Příklady k přednášce 27 Systémy s více vstupy a výstupy

Rozměr: px
Začít zobrazení ze stránky:

Download "Příklady k přednášce 27 Systémy s více vstupy a výstupy"

Transkript

1 Příklady k přednášce 7 Systémy s více vstupy a výstupy Michael Šebek Automatické řízení

2 Příklad

3 Příklad 3

4 Příklad ESO OWL koncept stotisíce vstupů výstupů Michael Šebek Pr-ARI

5 Příklad 5

6 systém s přenosovou maticí reprezentuje dvě (skalární) rovnice s y() s = u() s + u() s s s + s y() s = u() s + u() s s+ s+ 3 Gs () Příklad s s s+ = s s+ s+ 3 mdf Alternativně vyjádřeno různými typy maticových zlomků skalární jmenovatel Gs () sdf ( s+ )( s+ )( s+ 3) s( s )( s+ )( s+ 3) = ss ( + )( s+ )( s+ 3) s( s+ )( s+ 3) s ( s+ )( s+ ) levý polynomiální maticový zlomek pravý polynomiální maticový zlomek rdf ldf ss ( + ) 0 ( s+ ) ss ( ) Gs () = 0 ( s+ )( s+ 3) ( s+ 3) ss ( + ) ( s+ ) ( s+ 3)( s ) ss ( + ) 0 Gs () = s ss ( + ) 0 ( s+ )( s+ 3) 6

7 Příklad >> G=[mdf(/s) mdf((s-)/(s+));mdf(/(s+)) mdf(s/(s+3))] G = (s-) s (s+) s (s+) (s+3) >> sdf(g) ans = (s+3)(s+)(s+) s(s+3)(s+)(s-) s(s+3)(s+) s^(s+)(s+) s(s+3)(s+)(s+) s s s+ Gs () = s s+ s+ 3 >> ldf(g) ans = s(s+.0000) 0 \ (s+.0000) s(s-) 0 (s )(s+.0000) \ (s ) s(s+.0000) ans.numerator = >> rdf(g) ans = (s+.0000) (s )(s-.0000) / s(s+.0000) 0 s s(s+.0000) / 0 (s+3)(s+) Michael Šebek 7

8 Příklad: JAS-39 Gripen 8

9 model pohybu v horizontální rovině za předpokladu vlivu úhlu náběhu na otáčení (standardní předpoklad za normálního letu) kurs řídíme směrovkou (vytváří přímo točivý moment) Příklad: JAS-39 Gripen a křidélky (způsobí náklon podle podélné osy a tím změnu kursu) z y φ x ψ β v y ψ v y φ δ r δ a úhel kursu rychlost do strany náklon výchylka směrovky výchylka křidélek 9

10 Lineární stavový model, rozumný pro malé úhly x = vy x = p x3 = r x4 = φ, x5 = ψ, x6 = δa, x7 = δr cmd cmd u = δ, u = δ a rychlost náklonu (podle osy x) rychlost zatáčení (podle osy z) r Příklad: JAS-39 Gripen V režimu: rakety zavěšeny, Mach 0.6, výška 500 m, úhel náběhu 0.04 rad: >> A,B A = B =

11 Příklad Přenos na řízení kurs: >> G=mdf(A,B,C) G = Column 6.7e e+00s +.4e+00s^ + 96s^ s + 4.6e+00s^ +.4e+00s^3 + 77s^4 + 3s^5 + s^6 Column -.4e e+00s - 3.7e+00s^ -.3e+00s^3 +.5s^ s + 4.6e+00s^ +.4e+00s^3 + 77s^4 + 3s^5 + s^6 >> G=ldf(A,B,C) G.denominator = 8.8s + 4.6e+00s^ +.4e+00s^3 + 77s^4 + 3s^5 + s^6 G.numerator = Column 6.7e e+00s +.4e+00s^ + 96s^3 Column -.4e e+00s - 3.7e+00s^ -.3e+00s^3 +.5s^4 >> G=rdf(A,B,C) G.numerator = 75 -.e s G.denominator = -3-3s -.s^ + s^ s + 6.6s^ -.e+00-4s - 4s^ e s + 5s^ + s^3

12 Příklad >> Gstate=rdf(A,B,I) Gstate.numerator = s - 6.8s^ s^ s s^ -0.04s + s^ - 0.4s^3-0.06s s^ s s^ s^ s - 7e-005s^ s - 0.4s^ s s s^ e-005s.e s s^ + 0.7s^ s s^ 6e s s^ s^ s s^ Gstate.denominator = Column.e s s^ + 0.3s^ s^4 6e s s^ s^ s^4 Column s s^ -.3e-005s^ s s^ - 4.8e-005s^3 >> Gstate=ldf(A,B,I) Gstate.denominator = s -8. e s e s s s s s Gstate.numerator = Přenos na stav Michael Šebek Pr-ARI-7-05

13 NACRE New Aircraft Concepts Research Turning the dream of cleaner, quieter, cheaper aircraft into a reality is the goal of the NACRE project. The project s early results suggest that the aircraft of the future could look very different to the planes flying overhead today 3

14 Příklad Odezva na skok(y), Bode, Nyquist - po jednotlivých kanálech s s s+ Gs () = s s+ s+ 3 popisují odděleně jednotlivé kanály, ale o systému vcelku toho moc neříkají těžko lze použít pro návrh, neboť obvykle nelze navrhnout jeden kanál nezávisle na dalších mezi kanály jsou interakce Jaké má tento systém zesílení? G = - + s s + s s s 3 + s >> step(g) >> bode(g) >> nyquist(g) Michael Šebek Pr-ARI

15 Příklad Na systém x s (konstantní) přenosovou maticí postupně aplikujeme následujících 5 různých vstupních vektorů 5 4 G = 3 u u = = :, u,, u, u u u = a = b u = = c d e které mají stejnou velikost (normu) u u = ale různé směry k r=sqrt(.5); u=[,0,r,r,.6;0,,r,-r,-.8] u = compass(u(,:),u(,:)) u 5

16 Přestože mají všechny vstupní signály stejnou velikost, odezvy na ně (tedy příslušné výstupní signály) mají velikost různou = 0, 7, y 3 = 7.80, y , y 5 a tedy je zesílení závislé také na směru vstupních signálů (vektorů) Příklad y 5.83 y = 4.4 = = 0.88 G=[5 4;3 ]; y=g*u, compass(y(,:),y(,:)) y = [norm(y(:,)),norm(y(:,)),norm(y(:,3)),norm(y(:,4)),norm(y(:,5))] ans = u 5 4 G = 3 G y 6

17 Rozklad na singulární čísla - Singular Value Decomposition l m přenosová matici Gs () se po dosazení s = jω pro pevnou frekvenci stane konstantní maticí s komplexními prvky G = G( jω ) Na tu aplikujeme rozklad na singulární čísla SVD, což je rozklad na 3 matice G = UΣV, kde Σ je l m diagonální matice s k= min{ lm, } nezápornými singulárními čísly σ i matice G na hlavní diagonále seřazenými v klesajícím pořadí, na zbytku diagonály jsou případně 0 U je l l unitární matice: UU= I V je m m unitární matice: VV= I Zde G je komplexně sdružená transpozice ( v Matlabu označená G ), takže unitární vlastně znamená komplexně ortogonální σ Singulární čísla i matice G jsou kladné odmocniny z vlastních čísel matice GG, tedy σ ( G) = λ ( GG) i i 7

18 Rozklad na singulární čísla - Singular Value Decomposition Visualization of the SVD of a -dimensional, real matrix M. First, we see the unit disc in blue together with the two canonical unit vectors. We then see the action of M, which distorts the disk to an ellipse. The SVD decomposes M into three simple transformations: a rotation V *, a scaling Σ along the rotated coordinate axes and a second rotation U. The lengths σ and σ of the semi-axes of the ellipse are the singular values of M. 8

19 Příklad Závislost zesílení na směru vstupu (při jednotkové velikosti vstupu) Vyneseme do grafu >> G=[5 4;3 ]; alpha=[-pi:*pi/000:pi]; >> u=[cos(alpha);sin(alpha)]; >> y=g*u; normy=sqrt(y(,:).^+y(,:).^); >> plot(alpha,normy), >> maximum=max(normy), minimum=min(normy) maximum = , minimum = 0.74, >> svd(g)' ans = Co jsou maximální a minimální hodnoty zesílení přes všechny směry vstupu? Maximální hodnota zesílení je maximální singulární číslo matice G Minimální hodnota zesílení je minimální singulární číslo matice G Gu max = max Gu = σ ( G) u 0 u u = Gu min = min Gu = σ ( G) u 0 u u = Michael Šebek Pr-ARI

20 Pokračujme ve zkoumání matice Největší zesílení je ve vstupním směru 5 4 G = 3 σ = v = T [ ] Nejmenší zesílení σ = 0.74 je ve vstupním směru v = GV = UΣ V V = UΣ y = UΣ V v, y = σ, y = UΣ V v, y = σ [ ] T Příklad: vstupní směry [U,S,V]=svd([5,4;3,]) U = S = V = >> norm(u*s*v.'*v(:,)) ans = >> norm(u*s*v.'*v(:,)) ans = 0.74 Systém je interaktivní (nediagonální): oba vstupy ovlivňují oba výstupy, protože má relativně velké nediagonální prvky Systém je špatně podmíněný: některé vstupy mají velký vliv na výstup, jiné velmi malý Číslo podmíněnosti (condition number) je tu velké γ= σσ Problémy nastanou, kdykoli γ= σσ> 0 = = 7.0 0

21 Příklad: vstupní směry Vstupní směry a odezva na ně Výstupní směry [U,S,V]=svd([5,4;3,]) U = S = V = >> compass(v(,:),v(,:)) >> Y=U*S*V.'*V >> compass(y(,:),y(,:)) >> norm(y(:,)) ans = >> norm(y(:,)) ans = 0.74 >> U U = >> compass(u(,:),u(,:))

22 Příklad: Nákupní vozík Dobrou ilustraci poskytne typický nákupní vozík v supermarketu: kolečka se snadno otáčejí dopředu, ale špatně do stran největším zesílení má tedy směr dopředu, vozík se tam tlačí nejsnadněji - to odpovídá největšímu singulárnímu číslu druhé největší zesílení je do strany - odpovídá druhému sing. č. nejslabší je směr vzhůru, odpovídá nejmenšímu singulárnímu číslu SVD poskytuje užitečný nástroj pro kvantifikaci směrovosti většina SISO výsledků založených na absolutní hodnotě (velikosti, amplitudě) se dá zobecnit pro MIMO: velikost (amplituda) frekvenčního přenosu je nahrazena největším singulárním číslem přenosové matice Bohužel neumíme podobně hezky zobecnit pojem fáze pro přenosovou matici proto výsledky založené na tomto pojmu pro MIMO neplatí (např. neplatí Nyquistovo kritérium) Michael Šebek

23 Vlastní čísla jsou špatnou mírou pro zesílení Vlastní čísla G(jω) nejsou dobrým zobecněním pojmu zesílení: ) existují jen pro čtvercový systém a ) i pro něj bývají zavádějící Příklad: Matice 0 00 G = má vlastní čísla nulová, a přesto nenulové zesílení. 0 0 Odezva vstup u = [ 0 ] T je totiž y = [ 00 0] T Vlastní číslo je mírou zesílení pouze když jsou vstupní a výstupní vektory rovnoběžné, tj. když je to vlastní vektor matice. Pro takový vlastní vektor t i je z definice y u = Gti ti takže λ je zesílení ve směru t = λt t = λ i i i i i Pro tuto matici je σ ( G) = 00, což dokládá, že singulární čísla jsou lepším vyjádřením zesílení. Dá se to i matematicky dokázat. i G=[0 00;0 0];svd(G) ans =

24 Uvažme soustavu Má nulu v s=0 Jednotkový skok musí být blokován Jednotkový skok v obou vstupních kanálech opravdu neprojde! s us () = s Co když jde jen do jednoho vstupu? us () = s 0 Prošel do obou! Jak to? Příklad: nula MIMO systému F=reduce(coprime(mdf([(s+)/(+s) -/(+s);(s-)/(3+s) /(3+s)]))); mimo_zero.mdl + s + s + s + s 0 + s Fs () = = s 0 3 s s + 3+ s 3+ s ( s + ) ys () = ( s + 3) s + ss ( + ) ys () = s ss ( + 3) det F ( s) = s 4 num

25 Systém s + 0 s + Gs () = s + 0 s + Má det Gs ( ) = ale přitom má zjevně dva póly v - a - a dvě nuly v - a -? Tedy pozor při používání determinantu k určení nul/pólů Póly a nuly mají stejné polohy, ale přesto nejdou vykrátit Mají totiž různé směry to ukazuje důležitost směrů! Např. pól p = má směry a nula z = má směry u p = yp = 0 Legrační příklad 0 = yz = Nulu v z = nelze žádnou FF ani ZV přesunout na druhý výstup 5 u z

26 Sériové spojení dvou integrátorů u s s u Paralelní kombinace dvou integrátorů u u s s y y y y Příklad: Opět dva integrátory s s Gs () = det Gs () = 0 s 0 s Gs () = det Gs () = 0 s Na rozdíl od SISO úvah jsou teď oba systémy normální, tedy plně řiditelné i pozorovatelné! Závěr: u MIMO systémů samotná poloha pólů moc neříká, hodně záleží i na struktuře systému s s oba systémy mají dvojnásobný pól v 0 6

27 Příklady RGA. Příklad. Příklad T.5 3 A A RGA( A) = 3 4 = = vhodné párování je naopak (u,y ), (u,y ) k k k G( s) =, G(0) =, RGA( G) k 6 k = kk s + s+ s + 5s+ 6 kk kk 3 k s s s kk kk ( ) Pro k, k 0, je vhodné párování (u,y ), (u,y ). Třeba pro k = k = vychází 0. Pro k =, k = je tedy vhodné párování je naopak (u,y ), (u,y ) RGA( G) = RGA( G) = 7

28 Vlastnosti RGA Příklad λ λ Pro x matici je to RGA( G) =Λ ( G) =, λ λ λ = g g RGA má zajímavé vlastnosti: nezávisí na škálování vstupu i výstupu: pro diagonální D, D je RGA( G) = RGA( D GD ) řádkové a sloupcové součty jsou vždy součet velikostí všech prvků je blízko čísla podmíněnosti takže velké prvky v RGA vždy znamenají špatnou podmíněnost! Opačně to neplatí! po relativní změně λ ij prvku g ij je matice singulární gij gij ( λij ) permutace řádků (sloupců) A vede na stejnou permutaci RGA(A) trojúhelníková (a tedy i diagonální) matice má jednotkové RGA odchylka od jednotkové matice je mírou křížových interakcí ve vztahu y = Gx g g 8

29 RGA pro procesy v celulózce velikost prvků vyznačena barvami Příklady RGA: výroba celulózy 9

30 Příklad: Rozpojení - decoupling Nejprve rozpojíme Gs () 0 s = s s+ s 0 W() s = s( s) s + 0 s Gs () s = GsW () () s = 0 s a pak pokračujeme metodami SISO návrhu 30

27 Systémy s více vstupy a výstupy

27 Systémy s více vstupy a výstupy 7 Systémy s více vstupy a výstupy Mchael Šebek Automatcké řízení 017 4-5-17 Stavový model MIMO systému Automatcké řízení - Kybernetka a robotka Má obecně m vstupů p výstupů x () t = Ax() t + Bu() t y()

Více

15 - Stavové metody. Michael Šebek Automatické řízení

15 - Stavové metody. Michael Šebek Automatické řízení 15 - Stavové metody Michael Šebek Automatické řízení 2016 10-4-16 Stavová zpětná vazba Když můžeme měřit celý stav (všechny složky stavového vektoru) soustavy, pak je můžeme využít k řízení u = K + r [

Více

Numerické metody a programování

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

Více

Základy matematiky pro FEK

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

Více

14 - Moderní frekvenční metody

14 - Moderní frekvenční metody 4 - Moderní frekvenční metody Michael Šebek Automatické řízení 28 4-4-8 Loop shaping: Chování pro nízké frekvence Tvar OL frekvenční charakteristiky L(s)=KD(s)G(s) určuje chování, ustálenou odchylku a

Více

Numerické metody a programování. Lekce 4

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

Více

Osnova přednášky. Univerzita Jana Evangelisty Purkyně Základy automatizace Stabilita regulačního obvodu

Osnova přednášky. Univerzita Jana Evangelisty Purkyně Základy automatizace Stabilita regulačního obvodu Osnova přednášky 1) Základní pojmy; algoritmizace úlohy 2) Teorie logického řízení 3) Fuzzy logika 4) Algebra blokových schémat 5) Vlastnosti členů regulačních obvodů 6) Vlastnosti regulátorů 7) 8) Kvalita

Více

10. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo

10. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo 0. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo (PEF PaA) Petr Gurka aktualizováno 9. prosince 202 Obsah Základní pojmy. Motivace.................................2 Aritmetický vektorový

Více

Úlohy k přednášce NMAG 101 a 120: Lineární algebra a geometrie 1 a 2,

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

Více

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 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

Více

MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA VEKTORY, MATICE

MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA VEKTORY, MATICE MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA VEKTORY, MATICE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného

Více

MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA VEKTORY, MATICE

MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA VEKTORY, MATICE MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA VEKTORY, MATICE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného

Více

DEFINICE Z LINEÁRNÍ ALGEBRY

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

Více

Matice. Předpokládejme, že A = (a ij ) je matice typu m n: diagonálou jsou rovny nule.

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,...,

Více

VĚTY Z LINEÁRNÍ ALGEBRY

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

Více

Definice 28 (Ortogonální doplněk vektorového podprostoru). V k V n ; V k V. (Pech:AGLÚ/str D.5.1)

Definice 28 (Ortogonální doplněk vektorového podprostoru). V k V n ; V k V. (Pech:AGLÚ/str D.5.1) 14.3 Kolmost podprostorů 14.3.1 Ortogonální doplněk vektorového prostou Ve vektorovém prostoru dimenze 3 je ortogonálním doplňkem roviny (přesněji vektorového prostoru dimenze ) přímka na ní kolmá (vektorový

Více

Matematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29

Matematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29 Matematika 1 11. přednáška MA1 1 Opakování 2 Determinant 3 Adjungovaná matice 4 Cramerovo pravidlo 5 Vlastní čísla a vlastní vektory matic 6 Zkouška; konzultace; výběrová matematika;... 11. přednáška (15.12.2010

Více

2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC

2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC .6. VLASTNÍ ČÍSLA A VEKTORY MATIC V této kapitole se dozvíte: jak jsou definována vlastní (charakteristická) čísla a vektory čtvercové matice; co je to charakteristická matice a charakteristický polynom

Více

SVD rozklad a pseudoinverse

SVD rozklad a pseudoinverse SVD rozklad a pseudoinverse Odpřednesenou látku naleznete v kapitole 12 skript Abstraktní a konkrétní lineární algebra. Jiří Velebil: Lineární algebra 19.12.2016: SVD rozklad a pseudoinverse 1/21 Cíle

Více

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:

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...

Více

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 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

Více

Soustava m lineárních rovnic o n neznámých je systém

Soustava m lineárních rovnic o n neznámých je systém 1 1.2. Soustavy lineárních rovnic Soustava lineárních rovnic Soustava m lineárních rovnic o n neznámých je systém a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2...

Více

NALG 001 Lineární algebra a geometrie 1, zimní semestr MFF UK Doba řešení: 3 hodiny

NALG 001 Lineární algebra a geometrie 1, zimní semestr MFF UK Doba řešení: 3 hodiny NALG 001 Lineární algebra a geometrie 1, zimní semestr MFF UK Závěrečná zkouška verze cvičná 9.1.2013 Doba řešení: 3 hodiny Přednášející: L. Barto, J. Tůma Křestní jméno: Příjmení: Instrukce Neotvírejte

Více

Příklady k přednášce 4 -Vlastnosti systému

Příklady k přednášce 4 -Vlastnosti systému Příklady k přednášce 4 -Vlastnosti systému Michael Šebek Automatické řízení 06-3-6 Příklad: Tužka na lavici Automatické řízení - Kybernetika a robotika Postavte tužku na lavici bez držení. Proč to nejde?

Více

Základy maticového počtu Matice, determinant, definitnost

Základy maticového počtu Matice, determinant, definitnost Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n

Více

11 Analýza hlavních komponet

11 Analýza hlavních komponet 11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu

Více

Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague

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

Více

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 ).

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

Více

Zdrojem většiny příkladů je sbírka úloh 1. cvičení ( ) 2. cvičení ( )

Zdrojem většiny příkladů je sbírka úloh   1. cvičení ( ) 2. cvičení ( ) Příklady řešené na cvičení LA II - LS 1/13 Zdrojem většiny příkladů je sbírka úloh http://kam.mff.cuni.cz/~sbirka/ 1. cvičení (..13) 1. Rozhodněte, které z následujících operací jsou skalárním součinem

Více

Singulární rozklad. Petr Tichý. 31. října 2013

Singulární rozklad. Petr Tichý. 31. října 2013 Singulární rozklad Petr Tichý 31. října 2013 1 Outline 1 Úvod a motivace 2 Zavedení singulárního rozkladu a jeho vlastnosti 3 Výpočet a náklady na výpočet singulárního rozkladu 4 Moor-Penroseova pseudoinverze

Více

1 0 0 u 22 u 23 l 31. l u11

1 0 0 u 22 u 23 l 31. l u11 LU dekompozice Jedná se o rozklad matice A na dvě trojúhelníkové matice L a U, A=LU. Matice L je dolní trojúhelníková s jedničkami na diagonále a matice U je horní trojúhelníková. a a2 a3 a 2 a 22 a 23

Více

Kapitola 11: Vektory a matice:

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

Více

AVDAT Vektory a matice

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

Více

Operace s maticemi

Operace s maticemi Operace s maticemi Seminář druhý 17.10. 2018 Obsah 1 Operace s maticemi 2 Hodnost matice 3 Regulární matice 4 Inverzní matice Matice Definice (Matice). Reálná matice typu m n je obdélníkové schema A =

Více

Operace s maticemi. 19. února 2018

Operace s maticemi. 19. února 2018 Operace s maticemi Přednáška druhá 19. února 2018 Obsah 1 Operace s maticemi 2 Hodnost matice (opakování) 3 Regulární matice 4 Inverzní matice 5 Determinant matice Matice Definice (Matice). Reálná matice

Více

3. ANTAGONISTICKÉ HRY

3. ANTAGONISTICKÉ HRY 3. ANTAGONISTICKÉ HRY ANTAGONISTICKÝ KONFLIKT Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku,

Více

Automatizace je proces při němž je řídicí funkce člověka nahrazována činností

Automatizace je proces při němž je řídicí funkce člověka nahrazována činností Automatizace je proces při němž je řídicí funkce člověka nahrazována činností různých přístrojů a zařízení. (Mechanizace, Automatizace, Komplexní automatizace) Kybernetika je Věda, která zkoumá obecné

Více

Identifikace systémů

Identifikace systémů Identifikace systémů Přednáška 2 Osvald Modrlák, Lukáš Hubka TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Tento materiál vznikl v rámci projektu ESF CZ.1.07/2.2.00/07.0247,

Více

ekologie Pavel Fibich Vektor a Matice Operace s maticemi Vlastnosti matic Pavel Fibich Shrnutí Literatura

ekologie Pavel Fibich Vektor a Matice Operace s maticemi Vlastnosti matic Pavel Fibich Shrnutí Literatura emi - nalévárna pavel.fibich@prf.jcu.cz 4. října 2012 Obsah emi 1 2 3 emi 4 5 6 emi Proč povídat o ích v kurzu? ové modely se používají v populační ekologii téměř nejčastěji bude snažší porozumět práci

Více

Kapitola 11: Vektory a matice 1/19

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 =

Více

ANTAGONISTICKE HRY 172

ANTAGONISTICKE HRY 172 5 ANTAGONISTICKÉ HRY 172 Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku, jejíž výše nezávisí

Více

5. Singulární rozklad

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

Více

11MAMY LS 2017/2018. Úvod do Matlabu. 21. února Skupina 01. reseni2.m a tak dále + M souborem zadané funkce z příkladu 3 + souborem skupina.

11MAMY LS 2017/2018. Úvod do Matlabu. 21. února Skupina 01. reseni2.m a tak dále + M souborem zadané funkce z příkladu 3 + souborem skupina. 11MAMY LS 2017/2018 Cvičení č. 2: 21. 2. 2018 Úvod do Matlabu. Jan Přikryl 21. února 2018 Po skupinách, na které jste se doufám rozdělili samostatně včera, vyřešte tak, jak nejlépe svedete, níže uvedená

Více

Vektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace

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

Více

Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie

Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie 12. licenční studium PYTHAGORAS Statistické zpracování dat 3.1 Matematické principy vícerozměrných metod statistické analýzy

Více

Regulační obvod s měřením akční veličiny

Regulační obvod s měřením akční veličiny Regulační obvod s měřením akční veličiny Zadání Soustava vyššího řádu je vytvořena z několika bloků nižšího řádu, jak je patrno z obrázku. Odvoďte výsledný přenos soustavy vyššího řádu popisující dané

Více

Regulační obvod s měřením regulováné veličiny

Regulační obvod s měřením regulováné veličiny Regulační obvod s měřením regulováné veličiny Zadání Soustava vyššího řádu je vytvořena z několika bloků nižšího řádu, jak je patrno z obrázku. Odvoďte výsledný přenos soustavy vyššího řádu popisující

Více

4 - Vlastnosti systému: Stabilita, převrácená odezva, řiditelnost a pozorovatelnost

4 - Vlastnosti systému: Stabilita, převrácená odezva, řiditelnost a pozorovatelnost 4 - Vlastnosti systému: Stabilita, převrácená odezva, řiditelnost a pozorovatelnost Michael Šebek Automatické řízení 25 25-2-5 Stabilita obecně Automatické řízení - Kybernetika a robotika Stabilita obecně

Více

Číselné vektory, matice, determinanty

Číselné vektory, matice, determinanty Číselné vektory, matice, determinanty Základy vyšší matematiky LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny

Více

VI. Maticový počet. VI.1. Základní operace s maticemi. Definice. Tabulku

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

Více

Soustavy lineárních rovnic

Soustavy lineárních rovnic Přednáška MATEMATIKA č 4 Katedra ekonometrie FEM UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz 27 10 2010 Soustava lineárních rovnic Definice Soustava rovnic a 11 x 1 + a 12 x 2 + + a

Více

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

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 ).

Více

1 Báze a dimenze vektorového prostoru 1

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

Více

CW01 - Teorie měření a regulace

CW01 - Teorie měření a regulace Ústav technologie, mechanizace a řízení staveb CW01 - Teorie měření a regulace ZS 2010/2011 SPEC. 2.p 2010 - Ing. Václav Rada, CSc. Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace

Více

1 Determinanty a inverzní matice

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

Více

1 Zobrazení 1 ZOBRAZENÍ 1. Zobrazení a algebraické struktury. (a) Ukažte, že zobrazení f : x

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.

Více

6. Vektorový počet Studijní text. 6. Vektorový počet

6. Vektorový počet Studijní text. 6. Vektorový počet 6. Vektorový počet Budeme se pohybovat v prostoru R n, což je kartézská mocnina množiny reálných čísel R; R n = R R. Obvykle nám bude stačit omezení na případy n = 1, 2, 3; nicméně teorie je platná obecně.

Více

Příklady k přednášce 14 - Moderní frekvenční metody

Příklady k přednášce 14 - Moderní frekvenční metody Příklady k přednášce 4 - Moderní frekvenční metody Michael Šebek Automatické řízení 28 4-4-8 Přenosy ve ZV systému Opakování: Přenosy v uzavřené smyčce ys () = Tsrs ()() + Ssds () () Tsns ()() us () =

Více

Gymnázium, Brno. Matice. Závěrečná maturitní práce. Jakub Juránek 4.A Školní rok 2010/11

Gymnázium, Brno. Matice. Závěrečná maturitní práce. Jakub Juránek 4.A Školní rok 2010/11 Gymnázium, Brno Matice Závěrečná maturitní práce Jakub Juránek 4.A Školní rok 2010/11 Konzultant: Mgr. Aleš Kobza Ph.D. Brno, 2011 Prohlášení Prohlašuji, že jsem předloženou práci zpracoval samostatně

Více

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) 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,

Více

Determinanty. Obsah. Aplikovaná matematika I. Pierre Simon de Laplace. Definice determinantu. Laplaceův rozvoj Vlastnosti determinantu.

Determinanty. Obsah. Aplikovaná matematika I. Pierre Simon de Laplace. Definice determinantu. Laplaceův rozvoj Vlastnosti determinantu. Determinanty Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Determinanty Definice determinantu Sarrusovo a křížové pravidlo Laplaceův rozvoj Vlastnosti determinantu Výpočet determinantů 2 Inverzní

Více

8 Matice a determinanty

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

Více

Matematika I pracovní listy

Matematika I pracovní listy Matematika I pracovní listy Dagmar Dlouhá, Radka Hamříková, Zuzana Morávková, Michaela Tužilová Katedra matematiky a deskriptivní geometrie VŠB - Technická univerzita Ostrava Úvod Pracovní listy jsou určeny

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

Připomenutí co je to soustava lineárních rovnic

Připomenutí co je to soustava lineárních rovnic Připomenutí co je to soustava lineárních rovnic Příklad 2x 3y + z = 5 3x + 5y + 2z = 4 x + 2y z = 1 Soustava lineárních rovnic obecně Maticový tvar: a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a

Více

Teorie náhodných matic aneb tak trochu jiná statistika

Teorie náhodných matic aneb tak trochu jiná statistika Teorie náhodných matic aneb tak trochu jiná statistika B. Vlková 1, M.Berg 2, B. Martínek 3, O. Švec 4, M. Neumann 5 Gymnázium Uničov 1, Gymnázium Václava Hraběte Hořovice 2, Mendelovo gymnázium Opava

Více

Matematika B101MA1, B101MA2

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

Více

Četba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).

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

Více

12 - Frekvenční metody

12 - Frekvenční metody 12 - Frekvenční metody Michael Šebek Automatické řízení 218 28-3-18 Proč frekvenční metody? Řídicích systémy se posuzují z časových odezev na určité vstupní signály Naopak v komunikačních systémech častěji

Více

D C A C. Otázka 1. Kolik z následujících matic je singulární? A. 0 B. 1 C. 2 D. 3

D C A C. Otázka 1. Kolik z následujících matic je singulární? A. 0 B. 1 C. 2 D. 3 atum narození Otázka. Kolik z následujících matic je singulární? 4 A. B... 3 6 4 4 4 3 Otázka. Pro která reálná čísla a jsou vektory u = (,, 3), v = (3, a, ) a w = (,, ) lineárně závislé? A. a = 5 B. a

Více

Příklady k přednášce 15 - Stavové metody

Příklady k přednášce 15 - Stavové metody Příklady k přednášce 5 - Stavové metody Michael Šebek Automatické řízení 8 9-4-8 Příklad: Naivní návrh stavové ZV Naivní přístup je schůdný jen pro jednoduché případy, obvykle. řádu Uvažme soustavu (kyvadlo

Více

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

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

Více

Podobnost matic. Definice 8.6. Dány matice A, B M n (C). Jestliže existuje regulární matice P M n (C) tak,

Podobnost matic. Definice 8.6. Dány matice A, B M n (C). Jestliže existuje regulární matice P M n (C) tak, Podobnost matic Definice 84 Dány matice A, B M n (C) Jestliže existuje regulární matice P M n (C) tak, že B = P 1 AP, pak říkáme, že matice B je podobná matici A a píšeme A B Takto zavedená binární relace

Více

4. Trojúhelníkový rozklad p. 1/20

4. Trojúhelníkový rozklad p. 1/20 4. Trojúhelníkový rozklad 4. Trojúhelníkový rozklad p. 1/20 4. Trojúhelníkový rozklad p. 2/20 Trojúhelníkový rozklad 1. Permutační matice 2. Trojúhelníkové matice 3. Trojúhelníkový (LU) rozklad 4. Výpočet

Více

Úlohy nejmenších čtverců

Úlohy nejmenších čtverců Úlohy nejmenších čtverců Petr Tichý 7. listopadu 2012 1 Problémy nejmenších čtverců Ax b Řešení Ax = b nemusí existovat, a pokud existuje, nemusí být jednoznačné. Často má smysl hledat x tak, že Ax b.

Více

Vlastní čísla a vlastní vektory

Vlastní čísla a vlastní vektory Kapitola 11 Vlastní čísla a vlastní vektory Základní motivace pro studium vlastních čísel a vektorů pochází z teorie řešení diferenciálních rovnic Tato teorie říká, že obecné řešení lineární diferenciální

Více

Podobnostní transformace

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

Více

Selected article from Tento dokument byl publikován ve sborníku

Selected article from Tento dokument byl publikován ve sborníku Selected article from Tento dokument byl publikován ve sborníku Nové metody a postupy v oblasti přístrojové techniky, automatického řízení a informatiky 2018 New Methods and Practices in the Instrumentation,

Více

Co je obsahem numerických metod?

Co je obsahem numerických metod? Numerické metody Úvod Úvod Co je obsahem numerických metod? Numerické metody slouží k přibližnému výpočtu věcí, které se přesně vypočítat bud nedají vůbec, nebo by byl výpočet neúměrně pracný. Obsahem

Více

DRN: Soustavy linárních rovnic numericky, norma

DRN: Soustavy linárních rovnic numericky, norma DRN: Soustavy linárních rovnic numericky, norma Algoritmus (GEM: Gaussova eliminace s částečným pivotováním pro převod rozšířené regulární matice na horní trojúhelníkový tvar). Zadána matice C = (c i,j

Více

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

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

Více

[1] Determinant. det A = 0 pro singulární matici, det A 0 pro regulární matici

[1] Determinant. det A = 0 pro singulární matici, det A 0 pro regulární matici [1] Determinant je číslo jistým způsobem charakterizující čtvercovou matici det A = 0 pro singulární matici, det A 0 pro regulární matici používá se při řešení lineárních soustav... a v mnoha dalších aplikacích

Více

HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE

HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s

Více

Matematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic

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

Více

Matematika 3. Úloha 1. Úloha 2. Úloha 3

Matematika 3. Úloha 1. Úloha 2. Úloha 3 Matematika 3 Úloha 1 Co lze říci o funkci imaginární část komplexního čísla která každému komplexnímu číslu q přiřazuje číslo Im(q)? a. Je to funkce mnohoznačná. b. Je to reálná funkce komplexní proměnné.

Více

Matematika I 12a Euklidovská geometrie

Matematika I 12a Euklidovská geometrie Matematika I 12a Euklidovská geometrie Jan Slovák Masarykova univerzita Fakulta informatiky 3. 12. 2012 Obsah přednášky 1 Euklidovské prostory 2 Odchylky podprostorů 3 Standardní úlohy 4 Objemy Plán přednášky

Více

HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE

HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s

Více

II. Úlohy na vložené cykly a podprogramy

II. Úlohy na vložené cykly a podprogramy II. Úlohy na vložené cykly a podprogramy Společné zadání pro příklady 1. - 10. začíná jednou ze dvou možností popisu vstupních dat. Je dána posloupnost (neboli řada) N reálných (resp. celočíselných) hodnot.

Více

11. Skalární součin a ortogonalita p. 1/16

11. Skalární součin a ortogonalita p. 1/16 11. Skalární součin a ortogonalita 11. Skalární součin a ortogonalita p. 1/16 11. Skalární součin a ortogonalita p. 2/16 Skalární součin a ortogonalita 1. Definice skalárního součinu 2. Norma vektoru 3.

Více

Regresní analýza 1. Regresní analýza

Regresní analýza 1. Regresní analýza Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému

Více

Linearní algebra příklady

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

Více

Lineární algebra Operace s vektory a maticemi

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..................................

Více

2 Vektorové normy. Základy numerické matematiky - NMNM201. Definice 1 (Norma). Norma je funkcionál splňující pro libovolné vektory x a y a pro

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:

Více

MATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]

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

Více

Úvod do lineární algebry

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

Více

Vektorový prostor. Př.1. R 2 ; R 3 ; R n Dvě operace v R n : u + v = (u 1 + v 1,...u n + v n ), V (E 3 )...množina vektorů v E 3,

Vektorový prostor. Př.1. R 2 ; R 3 ; R n Dvě operace v R n : u + v = (u 1 + v 1,...u n + v n ), V (E 3 )...množina vektorů v E 3, Vektorový prostor Příklady: Př.1. R 2 ; R 3 ; R n...aritmetický n-rozměrný prostor Dvě operace v R n : součet vektorů u = (u 1,...u n ) a v = (v 1,...v n ) je vektor u + v = (u 1 + v 1,...u n + v n ),

Více

Determinanty. Determinanty. Přednáška MATEMATIKA č. 3. Jiří Neubauer

Determinanty. Determinanty. Přednáška MATEMATIKA č. 3. Jiří Neubauer Přednáška MATEMATIKA č. 3 Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz 21. 10. 2010 Uvažujme neprázdnou množinu přirozených čísel M = {1, 2,..., n}. Z kombinatoriky

Více

1 Linearní prostory nad komplexními čísly

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)

Více

Vlastní číslo, vektor

Vlastní číslo, vektor [1] Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost

Více