Nierówności macierzowe

Podobne dokumenty
PROSTE A POZYTECZNE NIERÓWNOśCI MACIERZOWE

Macierz o wymiarach m n. a 21. a 22. A =

Wyznaczniki. Mirosław Sobolewski. Wydział Matematyki, Informatyki i Mechaniki UW. 6. Wykład z algebry liniowej Warszawa, listopad 2013

RACHUNEK MACIERZOWY. METODY OBLICZENIOWE Budownictwo, studia I stopnia, semestr 6. Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska

Formy kwadratowe. Mirosław Sobolewski. Wydział Matematyki, Informatyki i Mechaniki UW. 14. wykład z algebry liniowej Warszawa, styczeń 2017

Układy równań i nierówności liniowych

Zadania egzaminacyjne

3 1 + i 1 i i 1 2i 2. Wyznaczyć macierze spełniające własność komutacji: [A, X] = B

Wektory i wartości własne

Czy umiemy mnożyć wektory?

Wektory i wartości własne

Formy kwadratowe. Rozdział 10

Funkcje rzeczywiste jednej. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką

Geometria Lista 0 Zadanie 1

MATEMATYKA I SEMESTR ALK (PwZ) 1. Sumy i sumy podwójne : Σ i ΣΣ

Algebra liniowa II. Lista 1. 1 u w 0 1 v 0 0 1

Diagonalizacja macierzy i jej zastosowania

1 Macierze i wyznaczniki

dr Mariusz Grządziel 15,29 kwietnia 2014 Przestrzeń R k R k = R R... R k razy Elementy R k wektory;

Całki powierzchniowe w R n

Wykład 7 Macierze i wyznaczniki

Krzywe Freya i Wielkie Twierdzenie Fermata

Wprowadzenie do metod numerycznych Wykład 3 Metody algebry liniowej I Wektory i macierze

Definicja macierzy Typy i właściwości macierzy Działania na macierzach Wyznacznik macierzy Macierz odwrotna Normy macierzy RACHUNEK MACIERZOWY

1 Zbiory i działania na zbiorach.

Wykład 14. Elementy algebry macierzy

Wykład 5. Metoda eliminacji Gaussa

Diagonalizacja macierzy i jej zastosowania

Zaawansowane metody numeryczne

Y = α 1 Z α k Z k + e. (1) (k 1)[ktrA2 (tra) 2 ] (4) d = 1 k. (por. np. Kolupa, 2006). Wówczas jak to wynika ze wzorów (2) i (3) mamy:

PROGRAMOWANIE KWADRATOWE

Metody iteracyjne rozwiązywania układów równań liniowych (5.3) Normy wektorów i macierzy (5.3.1) Niech. x i. i =1

Met 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

Układy równań i równania wyższych rzędów

Symulacje geometrycznych sieci neuronowych w środowisku rozproszonym

Przekształcenia liniowe

Zadania z Algebry liniowej 4 Semestr letni 2009

Wokół wyszukiwarek internetowych

Diagonalizacja macierzy i jej zastosowania

Jak łatwo zauważyć, zbiór form symetrycznych (podobnie antysymetrycznych) stanowi podprzestrzeń przestrzeni L(V, V, K). Oznaczamy ją Sym(V ).

Związek między pojęciami transpozycji, podobieństwa i symetryzacji oraz równości macierzowe

Model Pasywnego Trasera w Lokalnie Ergodycznym Środowisku

Metoda najmniejszych kwadratów

Procesy stochastyczne

1 Przestrzenie Hilberta

Wyznaczniki 3.1 Wyznaczniki stopni 2 i 3

Lista. Algebra z Geometrią Analityczną. Zadanie 1 Przypomnij definicję grupy, które z podanych struktur są grupami:

macierze jednostkowe (identyczności) macierze diagonalne, które na przekątnej mają same

Algebra liniowa z geometrią

Tydzień nr 9-10 (16 maja - 29 maja), Równania różniczkowe, wartości własne, funkcja wykładnicza od operatora - Matematyka II 2010/2011L

Zastosowania wyznaczników

Procesy stochastyczne

Wykład 4. Informatyka Stosowana. Magdalena Alama-Bućko. 25 marca Magdalena Alama-Bućko Wykład 4 25 marca / 25

Programowanie liniowe

Jak trudne jest numeryczne całkowanie (O złożoności zadań ciągłych)

Formy kwadratowe. Mirosław Sobolewski. Wydział Matematyki, Informatyki i Mechaniki UW. 14. wykład z algebry liniowej Warszawa, styczeń 2011

Twierdzenie spektralne

Zaawansowane metody numeryczne

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski

1 Podobieństwo macierzy

wszystkich kombinacji liniowych wektorów układu, nazywa się powłoką liniową uk ładu wektorów

ALGEBRA Z GEOMETRIĄ ANALITYCZNĄ

15. Macierze. Definicja Macierzy. Definicja Delty Kroneckera. Definicja Macierzy Kwadratowej. Definicja Macierzy Jednostkowej

Lista nr 1 - Liczby zespolone

26 marzec, Łańcuchy Markowa z czasem ciągłym. Procesy Stochastyczne, wykład 7, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136

φ(x 1,..., x n ) = a i x 2 i +

det[a 1,..., A i,..., A j,..., A n ] + det[a 1,..., ka j,..., A j,..., A n ] Dowód Udowodniliśmy, że: det[a 1,..., A i + ka j,..., A j,...

Szczegółowa lista zagadnień kursu Algebra z geometrią MT obowiązujących na egzamin ustny w roku akademickim 2018/19

Komputerowa Analiza Danych Doświadczalnych

Grzegorz Bobiński. Wykład monograficzny Programowanie Liniowe i Całkowitoliczbowe

Procesy stochastyczne

OBLICZANIE POCHODNYCH FUNKCJI.

cx cx 1,cx 2,cx 3,...,cx n. Przykład 4, 5

Fizyka na usługach inżynierii finansowej 1

MACIERZE I WYZNACZNIKI

Baza w jądrze i baza obrazu ( )

Układy równań liniowych. Krzysztof Patan

R n = {(x 1, x 2,..., x n ): x i R, i {1,2,...,n} },

19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136

Macierze. Układy równań.

Przestrzenie liniowe

3. Funkcje wielu zmiennych

UKŁADY RÓWNAŃ LINIOWYCH

Macierze. Dziaªania na macierzach. 1. Niech b d dane macierze , D = , C = , B = 4 12 A = , F = , G = , H = E = a) Obliczy A + B, 2A 3B,

Wstęp do komputerów kwantowych

Algebra liniowa. 1. Macierze.

a 11 a a 1n a 21 a a 2n... a m1 a m2... a mn x 1 x 2... x m ...

Przestrzeń unitarna. Jacek Kłopotowski. 23 października Katedra Matematyki i Ekonomii Matematycznej SGH

Matematyka dyskretna. 1. Relacje

Analiza numeryczna Kurs INP002009W. Wykłady 6 i 7 Rozwiązywanie układów równań liniowych. Karol Tarnowski A-1 p.

Suma i przeciȩcie podprzestrzeni, przestrzeń ilorazowa Javier de Lucas

Wyk lad 8 macierzy i twierdzenie Kroneckera-Capellego

PRZEWODNIK PO PRZEDMIOCIE

MACIERZE FIBONACCIEGO GENEROWANE PRZEZ OPERACJE RÓŻ NICOWE

, A T = A + B = [a ij + b ij ].

Rozdzia l 11. Przestrzenie Euklidesowe Definicja, iloczyn skalarny i norma. iloczynem skalarnym.

Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie

TEORIA GIER W EKONOMII WYKŁAD 5: GRY DWUOSOBOWE KOOPERACYJNE O SUMIE NIESTAŁEJ

Algebra liniowa z geometria

Transkrypt:

Nierówności macierzowe Tomasz Tkocz KMISMaP Uniwersytet Warszawski Toruńska Letnia Szkoła Matematyki 2009, 3.IX.2009r.

Plan 1 2 3 4

Zadanko na rozgrzewkę Zadanie NiechA = [a ij ] i,j=1,...n będziemacierząn norzeczywistych współczynnikach. Udowodnić, że n deta j=1i=1 aij 2.

Zadanko na rozgrzewkę Zadanie NiechA = [a ij ] i,j=1,...n będziemacierząn norzeczywistych współczynnikach. Udowodnić, że Rozwiązanie n deta j=1i=1 aij 2. det A = objętość równoległościanu rozpiętego przez wektory kolumnowemacierzya iloczynichdługości.

Zadanko na rozgrzewkę Przypadki szczególne Dlan =2,A = [ rs tu ]: ru st r 2 +t 2 s 2 +u 2 (nierównośćschwarza), dlan =3,A = [ r s t ] uvw : xy z rvz +swx +tuy tvx wyr zsu r 2 +u 2 +x 2 s 2 +v 2 +y 2 t 2 +w 2 +z 2.

Morał i motywacja Morał W macierzach można szukać(ładne) nierówności.

Morał i motywacja Morał W macierzach można szukać(ładne) nierówności. Motywacja ważne zwierzę w fizyce statystycznej, to suma statystyczna postacitre A (A operatorliniowysamosprzężony) bardzo ważne są jej różnorakie oszacowania

Morał i motywacja Morał W macierzach można szukać(ładne) nierówności. Motywacja ważne zwierzę w fizyce statystycznej, to suma statystyczna postacitre A (A operatorliniowysamosprzężony) bardzo ważne są jej różnorakie oszacowania

Morał i motywacja Morał W macierzach można szukać(ładne) nierówności. Motywacja ważne zwierzę w fizyce statystycznej, to suma statystyczna postacitre A (A operatorliniowysamosprzężony) bardzo ważne są jej różnorakie oszacowania

Morał i motywacja Morał W macierzach można szukać(ładne) nierówności. Motywacja ważne zwierzę w fizyce statystycznej, to suma statystyczna postacitre A (A operatorliniowysamosprzężony) bardzo ważne są jej różnorakie oszacowania Umowa Naprzestrzeni C n mamyzadanyiloczynskalarny<,>.

Nierówność Peierlsa Bogolubowa Twierdzenie DlaoperatorówliniowychsamosprzężonychA,B : C n C n zachodzi tre A+B ( ) trae B tre B exp tre B. Wszczególności(B =I) 1 n trea e 1 n tra.

Nierówność Goldena Thompsona Twierdzenie DlaoperatorówliniowychsamosprzężonychA,B : C n C n zachodzi ( tre A+B tr e A e B), a nawet więcej tre A+B tr (e A/m e B/m) m tr ( e A e B), 0<m Z.

Dryf do szkicu dowodu tre A+B (e A e B) tr

Dlaczego operatory samosprzężone są przyjemne? Twierdzenie(Spektralne) JeślioperatorliniowyA: C n C n jestsamosprzężony a (A =A),toistniejebazaortonormalnau 1,...,u n orazliczby rzeczywisteλ 1,...λ n takie,że Au k =λ k u k,k =1,...,n. a przeza oznaczamyhermitowskiesprzężenieoperatoraa

Dlaczego operatory samosprzężone są przyjemne? Twierdzenie(Spektralne) JeślioperatorliniowyA: C n C n jestsamosprzężony a (A =A),toistniejebazaortonormalnau 1,...,u n orazliczby rzeczywisteλ 1,...λ n takie,że Au k =λ k u k,k =1,...,n. a przeza oznaczamyhermitowskiesprzężenieoperatoraa Definicja NiechA operatorsamosprzężony.dlaf:r Rdefiniujemy operatorf (A): C n C n określonynabazieu 1,...,u n z twierdzenia spektralnego wzorem f (A)u k =f (λ k )u k.

Klucz Twierdzenie DlaoperatorasamosprzężonegoA: C n C n nieujemnego a, funkcjiwypukłejf:[0, ) Ribazyortonormalnejv 1,...,v n zachodzi trf (A) f (<Av k,v k >). a dlakażdegox C n zachodzi<ax,x> 0

Klucz Twierdzenie DlaoperatorasamosprzężonegoA: C n C n nieujemnego a, funkcjiwypukłejf:[0, ) Ribazyortonormalnejv 1,...,v n zachodzi trf (A) f (<Av k,v k >). a dlakażdegox C n zachodzi<ax,x> 0 DlaX : C n C n dowolnegooperatoraliniowegoweźmy f (x) =x m,m Z +,A =X X.

Klucz Twierdzenie DlaoperatorasamosprzężonegoA: C n C n nieujemnego a, funkcjiwypukłejf:[0, ) Ribazyortonormalnejv 1,...,v n zachodzi trf (A) f (<Av k,v k >). a dlakażdegox C n zachodzi<ax,x> 0 DlaX : C n C n dowolnegooperatoraliniowegoweźmy f (x) =x m,m Z +,A =X X. Mamy ( ) m tr X X <X Xv k,v k > m = <Xv k,xv k > m

= ( k-takolumnamacierzy [x ij ]operatorax wbazie (v k ) 2) m

= ( k-takolumnamacierzy [x ij ]operatorax ( wbazie (v k ) 2) m ) m = x lk 2 l=1

= ( k-takolumnamacierzy [x ij ]operatorax ( wbazie (v k ) 2) m ) m = x lk 2 x kk 2m l=1

= ( k-takolumnamacierzy [x ij ]operatorax ( wbazie (v k ) 2) m ) m = x lk 2 x kk 2m l=1 x 2m kk

= ( k-takolumnamacierzy [x ij ]operatorax ( wbazie (v k ) 2) m n ) m = x lk 2 x kk 2m l=1 x 2m kk = trx 2m. Zadanie domowe DlaoperatoraliniowegoX : C n C n istniejebazaortonormalna (v k )przestrzeni C n wktórejmacierztegoprzekształceniajest górnotrójkątna.

= ( k-takolumnamacierzy [x ij ]operatorax ( wbazie (v k ) 2) m ) m = x lk 2 x kk 2m l=1 x 2m kk = trx 2m. Lemat DlaoperatoraliniowegoX : C n C n zachodzi trx 2m m, tr (X X) m Z+.

Wniosekznierówności trx 2m tr ( X X ) m Lemat DlaoperatorówliniowychsamosprzężonychX,Y : C n C n zachodzi tr (XY ) 2m tr (X 2m Y 2m), m Z +.

Wniosek z nierówności tr (XY ) 2m tr ( X 2m Y 2m) Dla A, B operatorów samosprzężonych kładziemy X =I + 1 2 A,Y =I + 1 m 2 B. m

Wniosek z nierówności tr (XY ) 2m tr ( X 2m Y 2m) Dla A, B operatorów samosprzężonych kładziemy X =I + 1 2 A,Y =I + 1 m 2 B.Ufając,że m (XY ) 2m = = X 2m Y 2m = (( I + 1 )( 2 ma I + 1 )) 2m 2 mb ( I + 1 ) 2 2 m AB) ( 1 2 m(a +B) + 2 m ( I + 1 ) 2m( 2 ma I + 1 ) 2m 2 mb m e A+B, m e A e B,

Wniosek z nierówności tr (XY ) 2m tr ( X 2m Y 2m) Dla A, B operatorów samosprzężonych kładziemy X =I + 1 2 A,Y =I + 1 m 2 B.Ufając,że m (XY ) 2m = = X 2m Y 2m = (( I + 1 )( 2 ma I + 1 )) 2m 2 mb ( I + 1 ) 2 2 m AB) ( 1 2 m(a +B) + 2 m ( I + 1 ) 2m( 2 ma I + 1 ) 2m 2 mb m e A+B, m e A e B, otrzymujemy ( tre A+B tr e A e B).

Bibliografia S. Golden, Lower Bounds for the Helmholtz Function, Physical Review 137, B1127 1128(1965) B. Simon, The statistical Mechanics of Lattice Gases, Princeton, New Jersey, Princeton University Press M. Suzuki, Quantum Statistical Monte Carlo Methods and Applications to Spin Systems, Journal of Statistical Physics 43, 883 909(1986) C. J. Thompson, Inequality with Applications in Statistical Mechanics, Journal of Mathematical Physics 6, 1812 1813 (1965)

Dziękuję!

Pytania?