Úvod do kvantového počítání
|
|
- Miroslava Bartošová
- před 4 lety
- Počet zobrazení:
Transkript
1 2. přednáška Katedra počítačů, Fakulta elektrotechnická České vysoké učení technické v Praze 17. března 2005
2 Opakování Část I Přehled z minulé hodiny
3 Opakování Alternativní výpočetní modely Kvantové počítače DNA počítače Hledání silnějšího výpočetního modelu než Turingův stroj poražení Silné Churchovi teze: Problém je řešitelný v polynomiálním čase, právě tehdy když je v polynomiálním čase řešitelný na TM. "Známé" modely: Kvantové počítače DNA počítače
4 Kvantové počítače Opakování Kvantové počítače DNA počítače Založeno na kvantové mechanice Aplikace Rychlejší algoritmy Generování náhodných čísel Kvantová distribuce klíčů Fyzická realizace NMR Cavity QED Ion trap
5 DNA počítače Opakování Kvantové počítače DNA počítače Založeno na "puzzle" párování nukleotidů T, C, G, A Aplikace experimenty s problémem obchodního cestujícího (NPC problém) Fyzická realizace Nukleotidová polévka s míchačem a dodávkami cukru
6 Stavový prostor Část II Dnešní přednáška
7 Co je to qubit? Stavový prostor Vektorové prostory Vnitřní součin Hilbertův prostor Kvantový bit - qubit Obecný tvar: φ = α 0 + β 1 Qubit žije v Hilbertově prostoru H 2. B = { 0, 1 } tvoří bázi prostoru. Evoluce kvantového systému je unitární. Měření způsobuje kolaps qubitu na jeden z bázových vektorů. α a β jsou komplexní amplitudy.
8 Stavový prostor Notační zápis podle Diraca Vektorové prostory Vnitřní součin Hilbertův prostor φ - sloupcový vektor (nazývaný ket), φ = (x 1, x 2,... ) T φ - řádkový vektor (nazývaný bra), φ = ( φ ) φ ψ - vnitřní součin φ ψ - tensorový součin φ - norma
9 Stavový prostor Vektorové prostory Vnitřní součin Hilbertův prostor Vektorový prostor V nad tělesem F Množinu V nazveme vektorovým prostorem nad tělesem F máme definované operace + : V V V (vektorové sčítání) a : F V V (skalární násobení) a platí: 1 (V, +) je komutativní grupa. 2 α φ = φ α 3 α(β φ ) = (αβ) φ 4 (α + β) φ = α φ + β φ 5 α( φ + ψ ) = α φ + α ψ
10 Vnitřní součin Stavový prostor Vektorové prostory Vnitřní součin Hilbertův prostor Necht je V komplexní vektorový prostor. Funkci : V V C nazveme vnitřní součin, právě tehdy když 1 φ φ R, φ φ 0, φ φ = 0 φ = 0 2 φ ψ = ψ φ 3 φ ( ψ + λ ) = φ ψ + φ λ 4 φ αψ = α φ ψ 5 αφ ψ = α φ ψ
11 Hilbertův prostor Stavový prostor Vektorové prostory Vnitřní součin Hilbertův prostor Hilberův prostor je úplný komplexní vektorový prostor H s vnitřním součinem a definovanou normou φ = φ φ Normalizovaný (jednotkový) vektor φ φ = 1 Ortonormální systém B = { b 1, b 2,... } tvoří bázi prostoru H, právě tehdy když pro všechny vektory φ můžeme psát φ = λ i b i i Ortonormální bázové vektory - normalizované bázové vektory
12 Stavový prostor Vlastnosti Hilbertova prostoru Vektorové prostory Vnitřní součin Hilbertův prostor Hilbertův prostor je H je isomorfní k tělesu C n. Zápis ket a bra vektorů umožňuje vnitřní součin vyjádřit jako běžné násobení matic. Pokud H 1 a H 2 jsou Hilbertovy prostory, pak tensorový součin H = H 1 H 2 = c ij i, j : c ij C j B 2 i B 1 je také Hilbertův prostor s bází B = B 1 B 2. dim H = dim H 1 dim H 2
13 Příklady bází Stavový prostor Vektorové prostory Vnitřní součin Hilbertův prostor Standardní báze: Duální báze: 0 = ( 1 0 ) ( ) 0, 1 = 1 ( ) α β φ = α 0 + β 1 = 0 = ( 1 1 ) (, 1 1 = 1 0 = 1 2 ( ) 1 = 1 2 ( 0 1 ) )
14 Stavový prostor Necht je V vektorový prostor. Funkci (operátor) A : V V nazveme lineární právě tehdy když platí A (λ φ + µ ψ ) = λa φ + µa ψ Operátor A zapisujeme jako čtvercovou matici n n. a 0,0... a 0,n 1 A =.. a n 1,0... a n 1,n 1
15 Stavový prostor Operátor A můžeme také napsat jako A = i,j a ij i j i, j odpovídají standardním bázovým vektorům. Pro matici 2 2 dostaneme: ( ) a0,0 a 0,1 = a a 1,0 a 0, a 0, a 1, a 1, ,1 Pro prvky matice a ij můžeme psát a ij = i A j
16 Stavový prostor Důležité druhy operátorů Sdružený operátor Operátor A = ( A T ) = i,j a ji i j nazveme sdruženým operátorem k operátoru A. Operátor samo sdružený (self-adjoint, Hermitián) A = A vlastní čísla Hermitiánu jsou vždy reálná unitární A A = AA = I A 1 = A unitární operátor zachovává vnitřní součin; Aφ Aψ = φ ψ
17 Stavový prostor kvantové mechaniky Kvantový stav Evoluce Měření 1. Kvantový stav Libovolnému fyzickému systému S může být přiřazen komplexní Hilbertův prostor H, kterému říkáme stavový prostor systému S. Stav systému S je úplně popsán vektorem φ H s normou φ = 1, kterému říkáme stavový vektor systému S. Nejjednoduší netriviální kvantově mechanický systém je kvantový bit - qubit z prostoru H 2. Stav φ může být zapsán jako lineární kombinace (superpozice) dvou bázových vektorů označaných 0, 1. φ = α 0 + β 1 kde α, β C a α 2 + β 2 = 1
18 Stavový prostor kvantové mechaniky Kvantový stav Evoluce Měření 2. Evoluce Dočasný vývoj uzavřeného kvantového systému je popsán Schrödingerovou rovnicí i φ = H φ t kde je Planckova konstanta a H je Hamiltonián popisující dynamiku v prostoru H. Protože unitární operátor U lze vyjádřit jako U = e ih, můžeme druhý postulát přeformulovat do tvaru: φ t2 = U φ t1, pro čas t 1 t 2
19 Příklad evoluce Stavový prostor Kvantový stav Evoluce Měření Hadamardova rotace Jeden z nejdůležitějších jedno-qubitových operátorů je Hadamardova rotace. H = 1 ( ) ! Odpovídá diskrétní Fourierově transformaci v Z 2.!
20 Hadamardova rotace Stavový prostor Kvantový stav Evoluce Měření Příklady: 1 H 0 = 1 2 ( ) 2 H 1 = 1 2 ( 0 1 ) 3 Obecně: H n x = 1 2 n y {0,1} n ( 1) x.y y kde x.y = n i=1 x iy i.
21 Stavový prostor kvantové mechaniky Kvantový stav Evoluce Měření 3. Měření Měření je popsáno self-adjoint operátorem A (observable) se spektrální dekompozicí A = k a i P i = i=0 k a i p i p i, i=0 kde a i jsou unikátní vlastní hodnoty (eigenvalues) a P i projekce do podprostoru určeného vlastními vektory (eigenvectors) p i. Vlastní hodnoty odpovídají možným výsledkům získaných pomocí měření.
22 Výsledky měření Stavový prostor Kvantový stav Evoluce Měření Měřením stavu φ získáme výsledek a i s pravděpodobností Pr(a i ) = P i φ 2 = φ P i φ. Destruktivní důsledek měření Stav φ po měření kolabuje na stav φ = P i φ φ Pi φ. pokud není φ shodný s vlastním vektorem, který určuje projekční prostor, je původní superpozice stavu φ nenávratně zničena.
23 Stavový prostor Kvantový stav Evoluce Měření Průměrná hodnota vlastních čísel Při měření operátorem A se můžeme ptát, jaká bude průměrná naměřená hodnota. Víme, že Pr(a i ) = P i φ 2 = φ P i φ, Potom A = k a i P i. i=0 EA = k Pr(a i )a i = i=0 k φ a i P i φ = φ A φ. i=0
24 Stavový prostor Kvantový stav Evoluce Měření Výpočet vlastních vektorů a čísel Vlastní čísla a vektory splňují rovnici A v = a v Úpravy: A v = a.i. v (A a.i) v = 0 pro det (A a.i) 0 v = 0 pro det (A a.i) = 0 v 0
25 Stavový prostor Kvantový stav Evoluce Měření Výpočet vlastních vektorů a čísel Pro operátor A = ( ) vypočteme vlastní čísla: 0 a a = a2 1 = 0 a 1,2 = ±1 Výpočet vlastního vektoru pro a 1 = 1 : ( ) ( ) ( ) ( 1 1 v1 0 1 = v = v 2 p 1 = 1 v 2 v 2 Výpočet vlastního vektoru pro a 2 = 1 : ( ) ( ) ( ) ( 1 1 v1 0 1 = v = v 2 p 2 = 1 ) )
26 Duální báze Stavový prostor Kvantový stav Evoluce Měření Po normalizaci dostaneme p 1 = 1 ( ) a p 2 = 1 2 ( 1 1 ). Duální báze Výše uvedené vektory tvoří tzv. duální bázi označovanou { 0, 1 }. Platí 0 = 1 2 ( ) 1 = 1 2 ( 0 1 )
Komerční výrobky pro kvantovou kryptografii
Cryptofest 05 Katedra počítačů, Fakulta elektrotechnická České vysoké učení technické v Praze 19. března 2005 O čem bude řeč Kryptografie Kryptografie se zejména snaží řešit: autorizovanost přístupu autenticitu
Úvod do kvantového počítání
Osnova Katedra počítačů, Fakulta elektrotechnická České vysoké učení technické v Praze 10. března 2005 O přednáškách Osnova Přehled k přednáškám Proč kvantové počítání a počítače 1 Úvod do kvantového počítaní
Lineární zobrazení. 1. A(x y) = A(x) A(y) (vlastnost aditivity) 2. A(α x) = α A(x) (vlastnost homogenity)
4 Lineární zobrazení Definice: Nechť V a W jsou vektorové prostory Zobrazení A : V W (zobrazení z V do W nazýváme lineárním zobrazením, pokud pro všechna x V, y V a α R platí 1 A(x y = A(x A(y (vlastnost
MATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
8 Matice a determinanty
M Rokyta, MFF UK: Aplikovaná matematika II kap 8: Matice a determinanty 1 8 Matice a determinanty 81 Matice - definice a základní vlastnosti Definice Reálnou resp komplexní maticí A typu m n nazveme obdélníkovou
Matice. Předpokládejme, že A = (a ij ) je matice typu m n: diagonálou jsou rovny nule.
Matice Definice. Maticí typu m n nazýváme obdélníkové pole, tvořené z m n reálných čísel (tzv. prvků matice), zapsaných v m řádcích a n sloupcích. Značíme např. A = (a ij ), kde i = 1,..., m, j = 1,...,
a počtem sloupců druhé matice. Spočítejme součin A.B. Označme matici A.B = M, pro její prvky platí:
Řešené příklady z lineární algebry - část 1 Typové příklady s řešením Příklady jsou určeny především k zopakování látky před zkouškou, jsou proto řešeny se znalostmi učiva celého semestru. Tento fakt se
Kvantová mechanika ve 40 minutách
Stručný průvodce konečněrozměrnou kvantovou mechanikou České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská Úvod do kryptologie 6. 5. 2010 Program 1 Od klasické mechaniky k mechanice
V: Pro nulový prvek o lineárního prostoru L platí vlastnosti:
Zpracoval: hypspave@fel.cvut.cz. Základní vlastnosti abstraktních lineárních prostorů. Lineární závislost, nezávislost, báze, souřadnice vzhledem k bázi, matice lineárního zobrazení vzhledem k bázím.skalární
Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
Tomáš Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 1 / 63 1 2 3 4 5 6 7 8 9 10 11 2 / 63 Aritmetický vektor Definition 1 Aritmetický vektor x je uspořádaná
7. Lineární vektorové prostory
7. Lineární vektorové prostory Tomáš Salač MÚ UK, MFF UK LS 2017/18 Tomáš Salač ( MÚ UK, MFF UK ) 7. Lineární vektorové prostory LS 2017/18 1 / 62 7.1 Definice a příklady Definice 7.1 Množina G s binární
Lineární algebra : Skalární součin a ortogonalita
Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
DEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
Transformace obrazu Josef Pelikán KSVI MFF UK Praha
Transformace obrazu 99725 Josef Pelikán KSVI MFF UK Praha email: Josef.Pelikan@mff.cuni.cz WWW: http://cgg.ms.mff.cuni.cz/~pepca/ Transformace 2D obrazu dekorelace dat potlačení závislosti jednotlivých
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
VI. Maticový počet. VI.1. Základní operace s maticemi. Definice. Tabulku
VI Maticový počet VI1 Základní operace s maticemi Definice Tabulku a 11 a 12 a 1n a 21 a 22 a 2n, a m1 a m2 a mn kde a ij R, i = 1,, m, j = 1,, n, nazýváme maticí typu m n Zkráceně zapisujeme (a ij i=1m
PROSTORY SE SKALÁRNÍM SOUČINEM. Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti
PROSTORY SE SKALÁRNÍM SOUČINEM Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx, y) = λ(x,
1 Projekce a projektory
Cvičení 3 - zadání a řešení úloh Základy numerické matematiky - NMNM20 Verze z 5. října 208 Projekce a projektory Opakování ortogonální projekce Definice (Ortogonální projekce). Uvažujme V vektorový prostor
1 Zobrazení 1 ZOBRAZENÍ 1. Zobrazení a algebraické struktury. (a) Ukažte, že zobrazení f : x
1 ZOBRAZENÍ 1 Zobrazení a algebraické struktury 1 Zobrazení Příklad 1.1. (a) Ukažte, že zobrazení f : x na otevřený interval ( 1, 1). x x +1 je bijekce množiny reálných čísel R (b) Necht a, b R, a < b.
Lineární algebra : Skalární součin a ortogonalita
Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 30. dubna 2014, 09:00 1 2 15.1 Prehilhertovy prostory Definice 1. Buď V LP nad
Všechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat
Všechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat Čtvercová matice n n, např. může reprezentovat: A = A A 2 A 3 A 2 A 22 A 23 A 3 A 32 A 33 matici koeficientů soustavy n lineárních
2 Vektorové normy. Základy numerické matematiky - NMNM201. Definice 1 (Norma). Norma je funkcionál splňující pro libovolné vektory x a y a pro
Cvičení 1 Základy numerické matematiky - NMNM201 1 Základní pojmy opakování Definice 1 (Norma). Norma je funkcionál splňující pro libovolné vektory x a y a pro libovolný skalár α C následující podmínky:
Úvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
Učební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Skalární součin študenti MFF 15. augusta 2008 1 10 Skalární součin Požadavky Vlastnosti v reálném i komplexním případě Norma Cauchy-Schwarzova nerovnost
příkladů do cvičení. V textu se objeví i pár detailů, které jsem nestihl (na které jsem zapomněl) a(b u) = (ab) u, u + ( u) = 0 = ( u) + u.
Několik řešených příkladů do Matematiky Vektory V tomto textu je spočteno několik ukázkových příkladů které vám snad pomohou při řešení příkladů do cvičení. V textu se objeví i pár detailů které jsem nestihl
EUKLIDOVSKÉ PROSTORY
EUKLIDOVSKÉ PROSTORY Necht L je lineární vektorový prostor nad tělesem reálných čísel R. Zobrazení (.,.) : L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx,
15 Maticový a vektorový počet II
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 15: Maticový a vektorový počet II 1 15 Maticový a vektorový počet II 15.1 Úvod Opakování z 1. ročníku (z kapitoly 8) Označení. Množinu všech reálných resp.
1 Báze a dimenze vektorového prostoru 1
1 Báze a dimenze vektorového prostoru 1 Báze a dimenze vektorového prostoru 1 2 Aritmetické vektorové prostory 7 3 Eukleidovské vektorové prostory 9 Levá vnější operace Definice 5.1 Necht A B. Levou vnější
Vlastní čísla a vlastní vektory
5 Vlastní čísla a vlastní vektor Poznámka: Je-li A : V V lineární zobrazení z prostoru V do prostoru V někd se takové zobrazení nazývá lineárním operátorem, pak je přirozeným požadavkem najít takovou bázi
Základy matematiky pro FEK
Základy matematiky pro FEK 2. přednáška Blanka Šedivá KMA zimní semestr 2016/2017 Blanka Šedivá (KMA) Základy matematiky pro FEK zimní semestr 2016/2017 1 / 20 Co nás dneska čeká... Závislé a nezávislé
maticeteorie 1. Matice A je typu 2 4, matice B je typu 4 3. Jakých rozměrů musí být matice X, aby se dala provést
Úlohy k zamyšlení 1. Zdůvodněte, proč třetí řádek Hornerova schématu pro vyhodnocení polynomu p v bodě c obsahuje koeficienty polynomu r, pro který platí p(x) = (x c) r(x) + p(c). 2. Dokažte, že pokud
Eukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika)
Eukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika) Kartézská soustava souřadnic je dána počátkem O a uspořádanou trojicí bodů E x,
H = 1 ( ) 1 1. dostaneme bázi označovanou často znaménky plus a minus:
Propletené stavy Standardní bázi kubitu máme ve zvyku značit symboly a. Existuje ovšem nekonečně mnoho jiných ortonormálních bází které vzniknou ze standardní báze vždy nějakou unitární transformací. Použijeme-li
Četba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Lineární (vektorový) prostor Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
Matematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
Lineární algebra - I. část (vektory, matice a jejich využití)
Lineární algebra - I. část (vektory, matice a jejich využití) Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 2. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 40 Obsah 1 Vektory
Interpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
VĚTY Z LINEÁRNÍ ALGEBRY
VĚTY Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. věta Nechť M = {x 1, x 2,..., x k } je množina vektorů z vektorového prostoru
1 Determinanty a inverzní matice
Determinanty a inverzní matice Definice Necht A = (a ij ) je matice typu (n, n), n 2 Subdeterminantem A ij matice A příslušným pozici (i, j) nazýváme determinant matice, která vznikne z A vypuštěním i-tého
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan. 14.
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan 14. Vlastní vektory Bud V vektorový prostor nad polem P. Lineární zobrazení f : V
Matice. Je dána matice A R m,n, pak máme zobrazení A : R n R m.
Matice lineárních zobrazení [1] Připomenutí Zobrazení A : L 1 L 2 je lineární, když A( x + y ) = A( x ) + A( y ), A(α x ) = α A( x ). Což je ekvivalentní s principem superpozice: A(α 1 x 1 + + α n x n
6.1 Vektorový prostor
6 Vektorový prostor, vektory Lineární závislost vektorů 6.1 Vektorový prostor Nechť je dán soubor nějakých prvků, v němž je dána jistá struktura vztahů mezi jednotlivými prvky nebo v němž jsou předepsána
Matice. Modifikace matic eliminační metodou. α A = α a 2,1, α a 2,2,..., α a 2,n α a m,1, α a m,2,..., α a m,n
[1] Základní pojmy [2] Matice mezi sebou sčítáme a násobíme konstantou (lineární prostor) měníme je na jiné matice eliminační metodou násobíme je mezi sebou... Matice je tabulka čísel s konečným počtem
Kapitola 11: Vektory a matice:
Kapitola 11: Vektory a matice: Prostor R n R n = {(x 1,, x n ) x i R, i = 1,, n}, n N x = (x 1,, x n ) R n se nazývá vektor x i je i-tá souřadnice vektoru x rovnost vektorů: x = y i = 1,, n : x i = y i
Kvantové algoritmy a bezpečnost. Václav Potoček
Kvantové algoritmy a bezpečnost Václav Potoček Osnova Úvod: Kvantové zpracování informace Shorův algoritmus Kvantová distribuce klíče Post-kvantové zabezpečení Úvod Kvantové zpracování informace Kvantový
Věta o sedlovém bodu a Fredholmova alternativa
Věta o sedlovém bodu a Fredholmova alternativa Petr Tomiczek Fakulta Aplikovaných věd Západočeská univerzita Plzeň 2006 obsah 1 Rozklad Hilbertova prostoru Uzavřený lineární a samoadjungovaný operátor
Četba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Vektorový (lineární) prostor (připomenutí) Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost
Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava
Lineární algebra 9. přednáška: Ortogonalita Dalibor Lukáš Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la Text byl vytvořen
Vlastní čísla a vlastní vektory
Vlastní čísla a vlastní vektory 1 Motivace Uvažujme lineární prostor všech vázaných vektorů v rovině, které procházejí počátkem, a lineární zobrazení tohoto prostoru do sebe(lineární transformaci, endomorfismus)
AVDAT Vektory a matice
AVDAT Vektory a matice Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Vektory x = x 1 x 2. x p y = y 1 y 2. y p Řádkový vektor dostaneme transpozicí sloupcového vektoru x
Operátory obecně (viz QMCA s. 88) je matematický předpis který, pokud je aplikován na funkci, převádí ji na
4 Matematická vsuvka: Operátory na Hilbertově prostoru. Popis vlastností kvantové částice. Operátory rychlosti a polohy kvantové částice. Princip korespondence. Vlastních stavy a spektra operátorů, jejich
Vektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace
Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi
Dá se ukázat, že vzdálenost dvou bodů má tyto vlastnosti: 2.2 Vektor, souřadnice vektoru a algebraické operace s vektory
Vektorový počet.1 Eklidovský prostor E 3 Eklidovský prostor E 3 je prostor spořádaných trojic (tj. bodů), v němž je definována vzdálenost dvo jeho bodů A, B (značíme ji AB ). Vzdálenost bodů A = [a 1,
Maticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s
Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných
Kapitola 11: Vektory a matice 1/19
Kapitola 11: Vektory a matice 1/19 2/19 Prostor R n R n = {(x 1,..., x n ) x i R, i = 1,..., n}, n N x = (x 1,..., x n ) R n se nazývá vektor x i je i-tá souřadnice vektoru x rovnost vektorů: x = y i =
0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
Algoritmus pro hledání vlastních čísel kvaternionových matic
Úvod Algoritmus pro hledání vlastních čísel kvaternionových matic Bc. Martin Veselý Fakulta jaderná a fyzikálně inženýrská Katedra softwarového inženýrství v ekonomii Skupina aplikované matematiky a stochastiky
ALGEBRA. Téma 5: Vektorové prostory
SLEZSKÁ UNIVERZITA V OPAVĚ Matematický ústav v Opavě Na Rybníčku 1, 746 01 Opava, tel. (553) 684 611 DENNÍ STUDIUM Téma 5: Vektorové prostory Základní pojmy Vektorový prostor nad polem P, reálný (komplexní)
α 1 α 2 + α 3 = 0 2α 1 + α 2 + α 3 = 0
Vzhledem k tomu, že jsem to psala ve velkém spěchu, mohou se vyskytnout nějaké chybičky. Pokud nějaké najdu, opravím je hned po prázdninách. Zadání A. 1. Vektory u, v, w jsou lineárně nezávislé. Rozhodněte,
Lineární algebra Operace s vektory a maticemi
Lineární algebra Operace s vektory a maticemi Robert Mařík 26. září 2008 Obsah Operace s řádkovými vektory..................... 3 Operace se sloupcovými vektory................... 12 Matice..................................
ALG2: Lineární Algebra (Skripta Horák, jako doplněk i skripta Kovár v IS)
ALG2: Lineární Algebra (Skripta Horák, jako doplněk i skripta Kovár v IS) Info ke zkoušce: zkouška Algebra 2 je typu kolokvium (= ústní zkouška), tj. u zkoušky není žádná písemka, jen ústní část. Máte
Množinu všech matic typu m n nad tělesem T budeme označovat M m n (T ), množinu všech čtvercových matic stupně n nad T pak M n (T ).
Matice Definice 4.1 Necht (T ; +, je číselné těleso, m, n N a dále necht a ij T pro všechny indexy i = 1, 2,..., m a j = 1, 2,..., n. Potom schéma a 11 a 12... a 1n a 21 a 22... a 2n... = (a ij m n a m1
Soustavy lineárních rovnic a determinanty
Soustavy lineárních rovnic a determinanty Petr Hasil Přednáška z matematiky Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny
Lineární prostory. - vektorové veličiny(síla, rychlost, zrychlení,...), skládání, násobení reálným číslem
Lineární prostory - vektorové veličiny(síla, rychlost, zrychlení,...), skládání, násobení reálným číslem - volné vektory a operace s nimi(sčítání, násobení reálným číslem) -ve 2 nebove 3 vázanévektorysespolečnýmpočátkem
7 Analytické vyjádření shodnosti
7 Analytické vyjádření shodnosti 7.1 Analytická vyjádření shodných zobrazení v E 2 Osová souměrnost Osová souměrnost O(o) podle osy o s obecnou rovnicí o : ax + by + c =0: x = x 2a (ax + by + c) a 2 +
III. MKP vlastní kmitání
Jiří Máca - katedra mechaniky - B325 - tel. 2 2435 4500 maca@fsv.cvut.cz III. MKP vlastní kmitání 1. Rovnice vlastního kmitání 2. Rayleighova Ritzova metoda 3. Jacobiho metoda 4. Metoda inverzních iterací
Matematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
1 Připomenutí vybraných pojmů
1 Připomenutí vybraných pojmů 1.1 Grupa Definice 1 ((Komutativní) grupa). Grupou (M, ) rozumíme množinu M spolu s operací na M, která má tyto vlastnosti: i) x, y M; x y M, Operace je neomezeně definovaná
Program SMP pro kombinované studium
Zadání příkladů k procvičení na seminář Program SMP pro kombinované studium Nejdůležitější typy příkladů - minimum znalostí před zkouškovou písemkou 1) Matice 1. Pro matice 1 0 2 1 0 3 B = 7 3 4 4 2 0
2. Schurova věta. Petr Tichý. 3. října 2012
2. Schurova věta Petr Tichý 3. října 2012 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci
Ortogonální transformace a QR rozklady
Ortogonální transformace a QR rozklady Petr Tichý 9. října 2013 1 Úvod Unitární (ortogonální) transformace, Gram-Schmidtova ortogonalizace Příklad Schurovy věty unitární transformace nezvětšují chyby ve
ftp://math.feld.cvut.cz/pub/olsak/linal/
Petr Olšák Výcuc z textu Lineární algebra určeno pro promítání na přednášce Úvod do algebry http://www.olsak.net/linal.html ftp://math.feld.cvut.cz/pub/olsak/linal/ http://math.feld.cvut.cz/skripta/ua/
z textu Lineární algebra
2 Úvodní poznámky Petr Olšák Výcuc z textu Lineární algebra určeno pro promítání na přednášce Úvod do algebry http://www.olsak.net/linal.html ftp://math.feld.cvut.cz/pub/olsak/linal/ http://math.feld.cvut.cz/skripta/ua/
Báze konečněrozměrných vektorových prostorů, lineární zobrazení vektorových prostorů
Báze konečněrozměrných vektorových prostorů, lineární zobrazení vektorových prostorů Buď (V, +, ) vektorový prostor nad tělesem (T, +, ) Připomeňme, že konečná posloupnost u 1, u 2,, u n vektorů z V je
GEOMETRICKÁ ZOBRAZENÍ. Josef Janyška
GEOMETRICKÁ ZOBRAZENÍ Josef Janyška 21. února 2019 Obsah 1 LINEÁRNÍ ZOBRAZENÍ NA VEKTOROVÝCH PROSTORECH 1 1.1 Lineární zobrazení vektorových prostorů.............. 1 1.2 Invariantní podprostory.......................
Úlohy k přednášce NMAG 101 a 120: Lineární algebra a geometrie 1 a 2,
Úlohy k přednášce NMAG a : Lineární algebra a geometrie a Verze ze dne. května Toto je seznam přímočarých příkladů k přednášce. Úlohy z tohoto seznamu je nezbytně nutné umět řešit. Podobné typy úloh se
Ortogonální projekce a ortogonální zobrazení
Drsná matematika I 9. přednáška Ortogonální projekce a ortogonální zobrazení Jan Slovák Masarykova univerzita Fakulta informatiky 27. 4. 2010 Obsah přednášky 1 Literatura 2 Projekce a ortogonální zobrazení
19 Hilbertovy prostory
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 19: Hilbertovy prostory 34 19 Hilbertovy prostory 19.1 Úvod, základní pojmy Poznámka (připomenutí). Necht (X,(, )) je vektorový prostor se skalárním součinem
Numerické metody a programování. Lekce 4
Numerické metody a programování Lekce 4 Linarní algebra soustava lineárních algebraických rovnic a 11 a 12 x 2 a 1, N x N = b 1 a 21 a 22 x 2 a 2, N x N = b 2 a M,1 a M,2 x 2 a M,N x N = b M zkráceně A
Uspořádanou n-tici reálných čísel nazveme aritmetický vektor (vektor), ā = (a 1, a 2,..., a n ). Čísla a 1, a 2,..., a n se nazývají složky vektoru
1 1. Lineární algebra 1.1. Lineární závislost a nezávislost vektorů. Hodnost matice Aritmetické vektory Uspořádanou n-tici reálných čísel nazveme aritmetický vektor (vektor), ā = (a 1, a 2,..., a n ).
Skalární součin dovoluje zavedení metriky v afinním bodovém prostoru, tj. umožňuje nám určovat vzdálenosti, odchylky, obsahy a objemy.
6 Skalární součin Skalární součin dovoluje zavedení metriky v afinním bodovém prostoru, tj. umožňuje nám určovat vzdálenosti, odchylky, obsahy a objemy. Příklad: Určete odchylku přímek p, q : p : x =1+3t,
Ortogonální transformace a QR rozklady
Ortogonální transformace a QR rozklady 1 Úvod Unitární (ortogonální) transformace, Gram-Schmidtova ortogonalizace Příklad Schurovy věty unitární transformace nezvětšují chyby ve vstupních datech. Tato
Vlny. částice? nebo. Pavel Cejnar ÚČJF MFF UK FJDP 2018/19. Objevování kvantového světa
Objevování kvantového světa Pavel Cejnar ÚČJF MFF UK Vlny nebo částice? FJDP 2018/19 Entrée Sloupy stvoření oblaky chladného plynu a prachu v Orlí mlhovině NASA, ESA Hubble Space Telescope Vizualizace
Numerické metody a programování
Projekt: Inovace výuky optiky se zaměřením na získání experimentálních dovedností Registrační číslo: CZ.1.7/2.2./28.157 Numerické metody a programování Lekce 4 Tento projekt je spolufinancován Evropským
1 Linearní prostory nad komplexními čísly
1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)
Četba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Vlastní čísla a vektory Google Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
Nástin formální stavby kvantové mechaniky
Nástin formální stavby kvantové mechaniky Karel Smolek Ústav technické a experimentální fyziky, ČVUT Komplexní čísla Pro každé reálné číslo platí, že jeho druhá mocnina je nezáporné číslo. Např. 3 2 =
Kvantová informatika pro komunikace v budoucnosti
Kvantová informatika pro komunikace v budoucnosti Antonín Černoch Regionální centrum pokročilých technologií a materiálů Společná laboratoř optiky University Palackého a Fyzikálního ústavu Akademie věd
Učební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty študenti MFF 15. augusta 2008 1 14 Vlastní čísla a vlastní hodnoty Požadavky Vlastní čísla a vlastní hodnoty lineárního
Obsah. Lineární rovnice. Definice 7.9. a i x i = a 1 x a n x n = b,
Obsah Lineární rovnice Definice 77 Uvažujme číselné těleso T a prvky a 1,, a n, b T Úloha určit všechny n-tice (x 1,, x n ) T n, pro něž platí n a i x i = a 1 x 1 + + a n x n = b, i=1 se nazývá lineární
1. Matice a maticové operace. 1. Matice a maticové operace p. 1/35
1. Matice a maticové operace 1. Matice a maticové operace p. 1/35 1. Matice a maticové operace p. 2/35 Matice a maticové operace 1. Aritmetické vektory 2. Operace s aritmetickými vektory 3. Nulový a opačný
Matematika 2 pro PEF PaE
Vektorové prostory 1 / 17 Matematika 2 pro PEF PaE 8. Vektorové prostory Přemysl Jedlička Katedra matematiky, TF ČZU Vektorové prostory Vektorové prostory a podprostory 2 / 17 vektorového prostoru Množina
5. Singulární rozklad
5. Singulární rozklad Petr Tichý 31. října 2012 1 Singulární rozklad matice Jeden z nejdůležitějších teoretických i praktických nástrojů maticových výpočtů. Umožňuje určit hodnost či normu matice, ortogonální
Arnoldiho a Lanczosova metoda
Arnoldiho a Lanczosova metoda 1 Částečný problém vlastních čísel Ne vždy je potřeba (a někdy to není ani technicky možné) nalézt celé spektrum dané matice (velké řídké matice). Úloze, ve které chceme aproximovat
Linearní algebra příklady
Linearní algebra příklady 6. listopadu 008 9:56 Značení: E jednotková matice, E ij matice mající v pozici (i, j jedničku a jinak nuly. [...]... lineární obal dané soustavy vektorů. Popište pomocí maticového
Podobnostní transformace
Schurova věta 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci tak, aby se řešení úlohy
Symetrické a kvadratické formy
Symetrické a kvadratické formy Aplikace: klasifikace kvadrik(r 2 ) a kvadratických ploch(r 3 ), optimalizace(mpi) BI-LIN (Symetrické a kvadratické formy) 1 / 20 V celé přednášce uvažujeme číselné těleso
V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti
Kapitola 5 Vektorové prostory V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti operací sčítání a násobení