a a22
am1 a a
a
a a a1j
ij
mj
a2j
... ...
sarake j
a a a1n
in
mn
... ...
a2n
11 12
21
i1
... ...
... ... ...
...
. . .
...
rivi i
... ...
am2 ai2
. . .
... ...
...
Kuva 6: alkioaij
Yksirivistä matriisia sanotaan myösvaaka- eli rivivektoriksi(row) ja yksisarak-keista pysty- eli sarakevektoriksi (column). Matriisilaskennan yhteydessä sekä vaaka- että pystyvektorien alkioiden väliset pilkut korvataan tavallisesti tyhjeil-lä. Kuten jo Luvussa 2.2 sovittiin, tässä oppimateriaalissa euklidisen avaruuden Rnvektoreita käsitellään pääsääntöisesti pystyvektoreina.
3.2 Matriisioperaatioita ja nimityksiä
Transponointi ja laskutoimitukset
MatriisinA= (aij)∈Rm×ntranspoosion matriisi AT = (bkl)∈Rn×m,
missäbkl:=alk, ts. rivit on vaihdettu järjestyksessä sarakkeiksi.
AvaruudenRm×nmatriiseja voidaan laskea yhteen, kertoa vakiolla ja kertoa kes-kenäänalkioittainkuten vektoreitakin. MatriisiaO, jonka kaikki alkiot ovat nol-lia, kutsutaan nollamatriisiksi. Nollamatriisi on matriisien yhteenlaskun neutraa-lialkio, so.A+O =AjaO+A=A. MatriisinA= (aij)vastamatriision vasta-luvuista koostuva samankokoinen matriisi−A= (−aij); silloinA+ (−A) = O ja−A+A=O.
Esimerkki 3.2.1 Olkoot
Transpoosit ovat silloin AT =
Yhteenlaskun tulos onsumma A+B =
Alkioittainen tulo (jolla ei lineaarialgebrassa juuri ole käyttöä):
A .∗B =
Varsinainenmatriisien kertolaskumääritellään seuraavasti: MatriisienA= (aij)∈ Rm×njaB = (bjk)∈Rn×r(matriisi)tuloon matriisi
AB =C = (cik)∈Rm×r, missä cik := Pn
j=1aijbjk. Tulomatriisin alkio cik on siis matriisin A rivin i ja matriisinB sarakkeenkpistetulo.
Pystyvektorien x = (x1 x2 · · · xn)T ja y = (y1 y2 · · · yn)T ∈ Rn pistetulo voidaan kirjoittaa matriisitulona
x·y=xTy=x1y1+x2y2+· · ·+xnyn.
3.2 Matriisioperaatioita ja nimityksiä 43 Esimerkki 3.2.2 Esimerkin3.2.1matriiseille tuloja AB jaBAei ole määritelty, koska molemmat ovat2×3-matriiseja; sen sijaan
ABT =
Tehtävä 3.2.3 Laske a)
e) seuraavassa tulossa
rivillä 3 sarakkeessa 1 oleva luku. Ratkaisut sivulla56.
Tehtävä 3.2.4 Olkoot A:= Ratkaisut sivulla56.
Tehtävä 3.2.5 Laske a) ¡
Ratkaisu sivulla57.
AvaruudenRn×nalkiot ovatneliömatriiseja(square matrix).
AvaruusRn×nonsuljettumatriisien kertolaskun suhteen, sillä tulo on myös n×n-matriisi.
Matriisin(aij)diagonaalieli päälävistäjäon pystyvektori (a11, . . . , ann)T. Mat-riisia sanotaan diagonaalimatriisiksi, jos sen diagonaalin ulkopuolella olevat al-kiot ovat nollia.
Edellä on jo määritelty nollamatriisiOja vastamatriisit.Yksikkömatriisi(identity) on diagonaalimatriisiI, jonka diagonaalialkiot ovat ykkösiä. Yksikkömatriisi on matriisitulon neutraalialkio: josA ∈Rn×n, niinAI =IA=A.
MatriisiA = (aij)n×n onsymmetrinen, josA = AT, eliaij = aji kaikillai, j ∈ [n]. Symmetrisyys tarkoittaa diagonaalin suhteen symmetrisyyttä.
Matriisi on yläkolmiomatriisi (upper triangular), jos sen diagonaalin alapuolella on vain nollia; vastaavasti määritelläänalakolmiomatriisi.
Matriisituloei ole vaihdannainen; yleensäAB 6=BA.
Kahden nollasta eriävän matriisin tulo voi olla nollamatriisi; voi jopa ollaA2 (=
AA) =O, vaikkaAon nollasta eriävä matriisi.
Tulon supistussääntö ei myöskään päde: siitä, ettäAC =BC ei seuraa A=B.
Sen sijaan laskutoimitukset+ja·ovat liitännäisiä ja niille pätevät mm. osittelulait.
Esimerkki 3.2.6 Matriisitulo ei ole vaihdannainen edes neliömatriiseille:
µ 1 3
−4 2
¶µ 2 −1
−2 1
¶
=
µ −4 2
−12 6
¶
µ 2 −1
−2 1
¶µ 1 3
−4 2
¶
=
µ 6 4
−6 −4
¶
3.3 Laskusääntöjä 45
3.3 Laskusääntöjä
Matriisin osien poimiminen ja osiin viittaaminen
Olkoon
A = (aij)m×n =
a11 a12 · · · a1n
a21 a22 · · · a2n ... ... ... ...
am1 am2 · · · amn
Osavektorin ja -matriisin poiminta: jos1≤p≤q ≤mja1≤r ≤s≤n, niin A(p:q, j) :=
apj
...
aqj
A(i, r:s) :=¡
air · · · ais¢
A(p:q, r :s) :=
apr · · · aps ... ... ...
aqr · · · aqs
Kokonaisen rivin ja sarakkeen poiminta:
A(i,:) :=¡
ai1 · · · ain¢
, A(:, j) :=
a1j
...
amj
Edellisiä merkintöjä käytetään mm. Matlab-ohjelmassa. Matriisinsarakkeita mer-kitään myösaj =A(:, j). Tällöin
A=¡
a1 · · · an¢ .
Olkoon myösB m×nmatriisi. Tällöin summassaA+B on alkio(A+B)(i, j) =A(i, j) +B(i, j)
rivi(A+B)(i,:) =A(i,:) +B(i,:) sarake(A+B)(:, j) = A(:, j) +B(:, j).
TulossaAB on taas
alkio(AB)(i, j) = A(i,:)B(:, j) = Pn
k=1A(i, k)B(k, j) rivi(AB)(i,:) =A(i,:)B
sarake(AB)(:, j) =A(B(:, j)).
Tehtävä 3.3.1 Poimi matriisista
A:=
2 1 2 5 3 4 2 1 4 2
−1 2 1 0 0 2 4 2 1 3 3 8 −2 0 1
a)A(3,:), b)A(4,2 : 4), c)A(2 : 3,1 : 3), d)A(:,2), e)A(:,2 : 3), f)A(:,:).
Transponointi
Lause 3.3.2 Olkoonαskalaari ja matriisitAjaBsellaisia, että seuraavassa esiin-tyvät laskutoimitukset ovat ”järjellisiä”, so. määriteltyjä. Silloin
1. (AT)T =A 2. (αA)T =αAT
3. (A+B)T =AT +BT 4. (AB)T =BTAT.
Todistus. Kohdat 1–3 ovat ilmeisiä. Kohta 4: Olkoot A= (aij)m×n
B = (bij)n×r
C:=AB = (cij)m×r D:=BTAT = (dij)r×m.
Silloin(AB)T jaBTAT ovat samaa kokoar×m, joten riittää näyttää, että niissä on samat vastinalkiot.
OlkootAT = (a∗ij),BT = (b∗ij)jaCT = (c∗ij). On osoitettava, ettäc∗ij = dij kai-killai∈[r]jaj ∈[m]. Koskab∗ik =bkijaa∗kj =ajk, on matriisitulon määritelmän mukaan
dij = Xn k=1
b∗ika∗kj = Xn k=1
ajkbki =cji =c∗ij 2
3.3 Laskusääntöjä 47 Matriisialgebra
Lause 3.3.3 Kaikille skalaareilleα ja β ja kaikille matriiseille A, B jaC, joille seuraavassa esiintyvät operaatiot on määritelty, pätee
(1) A+B =B +A vaihdannaisuus (+)
(2) (A+B) +C =A+ (B+C) liitännäisyys (+)
(3) (AB)C =A(BC) liitännäisyys (·)
(4) A(B+C) =AB+AC I osittelulaki (+,·)
(5) (A+B)C=AC+BC II osittelulaki (+,·)
(6) (αβ)A=α(βA) skalaariliitännäisyys (7) α(AB) = (αA)B =A(αB) skalaarin siirto
(8) α(A+B) =αA+αB. I skalaariosittelulaki
(9) (α+β)A=αA+βA II skalaariosittelulaki
Todistus. Kohdat (1), (2), (6), (7), (8) ja (9) ovat helppoja. Kohta (4): Olkoot A = (aij)m×njaB = (bij)n×r,C = (cij)n×r sekä merkitäänD :=A(B+C)ja E :=AB +AC.
SilloinDjaE ovatm×r-matriiseja ja niiden alkiot ovat dij =
Xn k=1
aik(bkj+ckj) ja eij = Xn
k=1
aikbkj+ Xn k=1
aikckj. Koska summille pätee
Xn k=1
aik(bkj+ckj) = Xn
k=1
aikbkj + Xn
k=1
aikckj,
ondij =eij ja sitenA(B +C) =D =E =AB+AC. Katso kuvat7ja8.
Kohta (5) on samankaltainen kuin kohta (4).
Kohta (3): OlkootA = (aij)m×n, B = (bij)n×r ja C = (cij)r×s sekä merkitään D:=ABjaE :=BC.
On osoitettava, ettäDC=AE.
1) Ne ovat samaa kokoa:
dij
A(B + C) =
i
j
aik i
k
=
b +ckj kj k
j
aik i
k
=
A
ckj k
j
C
b kj k
j
B
+
A B+C
D
Kuva 7: Osittelulain (4) vasen puoli
i e
j
E
ij
AB + AC = =
=
j
C
j
B
(AC)(i,j) i
j
AC
(AB)(i,j) i
j
AB
i
A
i
A
+ +
Kuva 8: Osittelulain (4) oikea puoli
3.3 Laskusääntöjä 49 -Don kokoam×rjaC r×s, jotenDC on kokoam×s,
-Aon kokoam×njaE n×s, jotenAEon kokoam×s.
2) Matriisitulon määritelmän mukaan dil=
Xn k=1
aikbkl ja ekj = Xr
l=1
bklclj, joten matriiseissaDC jaAE on kohdallaij alkiot
pij :=
Xr l=1
dilclj = Xr
l=1
à n X
k=1
aikbkl
! clj
qij :=
Xn k=1
aikekj = Xn
k=1
aik ÃXr
l=1
bklclj
! . Laskujärjestystä saa äärellisissä summissa vaihtaa, joten
pij = Xr
l=1
ÃXn
k=1
aikbkl
! clj =
Xr l=1
Xn k=1
aikbklclj
= Xn k=1
Xr l=1
aikbklclj = Xn k=1
aik à r
X
l=1
bklclj
!
=qij. Siis(AB)C =DC =AE =A(BC).2
Matriisin potenssi
Määritelmä 3.3.4 Olkoon A n×n-matriisi. Määritellään sen positiiviset koko-naislukupotenssit(power)
A1 := A,
Ak := AAk−1, kunk ≥2.
MyösAk =AA . . . A| {z }
kkpl
onn×n-matriisi kaikillak ∈N.
Esimerkki 3.3.5 Lasketaan määritelmän mukaan:
µ1 2 3 4
¶3
= µ1 2
3 4
¶µ1 2 3 4
¶2
= µ1 2
3 4
¶µ 7 10 15 22
¶
=
µ37 54 81 118
¶
Tehtävä 3.3.6 Mitä ovatOkjaIk, kunk∈N? Ratkaisu sivulla57.
Esimerkki 3.3.7 Olkoon
A:=
µ1 1 1 1
¶
LasketaanAkarvoillak ∈N.
Ratkaisu. Lasketaan aluksi A1 = A= 1A, A2 =
µ1 1 1 1
¶µ1 1 1 1
¶
= µ2 2
2 2
¶
= 2A, A3 =
µ1 1 1 1
¶µ2 2 2 2
¶
= µ4 4
4 4
¶
= 4A = 22A
Näyttäisi siltä, ettäAk = 2k−1Akaikillak ∈N.
Induktiotodistus: Väite on tosi arvoillak = 1jak = 2. Tehdään induktio-oletus:
Ak = 2k−1A jollakin k ≥ 2. Silloin matriisin potenssin määritelmän, induktio-oletuksen ja tapauksenk= 2nojalla
Ak+1 =AAk =A2k−1A= 2k−1A2 = 2k−12A= 2kA.
Induktioperiaatteen nojalla väite on tosi.
3.3 Laskusääntöjä 51 Potenssi-iteraatio
Matriisia voidaan käyttää kuvauksen muodostamisessa; jos A on kiinteä m×n-matriisi jaxonn-pystyvektori (tain×1-matriisi), niin sääntöx7→Axmäärittelee (lineaari)kuvauksenRn →Rm.
Jos neliömatriisi A ∈ Rn×n ja z ∈ Rn on annettu, voidaan muodostaa kuvaus N→Rn,n 7→Anzjossazkuvautuu vektorilleAz,A2z,A3z, jne. Tämä voidaan esittää yksinkertaisenaiteraatiokaavana
z:=Az, jota toistamalla saadaan mielenkiintoisia kuvioita.
Esimerkki 3.3.8 Olkoot A:=
µ0.3614 −0.9285 0.9285 0.3714
¶
ja z:=
µ1 0
¶ . Kuvassa9funktionx7→Axiteraatiokuvio.
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
−1
−0.8
−0.6
−0.4
−0.2 0 0.2 0.4 0.6 0.8 1
500 iteraatiota z = Az
z
Kuva 9: Iteraatiokuvio
Tehtävä 3.3.9 Selvitä, mitkä ovat Esimerkin 3.3.8 kolmen ensimmäisen iteraa-tion muodostamat pisteet. Ratkaisu sivulla57.
Laskutoimitusten määristä
Matriisien yhteenlasku, vakiolla kertominen ja transponointi ovat suhteellisen no-peasti suoritettavia operaatioita. Sen sijaan matriisitulon laskeminen sisältää run-saasti lukujen yhteen- ja kertolaskuja, joten se on suhteellisen hidasta puuhaa – jopa tietokoneella. Tästä syystä paljon matriisituloja sisältävä laskettava lauseke kannattaa ensin sieventää laskulakeja käyttäen.
Lasketaan kuinka monta lukujen yhteen- ja kertolaskua tarvitaan kahden matriisin kertomisessa. Kahdenn-vektorin pistetulon
¡x1 x2 · · · xn¢
y1 y2 ...
yn
=x1y1+x2y2+· · ·+xnyn
laskemiseen tarvitaannkertolaskua jan−1yhteenlaskua. Matriisitulossa
a11 a12 · · · a1n a21 a22 · · · a2n
... ... ... ...
am1 am2 · · · amn
b11 b12 · · · b1r b21 b22 · · · b2r
... ... ... ...
bn1 bn2 · · · bnr
kerrotaan jokainen vaakavektori toisen jokaisella pystyvektorilla, yhteensä mr pistetuloa. Yhteenlaskuja tarvitaan siism(n−1)rja kertolaskujamnr.
Esimerkki 3.3.10 Olkoot A, B ja C n×n-matriiseja. Sievennä laskusääntöjen avulla lauseketta
(A2CTB)T + (B2)TC(AT)2
niin, että sitä laskettaessa on mahdollisimman vähän matriisien kertolaskuja.
Kuinka monta lukujen kertolaskua tarvitaan alkuperäisen, ja kuinka monta sie-vennetyn lausekkeen laskemiseksi?
Ratkaisu. Koska Lauseen 3.3.2 mukaan (AT)2 = ATAT = (AA)T = (A2)T, saadaan
(A2CTB)T+(B2)TC(AT)2 = BTC(A2)T+BTBTC(A2)T
= (I+BT)BTC(A2)T. Alkuperäisessä on7n3 ja sievennetyssä4n3 kertolaskua.