nak nevezzük Ha a táblázat m sorból és n

Részletesebben

Diszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.

Diszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet   takach november 30. 1 Diszkrét matematika I, 12 előadás Dr Takách Géza NyME FMK Informatikai Intézet takach@infnymehu http://infnymehu/ takach 2005 november 30 Vektorok Definíció Egy tetszőleges n pozitív egész számra n-komponensű

Részletesebben

Numerikus módszerek beugró kérdések

Numerikus módszerek beugró kérdések 1. Definiálja a gépi számok halmazát (a tanult modellnek megfelelően)! Adja meg a normalizált lebegőpontos szám alakját. (4 pont) Az alakú számot normalizált lebegőpontos számnak nevezik, ha Ahol,,,. Jelöl:

Részletesebben

Lineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31

Lineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31 Lineáris leképezések Wettl Ferenc 2015. március 9. Wettl Ferenc Lineáris leképezések 2015. március 9. 1 / 31 Tartalom 1 Mátrixleképezés, lineáris leképezés 2 Alkalmazás: dierenciálhatóság 3 2- és 3-dimenziós

Részletesebben

Lineáris leképezések. 2. Lineáris-e az f : R 2 R 2 f(x, y) = (x + y, x 2 )

Lineáris leképezések. 2. Lineáris-e az f : R 2 R 2 f(x, y) = (x + y, x 2 ) Lineáris leképezések 1 Lineáris-e az f : R 2 R 2 f(x, y = (3x + 2y, x y leképezés? A linearitáshoz ellen riznünk kell, hogy a leképzés additív és homogén Legyen x = (x 1, R 2, y = (y 1, y 2 R 2, c R Ekkor

Részletesebben

i=1 λ iv i = 0 előállítása, melynél valamelyik λ i

i=1 λ iv i = 0 előállítása, melynél valamelyik λ i Az informatikus lineáris algebra dolgozat C részének lehetséges kérdései Az alábbi listában azok az állítások, tételek szerepelnek, melyeket a vizsgadolgozat C részében kérdezhetünk. Azok érnek 6 pontot,

Részletesebben

7. gyakorlat megoldásai

7. gyakorlat megoldásai 7. gyakorlat megoldásai Komple számok, sajátértékek, sajátvektorok F1. Legyen z 1 = + i és z = 1 i. Számoljuk ki az alábbiakat: z 1 z 1 + z, z 1 z, z 1 z,, z 1, z 1. z M1. A szorzásnál használjuk, hogy

Részletesebben

Lineáris algebra numerikus módszerei

Lineáris algebra numerikus módszerei Bevezetés Szükségünk van a komplex elemű mátrixok és vektorok bevezetésére. A komplex elemű n-dimenziós oszlopvektorok halmazát C n -el jelöljük. Hasonlóképpen az m n méretű komplex elemű mátrixok halmazát

Részletesebben

Lineáris algebra. =0 iє{1,,n}

Lineáris algebra. =0 iє{1,,n} Matek A2 (Lineáris algebra) Felhasználtam a Szilágyi Brigittás órai jegyzeteket, néhol a Thomas féle Kalkulus III könyvet. A hibákért felelosséget nem vállalok. Hiányosságok vannak(1. órai lin algebrai

Részletesebben

Lineáris algebra Gyakorló feladatok

Lineáris algebra Gyakorló feladatok Lineáris algebra Gyakorló feladatok. október.. Feladat: Határozzuk meg a, 4b, c és a b c vektorokat, ha a = (; ; ; ; b = (; ; ; ; c = ( ; ; ; ;.. Feladat: Határozzuk meg a, 4b, a, c és a b; c + b kifejezések

Részletesebben

y = y 0 exp (ax) Y (x) = exp (Ax)Y 0 A n x n 1 (n 1)! = A I + d exp (Ax) = A exp (Ax) exp (Ax)

y = y 0 exp (ax) Y (x) = exp (Ax)Y 0 A n x n 1 (n 1)! = A I + d exp (Ax) = A exp (Ax) exp (Ax) III Az exp (Ax mátrixfüggvény módszere Ha y = ay, y( = y, a = állandó y = y exp (ax d dx [exp (Ax] = Y = AY, Y ( = Y, Y (x = exp (AxY exp (Ax = I + n= A n x n (n! = A A n x n, n! ] A n x n I + = A exp

Részletesebben

1. feladatsor Komplex számok

1. feladatsor Komplex számok . feladatsor Komplex számok.. Feladat. Kanonikus alakban számolva határozzuk meg az alábbi műveletek eredményét. (a) i 0 ; i 8 ; (b) + 4i; 3 i (c) ( + 5i)( 6i); (d) i 3+i ; (e) 3i ; (f) ( +3i)(8+i) ( 4

Részletesebben

Bevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek

Bevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek Bevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek Algebra Tanszék B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E

Részletesebben

A KroneckerCapelli-tételb l következik, hogy egy Bx = 0 homogén lineáris egyenletrendszernek

A KroneckerCapelli-tételb l következik, hogy egy Bx = 0 homogén lineáris egyenletrendszernek 10. gyakorlat Mátrixok sajátértékei és sajátvektorai Azt mondjuk, hogy az A M n mátrixnak a λ IR szám a sajátértéke, ha létezik olyan x IR n, x 0 vektor, amelyre Ax = λx. Ekkor az x vektort az A mátrix

Részletesebben

Keresztmetszet másodrendű nyomatékainak meghatározása

Keresztmetszet másodrendű nyomatékainak meghatározása BUDAPEST MŰSZAK ÉS GAZDASÁGTUDOMÁNY EGYETEM Keresztmetszet másodrendű nyomatékainak meghatározása Segédlet a Szilárdságtan c tárgy házi feladatához Készítette: Lehotzky Dávid Budapest, 205 február 28 ábra

Részletesebben

Lineáris egyenletrendszerek

Lineáris egyenletrendszerek Lineáris egyenletrendszerek Lineáris egyenletrendszernek nevezzük az a 11 x 1 + a 12 x 2 +... +a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... +a 2n x n = b 2.. a k1 x 1 + a k2 x 2 +... +a kn x n = b k n ismeretlenes,

Részletesebben

Lineáris algebra mérnököknek

Lineáris algebra mérnököknek B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Lineáris algebra mérnököknek BMETE93BG20 Sajátérték, sajátvektor, sajátaltér Kf87 2017-11-21

Részletesebben

Mer legesség. Wettl Ferenc 2015-03-13. Wettl Ferenc Mer legesség 2015-03-13 1 / 40

Mer legesség. Wettl Ferenc 2015-03-13. Wettl Ferenc Mer legesség 2015-03-13 1 / 40 Mer legesség Wettl Ferenc 2015-03-13 Wettl Ferenc Mer legesség 2015-03-13 1 / 40 Tartalom 1 Pszeudoinverz 2 Ortonormált bázis ortogonális mátrix 3 Komplex és véges test feletti terek 4 Diszkrét Fourier-transzformált

Részletesebben

Gauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei

Gauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.

Részletesebben

Principal Component Analysis

Principal Component Analysis Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták

Részletesebben

Alkalmazott algebra - skalárszorzat

Alkalmazott algebra - skalárszorzat Alkalmazott algebra - skalárszorzat Ivanyos Gábor 2011 sz Skalárszorzat Skalárszorzat Ebben a részben: a standard skalárszorzat: u T v = n µ i ν i i=1 és a kapcsolódó lineáris algebra absztrakt tárgyalással

Részletesebben

Modellek és Algoritmusok - 2.ZH Elmélet

Modellek és Algoritmusok - 2.ZH Elmélet Modellek és Algoritmusok - 2.ZH Elmélet Ha hibát elírást találsz kérlek jelezd: sellei_m@hotmail.com A fríss/javított változat elérhet : people.inf.elte.hu/semsaai/modalg/ 2.ZH Számonkérés: 3.EA-tól(DE-ek)

Részletesebben

Bevezetés az algebrába 2

Bevezetés az algebrába 2 B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Bevezetés az algebrába 2 BMETE91AM37 Mátrixfüggvények H607 2018-05-02 Wettl Ferenc

Részletesebben

Matematika elméleti összefoglaló

Matematika elméleti összefoglaló 1 Matematika elméleti összefoglaló 2 Tartalomjegyzék Tartalomjegyzék... 2 1. Sorozatok jellemzése, határértéke... 3 2. Függvények határértéke és folytonossága... 5 3. Deriválás... 6 4. Függvényvizsgálat...

Részletesebben

Lineáris algebra gyakorlat

Lineáris algebra gyakorlat Lineáris algebra gyakorlat 0. gyakorlat Gyakorlatvezet : Bogya Norbert 202. április 23. Sajátérték, sajátvektor, sajátaltér Tartalom Sajátérték, sajátvektor, sajátaltér 2 Gyakorló feladatok a zh-ra (rutinfeladatok)

Részletesebben

II. Két speciális Fibonacci sorozat, szinguláris elemek, természetes indexelés

II. Két speciális Fibonacci sorozat, szinguláris elemek, természetes indexelés II. Két speciális Fibonacci sorozat, szinguláris elemek, természetes indexelés Nagyon könnyen megfigyelhetjük, hogy akármilyen két számmal elindítunk egy Fibonacci sorozatot, a sorozat egymást követő tagjainak

Részletesebben

Numerikus matematika vizsga

Numerikus matematika vizsga 1. Az a = 2, t = 4, k = 3, k + = 2 számábrázolási jellemzők mellett hány pozitív, normalizált lebegőpontos szám ábrázolható? Adja meg a legnagyobb ábrázolható számot! Mi lesz a 0.8-hoz rendelt lebegőpontos

Részletesebben

VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja

VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag 2019. március 21. Mátrix rangja 1. Számítsuk ki az alábbi mátrixok rangját! (d) 1 1 2 2 4 5 1 1 1 1 1 1 1 1 2 1 2 1 1 0 1 1 2 1 0 1 1 1 1 2 3 1 3

Részletesebben

NUMERIKUS MÓDSZEREK I. BEUGRÓ KÉRDÉSEK

NUMERIKUS MÓDSZEREK I. BEUGRÓ KÉRDÉSEK NUMERIKUS MÓDSZEREK I. BEUGRÓ KÉRDÉSEK Szerkesztette: Balogh Tamás 04. január 7. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el!

Részletesebben

Lineáris algebra mérnököknek

Lineáris algebra mérnököknek B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Lineáris algebra mérnököknek BMETE93BG20 Sajátérték, sajátvektor, sajátaltér Kf81 2018-11-20

Részletesebben

3D számítógépes geometria 2

3D számítógépes geometria 2 3D számítógépes geometria 2 Lineáris algebra alapok Várady Tamás, Salvi Péter / BME September 6, 2018 Mátrixok típusai Mátrixműveletek Jellemző értékek A mátrix m n skalár érték: A = a 11 a 12 a 13 a 14

Részletesebben

Rang, sajátérték. Dr. Takách Géza NyME FMK Informatikai Intézet takach/ február 15

Rang, sajátérték. Dr. Takách Géza NyME FMK Informatikai Intézet   takach/ február 15 Diszkrét matematika II, 2 el adás Rang, sajátérték Dr Takách Géza NyME FMK Informatikai Intézet takachinfnymehu http://infnymehu/ takach/ 25 február 5 Gyakorlati célok Ezen el adáson, és a hozzá kapcsolódó

Részletesebben

Testek. 16. Legyen z = 3 + 4i, w = 3 + i. Végezzük el az alábbi. a) (2 4), Z 5, b) (1, 0, 0, 1, 1) (1, 1, 1, 1, 0), Z 5 2.

Testek. 16. Legyen z = 3 + 4i, w = 3 + i. Végezzük el az alábbi. a) (2 4), Z 5, b) (1, 0, 0, 1, 1) (1, 1, 1, 1, 0), Z 5 2. Vektorok. Melyek egyenlőek az alábbi vektorok közül? (a) (, 2, 0), (b) az (, 0, ) pontból a (2, 2, ) pontba mutató vektor, (c) ( 2,, ) ( 2,, 2), (d) [ 2 0 ], (e) 2. 0 2. Írjuk fel az x + y + 2z = 0 és

Részletesebben

1. Diagonalizálás. A Hom(V) diagonalizálható, ha van olyan bázis, amelyben A mátrixa diagonális. A diagonalizálható van sajátvektorokból álló bázis.

1. Diagonalizálás. A Hom(V) diagonalizálható, ha van olyan bázis, amelyben A mátrixa diagonális. A diagonalizálható van sajátvektorokból álló bázis. 1 Diagonalizálás Diagonalizálható mátrixok Ismétlés Legyen M,N T n n Az M és N hasonló, ha van olyan A lineáris transzformáció, hogy M is és N is az A mátrixa egy-egy alkalmas bázisban Az M és N pontosan

Részletesebben

Haladó lineáris algebra

Haladó lineáris algebra B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Haladó lineáris algebra BMETE90MX54 Lineáris leképezések 2017-02-21 IB026 Wettl Ferenc

Részletesebben

Tartalom. Állapottér reprezentációk tulajdonságai stabilitás irányíthatóság megfigyelhetőség minimalitás

Tartalom. Állapottér reprezentációk tulajdonságai stabilitás irányíthatóság megfigyelhetőség minimalitás Tartalom Állapottér reprezentációk tulajdonságai stabilitás irányíthatóság megfigyelhetőség minimalitás 2018 1 Állapottér reprezentációk tulajdonságai Általánosan egy lineáris, SISO dinamikus rendszer

Részletesebben

Alkalmazott algebra - SVD

Alkalmazott algebra - SVD Alkalmazott algebra - SVD Ivanyos Gábor 20 sz Poz. szemidenit mátrixok spektrálfelbontásának általánosítása nem feltétlenül négyzetes mátrixokra LSI - mögöttes szemantikájú indexelés "Közelít " webkeresés

Részletesebben

Numerikus módszerek 1.

Numerikus módszerek 1. Numerikus módszerek 1. 6. előadás: Vektor- és mátrixnormák Lócsi Levente ELTE IK 2013. október 14. Tartalomjegyzék 1 Vektornormák 2 Mátrixnormák 3 Természetes mátrixnormák, avagy indukált normák 4 Mátrixnormák

Részletesebben

Lin.Alg.Zh.1 feladatok

Lin.Alg.Zh.1 feladatok Lin.Alg.Zh. feladatok 0.. d vektorok Adott három vektor ā (0 b ( c (0 az R Euklideszi vektortérben egy ortonormált bázisban.. Mennyi az ā b skalárszorzat? ā b 0 + + 8. Mennyi az n ā b vektoriális szorzat?

Részletesebben

1. Geometria a komplex számsíkon

1. Geometria a komplex számsíkon 1. Geometria a komplex számsíkon A háromszög-egyenlőtlenség A háromszög-egyenlőtlenség (K1.4.3) Minden z,w C-re z +w z + w. Egyenlőség pontosan akkor áll, ha z és w párhuzamosak, és egyenlő állásúak, azaz

Részletesebben

1. Mit jelent az, hogy egy W R n részhalmaz altér?

1. Mit jelent az, hogy egy W R n részhalmaz altér? Az informatikus lineáris algebra dolgozat B részének lehetséges kérdései Az alábbi listában azok a definíciók és állítások, tételek szerepelnek, melyeket a vizsgadolgozat B részében kérdezhetünk. A válaszoknál

Részletesebben

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, Leontyev-modell

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, Leontyev-modell 9. Előadás Megyesi László: Lineáris algebra, 75. 84. oldal. Gondolkodnivalók Mátrix rangja 1. Gondolkodnivaló Tegyük fel, hogy egy elemi bázistranszformáció kezdetekor a sor- és oszlopindexek sorban helyezkednek

Részletesebben

Numerikus módszerek 1.

Numerikus módszerek 1. Numerikus módszerek 1. 9. előadás: Paraméteres iterációk, relaxációs módszerek Lócsi Levente ELTE IK Tartalomjegyzék 1 A Richardson-iteráció 2 Relaxált Jacobi-iteráció 3 Relaxált Gauss Seidel-iteráció

Részletesebben

Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások

Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások 1. Feladat. (6p) Jelöljön. egy tetszőleges vektornormát, ill. a hozzá tartozó indukált mátrixnormát! Igazoljuk, hogy ha A

Részletesebben

KOVÁCS BÉLA, MATEMATIKA I.

KOVÁCS BÉLA, MATEMATIKA I. KOVÁCS BÉLA, MATEmATIkA I 9 IX MÁTRIxOk 1 MÁTRIx FOGALmA, TULAJDONSÁGAI A mátrix egy téglalap alakú táblázat, melyben az adatok, a mátrix elemei, sorokban és oszlopokban vannak elhelyezve Az (1) mátrixnak

Részletesebben

Összeállította: dr. Leitold Adrien egyetemi docens

Összeállította: dr. Leitold Adrien egyetemi docens Az R n vektortér Összeállította: dr. Leitold Adrien egyetemi docens 2008.09.08. R n vektortér/1 Vektorok Rendezett szám n-esek: a = (a 1, a 2,, a n ) sorvektor a1 a = a2 oszlopvektor... a n a 1, a 2,,

Részletesebben

Feladat: megoldani az alábbi egyenletrendszert: A x = b,

Feladat: megoldani az alábbi egyenletrendszert: A x = b, Gauss Jordan-elimináció Feladat: megoldani az alábbi egyenletrendszert: ahol A négyzetes mátrix. A x = b, A Gauss Jordan-elimináció tulajdonképpen az általános iskolában tanult módszer lineáris egyenletrendszerek

Részletesebben

Gauss-Seidel iteráció

Gauss-Seidel iteráció Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS

Részletesebben

Lineáris Algebra. Tartalomjegyzék. Pejó Balázs. 1. Peano-axiomák

Lineáris Algebra. Tartalomjegyzék. Pejó Balázs. 1. Peano-axiomák Lineáris Algebra Pejó Balázs Tartalomjegyzék 1. Peano-axiomák 2 1.1. 1.................................................... 2 1.2. 2.................................................... 2 1.3. 3....................................................

Részletesebben

VEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER október 15. Irodalom. További ajánlott feladatok

VEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER október 15. Irodalom. További ajánlott feladatok VEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER 2004. október 15. Irodalom A fogalmakat, definíciókat illetően két forrásra támaszkodhatnak: ezek egyrészt elhangzanak az előadáson, másrészt megtalálják

Részletesebben

I. VEKTOROK, MÁTRIXOK

I. VEKTOROK, MÁTRIXOK 217/18 1 félév I VEKTOROK, MÁTRIXOK I1 I2 Vektorok 1 A síkon derékszögű koordinátarendszerben minden v vektornak van vízszintes és van függőleges koordinátája, ezeket sorrendben v 1 és v 2 jelöli A v síkbeli

Részletesebben

1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)

1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő

Részletesebben

n n (n n ), lim ln(2 + 3e x ) x 3 + 2x 2e x e x + 1, sin x 1 cos x, lim e x2 1 + x 2 lim sin x 1 )

n n (n n ), lim ln(2 + 3e x ) x 3 + 2x 2e x e x + 1, sin x 1 cos x, lim e x2 1 + x 2 lim sin x 1 ) Matek szigorlat Komplex számok Sorozat határérték., a legnagyobb taggal egyszerűsítünk n n 3 3n 2 + 2 3n 2 n n + 2 25 n 3 9 n 2 + + 3) 2n 8 n 3 2n 3,, n n5 + n 2 n 2 5 2n + 2 3n 2) n+ 2. e-ados: + a )

Részletesebben

karakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja

karakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja Mátrixok hasonlósága, karakterisztikus mátrix, karakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja 1.Mátrixok hasonlósága, karakterisztikus mátrix, karakterisztikus

Részletesebben

A gyakorlati jegy

A gyakorlati jegy . Bevezetés A félév anyaga: lineáris algebra Vektorterek, alterek Függés, függetlenség, bázis, dimenzió Skaláris szorzat R n -ben, vektorok hossza és szöge Lineáris leképezések, mátrixuk, bázistranszformáció

Részletesebben

Táblán. Numerikus módszerek 1. előadás (estis), 2017/2018 ősz. Lócsi Levente. Frissült: december 1.

Táblán. Numerikus módszerek 1. előadás (estis), 2017/2018 ősz. Lócsi Levente. Frissült: december 1. Táblán Numerikus módszerek 1. előadás (estis), 2017/2018 ősz Lócsi Levente Frissült: 2017. december 1. Ebben az írásban a 2017/2018 őszi félév estis Numerikus módszerek 1. előadásának a diasorban nem szereplő,

Részletesebben

Lineáris algebra. négyzetes mátrix: n x n-es mátrix oszlop mátrix, oszlop vektor: egyetlen oszlopból áll

Lineáris algebra. négyzetes mátrix: n x n-es mátrix oszlop mátrix, oszlop vektor: egyetlen oszlopból áll Lineáris algebra Def: Def: Mátrix: egy téglalap alakú számtáblázat, minden helyén valós, vagy komplex szám áll A = [a i j n x m n: A sorainak száma, m: A oszlopainak száma négyzetes mátrix: n x n-es mátrix

Részletesebben

Gauss elimináció, LU felbontás

Gauss elimináció, LU felbontás Közelítő és szimbolikus számítások 3. gyakorlat Gauss elimináció, LU felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 EGYENLETRENDSZEREK 1. Egyenletrendszerek

Részletesebben

3. Fuzzy aritmetika. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI

3. Fuzzy aritmetika. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI 3. Fuzzy aritmetika Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Intervallum-aritmetika 2 Fuzzy intervallumok és fuzzy számok Fuzzy intervallumok LR fuzzy intervallumok

Részletesebben

Összeállította: dr. Leitold Adrien egyetemi docens

Összeállította: dr. Leitold Adrien egyetemi docens Skaláris szorzat az R n vektortérben Összeállította: dr. Leitold Adrien egyetemi docens 2008.09.08. 1 Vektorok skaláris szorzata Két R n -beli vektor skaláris szorzata: Legyen a = (a 1,a 2,,a n ) és b

Részletesebben

1. Sajátérték és sajátvektor

1. Sajátérték és sajátvektor 1. Sajátérték és sajátvektor Leképezés diagoális mátrixa. Kérdés Mely bázisba lesz egy traszformáció mátrixa diagoális? A Hom(V) és b 1,...,b ilye bázis. Ha [A] b,b főátlójába λ 1,...,λ áll, akkor A(b

Részletesebben

Norma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei

Norma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei Indukált mátrixnorma Definíció A. M : R n n R mátrixnormát a. V : R n R vektornorma által indukált mátrixnormának nevezzük, ha A M = max { Ax V : x V = 1}. Az indukált mátrixnorma geometriai jelentése:

Részletesebben

Folytonos rendszeregyenletek megoldása. 1. Folytonos idejű (FI) rendszeregyenlet általános alakja

Folytonos rendszeregyenletek megoldása. 1. Folytonos idejű (FI) rendszeregyenlet általános alakja Folytonos rendszeregyenletek megoldása 1. Folytonos idejű (FI) rendszeregyenlet általános alakja A folytonos rendszeregyenletek megoldásakor olyan rendszerekkel foglalkozunk, amelyeknek egyetlen u = u(t)

Részletesebben

Mátrixok, mátrixműveletek

Mátrixok, mátrixműveletek Mátrixok, mátrixműveletek 1 előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Mátrixok, mátrixműveletek p 1/1 Mátrixok definíciója Definíció Helyezzünk el n m elemet egy olyan téglalap

Részletesebben

Gyakorló feladatok I.

Gyakorló feladatok I. Gyakorló feladatok I. a Matematika Aa Vektorüggvények tárgyhoz (D D5 kurzusok) Összeállította: Szili László Ajánlott irodalmak:. G.B. Thomas, M.D. Weir, J. Hass, F.R. Giordano: Thomas-féle KALKULUS I.,

Részletesebben

1. Lineáris transzformáció

1. Lineáris transzformáció Lineáris transzformáció Lineáris transzformáció mátrixának felírása eg adott bázisban: Emlékeztető: Legen B = {u,, u n } eg tetszőleges bázisa az R n -nek, Eg tetszőleges v R n vektor egértelműen felírható

Részletesebben

Numerikus módszerek II. zárthelyi dolgozat, megoldások, 2014/15. I. félév, A. csoport. x 2. c = 3 5, s = 4

Numerikus módszerek II. zárthelyi dolgozat, megoldások, 2014/15. I. félév, A. csoport. x 2. c = 3 5, s = 4 Numerikus módszerek II. zárthelyi dolgozat, megoldások, 204/5. I. félév, A. csoport. Feladat. (6p) Alkalmas módon választva egy Givens-forgatást, határozzuk meg az A mátrix QR-felbontását! Oldjuk meg ennek

Részletesebben

Az impulzusnyomatékok általános elmélete

Az impulzusnyomatékok általános elmélete Az impulzusnyomatékok általános elmélete November 27, 2006 Az elemi kvantummechanika keretében tárgyaltuk már az impulzusnyomatékot. A továbbiakban általánosítjuk az impulzusnyomaték fogalmát a kvantummechanikában

Részletesebben

Lineáris algebra és a rang fogalma (el adásvázlat, szeptember 29.) Maróti Miklós

Lineáris algebra és a rang fogalma (el adásvázlat, szeptember 29.) Maróti Miklós Lineáris algebra és a rang fogalma (el adásvázlat, 2010. szeptember 29.) Maróti Miklós Ennek az el adásnak a megértéséhez a következ fogalmakat kell tudni: (1) A mátrixalgebrával kapcsolatban: számtest

Részletesebben

Markov-láncok stacionárius eloszlása

Markov-láncok stacionárius eloszlása Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius

Részletesebben

1. Mátrixösszeadás és skalárral szorzás

1. Mátrixösszeadás és skalárral szorzás 1 Mátrixösszeadás és skalárral szorzás Mátrixok tömör jelölése T test Az M = a i j T n m azt az n sorból és m oszlopból álló mátrixot jelöli, amelyben az i-edik sor j-edik eleme a i j T Példák [ ] Ha M

Részletesebben

6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió

6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió 6. Előadás Megyesi László: Lineáris algebra, 37. 41. oldal. Gondolkodnivalók Lineáris függetlenség 1. Gondolkodnivaló Legyen V valós számtest feletti vektortér. Igazolja, hogy ha a v 1, v 2,..., v n V

Részletesebben

Megoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1

Megoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1 Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =

Részletesebben