Arnoldiho a Lanczosova metoda
|
|
- Martin Soukup
- před 5 lety
- Počet zobrazení:
Transkript
1 Arnoldiho a Lanczosova metoda 1
2 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 pouze malou část spektra, budeme říkat částečný problém vlastních čísel. Dvě základní metody, Arnoldiho metoda obecné matice Lanczosova metoda hermitovské matice. Stačí, když jsme schopni realizovat násobení matice vektorem. 2
3 Metody Krylovových podprostorů Dána čtvercová regulární A R n n, startovací vektor v. Velké řídké matice jedinou operací, kterou jsme schopni s A provést, je násobení Av, A nemusí být dána explicitně. Využití této operace: budování posloupnosti podprostorů K k (A, v) span{v, Av, A 2 v,..., A k 1 v}, Krylovovy podprostory. Problém (řešení soustavy či problém vlastních čísel) projektujeme na tyto podprostory a tím získáme postupné aproximace řešení. 4
4 Metody Krylovových podprostorů Příklad - systém lineárních rovnic Ax = b, hledáme aproximaci x k x k K k (A, b). Aby x k jednoznačné nutné předepsat k podmínek. Definujme k-té reziduum vztahem r k b Ax k, x k K k (A, b) r k b + AK k (A, b). Pokud r k = 0 x k je přesné řešení. Logický požadavek: r k co nejmenší v rámci daných omezení ortogonální projekce b na AK k (A, b), r k AK k (A, b). 5
5 Metody Krylovových podprostorů Systém lineárních rovnic Pokud pak je x k určeno jednoznačně. dim(k k (A, b)) = k, b projektujeme do stále většího a většího podprostoru a norma rezidua se zmenšuje. Roste-li dimenze K k (A, b), dostáváme pro k = n Potom je AK n (A, b) = R n, r n R n r n = 0 x n = x. 6
6 Metody Krylovových podprostorů Příklad - problém vlastních čísel Ay = λy Vlastní vektor a příslušné vlastní číslo (vlastní pár) budeme aproximovat dvojicí (y j, µ j ) tak, aby y j K k (A, v), Ay j µ j y j K k (A, v), v je daný startovací vektor. Pokud dim K k (A, v) = k a je-li A diagonalizovatelná, potom existuje právě k párů (y j, µ j ) splňující tuto podmínku získáme aproximace k vlastních čísel a vektorů. Roste-li dimenze Krylovových podprostorů, získáme pro k = n všechny vlastní vektory a vlastní čísla matice A. 7
7 Dimenze Krylovových podprostorů K k (A, v) span{v, Av, A 2 v,..., A k 1 v} Maximální dimenzi, jež mohou Krylovovy podprostory generované maticí A a vektorem v dosáhnout, budeme nazývat stupněm v vzhledem k A, d(a, v) min{k; dim K k (A, v) = dim K k+1 (A, v)}. d(a, v) je dimenze nejmenšího Krylovova podprostoru K k (A, v) invariantního vzhledem k násobení maticí A x K k (A, v) Ax K k (A, v). d(a, v) je omezeno stupněm minimálního polynomu. 8
8 Báze Krylovových prostorů Abychom mohli s Krylovovými prostory pracovat potřebujeme rozumnou bázi. Báze v, Av,..., A k 1 v není vhodná k výpočtům (špatná podmíněnost), viz mocninná metoda. Pro efektivní a numericky stabilní práci je nutné umět počítat dobře podmíněnou bázi (ideálně ortogonální). Chceme bázové vektory v 1,..., v k podprostoru K k (A, v), které vyhovují podmínkám v i+1 K i+1 (A, v) \ K i (A, v), span{v 1,..., v i } = K i (A, v) Bez újmy na obecnosti v i = 1, 1 i k. 9
9 Arnoldiho algoritmus Základní myšlenka Nechť v 1,..., v k splňují v i+1 K i+1 (A, v) \ K i (A, v), span{v 1,..., v i } = K i (A, v), i = 1,..., k 1, a nechť k < d(a, v). Potom Idea projekce, Av k K k+1 (A, v) \ K k (A, v). w = Av k k i=1 h i,k v i, v k+1 = w w, kde h i,k jsou vhodně zvolené koeficienty. v 1,..., v k, v k+1 splňují opět danou podmínku. 11
10 Podrobněji Krok 1: v 1 v v. Krok 2: urči w tak, aby w v 1 a normuj Krok k + 1: w = Av 1 h 1,1 v 1, h 1,1 = Av 1, v 1 h 2,1 = w, v 2 = w h 2,1, Av 1 = h 1,1 v 1 + h 2,1 v 2. k w = Av k h i,k v i, h i,k = Av k, v i, i=1 h k+1,k = w, v k+1 = w. h k+1,k Av k = h 1,k v 1 + h 2,k v h k,k v k + h k+1,k v k+1. 12
11 Arnoldiho algoritmus Algebraicka formulace tj. Av 1 = h 1,1 v 1 + h 2,1 v 2, Av 2 = h 1,2 v 1 + h 2,2 v 2 + h 3,2 v 3,. Av k = h 1,k v h k,k v k + h k+1,k v k+1 A V k = V k H k + h k+1,k v k+1 e T k, V k [v 1,..., v k ], H k = h 1,1 h 1,2... h 1,k h 2,1 h 2,2... h 2,k h k,k 1 h k,k. 13
12 Arnoldiho algoritmus Algorimus počítající ortogonální bázi Krylovova prostoru, který jsme právě odvodili nazveme Arnoldiho algoritmem. 1: input A, v 2: v 1 = v v 3: for k = 1, 2,... do 4: w = Av k 5: for i = 1 : k do 6: h i,k = w, v i 7: w = w h i,k v i 8: end for 9: h k+1,k = w 10: v k+1 = w h k+1,k 11: end for A V k = V k H k + h k+1,k v k+1 e T k. 14
13 Ukončení Arnoldiho algoritmu K ukončení Arnoldiho algoritmu dochází tehdy, je-li h k+1,k = 0, tj. w = 0 a platí k Av k = h i,k v i. i=1 Jinak řečeno, Av k K k (A, v) a platí K k (A, v) = span{v 1,..., v k } a tudíž je k = d(a, v). = span{v 1,..., v k, Av k } = K k+1 (A, v) Arnoldiho algoritmus najde ortogonální bázi celého invariantního prostoru K d (A, v). 15
14 Arnoldiho algoritmus počítá po sloupcích QR rozklad Arnoldi Gram-Schmidt. Lze na Arnoldiho algoritmus nahlížet jako na QR rozkladu nějaké matice? Matici [Av 1,..., Av k ] rozšíříme o první sloupec v 1, platí [v 1, Av 1,..., Av k ] = V k+1 1 h 1,1 h 1,2... h 1,k h 2,1 h 2,2... h 2,k h k,k 1 h k,k h k+1,k Arnoldiho algoritmus počítá postupně po sloupcích QR rozklad matice [v 1, Av 1,..., Av k ], která na počátku výpočtu není známa. Tato matice vzniká postupně po sloupcích.. 16
15 Arnoldiho algoritmus a vlastní čísla matice A Vektory počítané Arnoldiho algoritmem splňují AV k = V k H k + h k+1,k v k+1 e T k a pro k = d(a, v) je h d+1,d = 0, AV d = V d H d. Nechť platí H d y = µ y, y 0, potom A V d y = V }{{} d H d y = µ V d y. }{{} x x Množina vlastních čísel H d je podmnožinou vlastních čísel A, vlastní vektory A lze spočíst z vlastních vektorů H d. A regulární H d regulární. 18
16 Arnoldiho algoritmus a aproximace vlastních čísel matice A Pro k < d je h k,k+1 0. Vlastní čísla a vektory H k poskytují pouze aproximace vlastních čísel A. Přenásobením vztahu y (vlastní vektor H k ) dostáváme AV k y = V k H k y + h k+1,k v k+1 e T k y = µv k y + h k+1,k v k+1 e T k y. Jinak řečeno, vektor x V k y splňuje Ax µx = h k+1,k v k+1 e T k y tj. reziduum Ax µx je násobkem v k+1, Ax µx = h k+1,k e T k y. 19
17 Arnoldiho metoda Arnoldiho metoda na výpočet aproximací vlastních čísel využívá Arnoldiho algoritmus k výpočtu matice H k. Poté spočte vlastní čísla a vlastní vektory y matice H k, V k y je pak aproximace vlastního vektoru A. Pro obecnou nesymetrickou matici je problematické říci cokoliv o blízkosti spočtené aproximace vlastního čísla µ k nejbližšímu vlastnímu číslu matice A, víme jen Ax µx = h k+1,k e T k y. Vlastní čísla H k Ritzova čísla, vektory V k y Ritzovy vektory. 20
18 Arnoldiho algoritmus aplikovaný na symetrickou matici Arnoldiho algoritmus na symetrickou regulární A, AV k = V k H k + h k+1,k v k+1 e T k. Přenásobme maticí Vk T, ortogonalita sloupců, symetrie, V T k AV k = H k, H k = V T k AV k = V T k A T V k = (V T k AV k ) T = H T k. H k je symetrická, horní Hessenbergova tridiagonální, α 1 β 2 β 2 α 2 β 3. H k = T k β k β k α k 22
19 Lanczosův algoritmus Platí Rozepišme po sloupcích, AV k = V k T k + β k+1 v k+1 e T k. β j+1 v j+1 = Av j α j v j β j v j 1, j = 1,..., k. Ortogonální bázi Krylovova prostoru lze pro symetrickou matici A počítat tříčlennou rekurencí. β j+1 je normalizační koeficient (vždy kladný), α j určíme z podmínky v j+1 v j, platí α j = Av j, v j. Ortogonalita k ostatním vektorům báze je automaticky splněna díky symetrii matice A. 23
20 Lanczosův algoritmus input A, v v 0 := 0 v 1 := v/ v β 1 := 0 for k = 1, 2,... do w := Av k β k v k 1 α k := v k w w := w α k v k β k+1 := w v k+1 := w/β k+1 end for 24
21 Lanczosova metoda na výpočet aproximací vlastních čísel Lanczosova metoda = Arnoldiho metoda pro symetrickou A. Nechť k < d a nechť (µ, y) je vlastní pár T k, T k y = µy, x V k y. Protože volíme y tak, aby y = 1, je i x = 1. Z AV k = V k T k + β k+1 v k+1 e T k plyne a pro normu rezidua platí Ax = µx + β k+1 v k+1 e T k y Ax µx = β k+1 e T k y. Díky symetrii matice A lze tento vztah dále analyzovat. 26
22 Analýza Lanczosovy metody Blízkost aproximace A je symetrická A = UΛU T, kde U je ortogonální a Λ je diagonální reálná, Ax µx = UΛU T x µx = Λ U T x µ U T x. Označme w U T x, platí Jinak řečeno, Ax µx = (Λ µi)w min λ j µ w λ j = min λ j µ x. λ j min λ j µ λ j Ax µx x = β k+1 e T k y x. 27
23 Analýza Lanczosovy metody Přesná versus konečná aritmetika Pomocí čísla β k+1 e T k y lze kontrolovat kvalitu příslušné aproximace µ. Při odvození odhadu jsme použili vlastnost 1 = y = y T Vk T V ky = x, neplatí obecně při počítání v konečné aritmetice, ztráta ortogonality mezi sloupci V k může způsobit y x. Christopher C. Paige netriviální analýza, ukázal že min λ j λ j µ β k+1 e T k y platí i pro vypočtené hodnoty v konečné aritmetice (až na možnou malou nepřesnost u), navzdory ztrátě ortogonality a velikosti x. 28
24 Jacobiho matice v Lanczosově algoritmu Matici T k = α 1 β 2 β 2 α 2 β β k, kde α i R, i = 1,..., k a β i > 0, i = 2,..., k nazveme Jacobiho maticí. Tyto matice se v průběhu minulého století staly středem zájmu díky tomu, že se vyskytují v obecné teorii ortogonálních polynomů a Gaussovy kvadratury. Výskyt Jacobiho matic v Lanczosově algoritmu naznačuje možný blízký vztah mezi tímto algoritmem a zmíněnou teorií. β k α k 29
25 Některé vlastnosti Jacobiho matic Vlastní čísla Jacobiho matic se ostře prokládají. Všechna leží pro k < d v otevřeném intervalu (λ 1, λ n ). Pro k < d jsou vlastní čísla T k různá od vlastních čísel A. 30
26 Cvičení 7.5 Uvažujme charakteristické polynomy Jacobiho matic J k, χ 0 (λ) 1, χ k (λ) = det(λi J k ), k = 1, 2,.... Ukažte, že platí χ 0 = 1, χ 1 = λ α 1, χ k (λ) = (λ α k )χ k 1 (λ) β 2 kχ k 2 (λ), k = 2, 3, Ukažte pomocí předchozí rekurence, že dvě po sobě jdoucí Jacobiho matice nemohou mít stejná vlastní čísla. 7.8 Dokažte následující vztah mezi v k generovanými Lanczosovým algoritmem s počátečním vektorem v a charakteristickými polynomy χ k (λ) odpovídajících Jacobiho matic: kde χ 0 = 1. v k = 1 β 1 β 2... β k χ k 1 (A)v, k = 1, 2,..., 32
27 Cvičení Nechť y je vlastní vektor matice T k, k < d. Ukažte, že jeho poslední složka je nenulová, tj. platí e T k y 0. Důsledek: Pro k < d je Ax µx = β k+1 e T k y 0. tj. µ není vlastním číslem matice A. 33
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
VícePodobnostní 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
Více2. 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
VíceÚlohy 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.
VícePROSTORY 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,
VíceEUKLIDOVSKÉ 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,
Více(2) [B] Nechť G je konečná grupa tvořena celočíselnými maticemi roměru 2 2 s operací násobení. Nalezněte všechny takové grupy až na izomorfizmus.
(1 [B] Nechť A : R 6 R 6 je lineární zobrazební takové, že A 26 = I. Najděte lineární prostory V 1, V 2 a V 3 takové, že R 6 = V 1 V 2 V 3 dim V 1 = dim V 2 = dim V 3 AV 1 V 1, AV 2 V 2 a AV 3 V 3 (2 [B]
VíceÚlohy 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
VíceSingulární 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
VíceALGEBRA. 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)
Vícea vlastních vektorů Příklad: Stanovte taková čísla λ, pro která má homogenní soustava Av = λv nenulové (A λ i I) v = 0.
Výpočet vlastních čísel a vlastních vektorů S pojmem vlastního čísla jsme se již setkali například u iteračních metod pro řešení soustavy lineárních algebraických rovnic. Velikosti vlastních čísel iterační
VíceMetoda sdružených gradientů
Metoda sdružených gradientů 1 Poznámka A-skalární součin, A-norma (energetická norma) Standardní euklidovský skalární součin vektorů n x, y = y T x = y i x i. i=1 A R n n je symetrická, pozitivně definitní,
Více5. 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
Více1 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
Vícex 2 = a 2 + tv 2 tedy (a 1, a 2 ) T + [(v 1, v 2 )] T A + V Příklad. U = R n neprázdná množina řešení soustavy Ax = b.
1. Afinní podprostory 1.1. Motivace. Uvažujme R 3. Jeho všechny vektorové podprostory jsou počátek, přímky a roviny procházející počátkem a celé R 3. Chceme-li v R 3 dělat geometrii potřebujeme i jiné
VíceLineární 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
VíceMatematický 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
Vícevyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých mocnin). Rozhodněte o definitnosti kvadratické formy κ(x).
Řešené příklady z lineární algebry - část 6 Typové příklady s řešením Příklad 6.: Kvadratickou formu κ(x) = x x 6x 6x x + 8x x 8x x vyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých
VíceVlastní 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
VíceVektorové 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
VíceZdrojem 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
VíceMATICE. 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
Vícea 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
VíceProgram 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
VíceSoustavy lineárních rovnic-numerické řešení. October 2, 2008
Soustavy lineárních rovnic-numerické řešení October 2, 2008 (Systém lin. rovnic) Systém rovnic 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... a n1 x 1 + a n2 x 2 + + a
VíceLineární 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
VíceDnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda
Předmět: MA 4 Dnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Četba: Text o lineární algebře v Příručce přežití na webových
VíceOrtogonální 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
VíceAplikovaná numerická matematika - ANM
Aplikovaná numerická matematika - ANM 3 Řešení soustav lineárních rovnic iterační metody doc Ing Róbert Lórencz, CSc České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových
VíceUčební 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
VíceVYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY
VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY Jan Krejčí 31. srpna 2006 jkrejci@physics.ujep.cz http://physics.ujep.cz/~jkrejci Obsah 1 Přímé metody řešení soustav lineárních rovnic 3 1.1 Gaussova eliminace...............................
Vícematiceteorie 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
VíceOrtogonální 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
VíceDEFINICE 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
Více15 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.
VíceUčební 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
VíceNumerická stabilita algoritmů
Numerická stabilita algoritmů Petr Tichý 9. října 2013 1 Numerická stabilita algoritmů Pravidla v konečné aritmetice Pro počítání v konečné aritmetice počítače platí určitá pravidla, která jsou důležitá
Vícestránkách přednášejícího.
Předmět: MA 4 Dnešní látka Iterační metoda Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Superrelaxační metoda (metoda SOR) Metoda sdružených gradientů Četba: Text o lineární algebře v Příručce
VíceMatematika (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
VícePavel Klavík. Katedra aplikované matematiky, Matematicko-fyzikální fakulta, Univerzita Karlova v Praze
Katedra aplikované matematiky, Matematicko-fyzikální fakulta, Univerzita Karlova v Praze Historie Motto Budeme se zabývat specifickými problémy, které se objevují při řešení soustav lineárních rovnic na
Více[1] Motivace. p = {t u ; t R}, A(p) = {A(t u ); t R} = {t A( u ); t R}
Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost s diagonální
VíceOrtogonální 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
Víceα 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,
VíceZákladní spádové metody
Základní spádové metody Petr Tichý 23. října 2013 1 Metody typu line search Problém Idea metod min f(x), f : x R Rn R. n Dána počáteční aproximace x 0. Iterační proces (krok k): (a) zvol směr d k, (b)
VíceSoustavy lineárních rovnic-numerické řešení
Soustavy lineárních rovnic-numerické řešení November 9, 2008 Soustavy lineárních rovnic-numerické řešení 1 / 52 (Systém lin. rovnic) Systém rovnic a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22
Více8 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
VíceVlastní 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
Vícea + b + c = 2 b + c = 1 a b = a 1 2a 1 + a a 3 + a 5 + 2a 2 + a 2 + a
Zadání A. 1. Polynom P (x) má v uspořádané bázi (x 2 + x 1, 2x 2 x 1, x 2 + x + 2) souřadnice (1, 1, 1). Najděte jeho souřadnice vzhledem k uspořádané bázi (x 2 1, x 2 + x 1, x 2 + x). Nejprve si spočítáme
Více0.1 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
VíceSoustavy linea rnı ch rovnic
[1] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení a) soustavy, 10, b) P. Olšák, FEL ČVUT, c) P. Olšák 2010, d) BI-LIN, e) L, f) 2009/2010, g)l.
Více7. 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
VíceČetba: 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:
Více1 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.
VíceFP - SEMINÁŘ Z NUMERICKÉ MATEMATIKY. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
FP - SEMINÁŘ Z NUMERICKÉ MATEMATIKY Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci OBSAH A CÍLE SEMINÁŘE: Opakování a procvičení vybraných
VícePrimitivní funkce a Riemann uv integrál Lineární algebra Taylor uv polynom Extrémy funkcí více prom ˇenných Matematika III Matematika III Program
Program Primitivní funkce a Riemannův integrál Program Primitivní funkce a Riemannův integrál Lineární algebra Program Primitivní funkce a Riemannův integrál Lineární algebra Taylorův polynom Program Primitivní
VíceDefinice 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
Více6 Lineární geometrie. 6.1 Lineární variety
6 Lineární geometrie Motivace. Pojem lineární varieta, který budeme v této kapitole studovat z nejrůznějších úhlů pohledu, není žádnou umělou konstrukcí. Příkladem lineární variety je totiž množina řešení
VíceMatice. 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
VíceVlastní 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
VíceMatematika 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
VíceZáklady 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
VíceCvičení z Lineární algebry 1
Cvičení z Lineární algebry Michael Krbek podzim 2003 2392003 Hodina Jsou dána komplexní čísla z = +2 i a w = 2 i Vyjádřete c algebraickém tvaru (z + w) 3,, (zw), z w 2 Řešte v komplexním oboru rovnice
VíceVlastní 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)
Více4. LU rozklad a jeho numerická analýza
4 LU rozklad a jeho numerická analýza Petr Tichý 24 října 2012 1 Úvod Nechť A je regulární matice Řešíme Ax = b LU rozklad (Gaussova eliminace) je jeden z nejdůležitějších nástrojů pro problém řešení soustav
Více2 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:
VíceÚvod 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
VíceČetba: 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
VíceSkalární součin je nástroj, jak měřit velikost vektorů a úhly mezi vektory v reálných a komplexních vektorových prostorech.
Kapitola 9 Skalární součin Skalární součin je nástroj, jak měřit velikost vektorů a úhly mezi vektory v reálných a komplexních vektorových prostorech. Definice 9.1 Je-li x = (x 1,..., x n ) T R n 1 reálný
Více1 Vektorové prostory.
1 Vektorové prostory DefiniceMnožinu V, jejíž prvky budeme označovat a, b, c, z, budeme nazývat vektorovým prostorem právě tehdy, když budou splněny následující podmínky: 1 Je dáno zobrazení V V V, které
VíceVĚTY 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
VíceLinearní 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
VíceLineární 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
VícePřipomenutí 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
Více0.1 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
Vícez = a bi. z + v = (a + bi) + (c + di) = (a + c) + (b + d)i. z v = (a + bi) (c + di) = (a c) + (b d)i. z v = (a + bi) (c + di) = (ac bd) + (bc + ad)i.
KOMLEXNÍ ČÍSLA C = {a + bi; a, b R}, kde i 2 = 1 Číslo komplexně sdružené k z = a + bi je číslo z = a bi. Operace s komplexními čísly: z = a + bi, kde a, b R v = c + di, kde c, d R Sčítání Odčítání Násobení
Více19. Druhý rozklad lineární transformace
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan Úmluva. Všude P = C. Vpřednášce o vlastních vektorech jsme se seznámili s diagonalizovatelnými
Více1 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
VíceV 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
VíceSoustavy. Terminologie. Dva pohledy na soustavu lin. rovnic. Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová.
[1] Terminologie [2] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová matice.
VíceVlastní čísla a vlastní vektory
Kapitola 15 Vlastní čísla a vlastní vektory V této a následujících kapitolách budeme zkoumat jeden z nejdůležitějších pojmů tohoto kurzu. Definice15.1 Buď A:V Vlineárnízobrazení,Vvektorovýprostornad tělesem
VíceFaculty 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
VíceVektorový 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 ),
VíceVektory 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
Více1 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
Více1 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)
VíceLineární 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
VíceSymetrické 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
VíceCo 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
VíceSoustavy lineárních rovnic
Soustavy lineárních rovnic V této kapitole se budeme zabývat soustavami lineárních diferenciálních rovnic y = a (x)y + a (x)y + + a n (x)y n + f (x) y = a (x)y + a (x)y + + a n (x)y n + f (x). y n = a
Více18. První rozklad lineární transformace
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan 18. První rozklad lineární transformace Úmluva. Vtéto přednášce V je vektorový prostor
VíceNALG 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
VíceNumerické 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
Více2.6. Vlastní čísla a vlastní vektory matice
26 Cíle V této části se budeme zabývat hledáním čísla λ které je řešením rovnice A x = λ x (1) kde A je matice řádu n Znalost řešení takové rovnice má řadu aplikací nejen v matematice Definice 261 Nechť
VíceSOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC
SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC Pojm: Algebraická rovnice... rovnice obsahující pouze celé nezáporné mocnin neznámé, tj. a n n + a n 1 n 1 +... + a 2 2 + a 1 + a 0 = 0, kde n je přirozené číslo.
Více4. 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
VíceJedná se o soustavy ve tvaru A X = B, kde A je daná matice typu m n,
Soutavy lineárních algebraických rovnic Jedná se o soustavy ve tvaru A X = B, kde A je daná matice typu m n, X R n je sloupcový vektor n neznámých x 1,..., x n, B R m je daný sloupcový vektor pravých stran
Více1 Vektorové prostory a podprostory
Pro nahrazení účasti v jednotlivých cvičeních (resp. pro studenty kombinované formy) je dostačující vypracování a odevzdání tučně vyznačených příkladů. 1 Vektorové prostory a podprostory Definujte vektorový
VíceDRN: 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
VíceFaster Gradient Descent Methods
Faster Gradient Descent Methods Rychlejší gradientní spádové metody Ing. Lukáš Pospíšil, Ing. Martin Menšík Katedra aplikované matematiky, VŠB - Technická univerzita Ostrava 24.1.2012 Ing. Lukáš Pospíšil,
VíceKapitola 11: Lineární diferenciální rovnice 1/15
Kapitola 11: Lineární diferenciální rovnice 1/15 Lineární diferenciální rovnice 2. řádu Definice: Lineární diferenciální rovnice 2-tého řádu je rovnice tvaru kde: y C 2 (I) je hledaná funkce a 0 (x)y +
Více