Lineær algebra 1. kursusgang

Transkript

1 Lineær algebra 1. kursusgang

2 Eksempel, anvendelse To kendte punkter A og B på en linie, to ukendte punkter x 1 og x 2. A x 1 x 2 B Observationer af afstande: fra A til x 1 : b 1 fra x 1 til x 2 : b 2 fra x 2 til B: b 3

3 Tre lineære ligninger til bestemmelse af de to ubekendte x 1 og x 2. x 1 A = b 1 x 2 x 1 = b 2 B x 2 = b 3. Der er (formentlig) ingen eksakt løsning. Bestem mindste kvadraters løsning.

4 Hvis punkterne ligger i planen fås ligninger af typen (x c) 2 + (y d) 2 = b. (x c) 2 + (y d) 2 har en lineær ap- Fra Calculus: f(x, y) = proximation.

5 Eksempel, teori Lineært ligningssystem med m = 3 ligninger og n = 4 ubekendte: x 1 + 2x 3 + x 4 = 1 3x 1 + 2x 2 + 3x 3 5x 4 = 0 x 1 + x 2 + 2x 3 + x 4 = 4 Udvidet koefficientmatrix (totalmatrix) for ligningssystemet: A = som er en m (n + 1) matrix: m (= 3) rækker, n + 1 (= 5) søjler.

6 Ligningssystemet på matrix form x 1 x 2 x 3 = x (m n matrix) (vektor med n komponenter) = (vektor med m komponenter). Antal løsninger til m lineære ligninger med n ubekendte 0 (inkonsistent ligningssystem) (der er en eller flere frie variable) 1 (m n).

7 A en m n matrix. B en r s matrix. Matrixproduktet AB kan udregnes hvis n = r og resultatet er så en m s matrix. Tallene i produktet AB kan udregnes som prikprodukter: Plads (i, j) i AB = (A s række i) (B s søjle j) = =

8 Identitetsmatrix / Enhedsmatrix: I = I n = I 4 = Hvis x er vektor med n komponenter så er I n x = x. Hvis A er en m n matrix så er AI n = A og I m A = A. En invers matrix til en matrix A er en matrix A 1 som opfylder AA 1 = I og A 1 A = I.

9 Hvis en m n matrix har en invers så er m = n og I = I n. n = 2 A = [ a b c d Hvis ad bc = 0 så har A ikke en invers. Hvis ad bc 0 så har A invers A 1 = 1 [ d b ad bc c a ]. ]. Vilkårligt n Hvis [A I] rref [I B] så er A 1 = B.

10 Hvis A er en invertibel n n matrix så har ligningssystemet Ax = b en entydig løsning: x = A 1 b. Hvis A og B er invertible matricer så er (AB) 1 = B 1 A 1.

11 Transponering af m n matrix A: A T er n m matrix, f.eks.: A = , A T = (1, 2, 3, 4) T =

12 Afstand mellem to punkter (vektorer): (a 1, a 2 ) og (b 1, b 2 ) i planen: (a 1 b 1 ) 2 + (a 2 b 2 ) 2. Afstand mellem to vektorer i R n : a 1 a 2. a n og b 1 b 2. b n (a 1 b 1 ) 2 + (a 2 b 2 ) (a n b n ) 2.

13 Afsnit 6.4 i SIF (gennemgås senere): A : en m n matrix, m > n Ax = b er inkonsistent. Find x så Ax er tæt på b.

14 Første del af afsnit 6.4 Find linie der passer bedst gennem et antal punkter i et koordinatsystem.

15 15 10 y x

16 Vi har n punkter (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). Find en linie y = ax + b der tilnærmer de n punkter bedst muligt. (I bogen: y = a 0 + a 1 x.) Antagelse: x i -værdier kendes præcist men der kan være fejl på y i -værdierne.

17 Hvornår går linien ax + b = y præcist gennem alle n punkter. ax 1 + b = y 1 ax 2 + b = y 2. ax n + b = y n Et system af n lineære ligninger

18 med 2 ubekendte (a og b). På matrixform eller x 1 1 x 2. 1 x n 1 1 x 1 1 x 2. 1 x n [ ] a b [ ] b a = = y 1 y 2. y n y 1 y 2. y n

19 x

20 ax 0 + b y 0 y y = ax + b ax 0 + b y 0 x 0 x

21 Mindste kvadraters metode: Bestem linien y = ax + b sådan at (ax 1 + b y 1 ) 2 + (ax 2 + b y 2 ) (ax n + b y n ) 2 er mindst mulig. Det betyder at afstanden mellem er mindst mulig. 1 x 1 1 x 2. 1 x n [ ] b a = ax 1 + b ax 2 + b. ax n + b og y 1 y 2. y n

22 A = 1 x 1 1 x 2. 1 x n, y = y 1 y 2.. y n Hvis A [ ] b a = y så er A T A [ ] b a = A T y.

23 A T A [ ] b a = A T y. Vi vil senere se at en løsning til denne ligning, som kaldes normalligning giver mindste kvadraters linien. [ ] b a = (A T A) 1 A T y.

24 Eksempel. Bestem den linie (mindste kvadraters linien) der bedst tilnærmer følgende punkter: (1, 3), (2, 5), (3, 9), (4, 12), (5, 14). A = , y = A T A = [ ] = [ 5 ]

25 A T y = [ ] = [ ] Normalligning [ ] [ ] b a = [ ] Løsning: [ ] b a = [ ]

26 Den ønskede linie har altså ligning y = 2.9x 0.1

27 Eksempel: Punkter (1, 0), (2, 1), (4, 3). Find parabel med ligning c + xb + x 2 a = y der går gennem punkterne: c + 1b a = 0 c + 2b a = 1 c + 4b a = 3 Løs ligningerne m.h.t. c, b, a.

28 Afsnit 6.1 Lad u = u 1 u 2. u n og v = v 1 v 2. v n være to vektorer i Rn. Så defineres prikproduktet (det indre produkt eller skalarproduktet) som u v = u 1 v 1 + u 2 v u n v n.

29 Regneregler: u v = v u (u + v) w = u w + v w (cu) v = u (cv) = c(u v) for et tal c. u u > 0 med mindre u = = 0.

30 Længden af en vektor v = v = v v = v 1 v 2. v n defineres til v v v2 n v 2 = v v cv = (cv) (cv) = c 2 (v v) = c v 2 = c v. Normalisering af vektor v: Vektoren 1 v har længde 1 og peger i samme retning som v. v

31 Afstanden mellem to vektorer u = i Rn defineres som dist(u, v) = u v = u 1 u 2. u n og v = v 1 v 2. v n (u 1 v 1 ) (u n v n ) 2.

32 To vektorer u og v siges at være ortogonale (vinkelrette) hvis u v = 0. 0 er ortogonal på enhver vektor v. Pythagoras: u og v er ortogonale hvis kun hvis u + v 2 = u 2 + v 2. u+v 2 = (u+v) (u+v) = u u+v v+2u v = u 2 + v 2 +2u v.

33 Underrum (afsnit 4.1) H: en mængde af vektorer i R n. H er et underrum af R n hvis 0 H hvis u H og v H så u + v H hvis u H og c R så cu H

34 Lad W være et underrum af R n, og lad b 1,..., b p være vektorer i W. {b 1,..., b p } er en basis for W hvis span{b 1,..., b p } = W og b 1,..., b p er lineært uafhængige (Det betyder at ligningen x 1 b 1 + x 2 b x p b p = 0 kun har løsningen x 1 = x 2 =... = x p = 0.) Dimensionen, dim W, er antallet af vektorer i en basis.

35 Eksempler på underrum: 1. Hvis u 1,..., u m R n så er span{u 1,..., u m } = {c 1 u c m u m c 1,..., c m R} (mængden af alle linearkombination af u 1,..., u m ). span{u 1,..., u m } er et underrum af R n. 2. Hvis A = [u 1... u m ] er en n m matrix så er (søjlerummet af A) et underrum af R n. Col A = span{u 1,..., u m } Col A er mængden af vektorer på formen Ax hvor x R m.

36 3. Hvis A er en n m matrix så er Nul A = {x R m Ax = 0} (nulrummet for A) et underrum af R m.... a a 4. Hvis A = = [a 1... a m ] T er en m n matrix så er... a m... Row A = Col A T et underrum af R n. (Row A er mængden af alle linear kombinationer af A s rækkevektorer.) Det kaldes rækkerummet for A.

37 5. Hvis W er et underrum af R n så lad L være mængden af vektorer i R n der er ortogonale på enhver vektor i W. Så er L et underrum af R n. L kaldes det ortogonale komplement af W, skrives L = W. For et underrum W af R n : (W ) = W. dim W + dim W = n

38 De fire fundamentale underrum for matricen A er Col A, Row A, Nul A og Nul A T. Sammenhæng mellem de fire fundamentale underrum: (Row A) = Nul A (Col A) = (Row A T ) = Nul A T