Matematika Plus 1 építőmérnök hallgatóknak



Hasonló dokumentumok
Matematika Plus 1 építőmérnök hallgatóknak

Matematika MSc Építőmérnököknek. Szerző: Simon Károly

Vektorterek. =a gyakorlatokon megoldásra ajánlott

Vektorok, mátrixok, lineáris egyenletrendszerek

15. LINEÁRIS EGYENLETRENDSZEREK

MATEMATIKA MSC ÉPÍTŐMÉRNÖKÖKNEK

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

Egyenletek, egyenlőtlenségek VII.

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

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

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

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz

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

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

1. Bázistranszformáció

Lineáris algebra zárthelyi dolgozat javítókulcs, Informatika I márc.11. A csoport

Matematika A2 vizsga mgeoldása június 4.

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

3. Lineáris differenciálegyenletek

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

Gauss elimináció, LU felbontás

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

3. Előadás. Megyesi László: Lineáris algebra, oldal. 3. előadás Lineáris egyenletrendszerek

összeadjuk 0-t kapunk. Képletben:

1. Determinánsok. Oldjuk meg az alábbi kétismeretlenes, két egyenletet tartalmaz lineáris egyenletrendszert:

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

Gauss-eliminációval, Cholesky felbontás, QR felbontás

Haladó lineáris algebra

Mátrixok 2017 Mátrixok

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

1. zárthelyi,

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

Műveletek mátrixokkal. Kalkulus. 2018/2019 ősz

Keresztmetszet másodrendű nyomatékainak meghatározása

Lineáris algebra. =0 iє{1,,n}

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.

Bevezetés az algebrába 2

Matematika (mesterképzés)

Lineáris egyenletrendszerek

Lin.Alg.Zh.1 feladatok

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

1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak

Matematika A1a Analízis

Számítási feladatok a Számítógépi geometria órához

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, mátrixegyenlet

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

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

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

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

Vektorterek. Wettl Ferenc február 17. Wettl Ferenc Vektorterek február / 27

karakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja

8. Előadás. Megyesi László: Lineáris algebra, , oldal. 8. előadás Mátrix rangja, Homogén lineáris egyenletrendszer

Matematika szigorlat június 17. Neptun kód:

1. feladatsor Komplex számok

Szinguláris érték felbontás Singular Value Decomposition

Sajátértékek és sajátvektorok. mf1n1a06- mf1n2a06 Csabai István

Oktatási Hivatal. 1 pont. A feltételek alapján felírhatók az. összevonás után az. 1 pont

Lineáris egyenletrendszerek

Gauss-Seidel iteráció

KOVÁCS BÉLA, MATEMATIKA I.

Numerikus módszerek 1.

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

11. DETERMINÁNSOK Mátrix fogalma, műveletek mátrixokkal

Sorozatok I. Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma)

Lineáris algebra. (közgazdászoknak)

Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek

17. előadás: Vektorok a térben

Diszkrét matematika II., 5. előadás. Lineáris egyenletrendszerek

MATEMATIKA FELADATGYŰJTEMÉNY

Numerikus módszerek beugró kérdések

Lineáris Algebra gyakorlatok

5. Előadás. (5. előadás) Mátrixegyenlet, Mátrix inverze március 6. 1 / 39

1. Lineáris transzformáció

Fraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk

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

Vektorgeometria (2) First Prev Next Last Go Back Full Screen Close Quit

1 Lebegőpontos számábrázolás

6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének

7. gyakorlat megoldásai

Lineáris algebra numerikus módszerei

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

1. Homogén lineáris egyenletrendszer megoldástere

9. gyakorlat Lineáris egyenletrendszerek megoldási módszerei folyt. Néhány kiegészítés a Gauss- és a Gauss Jordan-eliminációhoz

Lineáris algebra Gyakorló feladatok

Összeállította: dr. Leitold Adrien egyetemi docens

Elemi algebrai eszközökkel megoldható versenyfeladatok Ábrahám Gábor, Szeged

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

Intergrált Intenzív Matematika Érettségi

I. VEKTOROK, MÁTRIXOK

Megoldás: Mindkét állítás hamis! Indoklás: a) Azonos alapú hatványokat úgy szorzunk, hogy a kitevőket összeadjuk. Tehát: a 3 * a 4 = a 3+4 = a 7

Bevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek

Tartalom. Állapottér reprezentációk tulajdonságai stabilitás irányíthatóság megfigyelhetőség minimalitás

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

Első zárthelyi dolgozat megoldásai biomatematikából * A verzió

Alkalmazott algebra. Lineáris leképezések EIC. Wettl Ferenc ALGEBRA TANSZÉK BMETE90MX57 (FELSŐBB MATEMATIKA INFORMATIKUSOKNAK )

8. Egyenletek, egyenlőtlenségek, egyenletrendszerek II.

LINEÁRIS EGYENLETRENDSZEREK október 12. Irodalom A fogalmakat, definíciókat illetően két forrásra támaszkodhatnak: ezek egyrészt elhangzanak

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

12. előadás. Egyenletrendszerek, mátrixok. Dr. Szörényi Miklós, Dr. Kallós Gábor

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

Átírás:

Matematika Plus építőmérnök hallgatóknak Simon Károly.5.

Tartalomjegyzék. I. előadás 3.. Kiegészítés az A-ben tanultakhoz: Determináns....... 3... Elemi sor transzformációk hatása a determinánsra:. 5... Determináns geometriai jelentése:........... 6. II. előadás 8.. Gauss-Jordan elimináció.................... 8.. Kifeszített altér bázisának meghatározása........... 3. III. előadás 7 3.. Áttérés egyik bázisról a másikra................ 7 3.. Lineáris transzformációk.................... 9 3... Lineáris transzformáció mátrixai különböző bázisokban 4. IV. előadás 4.. A mátrix fundamentális alterei................. 4.. Dimenzió tétel mátrixokra................... 3 4.3. Az A T A és az AA T mátrixok.................. 5 4.4. Négyzetes mátrixok szinguláris érték felbontása....... 7 4.5. Merőleges vetítések R n -ben................... 8 4.6. Altérre vonatkozó projekció mátrixa.............. 3 4.6.. Alkalmazás I. lineáris egyenletrendszerek....... 35 5. A hatvány módszer 4 5.. Alkalmazás: Internet kereső motorokban........... 4 6. 5. előadás 45 6.. Differenciálszámítás magasabb dimenzióban......... 45

TARTALOMJEGYZÉK 6.. Magasabb rendű deriváltak................... 46

. fejezet I. előadás.. Kiegészítés az A-ben tanultakhoz: Determináns (Q) Legyen A = a... a n......... a n... a nn egy n n-es mátrix. Az A mátrix a ij elemének minorja M ij annak a mátrixnak a determinánsa, amelyet úgy kapunk, hogy az A mátrixból eldobjuk az i-edik sort és a j-edik oszlopot. A C ij := ( ) i+j M ij számot az a ij elem cofactorának hívjuk. Ekkor det(a) = a i C i + a i C i + + a in C in. (.) Ezt a kifejezést a determináns i-edik sor szerinti cofactor kifejtésének mondjuk. 3. PÉLDA: Legyen A = 4. Ekkor tekinthetjük az utolsó sor szerinti cofactor kifejtést: det(a) = ( ) 3+ (3 4 ) = 6 3

. FEJEZET. I. ELŐADÁS 4 A 3 3-as mátrix determinánsát meg kaphatjuk a következő módon is: a a a 3 det a a a 3 = a a a 33 + a a 3 a 3 + a 3 a a 3 aa 3 a 3 a 33 (a 3 a a 3 + a a a 33 + a a 3 a 3 ) (.) Ennek egy elmés általánosításaként egy tetszőleges n n-es determináns kiszámítható. Ennek leírásához szükség van a következő fogalomra: ha az {,,... n} számok sorrendjének tetszőleges felcserélésével megkapjuk a {j,..., j n } számokat, akkor azt mondjuk, hogy a {j,..., j n } számok az {,,... n} egy permutációja. Azt mondjuk, hogy a {j,..., j n } permutáció páros, ha azon cserék száma amivel a {j,..., j n } ből az {,,... n} vissza nyerhető egy páros szám. Egyébként a permutáció páratlan. Például: ha n = 3 az permutációk párosak, míg a {,, 3}, {, 3, }, {3,, } {3,, }, {,, 3}, {, 3, } permutációk páratlanok. Előjeles elemi szorzatnak nevezzük a ±a j a j... a njn alakú szorzatokat, ahol a + jelet akkor választjuk, ha a {j,..., j n } permutáció páros egyébként a mínusz jelet választjuk.. TÉTEL: det(a) egyenlő az összes lehetséges előjeles elemi szorzatok összegével. Vegyük észre, hogy ez éppen (.) általánosítása. Ezen tételt használva be lehet látni, hogy:. TÉTEL: Minden A négyzetes (n n-es valamilyen n-re) mátrixra det(a) = det(a T ). Ez azt is jelenti, hogy az (.)-ben adott sor szerinti cofactor kifejtés helyett az oszlop szerinti cofactor kifejtést is használhatjuk. Vagyis minden j n-re: det(a) = a j C j + a j C j + A nj C nj. (.3)

. FEJEZET. I. ELŐADÁS 5... Elemi sor transzformációk hatása a determinánsra: Emlékezzünk, hogy elemi sor transzformációnak neveztük ha. Az i-edik sor c-szeresét a j-edik sorhoz adjuk.. Az i-edik sort és a j-edik sort felcseréljük. 3. Az i-edik sort egy c számmal megszorozzuk. Vegyük észre, hogy egy: Mivel Az. sor transzformációt megvalósíthatjuk az A mátrixon, ha az A mátrixot balról megszorzunk egy olyan mátrix-al, amely az I n egység mátrixtól csak abban tér el, hogy a ji edik eleme nem nulla hanem c Jelöljük ezt a mátrixot E ji (c)-vel. A. sor transzformációt megvalósíthatjuk az A mátrixon, ha az A mátrixot balról megszorzunk egy olyan mátrix-al, amely az I n egység mátrixtól csak abban tér el, hogy ij-edik és ji-edik eleme ii-edik és jj-edik eleme. Legyen ezen a mátrix neve: E i j A 3. sor transzformációt megvalósíthatjuk az A mátrixon, ha az A mátrixot balról megszorzunk egy olyan mátrix-al, amely az I n egység mátrixtól csak abban tér el, hogy ii-edik eleme nem hanem c. Legyen ezen a mátrix neve: E ii (c). det(e ij (c)) =, det(e i j ) =, det(e ii (c)) = c, ezért az. sor transzformáció nem változtat a determináns értékén. A második a determinánst előjelét megváltoztatja, a harmadik a determinánst c-szeresére változtatja.

. FEJEZET. I. ELŐADÁS 6... Determináns geometriai jelentése: Egy (négyzetes) mátrix determinánsa mindig egy szám. Ennek van abszolút értéke és előjele. Először megértjük a determináns abszolút értékének geometriai jelentését, azután pedig a determináns előjelének a geometriai jelentését értjük meg. A determináns abszolút értékének a jelentése: Jelöljük az a... a n A =......... a n... a nn mátrix j-edik oszlop vektorát u j -vel. Vagyis a a a u =., u a =.,..., u n = a n Ezt úgy is írhatjuk, hogy Vegyük észre, hogy a n A = [u, u,..., u n ] A e i = u i, a n a n ahol e i az i-edik koordináta egység vektor, vagyis az a vektor, aminek minden koordinátája kivéve az i-edik koordinátát ami viszont -el egyenlő. Ezért az y A y (.4) leképezés az R n egység kockáját vagyis a. a nn K = {(x, x,..., x n ) : x, x,..., x n } halmazt értelműen rá képezi az u, u,..., u n vektorok által kifeszített P < u, u,..., u n > parallelepipedonra. A determináns abszolút értéke éppen ezen P < u, u,..., u n > parallelepipedon térfogata. Vagyis az A mátris determinánsának abszolút értéke azt mondja meg, hogy az f : y A y.

. FEJEZET. I. ELŐADÁS 7 lineáris leképezés esetén egy H R n halmaz f(h) képének térfogata hányszorosa a H térfogatának. Képletben: térfogatf(h) = det(a) térfogat(h). A determináns előjelének jelentése: Ha a determináns előjele pozitív, akkor az f : y A y leképezés irányítás tartó (mint például a forgatások). Ha a determináns előjele negatív az f irányítás váltó (mint például a tükrözések).

. fejezet II. előadás.. Gauss-Jordan elimináció Az A előadáson tanult Gauss elimináció során a mátrixot sor-echelon alakra hoztuk elemi sor transzformációk egymás utáni alkalmazásaival. Emlékeztetek, hogy egy mátrix sor echelon alakban van ha:. A csupa nullából álló sorok (ha vannak a mátrixban egyáltalán) a mátrix utolsó sorai.. Ha egy sornak van nem nulla eleme, akkor az első nem nulla elem egyes. 3. Két egymás utáni sor mindegyike tartalmaz nem nulla elemet, akkor az első nem nulla elem (ami szükségszerűen egyes) az alsó sorban, jobbra van a felső sor első nem nulla elemétől (ami szintén egyes). Nevezzük a fenti definícióban szereplő minden nem csupa nulla sor elején álló egyeseket pivot elemeknek és ezen elemek oszlopait pivot oszlopoknak. A sor echelon alakból a redukált sor echelon alakot úgy kapjuk hogy ha a sor-echelon alakból indulva, a pivot elemek sorainak megfelelő többszöröseit levonva a felettük lévő sorokból elérjük, hogy a mátrixban a pivot elemek felett csak nullák legyenek.. PÉLDA: A = 7 4 6 8 4 5 6 5 8

. FEJEZET. II. ELŐADÁS 9 Az A mátrixból sor-echelon alakra hozás után kapjuk az: 5 3 6 4 A = 7 6 mátrixot, ahol a pirossal írt elemek a pivot elemek. Most alakítjuk ki a redukált sor-echelon formát: Az utolsó nem csupa nulla sor (vagyis a mi esetünkben a harmadik sor) megfelelő szám szorosait hozzáadjuk a megelőző sorokhoz, hogy az utolsó nem csupa nulla sor pivot eleme felett csak nullák legyenek: Vagyis az utolsó sor 7 -szeresét hozzáadjuk a második sorhoz és ugyanebben a lépésben az utolsó sor 6 szorosát hozzáadjuk az első sorhoz. Kapjuk: 5 3 7, ahol a kék szín jelöli az újonnan kialakított nullákat az utolsó sor pivot eleme (piros -es) felett. Most az így kapott mátrix második sorának pivot eleme feletti pozíción akarunk nullát kialakítani. Ehhez, hozzáadjuk a második sor 5-szörösét az első sorhoz. Ennek eredményeként kapjuk a redukált sorechelon alakú mátrixot: A = 3 7 Látható, hogy az A sor-echelon alakban és az A redukált sor-echelon alakban a pivot elemek ugyanazok. Azt a folyamatot, amelynek során az A mátrixból a redukált sor-echelon alakú A mátrixot létrehoztuk Gauss-Jordán eliminációnak hívjuk. > with(linalg): > A:=matrix(3,6,[,,-,,7,,,4,-,6,,8,,4,-5,6,-5,-]); 7 4 6 8 4 5 6 5

. FEJEZET. II. ELŐADÁS >gaussjord(a); 3 7 3. PÉLDA: Adott a síkon 4 pont, melyek x koordinátái különbözőek. Ehhez létezik egyetlen olyan legfeljebb harmadfokú polinom, amely mind a négy adott ponton átmegy. Határozzuk meg ezt a polinomot, ha a pontok P = (, ), P = (, 4), P 3 = (, ), P 4 = (, 3). Megoldás: Jelöljük a keresett (legfeljebb) harmadfokú polinomot p(x)-el. Ekkor p(x) = a + a x + a x + a 3 x 3. Azt hogy a p(x) polinom átmegy az adott négy ponton a következő négy egyenlet írja le: a + ( )a + ( ) a + ( ) 3 a 3 = a + ( )a + ( ) a + ( ) 3 a 3 = 4 a + ()a + () a + () 3 a 3 = a + ()a + () a + () 3 a 3 = 3 Az egyenletrendszer kibővített mátrixa: - 4-8 - - - 4. 4 8 3 Ezt Gauss-Jordan eliminációval redukált sor-echelon alakra hozzuk: 3 6 7/4 5/6. 3/4

. FEJEZET. II. ELŐADÁS Az utolsó oszlopban álló elemek adják rendre a, a, a, a 3 értékét. Vagyis a keresett polinom: p(x) = 3 6 7 4 x 5 6 x + 3 4 x3.

. FEJEZET. II. ELŐADÁS Ezt az ábrát a következő MAPLE program eredményezi: > x:=[-,-,,]: > y:=[-,4,,3]: > #corresponding data points: > with(stats):with(plots): Warning, these names have been redefined: anova, describe, fit, importdata, random, statevalf, statplots, transform > pts:=zip((x,y)->[x,y],x,y): > pt_plot:=pointplot(pts): > inter_poly:=interp(x,y,x): > ip_plot:=plot(inter_poly, x=-3..4,color=green): > ls_fit:=fit[leastsquare[[x,y],y=a*x+b, {a,b}]]([x,y]): > ls_plot:=plot(rhs(ls_fit),x=-3..4,color=blue): > ls_fit:=fit[leastsquare[[x,y],y=a*x^+b*x+c, {a,b,c}]]([x,y]): > ls_plot:=plot(rhs(ls_fit),x=-3..4,color=red): > display([pt_plot,ls_plot,ls_plot,ip_plot]);.. Kifeszített altér bázisának meghatározása Adottak az S = {v,..., v s } R d -beli vektorok. Legyen W R d az S által kifeszített altér. Vagyis W azon vektorok összesége, amelyek előállnak

. FEJEZET. II. ELŐADÁS 3 S-beli vektorok lineáris kombinációjaként. W = {w : α,..., α s ; w = α v + + α s v s }. Két természetes probléma fordul elő nagyon gyakran:. Találjuk meg W egy tetszőleges bázisát.. Találjuk meg W egy olyan bázisát, amely S-beli vektorokból áll. Az első problémát megoldottuk A-ben. Nevezetesen az S-beli vektorokból mint sor vektorokból alkottunk egy B mátrixot. Ezt a B mátrixot Gauss eliminációval sor-echelon alakra hoztuk. A nem nulla sor vektorok alkották a W egy bázisát. Ez így egyszerű és nagyon gyors, viszont az ilymódon kapott bázis vektorok általában nem az S-beli vektorok közül kerülnek ki tehát ez a módszer megoldja az első problémát de nem oldja meg a nehezebb második problémát. A második probléma megoldásához szükséges a következő észrevétel: Észrevétel: Legyen A egy k s méretű mátrix melynek oszlop vektorai c,..., c s R k : a... a s A =... = [ ] c... c s. (.) a k... a ks Tegyük fel, hogy az oszlop vektorok között fennáll c i = k i α k c k. Hajtsunk végre egy tetszőleges elemi sor transzformációt az A mátrixon. Így kapjuk az A mátrixot, melynek oszlop vektorait jelöljük c,..., c s R k -vel. Vagyis az elemi sor transzformáció eredménye: A = a... a s... a k... a ks = [ c... c s ]. (.)

. FEJEZET. II. ELŐADÁS 4 3. TÉTEL: Használva a fenti jelőléseket: c i = k i α k c k. Vagyis az A mátrix oszlop vektorai között ugyanazok az összefüggőségi viszonyok vannak mint az A mátrix esetén. A fenti. probléma megoldása az Észrevétel segítségével: Legyen A az a k s méretű mátrix, melynek oszlop vektorait az S elemei ugyanazon sorrendben. A = a... a s... a k... a ks = [ v... v s ]. (.3) Hajtsuk végre a Gauss-Jordan eliminációt. Vagyis az A mátrixból kiindulva hajtsuk végre elemi sor transzformációk azon sorozatát, melynek eredményeként kapunk egy redukált sor-echelon alakú mátrixot, melyet A -nek nevezünk. Ennek a pivot oszlopainak megfelelő S-beli elemek alkotják a W -nek S-beli bázisát. 4. PÉLDA: Legyen W a következő vektorok által kifeszített altere R 4 -nek: 5 v =, v = 5 3, v 3 = 3, v 4 = 4, v 5 = 8. 3 6 7 Határozzuk meg a W egy olyan bázisát, melynek minden eleme ezen v,..., v 5 vektorok közül kerül ki. Megoldás: Legyen A az a mátrix, melynek oszlop vektorai az adott vektorok: 5 A = 5 8 3 3 4. 3 6 7 Alkalmazzuk a Gauss-Jordan eliminációt a MAPLE segítségével::

. FEJEZET. II. ELŐADÁS 5 > with(linalg): > A:=matrix(4,5,[,,,,5,-,-5,,-,-8,,-3,3,4,,3,6,,-7,]): > gaussjord(a);, ahol a kékkel írt elemek a pivot elemek az oszlopaik a pivot oszlopok. A tétel értelmében a pivot oszlopoknak megfelelő sorszámú v vektorok alkotják a W bázisát. Vagyis a {v, v, v 4 } a W egy bázisát adja.

. FEJEZET. II. ELŐADÁS 6 3-3 - - x 3 4 -.. ábra. A P,..., P 4 pontokat legjobban megközelítő első- (kék) másod- (piros) és harmadfokú (zöld) polinomok.

3. fejezet III. előadás 3.. Áttérés egyik bázisról a másikra Az R n természetes bázisának hívjuk a T = {e,..., e n } bázist, ahol e = ; e = ; e 3 = ;... e n =..... A v vektor természetes bázisban vett koordinátáit vagy [v] T -vel jelöljük vagy egyszerűen csak v-t írunk. Ha B = {u,..., u n } egy tetszőleges bázisa az R n -nek, akkor v R n vektor egyértelműen felírható v =α u +... + α n u n alakban. Ekkor azt mondjuk a B bázisban a v vektor koordinátái: α.. Jelben: [v] B = α. α n. α n 7

3. FEJEZET. III. ELŐADÁS 8 5. PÉLDA: Ha u = [ tehát [v] B = 3 [ ], u = [ 3 ] és v = v = u 3u ], ahol a B = {u, u } bázis. [ 7 7 ], akkor 4. TÉTEL: Ha B = {u,..., u n } egy tetszőleges bázisa az R n -nek, akkor v R n vektorra: [v] T = [u,..., u n ] [v] B, ahol [u,..., u n ] egy mátrix, melynek első oszlopa u, második oszlopa u,...,n-edik oszlopa u n. Ezt a jelölést később is használjuk. Bizonyítás. Ha [v] B = α. α n, akkor [v] T = α u +... + α n u n = [u,..., u n ] α. α n = [u,..., u n ] [v] B.. KÖVETKEZMÉNY: Egy v R n vektor koordinátáit a B = {u,..., u n } bázisban a következő formula adja: [v] B = [u,..., u n ] [v] T. (3.). KÖVETKEZMÉNY: Ha B = {u,..., u n } és B = {u,..., u n} bázisai az R n -nek és v R n, akkor [v] B = [u,..., u n] [u,..., u n ] [v] B (3.). DEFINÍCIÓ: A [u,..., u n] [u,..., u n ] mátrixot a B bázisról a B bázisra való áttérés mátrixának hívjuk. [ 5 6. PÉLDA: Határozzuk meg a v = 6 bázisban! ] vektor koordinátáit a B = {[ ] [ 3, 4 ]}

3. FEJEZET. III. ELŐADÁS 9 Megoldás: Legyen P = [ 3 4 P v. Mivel det (P ) =, ezért P = [v] B = [.4.3.. ]. A. Következmény miatt [v] B = [ ] 4 3. Tehát ] [ ] [ ] 5 3.8 =. 6.4 7. PÉLDA: Adottak a következő bázisok: {[ ] [ ]} {[ ] [ ]} 4 B =,, B =, (3.3) 3 [ ] ha w vektor koordinátái a B-ben [w] B = kérdés mik a w koordinátái 7 a B -ben? Megoldás: Alkalmazhatjuk a (3.) formulát: [w] B = [u, u ] [u, u ] [w] B. (3.4) [ ] Ehhez: Legyen P := [u, u ] =. Ekkor det (P ) =, tehát P 3 = [ ] [ ] [ ] [ ] [ ] 4. Tehát [w] 3 B = 35 = 3 7 99. 3.. Lineáris transzformációk. DEFINÍCIÓ: Az F : R n R s leképezést lineáris transzformációnak hívjuk, ha a. F (u + v) = F (u) + F (v), u, v R n ; b. F(cu) = cf (u) ; c R és u R n. 8. PÉLDA: A sík és az egyenes lineáris transzformációi:. Számegyenes lineáris transzformációi az F (x) = cx alakú függvények.. A sík lineáris transzformációi például az origó körüli forgatások, origón átmenő egyenesre tükrözések, vagy F (x, x ) = (x, 3x ).

3. FEJEZET. III. ELŐADÁS 9. PÉLDA: Határozzuk meg az origó körüli (pozitív irányú) 3 -os szöggel való forgatás mátrixát, majd ennek segítségével számítsuk ki a v = [, 5] vektor 3 -os szöggel való elforgatásával kapott w vektort! [ 3 {[ Megoldás: ] [ ]} Mivel nem specifikáltuk, hogy melyik bázisról van szó, ezért az, természetes bázisban dolgozunk. Itt először meghatározzuk ([ ]) ([ ]) b = F és b = F értékeket, majd ezekből képezzük a B = [ ] b b mátrixot ] [ ] [ 3 ] b = és b = 3. Tehát B =. Ennek segítségével megkaphatjuk annak a w vektornak a koordinátáit, amit a v = (, 5) vektor origó körüli (pozitív irányú) 3 -os forgatásával kapunk: [ ] [ 3 ] [ ] [ 3 ] w = B = = 5. 5 5 3 3 + 5 3 3. DEFINÍCIÓ: Azt mondjuk, hogy a B := {u, u } bázisban az F : R R lineáris transzformáció mátrixa M B, ha minden vektorra: teljesül. Alkalmazva a definíciót az [F (a)] B = M B [ a = α u + α u ] és a [ α α [ ] = M B [a] B (3.5) ] vektorokra, kapjuk, hogy M B = [ [F (u )] B [F (u )] B ], (3.6) vagyis, a -es M B mátrix első oszlopa [F (u )] B és második oszlopa: [F (u )] B.

3. FEJEZET. III. ELŐADÁS 3... Lineáris transzformáció mátrixai különböző bázisokban 5. TÉTEL: Legyen P := [u, u ] és legyen M T, a F lineáris transzformáció mátrixa a természetes bázis ban, és M B a B = {u, u } bázisban. Ekkor M B = P M T P. (3.7) Bizonyítás. Emlékezzünk, hogy definíció szerint M B az a mátrix, amelyre teljesül, hogy bármely a vektorra: [F (a)] B = M B [a] B. (3.8) Legyen a R tetszőleges rögzített. Alkalmazzuk a (3.) formulát a v = F (a)-ra: [F (a)] B = P [F (a)] T = P M T [a] T = P M T P [a] } {{ } B M B

4. fejezet IV. előadás 4.. A mátrix fundamentális alterei 4. DEFINÍCIÓ: Adott egy k s méretű A mátrix, melynek: oszlop vektorai: c,..., v s R k és a sor vektorai r,..., r k R s. a... a s A =... = [ r ] c... c s =.. (4.) a k... a ks r k. R k -ban azon alteret, melyet az A mátrix {c,..., c s } oszlop vektorai feszítenek ki col(a)-val jelöljük.. R s -ben azon alteret, melyet az A mátrix {r,..., r k } sor vektorai feszítenek ki row(a)-val jelöljük. 3. A-ben tanultuk, hogy a sor vektorok és az oszlop vektorok által kifeszített alterek (noha az első R s -beli a második R k -beli) dimenziói egyenlőek. Ezen közös dimenziót hívjuk a mátrix rangjának, jele: rank(a). 4. Az A mátrix nullterének hívjuk azon x R s vektorok alterét, melyekre: A x =, jele null(a). Az A nulltérének dimenziója az A nulluty-je, jele nullity(a). Mivel az A mátrix-al együtt az A T transzponált mátrix is fontos ezért a transzponált mátrixra is fel akarjuk írni ugyanezeket a mennyiségeket. Vi-

4. FEJEZET. IV. ELŐADÁS 3 szont a transzponálás sort oszlopba visz és viszont, ezért: row(a T ) = col(a) és row(a) = col(a T ). 5. DEFINÍCIÓ: Az A mátrix fundamentális alterei: row(a), col(a), null(a), null(a T ). 4.. Dimenzió tétel mátrixokra 6. TÉTEL: (Dimenzió tétel mátrixokra) Legyen A egy k s méretű (tehát nem feltétlen négyzetes) mátrix. Ekkor Bizonyítás. Tekintsük az rank(a) + nullity(a) = s. (4.) A x = egyenletet (itt x, R s ). Gauss eliminációt alkalmazva ezen egyenlet kiegészített mátrixát sor-echelon alakra hozzuk. Tegyük fel, hogy a nem csupa nulla sorok száma r-el egyenlő. Ekkor rank(a) = r. Minden nem csupa nulla sor egy ki nem küszöbölhető egyenletet jelent ami meg köt egy változót. Tehát az összesen s változóból megkötünk r változót. Így tehát marad s r szabad változónk. Vagyis: Más szavakkal: szabad változók száma = s rank(a) rank(a) + szabad változók száma = s. Másrészt a szabad változók száma éppen az A x = egyenlet megoldásai által meghatározott altér dimenziója. Más szavakkal: nullity(a) = szabad változók száma. Összetéve a két utolsó egyenletet kapjuk a tétel állítását. Legyen S R d. Ekkor az S merőleges alterének hívjuk azon R d -beli vektorok halmazát, melyek az S összes elemére merőlegesek, jele S. S := { w R d : v S; v w }.

4. FEJEZET. IV. ELŐADÁS 4 7. TÉTEL: (Alterekre vonatkozó dimenzió tétel) Legyen W az R s egy altere. Ekkor dim(w ) + dim(w ) = s. Bizonyítás. Ha W az R s -nek a két triviális altere (, R s ) közül az egyik, akkor a tétel triviálisan igaz. Egyébként pedig választunk egy bázist a W. Tegyük fel, hogy ez a bázis k elemű. Ebből a bázisból mint sor vektorokból képezzük a k s méretű A mátrixot. Nyilván Tehát az előző tételt használva: row(a) = W és null(a) = W. (4.3) dim W + dim W = rank(a) + nullity(a) = s. Házi feladat: Igazoljuk, hogy minden A mátrixra: (a) (b) col(a) = null(a T ). (4.4) row(a) = null(a). (4.5) A fenti tétel következtében belátható, hogy: 8. TÉTEL: Legyen A egy n n-es (tehát négyzetes) mátrix. Legyen továbbá T A : R n R n az A mátrixhoz tartozó lineáris leképezés melyet a következőképpen definiálunk: x A x. Ekkor a következő állítások ekvivalensek: (a) Az A mátrix redukált sor-echelon alakja egyenlő az n-dimenziós egység mátrix-al I n -el. (b) Az A mátrixot felírhatjuk elemi mátrixok szorzataként. (c) Az A mátrix invertálható. (d) A x = -nak a triviális x = az egyetlen megoldása.

4. FEJEZET. IV. ELŐADÁS 5 (f) Minden b R n -re az A x = b-nek pontosan egy megoldása van. (g) det(a). (h) λ = nem sajátértéke az A mátrixnak. (i) T A leképezés értelmű. (j) T A leképezés ráképezés R n -re. (k) Az A mátrix oszlop vektorai lineárisan függetlenek. (l) Az A mátrix sor vektorai lineárisan függetlenek. (m) Az A mátrix oszlop vektorai az R n egy bázisát alkotják. (n) Az A mátrix sor vektorai az R n egy bázisát alkotják. (o) rank(a) = n. (p) nullity(a) =. A 7. Tétel egy másik következménye: 9. TÉTEL: Legyen W az R n -nek egy n dimenziós altere. Ekkor létezik egy a R n vektor, hogy W = {c a : c R}. Vagyis W az a vektor által meghatározott egyenes. Az ilyen W altereket hipersíkoknak hívjuk. Bizonyítás. 7. Tételből tudjuk, hogy ekkor dim(w ) = vagyis W egy origón átmenő egyenes. 4.3. Az A T A és az AA T mátrixok Adott az A az a k s méretű mátrix, melynek oszlop vektorait c,..., c s és sor vektorai: r,..., r k. a... a s A =... = [ r ] c... c s =. (4.6) a k... a ks r s

4. FEJEZET. IV. ELŐADÁS 6 Ekkor A T A = A A T = c. c s r. r k [ c... c s ] = [ r... r k ] = c c... c c s... r k r... r k r k... c s c... c s c s r r... r r k. TÉTEL: Legyen A egy k s méretű mátrix. Ekkor (a) null(a) = null(a T A), (b) row(a) = row(a T A), (c) col(a T ) = col(a T A), (d) rank(a) = rank(a T A). Bizonyítás. Csak az (a) részt bizonyítjuk: Tehát megmutatjuk, hogy Ehhez két dolgot kell megmutatni: (i) Ha a null(a), akkor a null(a T A) (ii) Ha a null(a T A), akkor a null(a) Az (i) triviális hiszen null(a) = null(a T A). (4.7) a null(a) A a = A T (A a) = (A T A) a =. Most megmutatjuk, hogy a (ii) rész is teljesül: Legyen a null(a T A). Ez azt jelenti, hogy A T A a =. Ez azt jelenti, hogy az a R s vektor merőleges a rowa T A altérre. Vegyük észre, hogy (A T A) T = A T A vagyis az A T A mátrix szimmetrikus. Ezért az a vektor merőleges a col(a T A) = row(a T A) altérre is. Ez azt jelenti, hogy az a vektor merőleges minden A T A y alakú vektorra bármi is az y R s vektor. Tehát az a vektor merőleges az A T A a vektorra is. Ezért: = a T ((A T A)a) = (a T A T ) (Aa) = (Aa) T (Aa). Innen pedig = Aa vagyis a null(a).

4. FEJEZET. IV. ELŐADÁS 7 4.4. Négyzetes mátrixok szinguláris érték felbontása Mi itt csak a négyzetes mátrixok szinguláris érték felbontását tárgyaljuk. Legyen A egy d d-es mátrix, melyre rank(a) = k d. (4.8) Legyenek az A T A mátrix sajátértékei csökkenő sorrendben: λ λ d, ezek közül az első k nem nulla de mindegyik nem negatív. Ez azért van mert ha v j az A T A mátrixnak a λ j -hez tartozó egység hosszú sajátvektora, akkor: Av j = Av j Av j = v j A T Av j = λ j (v j v j ) = λ j v j, tehát λ j. Mivel ezek a λ,..., λ d számok mind nem negatívak tekinthetjük a négyzetgyökeiket: α α α d. Ezeket hívjuk az A mátrix szinguláris értékeinek. Tekintsük a ortogonális mátrixot. Végül legyen V = [v... v d ] Ha i j, akkor: u i := Av i α i. Av i Av j = v i A T Av j } {{ } λ j v j = λ j v i v j =. Tehát az {u,..., u d } rendszer ortonormált rendszer. Képezzük az U = [u... u d ] mátrixot és legyen D az a diagonális mátrix, melynek főátlójában az α,..., α d állnak.

4. FEJEZET. IV. ELŐADÁS 8. TÉTEL: A fenti jelölésekkel: A = U D V T. (4.9) Az u,..., u d vektorok a baloldali szinguláris vektorok és a v,..., v d a jobboldali szinguláris vektorok. Bizonyítás. UD = [α u,..., α d u d ]. Továbbá AV = UD = [α u,..., α d u d ] = [Av,..., Av d ] = A V Innen: UDV = A. Viszont tudjuk, hogy V ortogonális, vagyis V = V T. Tehát UDV T = A. 4.5. Merőleges vetítések R n -ben. FELADAT: (Merőleges vetítés R -ben) Rögzítsünk egy a R vektort. Legyen T : R R az a lineáris transzformáció, amely minden x R vektorhoz hozzá rendeli ezen x vektornak az a vektor egyenesére vett merőleges vetület vektorát (l. 4.. ábra).. FELADAT: (Merőleges vetítés R 3 -ban) Rögzítsünk R 3 -ban egy olyan S síkot, amely átmegy az origón. Legyen T : R 3 R 3 az a lineáris transzformáció, amely minden x R 3 vektorhoz hozzá rendeli ezen x vektornak az S síkra vett merőleges vetület vektorát (l. 4.3. ábra). Most a fentiekhez hasonló feladatok megoldásait tanuljuk meg abban az esetben mikor n dimenziós térben valamely k < n dimenziós altérre vetítünk.

4. FEJEZET. IV. ELŐADÁS 9 4.. ábra. Szinguláris érték felbontás Maple-ben.

4. FEJEZET. IV. ELŐADÁS 3 x a PSfrag replacements T (x) 4.. ábra. T (x) az a vektor egyenesére való merőleges vetület vektor

4. FEJEZET. IV. ELŐADÁS 3 x a S T (x) PSfrag replacements 4.3. ábra. T (x) az S síkra való merőleges vetület vektor

4. FEJEZET. IV. ELŐADÁS 3 A fenti 4.. Feladat megoldása: Tehát T (x) = x a a } {{ } az x-nek az a-ra vett vetületének hossza T (x) = x a a a. a a Nyilvánvalóan a nevezőt felírhatjuk mint a = a T a. Házi feladat meggondolni, hogyha tekintjük a n n-es mátrixot, akkor erre P = a T a aat T (x) = P x (4.) teljesül, vagyis a T lineáris transzformáció mátrixa a természetes bázisban a P mátrix. 4.6. Altérre vonatkozó projekció mátrixa. TÉTEL: (Alterekre vonatkozó projekciós tétel) Adott egy nem triviális W altere R n -nek. Legyen T W : R n R n az a lineáris transzformáció, amely minden x R n vektorhoz hozzárendeli az x vektornak a W altérre való merőleges vetületét. Ekkor a T lineáris transzformáció P mátrixát a természetes bázisban megkapjuk a következőképpen: P = M(M T M) M T, (4.) ahol M egy olyan mátrix, melynek oszlop vektorai a W egy bázisának elemei.. MEGJEGYZÉS: Így persze az M mátrix választása nem egyértelmű, de attól függetlenül a P mátrix természetesen ugyanaz lesz az M minden lehetséges értékeire.. PÉLDA: Legyen S az x 4y + z = sík.

4. FEJEZET. IV. ELŐADÁS 33 (a) Határozzuk meg az S-re való merőleges vetítés P mátrixát! (b) Használva az előző rész eredményét számítsuk ki az A = (, 3, 7) pontnak az S síkra eső merőleges vetületét! Megoldás (a): Vegyünk két nem párhuzamos vektort az S síkból. Ezek nyílván az S egy bázisát adják. Ezt megtehetjük úgy hogy az egyik pont esetén: y =, z = majd a másik pont esetén y =, z = értékeket választjuk. Ekkor az első esetben x = 4 a másodikban pedig x =. Tehát az S sík egy bázisa: Ezért az M mátrix: Maple használatával: > with(linalg): 4, M = > M:=matrix(3,,[4,-,,,,]): - 4 -. > B:=inverse(multiply(transpose(M),M)): > P:=multiply(M,B,transpose(M)); Tehát P = 4 4 5 8 8 7 P = M(M T M) M T = 4-4 5 8-8 7.

4. FEJEZET. IV. ELŐADÁS 34 Megoldás (b): x = T (x) = P x = 3 7 4 4 5 8 8 7 3 7 =. Tétel bizonyítása. Legyen w,..., w k egy bázisa W -nek. Legyen M az az n k méretű mátrix, melynek oszlopai a w,..., w k vektorok. Jelben: Ekkor mint azt (4.5)-ban láttuk M = [w,..., w k ] 6 7 5 7 47 7 W = col(m) és W = null(m T ), Az x R n fel lehet írni mint W -beli és W -beli összetevők összegeként (hasonlóan mint a (4.3). ábrán). A W -beli összetevő a T (x) a W -beli összetevőt jelöljük a-val. Tehát. x = T (x) + a, (4.) ahol T (x) col(m) és M T a = teljesül. Vegyük észre, hogy és T (x) col(m) v R k : T (x) = M v (4.3) M T a = M T (x T (x)) =. (4.4) } {{ } a Tehát HA be tudjuk látni, hogy létezik egyetlen v R k amire: akkor M T (x M v) =, (4.5) T (x) = M v és a = x T (x) (4.6) adja a fent keresett megoldást egyértelműen. Ehhez írjuk át a (4.5) egyenletet: (M T M) v = M T x. (4.7) Ennek az egyenletnek létezik és egyértelmű a megoldása az ismeretlen v vektorra, mivel

4. FEJEZET. IV. ELŐADÁS 35 az M T M egy k k-as mátrix, rank(m T M) = k. A második állítás abból jön, hogy egyrészt rank(m) = k, másrészt minden B mátrixra rank(b T B) = rank(b) (ez a??. Tétel). Tehát a (4.7) egyenletnek létezik és egyértelmű megoldása az ismeretlen v vektorra. Nevezetesen: v = ( M T M ) M T x. Innen és (4.6) egyenletből adódik, a keresett T (x) = M ( M T M ) M T x. 4.6.. Alkalmazás I. lineáris egyenletrendszerek Adott egy lineáris egyenletrendszer, amely m egyenletből és n ismeretlenből áll. Legyen ennek mátrixa A. Ekkor az egyenletrendszer leírható: A x = b (4.8) alakban. Ha ezt meg tudjuk oldani akkor jó. Ha viszont nem megoldható akkor is tehetünk valamit, nevezetesen meg lehet keresni azt az x R n vektort, amire b Ax a minimális. Mivel col(a) = {w R m : y R n, w = A y} ezért értelemszerűen azt az x vektort amire b Ax értéke a minimális megkapjuk mint a b merőleges vetületét a col(a) altérre. Nevezetesen: Legyen b a b vektornak a col(a)-ra vett merőleges vetülete. A. Tétel segítségével a b vektor meghatározható. Mivel definíció szerint b col(a) ezért a A x = b (4.9)

4. FEJEZET. IV. ELŐADÁS 36 egyenletnek van legalább egy (esetleg végtelen sok) megoldása. Megoldva ezt az egyenletet meg kapjuk a (4.8) egyenlet ún. legkisebb négyzetes megoldását. Egyszerűbb úton is eljuthatunk a (4.8) egyenlet legkisebb négyzetes megoldásához: Nevezetesen: a (4.9) egyenlet ekvivalens a Beszrozva mind két oldalt A T -vel: b Ax = b b. A T (b Ax) = A T (b b ). (4.) Házi feladat belátni, hogy ennek az egyenletnek a jobb oldala a vektorral egyenlő. Így: a (4.8) egyenlet legkisebb négyzetes x megoldása kielégíti a (A T A)x = A T b. (4.) egyenletet, melyet a (4.8) egyenlet ún. normál egyenletének hívunk. Legkisebb négyzetek módszere: Adottak az x, y változók, (x, y ), (x, y ),..., (x n, y n ) melyekről okunk van feltételezni lineáris kapcsolat van közöttük. Vagyis valamilyen meghatározandó, általunk még ismeretlen a, b R-re: y i = ax i + b i =,..., n. Azonban az adatokat mérések eredményeként kapjuk és ezért hibával terheltek. Hogyan adhatjuk az adatok alapján elérhető lehető legjobb becslést az a, b értékére? Megoldás: Az a, b-nek mint ismeretleneknek ki kellene elégíteni az y = a + bx y = a + bx. (4.) y n = a + bx n

4. FEJEZET. IV. ELŐADÁS 37 a mérési hibák miatt azonban ilyen a, b nem létezhet. Tehát keressük azt a megoldást, melyre legalább is a hibák négyzeteinek összege minimális. Ezt a (4.) egyenletrendszer legkisebb négyzetek megoldása adja. Ez az egyenletrendszer mátrixos alakban: x x.. } x n {{ } A [ a b } {{ } x Felírjuk tehát a (4.) normál egyenletet: ] = y y. y n } {{ } b (4.3) (A T A) x = A T b. (4.4) Vegyük észre, hogy A T A egy -es mátrix. Vagyis a (4.4) egyenletrendszer egy két egyenletből és két ismeretlenből álló rendszer. Mivel rank(a) = ezért a??. Tétel miatt rank(a T A) = tehát a 8. Tétel miatt létezik egyetlen megoldása. Ez a megoldása adja a keresett a, b értékeket.. PÉLDA: Hooke törvényéből következik, hogy ha egy függőlegesen felfüggesztett rugóra x súlyt helyezünk és ennek hatására a rúgó y hosszúra nyúlik, akkor az x és y között lineáris összefüggés van vagyis valamely a, b-re y = a + bx (4.5) teljesül. A következő mérési eredmények ismeretében határozzuk meg az a és b értékét: súly N-ban 4 6 8 tömeg cm-ben 6.9 7.6 8.7.4.6 Megoldás: A (4.3) egyenletbeli A mátrix és b vektor: 6.9 6.9 7.6 A = 8.7.4, b = 7.6 8.7.4.6.6

4. FEJEZET. IV. ELŐADÁS 38 Innen a normál egyenlet [ 5 Ennek megoldása Tehát ] } {{ } A T A x = [ a b [ a b } {{ } x ] [ ] 45. =.. } {{ } A T b ] = [ 6..5 a = 6.8963446 és b =.6786585366 A keresett úgynevezett regressziós egyenes: y =.6786585366 x + 6.8963446. ]

4. FEJEZET. IV. ELŐADÁS 39 9 8 7 4 x 6 8 4.4. ábra. Legkisebb négyzetek módszere.

5. fejezet A hatvány módszer Elméletileg a mátrix sajátértékeit meghatározhatjuk mint a karakterisztikus egyenletének gyökeit. Azonban ez a módszer annyi számítási nehézséget tartalmaz, hogy a gyakorlatban szinte soha nem használjuk. Ebben a fejezetben egy olyan módszert tanulunk, mellyel jó becslést adható a legnagyobb sajátértékre és a hozzátartozó sajátvektorra. Ezt a módszert internet kereső motoroknál is alkalmazzák. 6. DEFINÍCIÓ: Legyen x R n. Az x, A x, A x,..., A k x,... vektor sorozatot az A mátrix által generált hatványsorozatnak hívjuk. Ebben a fejezetben a hatvány sorozat konvergenciájának segítségével számoljuk ki a legnagyobb sajátértéket és a hozzátartozó sajátvektorokat. 7. DEFINÍCIÓ: Ha az A mátrix λ sajátértékének abszolút értéke nagyobb az A mint az bármely más sajátértékének abszolút értéke, akkor azt mondjuk, hogy a λ a domináns sajátérték és a λ -hez tartozó sajátvektorokat domináns sajátvektoroknak hívjuk. 4

5. FEJEZET. A HATVÁNY MÓDSZER 4 3. TÉTEL: Legyen A egy n n-es szimmetrikus mátrix, melynek legnagyobb sajátértéke λ >. Ha x nem merőleges a λ sajátvektoraiból álló altérre, akkor a normalizált hatványsorozat: x, x = A x A x,..., x k = konvergál egy egység hosszú domináns sajátvektorhoz és a x T Ax,..., x T k Ax k,... konvergál a λ domináns sajátértékhez. A x k A x k,... (5.) 5.. Alkalmazás: Internet kereső motorokban A Google kereső motorban alkalmazzák az ún. PageRank algoritmust. Ennek során definiálnak egy mátrixot, amely tartalmazza a keresés szempontjából releváns oldalak hivatkozási struktúráját. Ezek után a domináns sajátvektort használva fontosság szerinti csökkenő sorrendbe rendezik a releváns oldalakat. A keresés szempontjából releváns oldalakat a következő módon találják meg: Amikor a felhasználó keres egy szót vagy kifejezést a Google először egy standard szöveg alapú kereső motorral kiválasztja az oldalak kezdeti S halmazát. Ez tartalmaz sok felesleges oldalt (hiszen a keresett szónak több számunkra irreleváns jelentése is lehet) továbbá lehetnek számunkra fontos oldalak, amelyek S ban nem szerepelnek. Nevezetesen olyan oldalak, amelyek azt a dolgot amire keresünk a keresésbe általunk beírt szó szinonimájával fejezik ki. Ezért a Google itt nem részletezendő módon az S oldal halmazt kiterjeszti oldalak S halmazára, amelyekről feltételezzük, hogy a számunkra érdekes oldalakat már tartalmazza. A kereső motor feladata, hogy az oldalak ezen S halmazát (ami több ezer oldalt is tartalmazhat) a keresés szempontjából vett fontosság szerinti csökkenő sorrendbe állítsa. Itt játszik szerepét az ebben a fejezetben tanult hatvány módszer. Itt az ún. PageRank algoritmus

5. FEJEZET. A HATVÁNY MÓDSZER 4 egy variációját az ún. HITS (Hypertext Induced Topic Search) algoritmust ismertetjük, melyet 998-ban fejlesztettek ki a Clever search engine (IBM) számára: http://www.research.ibm.com/topics/popups/innovate/hci/html/chow.html A HITS algoritmus során először is felírjuk az ún. adjacency (szomszédossági) mátrixot. Ha az oldalak fent említett S halmaza n elemű, akkor az A adjacency mátrix egy n n mátrix és az A mátrix (i, j)-edik elemére teljesül, hogy {, ha az i-edik oldal hivatkozik a j-edik oldalra; a ij :=, egyébként.. PÉLDA: Egy tipikus példa A = Ez azt jelenti, hogy: az. oldal hivatkozik a 3. és 4. oldalakra. A. oldal hivatkozik az. oldalra. A 3. oldal hivatkozik az. és a 4. oldalakra. A 4. oldal hivatkozik az.. és 3. oldalakra. (5.) Egy oldalnak két fontos szerepe lehet: hub: sok más oldalra hivatkozik authority: őt hivatkozza sok más oldal. A fenti (5.) példában a 4. oldal hivatkozik három másik oldalra tehát a 3. oldalnak mint hubnak a nagysága 3. A 4. oldalra hivatkozik két oldal tehát a 4. oldalnak mit authoritynek a nagysága. Az i-edik sorban található elemek összege mutatja meg, hogy az i-edik elem hány oldalra hivatkozik és az i-edik oszlopban álló elemek összege mutatja meg, hogy az i oldalt hányan hivatkozzák. Tehát a sor vektorok összegéből képzett vektor az ún. kezdeti hub vektor h és az oszlop vektorok összegéből álló vektor az

5. FEJEZET. A HATVÁNY MÓDSZER 43 ún. kezdeti authority vektor a. Jelen esetben: h = és a = 3 Az a vektorra célszerű úgy gondolni mint az A T mátrix sor összeg vektorára. Általában: ha az A n n mátrix egy adjacency mátrix, akkor a kezdeti authority és a kezdeti hub vektorokat a fenti módon számítjuk ki. Azonban mivel a fenti példánkban az. oldal a legnagyobb authority ezért azoknak a huboknak akik őt hivatkozzák több súlyt kell adni. Hasonlóan kezdetben a 4. oldalt tekinthetjük a fő hub-nak ezért azon oldalaknak akikre a 4. oldal hivatkozik nagyobb súlyt kell adni. Ezért képezzük a h := A a A a vektorokat. A számlálók: A a = 3.43.33.539.647 = 3 3. és az a := AT h A h + + + Mindkét esetben a nevező az egységre normálást végzi. A számlálóban az A oszlop vektorainak lineáris kombinációja van az együtthatók az authority vektor elemei. Az így kapott h vektor egy egység vektor amelynek i-edik eleme azt méri, hogy az iedik oldal mekkora hub az a vektorból jövő súlyozással véve. A második formula nevezője:.94. A számlálójában az A T oszlop vektorainak lineáris kombinációit vesszük, ahol a súlyokat a h vektor szol-

5. FEJEZET. A HATVÁNY MÓDSZER 44 gáltatja. A T h =.43 =.59.647.78.97.43.33.539.647 +.33 +.539 +.647 Mivel az A T oszlopai az A sorai ezért a normálás után kapott vektor egy súlyozott authority vektor. Tehát.59.688 a =.647.9.78 =.95.49..97.44 Ezt folytatva kapjuk az a -öt majd abból a h -öt és így tovább. Vegyük észre, hogy a k = (AT A)a k (A T A)a k és h k = (AAT )h k (AA T )h k Ezért a k és h k konvergál az A T A és a AA T mátrixok domináns sajátvektoraihoz. Az A T A domináns sajátvektora elemeinek sorrendje adja a keresett fontossági sorrendet.

6. fejezet 5. előadás 6.. Differenciálszámítás magasabb dimenzióban Legyenek X, Y normált terek, vagyis olyan vektor terek, melyeken értelmezett egy norma. Emlékeztetek, hogy egy norma az X vektor téren, ha. x = akkor és csak akkor ha x =,. x + y x + y minden x, y X, 3. α x = α x minden x X és α R-re teljesül. 8. DEFINÍCIÓ: Legyen G X nyílt. Azt mondjuk, hogy az F : G Y leképezés egy adott x X pontban differenciálható, ha van olyan L x L(X, Y ) korlátos lineáris operátor, melyre teljesül, hogy: tetszőleges ε > - ra létezik δ >, hogy minden h < δ vektorra fennáll, hogy: Jelben: F (x + h) F (x) L x h ε h. (6.) F (x + h) F (x) L x h = o(h). (6.) Az L x h Y elemet az F leképezés x pontbeli erős differenciáljának hívjuk. Az L x lineáris operátort az F leképezés x pontbeli erős deriváltjának nevezzük és F (x)-el jelöljük. 45

6. FEJEZET. 5. ELŐADÁS 46 A derivált néhány tulajdonsága: Legyenek F, G olyan leképezések mint fent az F volt és legyen a R. Ekkor. (F + G) (x) = F (x) + G (x).. (a F ) (x) = a F (x). 3. (F G) (x) = F (G(x)) G (x). 6.. Magasabb rendű deriváltak Legyen az F leképezés olyan mint fent vagyis F : X Y, ahol X, Y normált terek. Ekkor definíció szerint mint láttuk: F (x) L(X, Y ) vagyis F : X L(X, Y ). 9. DEFINÍCIÓ: Ha az F leképezés deriválható, akkor azt mondjuk, hogy az F deriváltja az F második deriváltja. Jelben: F. Ekkor az F (x) olyan lineáris operátor, amely az X teret az L(X, Y ) térbe képezi. Vagyis F (x) L (X, L(X, Y )) vagyis F : X L(X, L(X, y)). Most belátjuk, hogy ennek az L(X, L(X, Y )) térnek az elemeit egy másik módon, kényelmesebben is tekinthetjük. Nevezetesen: Nevezetesen belátható, hogy