Linjär algebra - math.chalmers.se

advertisement
Linjär algebra
Analys och Linjär Algebra, del B, K1/Kf1/Bt1, ht11
1
Inledning
Matlab betyder ”Matrix Laboratory” och bygger på numeriska matrisberäkningar. I denna
studio-övning skall vi se lite på linjära ekvationssytem och transformationer.
2
Matris-vektor-multiplikation
Vi definierar produkten av en radmatris och en kolonnmatris (med samma antal element) enligt:
 
x
 .1 
ax = a1 · · · an  ..  = a1 x1 + a2 x2 + · · · + an xn .
xn
Observera att detta är samma formel som för skalärprodukt. Produkten y = Ax av en matris
av typen m × n och en kolonnvektor av typen n × 1 definieras på liknande vis genom att vi
multiplicerar matrisens rader i tur och ordning med kolonnvektorn. Vi får en kolonnvektor av
typen m × 1 och den ges av
y = Ax
 
a11
y1
 ..   ..
 . = .

ym
am1
(1)




a11 x1 + a12 x2 + · · · + a1n xn
x1
a1n

..
..   ..  = 
,
.
.  .  
am1 x1 + am2 x2 + · · · + amn xn
xn
· · · amn
···
yi =
n
X
(2)
aij xj = ai1 x1 + ai2 x2 + · · · + ain xn .
j=1
Observera att typerna måste stämma överens för att produkten ska vara definierad enligt regeln
m × 1 = (m × n)(n × 1).
Ett alternativt sätt att introducera matris-vektor-multiplikation är att definiera Ax som en
linjärkombination av kolonnerna i A, (se Lay avsnitt 1.4)
 
x
 .1 
Ax = a1 · · · an  ..  = x1 a1 + x2 a2 + · · · + xn an .
xn
Detta leder förstås till samma uttryck som i (2),








a11
a12
a1n
a11 x1 + a12 x2 + · · · + a1n xn








..
x1 a1 +x2 a2 +· · ·+xn an =  ...  x1 + ...  x2 +· · ·+ ...  xn = 
.
.
am1
am2
amn
am1 x1 + am2 x2 + · · · + amn xn
1
I Matlab skriver man helt enkelt y=A*x.
Uppgift 1. Skriv in följande matriser i Matlab.




1 5 9
4 5 6
2 6 10



A=
3 7 11 , B = 3 2 1 ,
1 1 1
4 8 12
 
1

x = 1 ,
1
a = −1 0 1
Beräkna följande produkter, först för hand sedan med Matlab.
Ax,
3
Bx,
ax,
Aa.
Linjärt ekvationssystem
Matriser används bland annat för att skriva ned linjära ekvationssystem. Exempel: ekvationssystemet

 x1 + 2x2 + 3x3 = 14
3x1 + 2x2 + x3 = 10

7x1 + 8x2 = 23
kan skrivas på matrisform

   
1 2 3
x1
14
 3 2 1  x2  = 10 ,
7 8 0
x3
23
dvs.
Ax = b,

1 2 3
med A =  3 2 1  ,
7 8 0

 
14

b = 10 .
23
Vi ska lära oss hur man löser sådana ekvationssystem. I Matlab finns backslash-kommandot (\)
eller alternativt kommandot rref (row-reduced-echelon form) som löser systemet, Ax = b:
>> x=A\b
>> rref([A b])
I det första fallet fungerar det bra om lösningen är entydig men sämre om det finns fria variabler
eller inga lösningar alls. I det andra fallet reducerar Matlab den utökade matrisen [A b] till
reducerad trappstegsform.
Uppgift 2. Skriv följande ekvationssystem på matrisform (utökad matris!) och lös dom sedan
med \ respektive rref.


x1 + x2 + 3x3 + 4x4 = 2
 x1 + 5x2 + 9x3 = 29



2x1 + 5x3 = 26
−2x1 + 2x2 + 2x3 = −4

3x1 + 7x2 + 11x3 = 39
x1 + x2 + 2x3 + 3x4 = 1



x1 − x2 − 2x3 − x4 = 1
Uppgift 3. Läs ”Balancing Chemical Equations” i Lay sid 51. Lös sedan stökiometriuppgiften
Lay 1.6: 11 (sid 54). Be Matlab räkna med rationella tal med kommandot format rat så blir
det något enklare att tolka svaret. Med format short får vi sedan tillbaka standard formatet.
2
Uppgift 4. Vi skall beräkna temperaturen på en stålplatta där plattans kanter hålls vid temperaturer enligt figuren. Detta är en fortsättning på uppgiften Lay 1.1: 33 (sid 11).
40 ◦C
◦•u ◦•u ◦•u
9
◦•u ◦•u ◦•u
6
◦•u ◦•u ◦•u
3
7
80 C
◦
4
1
8
5
2
100 ◦ C
20 ◦C
Antag att temperaturen i en nodpunkt är medelvärdet av temperaturena i de närmsta nodpunkterna i väster, öster, söder och norr. Låt u1 , u2, · · · , u9 beteckna temperaturerna i de olika
nodpunkterna. Sätt upp de ekvationer som ger temperaturen i de olika nodpunkterna. Skriv det
linjära ekvationssystemet på matrisform Au = b och lös detta i Matlab.
4
Speciella matriser
Matlab har funktionerna zeros, ones, eye för att bilda speciella matriser med nollor, ettor
och enhetsmatris.
Med zeros(2,5) får vi en matris av typen 2 × 5 fylld med nollor och med ones(2,5) får vi
en matris av samma typ, men fylld med ettor. För att få en enhetsmatris av typen 5 × 5 ger vi
eye(5,5). Med ones(size(A)) får vi en matris fylld med ettor av samma typ som A. Motsvarande
gäller för zeros och eye. Se Moore 9.3.
Det finns funktioner rand och randn för att bilda matriser fyllda med slumptal. Se Moore 3.6.
Skapa matris kolonnvis
Vi bygger ofta upp matriser med hjälp någon beräkningsalgoritm, ibland görs beräkningen kolonnvis. Vi ger ett exempel. Matrisen


1 2 3 4 · · · 10
1 2 3 4 · · · 10

C=
1 2 3 4 · · · 10
1 2 3 4 · · · 10
skapas av for-loopen
clear C
ett=ones(4,1);
for i=1:10
C(:,i)=i*ett;
end
Uppgift 5. Skriv en skriptfil som gör detta. Tag bort semikolon så att du ser vad som händer i
varje steg.
Du kan också pröva att bilda C genom en s.k. ytterprodukt enligt C=ett*[1:10]. Lägg märke till
att ett är en kolonnvektor medan [1:10] är en radvektor.
3
Vi kan använda tic och toc för att mäta den tid beräkningarna tar, se Moore 8.5. Det blir
tydligare om vi tar en större matris. Pröva följande som en skriptfil.
clear C
ett=ones(2000,1);
tic
for i=1:100
C(:,i)=i*ett;
end
toc
Tänk på att sätta semikolon på alla beräkningar, så inte skärmen fylls med ointressanta utskrifter.
Matrisen C kommer succesivt byggas upp och bli av typen 2000 × 100. Om vi nu istället för clear
C skriver C=zeros(2000,100); så får matrisen C sin slutliga storlek på en gång. Vi börjar med
en stor matris fylld med nollor, där vi i loopen succesivt sätter in rätt kolonner. Kör nu den nya
skriptfilen och se om beräkningstiden blev kortare.
5
Transformationer
Vi skall se på några geometriska transformationer; rotation, skalning, translation. I ALA-C
(läsperiod 3) kommer vi även se på projektioner.
Rotation och skalning är linjära avbildningar och kan beskrivas med standardmatriser, däremot
är translation inte en linjär avbildning.
Rotation: Låt T : R2 → R2 vara en rotation motsols med vinkeln φ runt origo.
(– sin(φ), cos(φ))
e2
(cos(φ), sin(φ))
φ
φ
e1
Vi får
T(e1 ) =
cos(φ)
sin(φ)
med standardmatrisen
A=
Betraktar vi en punkt x =
x1
x2
, T(e2 ) =
cos(φ) − sin(φ)
sin(φ) cos(φ)
− sin(φ)
cos(φ)
i R2 som vi vill rotera runt origo så ges dess nya position av
T(x) = Ax .
Skalning: Låt S : R2 → R2 vara en skalning med faktorerna s1 och s2 i respektive axelriktning.
Vi får
0
s1
, S(e2 ) =
S(e1 ) =
s2
0
4
med standardmatrisen
B=
En translation med vektorn t =
t1
t2
s1 0
0 s2
ges av avbildningen F : R2 → R2 ,
F(x) = x + t =
x1
x2
+
t1
t2
men här finns ingen standardmatris.
Vi ser hur vi i Matlab kan göra rotationer och translationer. I figuren nedan till vänster ser vi
ett polygonområde med svart rand, vi roterar några gånger med vinkeln π6 och ritar området med
röd rand.
2
2
1.5
1.5
1
1
0.5
0.5
0
0
−1
−0.5
0
0.5
1
1.5
−1
0
1
Vi har skapat polygonområdet med skriptfilen från uppgift 7 i ”Programmering i Matlab” som
vi gjorde i ALA-A. Vi har lagrat koordinaterna i radvektorerna X och Y.
fill(X,Y,’g’,’edgecolor’,’k’,’linewidth’,1), hold on
axis equal, axis([-1.5 2 -0.1 2])
v=pi/6; A=[cos(v) -sin(v); sin(v) cos(v)];
P=[X;Y];
for i=1:3
P=A*P;
% Varje koordinatpar roteras med vinkeln pi/6
fill(P(1,:),P(2,:),’g’,’edgecolor’,’r’,’linewidth’,1)
end
plot(0,0,’ko’,’linewidth’,2,’markersize’,2) % origo
hold off
I figuren ovan till höger ser vi samma område i ursprungsläget (svart kant) samt några upprepade
translationer (röd kant) med vektorn t.
fill(X,Y,’g’,’edgecolor’,’k’,’linewidth’,1), hold on
axis equal, axis([-1.5 2 -0.1 2]),
t=[-0.6;0.3];
P=[X;Y];
for i=1:3
P=P+t*ones(size(X));
fill(P(1,:),P(2,:),’g’,’edgecolor’,’r’,’linewidth’,1)
end
hold off
Uppgift 6. Rotera och translatera ett polygonområde ni genererar själva, t.ex. en triangel.
5
6
Matrisiterationer
Avslutningsvis skall vi kort se på några matrisiterationer. I ALA-C kommer vi se mer av detta,
bl.a. vid lösning av icke-linjära ekvationssystem.
Uppgift 7. Låt


1 1 1
A = 0 1 1
0 0 1
Skriv en for-loop som skapar matrisen X = [x1 , x2 , · · · , x5 ] där
 
1

x1 = 2 , xk+1 = Axk .
3
Uppgift 8. Genom att rita ut punkter xk i planet som genereras av iterationsformeln
xk+1 = Axk + b
där matrisen A och vektorn b väljs slumpvis enligt vissa regler, kan vi producera en bild som
liknar t.ex. ett ormbunksblad. (Detta är en s.k. fraktal.)
I varje iteration låter vi A = Ai och b = bi med sannolikheten Pi , där
0.85 0.04
0.2 −0.26
−0.15 0.28
0
0
A1 =
, A2 =
, A3 =
, A4 =
−0.04 0.85
0.23
0.22
0.26 0.24
0 0.16
och
b1 = b2 =
0
1.6
, b3 =
0
0.44
, b4 =
0
0
samt
P1 = 0.85, P2 = P3 = 0.07, P4 = 0.01
Starta med x0 = (0.5, 0.5) och rita ut punkterna xk för k = 0, 1, · · · , 100.
När man snabbt skall rita en snygg bild på skärmen (då krävs det ca 20000 punkter) använder
man lämpligen ett grafikobjekt vars data uppdateras i varje iteration. Dessa detaljer skall vi inte
belasta med nu, utan vi kan hämta en skriptfil ormbunksblad från studiohemsidan och köra den.
7
Redovisning
Denna vecka skall uppgifterna 1-7 redovisas för handledaren.
8
Inför nästa veckas studio-övning
Inför nästa veckas studio-övning är det viktigt att man i förväg läser igenom texten för studioövningen. Vi skall då se på integraler, vilket är utgångspunkt för differentialekvationerna veckan
efter. Veckan därpå är det dags för kemiprojektet som bygger på differentialekvationer.
Vi måste ligga i fas de närmaste veckorna!
6
Download
Random flashcards
Multiplacation table

156 Cards Антон piter

Fgf

5 Cards oauth2_google_07bf2a28-bcd3-42a3-9eef-1d63e3edcbe8

Create flashcards