Przez n-wymiarowy wektor kolumnowy (rzeczywisty), będziemy rozumieć układ n liczb rzeczywistych x 1, x 2,..., x n ustawionych w kolumnę:
|
|
- Karolina Popławska
- 6 lat temu
- Przeglądów:
Transkrypt
1 1.1 Wektory, przestrzeń wektorowa. Przez n-wymarowy wektor kolumnowy (rzeczywsty), będzemy rozumeć układ n lczb rzeczywstych x 1, x 2,..., x n ustawonych w kolumnę: x1 x2 x = M x n Lczby x nazywamy składowym wektora x. Zbór wszystkch takch wektorów oznaczamy R n. Dwa wektory x,y R n są równe x = y, gdy ch wszystke składowe są równe: x = y dla =1,..,.n. Wektor o wszystkch składowych równych 0, nazywamy wektorem zerowym 0. Sumą dwu wektorów jest wektor, którego składowe są sumam odpowednch składowych dodawanych wektorów: z = x + y, gdy z = x + y dla = 1,..., n. Podobne loczynem wektora x przez lczbę α jest wektor, którego wszystke składowe zostały przemnoŝone przez tę lczbę: y = αx = xα, gdy y = αx dla = 1,..., n. Dzałana te spełnają następujące zaleŝnośc: x + y = y + x (x+y)+z =x+(y+z) x(αβ) = (xα)β x(α+β) = xα + xβ (x+y)α = xα + yα Iloczyn skalarny wektorów x y jest lczbą określoną następująco: n x y = x y = 1 Jak wdać, x y = y x. Jeśl x y=0, to mówmy, Ŝe wektory x y są ortogonalne (prostopadłe). Układ m wektorów jest ortogonalny, gdy wektory te są param ortogonalne. Jeśl dodatkowo dla kaŝdego wektora x x=1, to układ nazywamy ortonormalnym. Normą eukldesową wektora x nazywamy neujemną lczbę: x = n 2 x = 1 W dalszych rozwaŝanach nejednokrotne pomocne będze pojęce przestrzen lnowej (przestrzen wektorowej). Przestrzeń lnową V defnujemy jako zbór obektów (zwanych wektoram), dla których są zdefnowane operacje dodawana mnoŝena przez lczbę (skalar) o następujących własnoścach: 1. Sumą dwu wektorów z przestrzen V jest wektor, który takŝe naleŝy do tej przestrzen (zamknętość) 2. Dodawane jest przemenne x + y = y + x 3. Dodawane jest łączne (x + y) + z = x + (y + z) = x + y + z
2 4. W przestrzen stneje dokładne jeden wektor zerowy 0 tak, Ŝe x + 0 = 0 + x dla kaŝdego x. 5. Dla kaŝdego x naleŝącego do V stneje element odwrotny x tak, Ŝe x + ( x) = Iloczyn wektora z V przez skalar naleŝy do V. 7. MnoŜene przez skalar jest łączne: α(βx) = (αβ)x 8. MnoŜene przez skalar jest rozdzelne względem dodawana: α(x+y) = αx + αy (α +β)x = αx + βx 9. Dla kaŝdego x naleŝącego do V mamy 1x = x. Jeśl dodatkowo w przestrzen V stneje reguła przyporządkowująca dowolnym dwu wektorom lczbę rzeczywstą x y (loczyn skalarny) spełnającą następujące warunk: 1. (αx + βy) z = αx z + βy z (lnowość loczynu skalarnego) 2. x y = y x (przemenność loczynu skalarnego) 3. x x 0; x x = 0 wtedy tylko wtedy, gdy x = 0 (dodatna określoność), to jest to przestrzeń lnowa z loczynem skalarnym (rzeczywstym). Jeśl jakś podzbór przestrzen V tworzy przestrzeń zamknętą ze względu na zdefnowane dla V dzałana, to mówmy, Ŝe jest on podprzestrzeną przestrzen V. Mówmy teŝ, Ŝe zbór/podzbór wektorów rozpna przestrzeń/podprzestrzeń. Łatwo zauwaŝyć, Ŝe wektory loczyn skalarny określone przez nas na początku tego wykładu tworzą przestrzeń lnową z loczynem skalarnym. Późnej zobaczymy przykłady nnych obektów tworzących taką przestrzeń (np. welomany). Wracamy teraz do naszych rozwaŝań o wektorach. Weźmy m wektorów x 1,..., x m R n lczb α 1,..., α m. Wektor y = m = 1 α x nazywamy kombnacją lnową wektorów x 1,..., x m ze współczynnkam α 1,..., α m. Wektory x 1,..., x m R n nazywamy lnowo nezaleŝnym, jeŝel ch kombnacja lnowa jest wektorem zerowym tylko wtedy, gdy wszystke współczynnk są równe zeru. Jeśl wektory ne są lnowo nezaleŝne, to mówmy, Ŝe są lnowo zaleŝne. Np. wektory 1 0 oraz 0 są lnowo nezaleŝne, bo ch kombnacja moŝe być równa zeru tylko przy 1 zerowych współczynnkach przy obu wektorach Natomast, 0 1 są lnowo zaleŝne, bo = 1 0 Zbór lnowo nezaleŝnych wektorów, które rozpnają podprzestrzeń X nazywamy bazą podprzestrzen X. KaŜda podprzestrzeń (oprócz składającej sę jedyne z wektora zerowego) ma neskończene wele róŝnych baz, ale wszystke te same bazy lczą tyle samo wektorów. Lczbę tę nazywamy wymarem podprzestrzen oznaczamy dm(x).
3 1.2 Macerze. Dzałana na macerzach. Macerzą m n (rzeczywstą) nazywamy prostokątną tablcę lczb rzeczywstych o m werszach n kolumnach: a11 a12 L a1 n = a21 a22 L a2n A M M M M am1 am2 L amn Lczby a j nazywamy elementam macerzy A. Perwszy ndeks numeruje wersze, drug kolumny. Zbór wszystkch macerzy m n oznaczmy R m,n. Jak wdać, wektory kolumnowe z punktu 1.1 moŝemy utoŝsamać z macerzam o wymarach n 1 (a macerze 1 n to wektory werszowe). Kolumny macerzy są zatem wektoram kolumnowym a wersze wektoram werszowym. Jeśl m = n, to macerz A nazywamy macerzą kwadratową stopna n. Elementy, dla których ndeksy wersza kolumny są równe, to elementy dagonalne (leŝą na głównej przekątnej). Suma elementów dagonalnych nazywana jest śladem macerzy oznaczana Tr(A): Tr( A ) = n a = 1 Macerz A nazywamy macerzą dagonalną (przekątnową), jeśl wszystke pozadagonalne elementy są zeram (a j = 0 dla j). Macerz dagonalną moŝemy zapsać jako: A = dag(a 1,..., a n ). Macerz dagonalna stopna n taka, Ŝe wszystke elementy dagonalne są równe 1, to macerz jednostkowa stopna n oznaczana I (albo I n jeśl chcemy jawne zaznaczyć stopeń). Jeśl róŝne od zera elementy znajdują sę tylko na głównej przekątnej oraz na kodagonalach, to macerz nazywamy trójdagonalną (trójprzekątnową). Macerz, w której nezerowe elementy znajdują sę tylko na głównej przekątnej pod ną (nad ną), to macerz trójkątna dolna (górna). Macerz kwadratowa, dla której a j = a j nazywamy macerzą symetryczną. Sumą dwu macerzy m n jest macerz tego samego rozmaru, której elementy są sumam odpowadających m elementów macerzy sumowanych: C = A + B, gdy c j = a j + b j dla = 1,..., m j = 1,..., n. Iloczynem macerzy lczby jest macerz, której kaŝdy z elementów jest odpowadającym mu elementem macerzy wyjścowej pomnoŝonym przez tę lczbę: B = αa, gdy b j = αa j dla = 1,..., m j = 1,..., n. Dodawane macerzy oraz mnoŝene macerzy przez lczbę mają te same własnośc, co odpowadające m dzałana na wektorach. (Wnosek: R m,n jest przestrzeną lnową). Macerz transponowana (oznaczamy ją A T ) do macerzy A o wymarze m n jest macerzą o wymarze n m. Jej elementy spełnają zaleŝność:
4 (A T ) j = (A) j Innym słowy macerz transponowana do danej, to macerz, w której zamenono wersze z kolumnam. ZauwaŜmy, Ŝe przez transpozycję wektora kolumnowego x dostajemy wektor werszowy x T. Transpozycja spełna zaleŝnośc: (A T ) T = A, (A + B) T = A T + B T, (αa) T = αa T Dla macerzy symetrycznej A T = A. Iloczyn macerzy A o wymarze m l przez macerz B wymaru l n jest macerzą o wymarze m n o elementach zdefnowanych następująco: C = AB c j = l k = 1 a k b kj dla = 1,..., m; j = 1,..., n Jak wdać, aby macerze moŝna było pomnoŝyć, lczba kolumn perwszej macerzy mus być równa lczbe werszy macerzy drugej. Oznacza to, Ŝe oba loczyny (tzn. AB oraz BA) stneją równocześne tylko wtedy, jeśl A R m,n oraz B R n,m. MnoŜene macerzy spełna zaleŝnośc: A(αB) = (αa)b = α(ab) (A + B)C = AC + BC, A(B + C) = AB + AC (AB) T = B T A T Tr(AB) = Tr(BA) MnoŜene macerzy ne jest przemenne, tzn. na ogół AB BA. Jeśl AB = BA, to mówmy, Ŝe macerze A B są przemenne (komutują). Dla dowolnej macerzy stneją loczyny A T A oraz AA T są macerzam symetrycznym. Iloczyn dwu dolnych (górnych) macerzy trójkątnych jest równeŝ macerzą trójkątną dolną (górną). Iloczyn macerzy dagonalnych jest macerzą dagonalną. Iloczyn dwu macerzy symetrycznych nekoneczne jest macerzą symetryczną. MnoŜene macerzy jest łączne: (AB)C = A(BC) = ABC ZauwaŜmy wreszce, Ŝe zapsując wektor werszowy jako transpozycję wektora kolumnowego moŝemy zapsać loczyn skalarny wektorów jako mnoŝene macerzowe: x y = x T y Macerz Q nazywamy ortogonalną, jeśl jej kolumny (to samo zachodz dla werszy) są nezerowe tworzą układ ortonormalny. Dla macerzy ortogonalnej Q T Q = QQ T = I.
5 1.3 Przekształcena lnowe. Rząd macerzy. Macerz odwrotna. RozwaŜmy loczyn macerzy A (m n) wektora x (o n składowych) y = Ax Wektor y ma zatem m składowych. ZaleŜność tę moŝemy znterpretować następująco: kaŝdemu wektorow x R n jest jednoznaczne przyporządkowany wektor y R m. Mówmy, Ŝe macerz A defnuje przekształcene przestrzen R n w przestrzeń R m (w skróce przekształcene A) Wektor y nazywamy obrazem wektora x. Przekształcene A nazywamy lnowym, gdyŝ spełna zaleŝnośc: A(x + y) = Ax + Ay, A(xα) = (Ax)α Zbór wszystkch moŝlwych obrazów wektorów nazywamy przestrzeną wartośc przekształcena. Rzędem macerzy A (oznaczamy rank(a)) nazywamy maksymalną lczbę lnowo nezaleŝnych kolumn macerzy A (albo maksymalną lczbę lnowo nezaleŝnych werszy, bo obe są równe). Macerz kwadratową stopna n nazywamy neosoblwą, jeśl rank(a) = n (czyl rząd jest równy stopnow). Jeśl rank(a) < n, to macerz jest osoblwa. JeŜel macerz jest neosoblwa, to moŝemy określć przekształcene odwrotne do A, take, Ŝe kaŝdemu wektorow y z przestrzen przekształcena A przyporządkowuje dokładne jeden wektor x tak, Ŝe y = Ax. Przekształcene odwrotne jest przekształcenem lnowym, oznaczamy je A -1, określone jest macerzą A -1 zwaną macerzą odwrotną do A (odwrotnoścą macerzy A). Macerz ta jest jednoznaczne określona przez kaŝdy z warunków: AA -1 = I, A -1 A = I gdze I jest macerzą jednostkową odpowednego stopna. Odwrotnośc macerzy spełnają zaleŝnośc: (A -1 ) -1 = A, (αa) -1 = α -1 A -1, (A T ) -1 = (A -1 ) T dla wszystkch neosoblwych macerzy A nezerowych α. Iloczyn macerzy kwadratowych jest macerzą neosoblwą, gdy kaŝdy z czynnków jest macerzą neosoblwą wtedy (AB) -1 = B -1 A -1 KaŜda macerz ortogonalna Q jest neosoblwa zachodz Q -1 = Q T. Nech A będze macerzą kwadratową. Funkcję, która kaŝdemu wektorow x przyporządkowuje lczbę rzeczywstą x T Ax nazywamy formą kwadratową macerzy A. Analogczne formą dwulnową nazywamy funkcję, przyporządkowującą lczbę x T Ay parze wektorów x, y. Jeśl x T Ax > 0 dla dowolnego x 0, to macerz A nazywamy dodatno określoną. A jest ujemne określona, gdy A jest dodatno określona.
6 1.4 Wyznacznk. KaŜdej macerzy kwadratowej stopna n przypsujemy lczbę rzeczywstą det(a), nazywaną wyznacznkem macerzy, zdefnowaną następująco: det(a) = ε j j j a n j a j... a njn gdze ndeksy j k są róŝne przyjmują wartośc od 1 do n a sumowane begne po ch wszystkch permutacjach. Czynnk ε przyjmują wartość -1 lub 1 w zaleŝnośc od tego, czy do uporządkowana ndeksów j w kolejnośc rosnącej potrzeba neparzystej czy parzystej lczby wyman dwu elementów. Częścej korzysta sę z równowaŝnej, rekurencyjnej defncj wyznacznka: dla n =1 det(a) = a 11 dla n > 1 dowolnego wskaźnka kolumny j n + j det(a) = ( 1) aj det( A = 1 (, j) ) gdze det(a (,j) ) (tzw. mnor(,j) macerzy A) to wyznacznk macerzy A (,j) powstałej przez wykreślene -tego wersza j-tej kolumny z macerzy wyjścowej. (Iloczyn ( 1) +j det(a (,j) ) nazywamy dopełnenem algebracznym elementu a j ) Wzór ten nazywamy rozwnęcem wyznacznka względem j-tej kolumny. Analogczne moŝna zdefnować rozwnęce wyznacznka względem wersza. Wyznacznk ne zaleŝy od wersza lub kolumny uŝytej do rozwnęca. Netrudno zatem zauwaŝyć, Ŝe warto wyberać wersz lub kolumnę zawerające jak najwęcej zer. Zobaczmy, Ŝe dla wyznacznka macerzy stopna 2 obe defncje prowadzą do tego samego wynku. Defncja permutacyjna: det(a) = a 11 a 22 a 12 a 21 Przed perwszym członem sto 1 a przed drugm -1, ponewaŝ w perwszym przypadku do uporządkowana ndeksów kolumn musmy wykonać 0 (lczba parzysta) a w drugm 1 (neparzysta) zamanę. Defncja rekurencyjna, rozwnęce wg. perwszego wersza: det(a) = (-1) 1+1 a 11 det(a (1,1) ) + (-1) 1+2 a 12 det(a (1,2) ) = a 11 a 22 a 12 a 21 (bo po wykreślenu 1 wersza 1 kolumny zostaje nam element a 22 a po wykreślenu 1 wersza 2 kolmny element a 21.) Analogczne moŝna sprawdzć, Ŝe obe defncje dadzą nam znany schemat oblczana wyznacznka stopna trzecego. Perwsza defncja pozwala nam łatwo oszacować koszt oblczana wyznacznka stopna n. ZauwaŜmy, Ŝe w sume mamy n! składnków (bo tyle jest permutacj n ndeksów) a kaŝdy składnk wymaga wykonana (n-1) mnoŝeń. Łączne potrzeba zatem (n-1)n! mnoŝeń ( n! 1 dodawań, ale ch koszt w porównanu z mnoŝenam moŝna pomnąć). Koszt oblczena wyznacznka w ten sposób rośne gwałtowne wraz z n, co powoduje, Ŝe z wyjątkem małych n obe powyŝsze defncje są bezuŝyteczne w praktycznych oblczenach.
7 W zastosowanach często korzysta sę z następujących własnośc wyznacznka: 1. Przestawene dwu werszy (kolumn) zmena znak wyznacznka. 2. Jeśl dwa wersze (kolumny) macerzy są jednakowe, to wyznacznk jest równy Jeśl wersz (kolumna) macerzy zawera same zera, to wyznacznk jest równy Dodane krotnośc wersza (kolumny) do nnego wersza (kolumny) ne zmena wyznacznka. 5. PomnoŜene wersza (kolumny) macerzy przez α zwększa wyznacznk α razy. W szczególnośc det(αa) = α n det(a) 6. det(a T ) = det(a) 7. det(ab) = det(a)det(b) 8. det(a) 0 wtedy tylko wtedy gdy A jest neosoblwa. 9. det(a -1 ) = 1/det(A) ZauwaŜmy, Ŝe szczególne łatwo polczyć wyznacznk dla macerzy trójkątnej (w tym oczywśce dagonalnej): jest on wtedy loczynem elementów na przekątnej. Dla macerzy ortogonalnej det(q) = 1. Powedzmy jeszcze na konec, Ŝe macerz odwrotną moŝna oblczyć jako transponowaną macerz dopełneń algebracznych podzeloną przez det(a). Do praktycznych oblczeń zaleŝność ta jest równe bezuŝyteczna, jak przedstawone wyŝej defncje wyznacznka. Na następnym wykładze przedstawmy praktyczny sposób oblczana wyznacznka odwracana macerzy. 1.5 Wektory macerze zespolone. Zbór lczb zespolonych będzemy oznaczać C. Przypomnjmy, Ŝe kaŝdą lczbę zespoloną moŝna jednoznaczne przedstawć w postac α+β, gdze α β to lczby rzeczywste, natomast oznacza jednostkę urojoną ( 2 = 1). Lczby α β to odpowedno część rzeczywsta urojona lczby zespolonej. W C zerem jest lczba 0+0. Jeśl λ=α+β µ=γ+δ to: λ±µ = (α±γ) + (β±δ) λµ = (αγ-βδ) + (αδ+βγ) Lczba sprzęŝona do λ=α+β to λ * =α β Moduł lczby λ to neujemna lczba rzeczywsta określona następująco: 2 λ = λλ * = α + β 2 Analogczne do wektorów macerzy rzeczywstych mamy wektory zespolone w C m macerze zespolone w C m,n. Ich składowym elementam są lczby zespolone. W szczególnośc wektory macerze rzeczywste moŝna traktować jako szczególny przypadek wektorów macerzy zespolonych. Macerzą sprzęŝoną do macerzy A nazywamy macerz A określoną następująco: A = (A * ) T SprzęŜene macerzy zespolonych jest odpowednkem transpozycj macerzy rzeczywstych. Zachodz (A ) = A
8 Iloczyn skalarny dla wektorów zespolonych to lczba zespolona: m x * y = x y = 1 ZauwaŜmy, Ŝe x y = (y x) * Wektory x y są ortogonalne, gdy x y = 0 Macerz hermtowska, to macerz, dla której A = A Rzeczywsta macerz symetryczna jest zatem macerzą hermtowską. Zespolonym odpowednkem rzeczywstej macerzy ortogonalnej jest macerz untarna. Zachodz dla nej Q Q = QQ = I. 1.6 Wartośc własne weloman charakterystyczny macerzy. Lczbę λ nazywamy wartoścą własną macerzy A, jeśl stneje tak nezerowy wektor x, Ŝe Ax = λx (x mus być nezerowe, bo dla x = 0 równość zachodz dla dowolnego λ). KaŜdy tak wektor nazywamy wektorem własnym A przynaleŝnym do λ. Netrudno zauwaŝyć, Ŝe kaŝda krotność wektora własnego jest teŝ wektorem własnym. TakŜe kaŝda (róŝna od 0) kombnacja lnowa wektorów własnych A przynaleŝnych do λ jest wektorem własnym przynaleŝnym do λ. PowyŜszą równość moŝemy zapsać jako: (A λi)x = 0 W następnym wykładze powemy, Ŝe tak układ ma netrywalne rozwązane, gdy det(a λi) = 0 Jest to równane charakterystyczne macerzy. Po rozwnęcu wyznacznka otrzymujemy weloman n-tego stopna względem λ o współczynnkach zaleŝnych od elementów macerzy A. Weloman ten nazywamy welomanem charakterystycznym macerzy. Wartoścam własnym macerzy są zatem zera jej welomanu charakterystycznego. Dana wartość własna moŝe być welokrotna, mówmy wtedy, Ŝe jest zdegenerowana. Z podstawowego twerdzena algebry wynka zatem, Ŝe kaŝda macerz stopna n ma dokładne n wartośc własnych (lczonych z ch krotnoścam). RóŜnym wartoścom własnym odpowadają lnowo nezaleŝne wektory własne. Zbór wszystkch wartośc własnych macerzy to wdmo macerzy. Macerz rzeczywsta moŝe meć, jak wdać, zespolone wartośc własne ( zespolone wektory własne), bo weloman o współczynnkach rzeczywstych moŝe meć zespolone perwastk. Wartoścam własnym macerzy rzeczywstych są zatem lczby rzeczywste ( przynaleŝne do nch rzeczywste wektory własne) lub pary zespolonych (wzajemne sprzęŝonych) wartośc własnych (z zespolonym, wzajemne sprzęŝonym wektoram własnym).
9 Wszystke wartośc własne macerzy hermtowskej (czyl w szczególnym przypadku rzeczywstej symetrycznej) są rzeczywste. Jej wektory własne odpowadające róŝnym wartoścom własnym są param ortogonalne. ChocaŜ teoretyczne wartośc własne kaŝdej macerzy moŝna wyznaczyć znajdując perwastk jej welomanu charakterystycznego, praktyczne moŝna to wykonać jedyne dla małych n lub pewnych specyfcznych przypadków. Wyznaczane wartośc własnych macerzy jest zagadnenem dobrze uwarunkowanym, tzn. mała zmana elementów macerzy prowadz do małej zmany wartośc własnych. Znajdowane zer welomanu jest w ogólnośc problemem źle uwarunkowanym mała zmana współczynnków welomanu moŝe prowadzć do znacznych zman mejsc zerowych. Zamenając szukane wartośc własnych macerzy na matematyczne równowaŝny problem szukana mejsc zerowych jej welomanu zamenamy problem numeryczne dobrze uwarunkowany na problem bardzo źle uwarunkowany. Ne tędy węc wedze droga do numerycznego znajdowana wartośc własnych macerzy. 1.7 Podobeństwa. Nech T będze macerzą neosoblwą. Dla macerzy A rozwaŝmy macerz B = T -1 AT. Transformację A w B = T -1 AT nazywamy przekształcenem podobeństwa (podobeństwem) a o macerzach A B mówmy, Ŝe są podobne. W oblczenach szczególne stotne są podobeństwa ortogonalne (untarne), tzn. take, Ŝe macerz T jest ortogonalna (untarna). Wartośc własne macerzy ch krotnośc są nezmenncze względem podobeństwa, tzn. macerze A B mają take same wartośc własne. Jeśl wektor x jest wektorem własnym A przynaleŝnym do wartośc własnej λ, to wektor T -1 x jest wektorem własnym B przynaleŝnym do λ. Podobeństwo zachowuje teŝ ślad macerzy. Podobeństwo ortogonalne zachowuje symetrę macerzy symetrycznej. Jeśl dla danej macerzy A stneje taka macerz P, Ŝe P -1 AP = Λ = dag(λ 1,..., λ n ), to mówmy, Ŝe macerz A jest dagonalzowalna (a powyŝsza operacja to dagonalzacja macerzy). KaŜdą macerz symetryczną (hermtowską) moŝna zdagonalzować przekształcenem ortogonalnym (untarnym) Q: Q T AQ = Λ = dag(λ 1,..., λ n ) Macerze nesymetryczne mogą ne być dagonalzowalne. ZauwaŜmy, Ŝe jeśl X to macerz n lnowo nezaleŝnych wektorów własnych A, to AX = XΛ zatem X -1 AX = Λ MoŜemy sę jeszcze zastanowć, kedy dwe macerze A B mogą być zdagonalzowane przez to samo podobeństwo. OtóŜ tylko wtedy, jeśl ch mnoŝene jest przemenne. (I wtedy mają ten sam układ wektorów własnych.)
10 1.8 Przekształcena ortogonalne. Rozkład QR. Ze względu na stotną rolę przekształceń ortogonalnych w metodach numerycznych, omówmy blŝej dwa ch typy. Nech u będze rzeczywstym wektorem o norme równej 1. Przekształcene H = I 2uu T nazywamy przekształcenem Householdera. Przekształcene to jest odbcem zwercadlanym. Macerz odbca jest symetryczna spełna równośc: H = H T = H -1. Macerz odbca moŝemy teŝ przedstawć w postac: T v T v H = I v 1 γ v, gdze γ = 2 Odbce moŝna wykorzystać m. n. do wyzerowana wszystkch składowych danej kolumny z wyjątkem perwszej. Drugą waŝną grupą przekształceń ortogonalnych są obroty. Macerz G pq obrotu płaskego (Gvensa) w płaszczyźne rozpętej na dwu wersorach e p, e q róŝn sę od macerzy jednostkowej czterema elementam (G pq ) pp = (G pq ) qq = c (G pq ) pq = (G pq ) qp = s gdze c 2 + s 2 =1 G pq 1 = c s p q s c p q 1 Przekształcene to zmena jedyne składowe p-tą q-tą. MoŜna je znterpretować jako obrót o kąt φ w płaszczyźne rozpętej przez wersory, przy czym c = cosφ, s = snφ. Obroty Gvensa moŝna wykorzystać do wprowadzana zer w wybrane mejsca w macerzy. Dla macerzy kwadratowej A moŝna znaleźć ortogonalną macerz Q trójkątną górną macerz R take, Ŝe A = QR. Jest to tzw. rozkład QR. MoŜna go wykonać wykorzystując odpowedno dobrane odbca Householdera lub obroty Gvensa. Analogczne stneje rozkład LQ: A = LQ (macerz L jest trójkątna dolna). Są to tzw. rozkłady ortogonalno-trójkątne.
11 1.9 Wykorzystane podobeństw do dagonalzacj macerzy. W punkce 1.7 powedzelśmy, Ŝe kaŝdą macerz symetryczną moŝna doprowadzć do postac dagonalnej przez transformację podobeństwa. Ne daje to jednak przepsu, jak taką transformację znaleźć. Zasadnczo stratege dagonalzacj macerzy A przez podobeństwo operają sę na wykorzystanu sekwencj podobeństw P 1, P 2... tak dobranych, by przetransformowane macerze dąŝyły do macerzy dagonalnej. A P 1-1 A P 1 P 2-1 P 1-1 A P 1 P 2 P 3-1 P 2-1 P 1-1 A P 1 P 2 P 3 td. Jeśl w ten sposób dojdzemy do macerzy dagonalnej, to na jej przekątnej mamy wartośc własne macerzy A a jej wektory własne są kolumnam macerzy X będącej złoŝenem zastosowanych podobeństw X = P 1 P 2 P 3... Metody te moŝemy podzelć na dwe grupy. I. W perwszej grupe metod macerze P są doberane tak, by zrealzować konkretny cel, np. wyzerować zadany element pozadagonalny albo zadany wersz bądź kolumnę. Da sę to wykonać obrotam lub odbcam. W ogólnośc skończona sekwencja takch dzałań ne doprowadz do postac dagonalnej. Mamy dwe moŝlwośc: 1. Prowadzć teracje tak długo, aŝ wartośc bezwzględne elementów pozadagonalnych staną sę mnejsze od zadanej wartośc progowej. Wtedy na dagonal będą przyblŝena wartośc własnych macerzy A z błędem, który da sę oszacować. 2. Wykorzystać skończoną lczbę transformacj, aby doprowadzć macerz do postac trójdagonalnej (da sę to zrobć w skończonej lczbe kroków) a dalej kontynuować metodą z grupy II. II Druga grupa metod wykorzystuje tzw. faktoryzacje. ZałóŜmy, Ŝe macerz A da sę przedstawć jako loczyn dwu czynnków: lewego L prawego R. A = LR wtedy L -1 A = L -1 LA = R MoŜemy wtedy pomnoŝyć czynnk w odwrotnej kolejnośc mamy: RL = L -1 AL Jak wdać, przetransformowalśmy macerz A przez podobeństwo. MoŜemy sfaktoryzować wynkową macerz kontynuować proces. TakŜe w tym przypadku ne uzyskamy macerzy dagonalnej w skończonej lczbe kroków, ale w dobrych metodach zbeŝność jest dostateczne szybka.
12 1.10 Metoda Jacobego. Metoda Jacobego jest algorytmem rozwązywana symetrycznego zagadnena własnego, tzn. wyznaczena wartośc własnej macerzy symetrycznej ewentualne wektorów własnych naleŝącym do perwszej grupy metod z pkt Jej zasadą jest przekształcane macerzy A za pomocą cągu obrotów: A 1 = A, A k+1 = G k T A k G k z tak dobranym macerzam obrotów, aby macerze A k stopnowo zblŝały sę do postac dagonalnej. Przypuśćmy, Ŝe w danym kroku chcemy wyzerować element a pq macerzy. MoŜna sprawdzć, Ŝe po obroce w płaszczyźne rozpętej przez wersory p, q element ten będze równy (po obroce element będzemy zaznaczać prmem): a pq = cs(a pp a qq ) + (c 2 s 2 )a pq Zatem mus być: c 2 + s 2 = 1 cs(a pp a qq ) + (c 2 s 2 )a pq = 0 Zakładamy, Ŝe a pq 0. Wtedy mus być c 0. MoŜemy węc wprowadzć t = s/c Z równośc wyŝej dostajemy wtedy t 2 + 2δt 1 = 0 gdze δ = (a qq a pp )/(2a pq ) Po rozwązanu dostajemy następne 2 1/ ( δ + 1+ δ ), gdy δ 0 t = 2 1/ ( δ + 1+ δ ), gdy δ < 0 Dalej oblczamy c + 2 = 1/ 1 t, s = tc, τ = s/(1+c) ostateczne otrzymujemy wzory na nowe elementy macerzy: a pp = a pp ta pq a qq = a qq + ta pq a pq = a qp = 0 oraz dla p,q a p = a p = a p s(a q + τa p ) a q = a q = a q + τ(a p + a p) Pozostaje jeszcze kwesta, który element wyberamy do usunęca w danym kroku. W klasycznej metodze Jacobego wybera sę najwększy element pozadagonalny. To jednak wymaga dodatkowego nakładu pracy na jego wyszukane. W cyklcznej metodze Jacobego w kolejnych krokach wybera sę kolejne elementy pozadagonalne (np. przechodząc po elementach kolumnam lub werszam). Po przejścu po wszystkch elementach cykl (zwany wymatanem) sę powtarza. W praktyce zerowane
13 elementu bardzo małego co do wartośc bezwzględnej newele przyblŝa nas do rozwązana, zatem elementy, których moduł jest mnejszy od pewnej wartośc progowej pomja sę. Zarówno w klasycznej, jak cyklcznej wersj metody zera wprowadzone w pewnym kroku są nszczone w następnych, tym nemnej moduły elementów pozadagonalnych systematyczne maleją macerz zblŝa sę do postac dagonalnej. Procedurę przerywa sę, gdy moduły elementów pozadagonalnych zmaleją ponŝej załoŝonej wartośc Algorytm QR. Algorytm QR naleŝy do drugej grupy metod z punktu 1.9. Wykorzystuje rozkład ortogonalno-trójkątny macerzy. Mamy A = QR, gdze Q jest macerzą ortogonalną a R górną trójkątną. Oczywśce Q T A = R (bo Q T = Q -1 ). Zatem RQ = Q T AQ = A Macerz A jest macerzą A przekształconą przez podobeństwo. Powtarzamy dla nej procedurę. Jak sę okazuje, cąg tych macerzy będze dąŝył do macerzy dagonalnej (z pewnym, ale rozwązywalnym komplkacjam przy zdegenerowanych wartoścach własnych). Akumulując transformacje z kolejnych kroków Q 1 Q 2 Q 3... dostajemy macerz wektorów własnych. Alternatywne moŝna wykorzystać rozkład A = QL. Ze względów praktycznych ne opłaca sę stosować od razu algorytmu QR do wyjścowej macerzy A. Efektywnej jest doprowadzć ją najperw do postac trójdagonalnej (np. odbcam Householdera) dopero dla nej wykorzystać metodę faktoryzacj Wektory macerze a operatory. Zagadnene własne w chem kwantowej. Mędzy wektoram a macerzam a rachunkem operatorów zachodz ścsły zwązek. Operator Fˆ dzałający w pewnej przestrzen to odwzorowane przyporządkowujące pewnemu wektorow v nny wektor v : v = Fˆ v Interesują nas tutaj operatory lnowe. Dzałane operatora lnowego jest wyznaczone przez podane jego dzałana na wektory bazy danej przestrzen. Obrazem wektora bazy e pod dzałanem operatora jest wektor e : e ' = Fˆ e Oblczając jego loczyn skalarny z wektorem bazy e j dostajemy element macerzowy operatora Fˆ w danej baze: ' F j = e e = e Fˆ e ) j j ( Operator w pewnej baze moŝna zatem przedstawć podając macerz jego elementów macerzowych. Zagadnene własne operatora, tzn. znalezene jego wartośc własnej F oraz funkcj własnej v Fˆ v = Fv odpowada wyznaczanu wartośc wektorów własnych odpowednej macerzy. Badanem wdm operatorów zajmuje sę teora spektralna.
14 Dla chemka prawdopodobne najbardzej nteresujące jest zastosowane operatorów (a zatem wektorów macerzy) w mechance kwantowej. W mechance kwantowej wykorzystuje sę pojęce przestrzen Hlberta: jest to neskończene wymarowa przestrzeń lnowa z określonym loczynem skalarnym generującym normę tej przestrzen. Przestrzeń ta jest zupełna kaŝdy cąg zblŝających sę do sebe elementów ma grancę naleŝącą do przestrzen. Wektoram rozpatrywanym w fzycznej przestrzen Hlberta są dające sę unormować funkcje. Powszechne znanym zagadnenem własnym w mechance kwantowej jest nezaleŝne od czasu równane Schrödngera Ĥ Ψ = EΨ gdze Ĥ jest hamltonanem, E wartoścą własną energ a Ψ funkcją własną. Rozwązane tego zagadnena oznacza zatem zdagonalzowane macerzy hamtonanu. (Dla zanteresowanych: dobre omówene tych zagadneń moŝna znaleźć w ksąŝce R. Shankar, Mechanka kwantowa, PWN 2006) W szczególnośc w metodze kombnacj lnowej przedstawamy poszukwaną funkcję własną Ψ jako kombnację lnową funkcj bazy ϕ z pewnym współczynnkam c Ψ = c ϕ W podręcznkach chem kwantowej pokazuje sę, Ŝ znalezene wartośc współczynnków c sprowadza sę do rozwązana równana (w zapse macerzowym): HC=EC gdze H to macerz elementów hamltonanu, C to macerz, której kolumny zawerają współczynnk rozwnęca kolejnej funkcj własnej na funkcje bazy a E to dagonalna macerz energ (jej elementy dagonalne to energe kolejnych stanów własnych). (Ścślej borąc jest to równane dla ortonormalnych funkcj bazy, ponewaŝ jednak bazę moŝna zawsze zortogonalzować, pozostanemy przy tym przypadku). Korzystając z macerzy odwrotnej do C mamy C -1 HC = E Problem sprowadza sę zatem do wyznaczena macerzy C dagonalzującej macerz hamltonanu H. Na przykład, wyberając jako funkcje bazy orbtale atomowe dla poszczególnych atomów tworzących cząsteczkę, oblczamy elementy macerzowe hamltonanu tworzymy odpowedną macerz. Po jej zdagonalzowanu dostajemy macerz współczynnków kombnacj lnowych odpowadających orbtalom molekularnym oraz wartośc energ orbtal molekularnych.
Diagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Bardziej szczegółowoPokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem
Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoV. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH
Krs na Stdach Doktoranckch Poltechnk Wrocławskej wersja: lty 007 34 V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH. Zbór np. lczb rzeczywstych a, b elementy zbor A a A b A, podzbór B zbor A : B A, sma zborów
Bardziej szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Bardziej szczegółowoMetody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,
Metody gradentowe... Metody gradentowe poszukwana ekstremum Korzystają z nformacj o wartośc funkcj oraz jej gradentu. Wykazując ch zbeŝność zakłada sę, Ŝe funkcja celu jest ogranczona od dołu funkcją wypukłą
Bardziej szczegółowo5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
Bardziej szczegółowoWstęp do metod numerycznych Faktoryzacja SVD Metody iteracyjne. P. F. Góra
Wstęp do metod numerycznych Faktoryzacja SVD Metody teracyjne P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ 2013 Sngular Value Decomposton Twerdzene 1. Dla każdej macerzy A R M N, M N, stneje rozkład
Bardziej szczegółowoPODSTAWY MATEMATYCZNE
PODSTAWY MATEMATYCZNE ALGEBRA WEKTORÓW I TENSORÓW Baza ortonormalna w E 3 : e 1, e 2, e 3 ( e, e ) j j 1 f j 0 f j Każdy wektor w E 3 może być wyrażony jako lnowa kombnacja wersorów bazowych a a e a e
Bardziej szczegółowoMacierze. Rozdział Działania na macierzach
Rozdział 5 Macierze Funkcję, która każdej parze liczb naturalnych (i, j) (i 1,..., n; j 1,..., m) przyporządkowuje dokładnie jedną liczbę a ij F, gdzie F R lub F C, nazywamy macierzą (rzeczywistą, gdy
Bardziej szczegółowoRozdział 5. Macierze. a 11 a a 1m a 21 a a 2m... a n1 a n2... a nm
Rozdział 5 Macierze Funkcję, która każdej parze liczb naturalnych (i,j) (i = 1,,n;j = 1,,m) przyporządkowuje dokładnie jedną liczbę a ij F, gdzie F = R lub F = C, nazywamy macierzą (rzeczywistą, gdy F
Bardziej szczegółowoTwierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że
Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam
Bardziej szczegółowoKomputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2007/08 Podstawowe fakty Równane Ax = b, x, b R N, A R N N (1) ma jednoznaczne
Bardziej szczegółowo11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.
/22/24 Dwuosobowe gry o sume zero DO NAUCZENIA I ZAPAMIĘTANIA: Defnca zaps ger o sume zero, adaptaca ogólnych defnc. Punkt sodłowy Twerdzena o zwązkach punktu sodłowego z koncepcam rozwązań PRZYPOMNIENIE:
Bardziej szczegółowoI. Elementy analizy matematycznej
WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem
Bardziej szczegółowoMATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
Bardziej szczegółowoALGEBRA LINIOWA. Wykład 2. Analityka gospodarcza, sem. 1. Wydział Zarządzania i Ekonomii Politechnika Gdańska
ALGEBRA LINIOWA Wykład 2 Analityka gospodarcza, sem 1 Wydział Zarządzania i Ekonomii Politechnika Gdańska dr inż Natalia Jarzębkowska, CNMiKnO semzimowy 2018/2019 2/17 Macierze Niech M = {1, 2,, m} i N
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO
ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO NA PODSTAWIE REFERATU JUSTYNY KOSAKOWSKIEJ. Moduły prnjektywne posety skończonego typu prnjektywnego Nech I będze skończonym posetem. Przez max
Bardziej szczegółowop Z(G). (G : Z({x i })),
3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W
Bardziej szczegółowoMet Me ody numer yczne Wykład ykład Dr inż. Mic hał ha Łanc Łan zon Instyt Ins ut Elektr Elektr echn iki echn i Elektrot Elektr echn olo echn
Metody numeryczne Wykład 3 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Zakres wykładu Pojęcia podstawowe Algebra
Bardziej szczegółowoφ(x 1,..., x n ) = a i x 2 i +
Teoria na egzamin z algebry liniowej Wszystkie podane pojęcia należy umieć określić i podać pprzykłady, ewentualnie kontrprzykłady. Ponadto należy znać dowody tam gdzie to jest zaznaczone. Liczby zespolone.
Bardziej szczegółowoZapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.
Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane
Bardziej szczegółowoWEKTORY I WARTOŚCI WŁASNE MACIERZY. = λ c (*) problem przybliżonego rozwiązania zagadnienia własnego dla operatorów w mechanice kwantowej
WEKTORY I WARTOŚCI WŁASNE MACIERZY Ac λ c (*) ( A λi) c nietrywialne rozwiązanie gdy det A λi problem przybliżonego rozwiązania zagadnienia własnego dla operatorów w mechanice kwantowej A - macierzowa
Bardziej szczegółowoDiagnostyka układów kombinacyjnych
Dagnostyka układów kombnacyjnych 1. Wprowadzene Dagnostyka obejmuje: stwerdzene stanu układu, systemu lub ogólne sec logcznej. Jest to tzw. kontrola stanu wykrywająca czy dzałane sec ne jest zakłócane
Bardziej szczegółowoZadania egzaminacyjne
Rozdział 13 Zadania egzaminacyjne Egzamin z algebry liniowej AiR termin I 03022011 Zadanie 1 Wyznacz sumę rozwiązań równania: (8z + 1 i 2 2 7 iz 4 = 0 Zadanie 2 Niech u 0 = (1, 2, 1 Rozważmy odwzorowanie
Bardziej szczegółowoMETODA ELEMENTU SKOŃCZONEGO. Termokinetyka
METODA ELEMENTU SKOŃCZONEGO Termoknetyka Matematyczny ops ruchu cepła (1) Zasada zachowana energ W a Cepło akumulowane, [J] P we Moc wejścowa, [W] P wy Moc wyjścowa, [W] t przedzał czasu, [s] V q S(V)
Bardziej szczegółowomacierze jednostkowe (identyczności) macierze diagonalne, które na przekątnej mają same
1 Macierz definicja i zapis Macierzą wymiaru m na n nazywamy tabelę a 11 a 1n A = a m1 a mn złożoną z liczb (rzeczywistych lub zespolonych) o m wierszach i n kolumnach (zamiennie będziemy też czasem mówili,
Bardziej szczegółowoSymetrie i struktury ciała stałego - W. Sikora
Symetre struktury cała stałego - W. Skora ( W wykładach zostały wykorzystane fragmenty materałów opracowanych w ramach praktyk wakacyjnej przez studentk specjalnośc Fzyka Cała Stałego WFIS: Sylwę Chudy,
Bardziej szczegółowoProgramowanie Równoległe i Rozproszone
Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoGrupa obrotów. - grupa symetrii kuli, R - wszystkie możliwe obroty o dowolne kąty wokół osi przechodzących przez środek kuli
Grupa obrotów - grupa smetr kul R - wsstke możlwe obrot o dowolne kąt wokół os prechodącch pre środek kul nacej O 3 grupa obrotów właścwch - grupa cągła - każd obrót określa sę pre podane os l kąta obrotu
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoModelowanie przepływu cieczy przez ośrodki porowate Wykład IX
Modelowane przepływu ceczy przez ośrodk porowate Wykład IX Metody rozwązywana metodam analtycznym równań hydrodynamk wód podzemnych płaskch zagadneń fltracj. 9.1 Funkcja potencjału zespolonego. Rozważana
Bardziej szczegółowoPodprzestrzenie macierzowe
Podprzestrzee macerzowe werdzee: Dla dwóch macerzy A B o tych samych wymarach zachodz: ( ) ( ) wersz a) R A R B A ~ B Dowód: wersz a) A ~ B stee P taka że PA B 3 0 A 4 3 0 0 E A B 0 0 0 E B 3 6 4 0 0 0
Bardziej szczegółowoAnaliza matematyczna i algebra liniowa Macierze
Analiza matematyczna i algebra liniowa Macierze Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: poniedziałek
Bardziej szczegółowo; B = Wykonaj poniższe obliczenia: Mnożenia, transpozycje etc wykonuję programem i przepisuję wyniki. Mam nadzieję, że umiesz mnożyć macierze...
Tekst na niebiesko jest komentarzem lub treścią zadania. Zadanie. Dane są macierze: A D 0 ; E 0 0 0 ; B 0 5 ; C Wykonaj poniższe obliczenia: 0 4 5 Mnożenia, transpozycje etc wykonuję programem i przepisuję
Bardziej szczegółowoMatematyka obliczeniowa, II rok Matematyki (2015/2016) Metody numeryczne, III rok Informatyki, (2013/2014)
Matematyka oblczenowa, II rok Matematyk (2015/2016) Metody numeryczne, III rok Informatyk, (2013/2014) 1. Rozwązywane równań nelnowych 2. Arytmetyka zmennopozycyjna 3. Błędy w oblczenach. Uwarunkowane
Bardziej szczegółowoPodstawy teorii falek (Wavelets)
Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc
Bardziej szczegółowo1 Macierze i wyznaczniki
1 Macierze i wyznaczniki 11 Definicje, twierdzenia, wzory 1 Macierzą rzeczywistą (zespoloną) wymiaru m n, gdzie m N oraz n N, nazywamy prostokątną tablicę złożoną z mn liczb rzeczywistych (zespolonych)
Bardziej szczegółowoKomputer kwantowy Zasady funkcjonowania. Dr hab. inż. Krzysztof Giaro Politechnika Gdańska Wydział ETI
Komputer kwantowy Zasady funkcjonowana Dr hab. nż. Krzysztof Garo Poltechnka Gdańska Wydzał ETI Oblczena kwantowe. R. Feynman [985] symulację zachowana układu kwantowego należy przeprowadzć na "maszyne"
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 6 PLAN: - Repetto (brevs) - Sec neuronowe z radalnym funkcjam bazowym Repetto W aspekce archtektury: zajmowalśmy
Bardziej szczegółowoWykład 4 Udowodnimy teraz, że jeśli U, W są podprzetrzeniami skończenie wymiarowej przestrzeni V to zachodzi wzór: dim(u + W ) = dim U + dim W dim(u
Wykład 4 Udowodnimy teraz, że jeśli U, W są podprzetrzeniami skończenie wymiarowej przestrzeni V to zachodzi wzór: dim(u + W ) = dim U + dim W dim(u W ) Rzeczywiście U W jest podprzetrzenią przestrzeni
Bardziej szczegółowoDefinicja macierzy Typy i właściwości macierzy Działania na macierzach Wyznacznik macierzy Macierz odwrotna Normy macierzy RACHUNEK MACIERZOWY
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Adam Wosatko Ewa Pabisek Czym jest macierz? Definicja Macierzą A nazywamy funkcję
Bardziej szczegółowoPODSTAWY AUTOMATYKI. MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
WYDZIAŁ ELEKTROTECHNIKI I AUTOMATYKI Katedra Inżynierii Systemów Sterowania PODSTAWY AUTOMATYKI MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
Bardziej szczegółowojest rozwiązaniem równania jednorodnego oraz dla pewnego to jest toŝsamościowo równe zeru.
Układy liniowe Układ liniowy pierwszego rzędu, niejednorodny. gdzie Jeśli to układ nazywamy jednorodnym Pamiętamy, Ŝe kaŝde równanie liniowe rzędu m moŝe zostać sprowadzone do układu n równań liniowych
Bardziej szczegółowo5. CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE
5. CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE Oprócz transmtancj operatorowej, do opsu członów układów automatyk stosuje sę tzw. transmtancję wdmową. Transmtancję wdmową G(j wyznaczyć moŝna dzęk podstawenu do wzoru
Bardziej szczegółowo2 1 3 c c1. e 1, e 2,..., e n A= e 1 e 2...e n [ ] M. Przybycień Matematyczne Metody Fizyki I
Liniowa niezależno ność wektorów Przykład: Sprawdzić czy następujące wektory z przestrzeni 3 tworzą bazę: e e e3 3 Sprawdzamy czy te wektory są liniowo niezależne: 3 c + c + c3 0 c 0 c iei 0 c + c + 3c3
Bardziej szczegółowoMetody numeryczne, III rok Informatyki, 2013/2014
Metody numeryczne, III rok Informatyk, 2013/2014 1. Rozwązywane równań nelnowych 2. Arytmetyka zmennopozycyjna 3. Błędy w oblczenach. Uwarunkowane zadana. Numeryczna poprawność stablność algorytmu 4. Rozwązywane
Bardziej szczegółowoPrzestrzeń unitarna. Jacek Kłopotowski. 23 października Katedra Matematyki i Ekonomii Matematycznej SGH
Katedra Matematyki i Ekonomii Matematycznej SGH 23 października 2018 Definicja iloczynu skalarnego Definicja Iloczynem skalarnym w przestrzeni liniowej R n nazywamy odwzorowanie ( ) : R n R n R spełniające
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowoMECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko
MECHANIKA Wykład Nr 10 MOMENT BEZWŁADNOŚCI Prowadzący: dr Krzysztof Polko Defncja momentu bezwładnośc Momentem bezwładnośc punktu materalnego względem płaszczyzny, os lub beguna nazywamy loczyn masy punktu
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoStatystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Bardziej szczegółowoRachunek wektorowy - wprowadzenie. dr inż. Romuald Kędzierski
Rachunek wektorowy - wprowadzenie dr inż. Romuald Kędzierski Graficzne przedstawianie wielkości wektorowych Długość wektora jest miarą jego wartości Linia prosta wyznaczająca kierunek działania wektora
Bardziej szczegółowoRUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego.
RUCH OBROTOWY Można opsać ruch obrotowy ze stałym przyspeszenem ε poprzez analogę do ruchu postępowego jednostajne zmennego. Ruch postępowy a const. v v at s s v t at Ruch obrotowy const. t t t Dla ruchu
Bardziej szczegółowoPrzykład 4.1. Belka dwukrotnie statycznie niewyznaczalna o stałej sztywności zginania
Przykład.. Beka dwukrotne statyczne newyznaczana o stałej sztywnośc zgnana Poecene: korzystając z metody sł sporządzć wykresy sł przekrojowych da ponŝszej bek. Wyznaczyć ugęce oraz wzgędną zmanę kąta w
Bardziej szczegółowoRACHUNEK MACIERZOWY. METODY OBLICZENIOWE Budownictwo, studia I stopnia, semestr 6. Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska
RACHUNEK MACIERZOWY METODY OBLICZENIOWE Budownictwo, studia I stopnia, semestr 6 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Czym jest macierz? Definicja Macierzą A nazywamy
Bardziej szczegółowoa 11 a a 1n a 21 a a 2n... a m1 a m2... a mn a 1j a 2j R i = , C j =
11 Algebra macierzy Definicja 11.1 Dla danego ciała F i dla danych m, n N funkcję A : {1,..., m} {1,..., n} F nazywamy macierzą m n (macierzą o m wierszach i n kolumnach) o wyrazach z F. Wartość A(i, j)
Bardziej szczegółowoNiezb. ednik matematyczny. Niezb. ednik matematyczny
Niezb ednik matematyczny Niezb ednik matematyczny Liczby zespolone I Rozważmy zbiór R R (zbiór par liczb rzeczywistych) i wprowadźmy w nim nastepuj ace dzia lania: z 1 + z 2 = (x 1, y 1 ) + (x 2, y 2 )
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowo5. Maszyna Turinga. q 1 Q. Konfiguracja: (q,α β) q stan αβ niepusta część taśmy wskazanie położenia głowicy
5. Maszyna Turnga = T Q skończony zór stanów q 0 stan początkowy F zór stanów końcowych Γ skończony zór symol taśmy T Γ alfaet wejścowy T Γ symol pusty (lank) δ: Q Γ! 2 Q Γ {L,R} funkcja
Bardziej szczegółowoAlgebra liniowa. 1. Macierze.
Algebra liniowa 1 Macierze Niech m oraz n będą liczbami naturalnymi Przestrzeń M(m n F) = F n F n będącą iloczynem kartezjańskim m egzemplarzy przestrzeni F n z naturalnie określonymi działaniami nazywamy
Bardziej szczegółowoUkłady równań i równania wyższych rzędów
Rozdział Układy równań i równania wyższych rzędów Układy równań różniczkowych zwyczajnych Wprowadzenie W poprzednich paragrafach zajmowaliśmy się równaniami różniczkowymi y = f(x, y), których rozwiązaniem
Bardziej szczegółowoD1. Algebra macierzy. D1.1. Definicje
D1. Algebra macierzy W niniejszym dodatku podamy podstawowe operacje macierzowe oraz niektóre techniki algebry macierzowej nie dbając szczególnie o formalizm matematyczny. Zakres jest wystarczający dla
Bardziej szczegółowoWstęp do komputerów kwantowych
Wprowadzenie do mechaniki kwantowej Uniwersytet Łódzki, Wydział Fizyki i Informatyki Stosowanej 2008/2009 Wprowadzenie do mechaniki kwantowej Podstawy matematyczne 1 Algebra liniowa Bazy i liniowa niezależność
Bardziej szczegółowoOkreślanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2
T A R C Z A Z E G A R O W A ASTYGMATYZM 1.Pojęca ogólne a) astygmatyzm prosty (najbardzej zgodny z pozomem) - najbardzej płask połudnk tzn. o najmnejszej mocy jest pozomy b) astygmatyzm odwrotny (najbardzej
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoRównania rekurencyjne na dziedzinach
Marek Materzok Równana rekurencyjne na dzedznach Pommo, ż poczynłem starana, aby praca ta była możlwe kompletna wolna od błędów, ne mogę zagwarantować, że ne wkradły sę do nej żadne neścsłośc czy pomyłk.
Bardziej szczegółowoWstęp do metod numerycznych Faktoryzacja QR i SVD. P. F. Góra
Wstęp do metod numerycznych Faktoryzacja QR i SVD P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Transformacja Householdera Niech u R N, u 0. Tworzymy macierz W sposób oczywisty P T = P. Obliczmy
Bardziej szczegółowoRozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Bardziej szczegółowoWektory i wartości własne
Treść wykładu Podprzestrzenie niezmiennicze... Twierdzenie Cayley Hamiltona Podprzestrzenie niezmiennicze Definicja Niech f : V V będzie przekształceniem liniowym. Podprzestrzeń W V nazywamy niezmienniczą
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoWektory i wartości własne
Treść wykładu Podprzestrzenie niezmiennicze Podprzestrzenie niezmiennicze... Twierdzenie Cayley Hamiltona Podprzestrzenie niezmiennicze Definicja Niech f : V V będzie przekształceniem liniowym. Podprzestrzeń
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoP 1, P 2 - wektory sił wewnętrznych w punktach powierzchni F wokół punktu A
TEORI STNU NPRĘŻENI. WEKTOR NPRĘŻENI r x P P P P, P - wektory sł wewnętrznych w unktach owerzchn wokół unktu P P r, P - suma sł wewnętrznych na owerzchn P P P P średna gęstość sł wewnętrznych na owerzchn
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoA A A A A A A A A n n
DODTEK NR GEBR MCIERZY W dodatku tym podamy najważniejsze definicje rachunku macierzowego i omówimy niektóre funkcje i transformacje macierzy najbardziej przydatne w zastosowaniach numerycznych a w szczególności
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowo-Macierz gęstości: stany czyste i mieszane (przykłady) -równanie ruchu dla macierzy gęstości -granica klasyczna rozkładów kwantowych
WYKŁAD 4 dla zanteresowanych -Macerz gęstośc: stany czyste meszane (przykłady) -równane ruchu dla macerzy gęstośc -granca klasyczna rozkładów kwantowych Macerz gęstośc (przypomnene z poprzednch wykładów)
Bardziej szczegółowoNotatki do wykładu Geometria Różniczkowa I
Notatk do wykładu Geometra Różnczkowa I Katarzyna Grabowska, KMMF 14 grudna 2013 1 Całkowane form różnczkowych 1.1 Twerdzene Stokes a W dalszym cągu E oznaczać będze półprzestrzeń w R n, tzn. zbór E =
Bardziej szczegółowoMatematyka z el. statystyki, # 1 /Geodezja i kartografia I/
Matematyka z el. statystyki, # 1 /Geodezja i kartografia I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Akademicka 15, p.211a, bud. Agro
Bardziej szczegółowoAkwizycja i przetwarzanie sygnałów cyfrowych
Akwizycja i przetwarzanie sygnałów cyfrowych Instytut Teleinformatyki ITI PK Kraków 21 luty 2011 Reprezentacje sygnału Jak reprezentujemy sygnał: wybieramy sygnały wzorcowe (bazę) rozwijamy sygnał w wybranej
Bardziej szczegółowo= i Ponieważ pierwiastkami stopnia 3 z 1 są (jak łatwo wyliczyć) liczby 1, 1+i 3
ZESTAW I 1. Rozwiązać równanie. Pierwiastki zaznaczyć w płaszczyźnie zespolonej. z 3 8(1 + i) 3 0, Sposób 1. Korzystamy ze wzoru a 3 b 3 (a b)(a 2 + ab + b 2 ), co daje: (z 2 2i)(z 2 + 2(1 + i)z + (1 +
Bardziej szczegółowodr Mariusz Grządziel 15,29 kwietnia 2014 Przestrzeń R k R k = R R... R k razy Elementy R k wektory;
Wykłady 8 i 9 Pojęcia przestrzeni wektorowej i macierzy Układy równań liniowych Elementy algebry macierzy dodawanie, odejmowanie, mnożenie macierzy; macierz odwrotna dr Mariusz Grządziel 15,29 kwietnia
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoModel IS-LM-BP. Model IS-LM-BP jest wersją modelu ISLM w gospodarce otwartej. Pokazuje on zatem jak
Ćwczena z Makroekonom II Model IS-LM- Model IS-LM- jest wersją modelu ISLM w gospodarce otwartej. Pokazuje on zatem jak gospodarka taka zachowuje sę w krótkm okrese, w efekce dzałań podejmowanych w ramach
Bardziej szczegółowoAlgebra liniowa z geometria. - zadania Rok akademicki 2010/2011
1 GEOMETRIA ANALITYCZNA 1 Wydział Fizyki Algebra liniowa z geometria - zadania Rok akademicki 2010/2011 Agata Pilitowska i Zbigniew Dudek 1 Geometria analityczna 1.1 Punkty i wektory 1. Sprawdzić, czy
Bardziej szczegółowoPodstawowe struktury algebraiczne
Maciej Grzesiak Podstawowe struktury algebraiczne 1. Wprowadzenie Przedmiotem algebry było niegdyś przede wszystkim rozwiązywanie równań. Obecnie algebra staje się coraz bardziej nauką o systemach matematycznych.
Bardziej szczegółowoGeometria Lista 0 Zadanie 1
Geometria Lista 0 Zadanie 1. Wyznaczyć wzór na pole równoległoboku rozpiętego na wektorach u, v: (a) nie odwołując się do współrzędnych tych wektorów; (b) odwołując się do współrzędnych względem odpowiednio
Bardziej szczegółowoA,B M! v V ; A + v = B, (1.3) AB = v. (1.4)
Rozdział 1 Prosta i płaszczyzna 1.1 Przestrzeń afiniczna Przestrzeń afiniczna to matematyczny model przestrzeni jednorodnej, bez wyróżnionego punktu. Można w niej przesuwać punkty równolegle do zadanego
Bardziej szczegółowoProblem plecakowy (KNAPSACK PROBLEM).
Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne
Bardziej szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobeństwo geometryczne Przykład: Przestrzeń zdarzeń elementarnych określona jest przez zestaw punktów (x, y) na płaszczyźne wypełna wnętrze kwadratu [0 x ; 0 y ]. Znajdź p-stwo, że dowolny punkt
Bardziej szczegółowoEkoenergetyka Matematyka 1. Wykład 3.
Ekoenergetyka Matematyka Wykład 3 MACIERZE Macierzą wymiaru n m, gdzie nm, nazywamy prostokątną tablicę złożoną z n wierszy i m kolumn: a a2 a j am a2 a22 a2 j a2m [ a ] nm A ai ai 2 a aim - i-ty wiersz
Bardziej szczegółowoMacierze. Układy równań.
Maciej Grzesiak Instytut Matematyki Politechniki Poznańskiej Macierze Układy równań 1 Macierze Jeżeli każdej uporządkowanej parze liczb naturalnych (i, j), 1 i m, 1 j n jest przyporządkowana dokładnie
Bardziej szczegółowoPostać Jordana macierzy
Rozdział 8 Postać Jordana macierzy Niech F = R lub F = C Macierz J r λ) F r r postaci λ 1 0 0 0 λ 1 J r λ) = 0 λ 1 0 0 λ gdzie λ F nazywamy klatką Jordana stopnia r Oczywiście J 1 λ) = [λ Definicja 81
Bardziej szczegółowoWykład 1 Zagadnienie brzegowe liniowej teorii sprężystości. Metody rozwiązywania, metody wytrzymałości materiałów. Zestawienie wzorów i określeń.
Wykład Zagadnene brzegowe lnowe teor sprężystośc. Metody rozwązywana, metody wytrzymałośc materałów. Zestawene wzorów określeń. Układ współrzędnych Kartezańsk, prostokątny. Ose x y z oznaczono odpowedno
Bardziej szczegółowo