Esimerkki 1 (Rehun sekoitus) 1

Koko: px
Aloita esitys sivulta:

Download "Esimerkki 1 (Rehun sekoitus) 1"

Transkriptio

1 1 Karjankasvattaja käyttää luonnosta saadun nurmirehun lisäksi lisäravinnetta 200kg/päivä. Lisäravinne sekoitetaan maissista ja soijasta. Ravinteen ominaisuuksiin vaikuttaa raaka-aineiden proteiini- ja kuitupitoisuudet, jotka ovat seuraavat prosenttiosuus raaka-aine proteiini kuitu hinta (e/kg) maissi 9.0% 2.0% 0.30 soija 60.0% 6.0% 0.90 Ravinne sekoitetaan niin, että siinä on vähintään 30% proteiinia ja enintään 5% kuitua. Miten vaatimukset täyttävä ravinne saadaan sekoitettua minimi-kustannuksin?

2 2 Päätösmuuttujat ovat x 1 = maissin käyttö (kg/päivä) x 2 = soijan käyttö (kg/päivä) Tavoitefunktio on minimoi z = 0.30x x 2 Rajoite 1: ravinteessa oltava vähintään 30% proteiinia 0.09 x x (x 1 + x 2 ) 0.21 x x 2 0

3 3 Rajoite 2: ravinteessa oltava enintään 5% kuituaa 0.02 x x (x 1 + x 2 ) 0.03 x x 2 0 Rajoite 3: ravinnetta sekoitetaan vähintään 200kg/päivä x 1 + x Muodostetaan LP-malli kokoamalla kaikki yhteen

4 4 Minimoi z = 0.30x x 2 ehdoin 0.21x x x x 2 0 x 1 + x Graafinen ratkaisu: 1.raj: 0.21x x 2 0 yläp. A:(0,0) B:(300,210) 2.raj: 0.03x x 2 0 alap. C:(0,0) D:(120,360) 3.raj: x 1 + x yläp. E:(0,200) F:(200,0)

5 5 x E D (2) B (1) A,C (3) F x 1

6 6 Tavoitesuora pisteen (150, 150) kautta 0.30x x 2 = 180, G : (0,200), H : (300,100) x 2 (2) (1) 250 G H (3) A,C x 1

7 7 Optimi on siis pisteessä, jossa ensimmäinen (1) ja kolmas (3) rajoitesuora leikkaavat toisiaan. { 0.21x x 2 = 0 x 1 + x 2 = 200 { 0.7x1 x 2 = 0 + x 1 + x 2 = { 1.7x1 = 200 x 1 + x 2 = 200 { x 1 = x 2 = Tässä pisteessä tavoitefunktio saa avron ( 10/3) z = = e/päivä.

8 8 Seuraavassa esimerkissä käypä alue ei muutu, mutta tavoitefunktio käy läpi jatkuvan muutosprosessin.. Yritys valmistaa kahta tuotetta A ja B. Yhdestä A-tuotteesta saatava kate on 0.50(e/kpl) ja yhdestä B-tuotteesta saatava kate on 2.50(e/kpl) Tuotevalintaongelman LP-malli on seuraava max z = 0.5x 1 + 2x 2 k 0 = 1/4 s.t. x 2 60 k 1 = 0 x 1 + 3x k 2 = 1/3 x 1 + x k 3 = 1 3x 1 + x k 4 = 3 Mallin yhteyeen on merkitty myös rajoitesuorien kulmakertoimet. Niitä katsotaan kohta.

9 9 x 2 60 A B (1) k 1 = 0 C z = 0.5x 1 + 2x 2 k 0 = 1/4 D (2) k 2 = 1/3 (3) k 3 = 1 E x 1 (4) k 4 = 3

10 10 Tuotteen A kate, eli x 1 :n kerroin tavoitefunktion lausekkeessa, kasvaa vähitellen siten, että se on ajan funktio c 1 (t) = t, (t on aika päivissä) Tavoitesuoran kulmakerroin on silloin myös ajan funktio k 0 (t) = c 1(t) 2 = t

11 11 Hetkellä t = 50 A:n kate on c 1 (50) = = 1.0 Tavoitesuoran kulmakerroin on k 0 (50) = 0.5 x 2 60 A B (1) k 1 = 0 C z = c 1 x 1 + 2x 2 k 0 (50) = = 0.50 D (2) k 2 = 1/3 (3) k 3 = 1 E x 1 (4) k 4 = 3

12 12 Hetkellä t = 250 A:n kate on c 1 (250) = = 3.0 Tavoitesuoran kulmakerroin on k 0 (250) = 1.5 x 2 60 A B (1) k 1 = 0 C z = c 1 x 1 + 2x 2 k 0 (250) = = 1.50 D (2) k 2 = 1/3 (3) k 3 = 1 E x 1 (4) k 4 = 3

13 13 Hetkellä t = 750 A:n kate on c 1 (750) = = 8.0 Tavoitesuoran kulmakerroin on k 0 (250) = 4.0 x 2 60 A B (1) k 1 = 0 C z = c 1 x 1 + 2x 2 k 0 (750) = = 4.0 D (2) k 2 = 1/3 (3) k 3 = 1 E x 1 (4) k 4 = 3

14 14 Optimipisteen siirtyminen pisteestä B pisteeseen C tapahtui, kun k 0 (t) = k t = t = Optimipisteen siirtyminen pisteestä C pisteeseen D tapahtui, kun k 0 (t) = k t = 1 t = 150

15 15 Optimipisteen siirtyminen pisteestä D pisteeseen E tapahtui, kun k 0 (t) = k t = 3 t = 550 Seuraavaksi piirrämme päätösmuuttujan x 1 optimiarvon ajan funktiona. (Piirros perustuu siis ajatukseen, että A:n kate kasvaa tasaisesti 5 senttiä päivässä.) Kuvasta näkyy, että tuotantomäärässä tapahtuu äkillisiä muutoksia ja muutosten väliajat tuotantomäärä on muuttumaton.

16 16 x t

17 17 Palataan esimerkin 2 alkutilanteeseen. Jos toisen rajoitteen RHS muuttuu määrän b 2 = 10, niin toinen rajoitesuora siirtyy oikealle max z = 0.5x 1 + 2x 2 s.t. x 2 60 x 1 + 3x x 1 + x x 1 + x 2 270

18 18 x 2 60 A B C (1) D (3) (2) E x 1 (4) Käypä alue laajeni, päätösmuuttujien arvot muuttuivat ja tavoitefunktion arvo parani.

19 19 b Palataan uudelleen esimerkin 2 alkutilanteeseen. Jos neljännen rajoitteen RHS muuttuu määrän b 4 = 10, niin neljäs rajoitesuora siirtyy oikealle max z = 0.5x 1 + 2x 2 s.t. x 2 60 x 1 + 3x x 1 + x x 1 + x

20 20 x 2 60 A B (1) C D (2) (3) E x 1 (4) Käypä alue laajeni taas, mutta nyt se ei hyödytä lainkaa. Optimipiste on edelleen samassa paikassa kuin aluksi!

21 21 Yritys valmistaa kahta tuotetta A ja B kahdella osastolla Os1 ja Os2. A-tuotteen kate on 2e/kpl ja B-tuotteen kate on 3e/kpl. Päätösmuuttujat: x 1 on tuotteen A valmistus (kpl/päivä) ja x 2 on tuotteen B valmistus (kpl/päivä) Osastojen työaika-rajoitteet ovat 2x 1 + x (h/vko, Os1) ja x 1 + 2x 2 75 (h/vko, Os2). Lisäksi on kysyntärajoite x 1 45.

22 22 LP-malli max z = 2x 1 + 3x 2 ehdoin 2x 1 + x Os1 x 1 + 2x 2 75 Os2 x 1 45 kysyntä >> c =[2 3]; >> A =[2 1; 1 2; 1 0]; >> b = [100; 75; 45]; >> [x,z] = glpk (c,a,b,[0,0],[], " UUU ","CC",-1) x = z = >>

23 23 Yritys saa mahdollisuuden palka uuden työntekijän (40h/vko). On ratkaistava mille osastolle uusi työresurssi lisätään. Merkitään Os1:n osuutta uudesta resurssista x 3 :lla ja Os2:n osuutta uudesta resurssista x 4 :llä. Silloin saamme optimoitavaksi mallin max z = 2x 1 + 3x 2 ehdoin 2x 1 + x x 3 Os1 x 1 + 2x x 4 Os2 x 1 45 kysyntä x 3 + x 4 = 40 lisäresurssi Viedään malli järkevään muotoon

24 24 max z = 2x 1 + 3x 2 ehdoin 2x 1 + x 2 x x 1 + 2x 2 x 4 75 x 1 45 x 3 + x 4 = 40 >> c =[ ] ; >> A=[ ; ; ; ] ; >> b = [ ; 7 5 ; 4 5 ; 4 0 ] ; >> [ x, z ] = g l p k ( c, A, b, [ 0, 0, 0, 0 ], [ ], UUUS, CCCC, 1) x = z =

25 25 Uusi resurssi sijoitetaan siis kokonaan osasto 2:lle. (x 3 = 0, x 4 = 40) Valmistusohjelma muuttui aika radikaalisti x 1 = 41 x 2 = 16 z = = 130 x 1 = 1 x 2 = 56 z = = 170 jolloin kokonaiskate kasvoi % = 30.7% Työresurssi kasvoi % = 22.9%

Talousmatematiikan perusteet

Talousmatematiikan perusteet kevät 19 / orms.30 Talousmatematiikan perusteet 8. harjoitus, viikko 11 (11.03..03.19) L Ma 12 A2 R0 Ti 14 16 F43 R01 Ma 12 14 F43 L To 08 A2 R02 Ma 16 18 F43 R06 To 12 14 F140 R03 Ti 08 F42 R07 Pe 08

Lisätiedot

Talousmatematiikan perusteet

Talousmatematiikan perusteet kevät 2019 / orms.1030 Talousmatematiikan perusteet 7. harjoitus, viikko 7 1. Oheisessa taulukossa on erään tuotteen hintaindeksejä. Laske hinnan keskimääräinen kasvuvauhti vuosina 2000-2005 vuosi indeksi

Lisätiedot

LP-mallit, L8. Herkkyysanalyysi. Varjohinta. Tietokoneohjelmia. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto.

LP-mallit, L8. Herkkyysanalyysi. Varjohinta. Tietokoneohjelmia. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto. LP-mallit, L8 Yleistä 1 LP-mallit on yksi Operaatioanalyysin (Operations Research) perustyökaluista. Perusongelma: Miten pitää suorittaa operaatio mahdollisimman hyvin, kun käytettävissä on rajalliset

Lisätiedot

LP-mallit, L19. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto. Graafisen ratkaisun vaiheet. Optimin olemassaolo

LP-mallit, L19. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto. Graafisen ratkaisun vaiheet. Optimin olemassaolo LP-mallit, L19 Yleistä 1 LP-mallit on yksi Operaatioanalyysin (Operations Research) perustyökaluista. Perusongelma: Miten pitää suorittaa operaatio mahdollisimman hyvin, kun käytettävissä on rajalliset

Lisätiedot

1. Lineaarinen optimointi

1. Lineaarinen optimointi 0 1. Lineaarinen optimointi 1. Lineaarinen optimointi 1.1 Johdatteleva esimerkki Esimerkki 1.1.1 Giapetto s Woodcarving inc. valmistaa kahdenlaisia puuleluja: sotilaita ja junia. Sotilaan myyntihinta on

Lisätiedot

Harjoitus 8: Excel - Optimointi

Harjoitus 8: Excel - Optimointi Harjoitus 8: Excel - Optimointi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Lineaarisen optimointimallin muodostaminen

Lisätiedot

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli. Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli. LP-malli Esimerkki. Maalitehdas valmistaa ulko- ja sisämaalia raaka-aineista M1 ja M2. Sisämaalin maksimikysyntä on 2 tonnia/päivä. Sisämaalin

Lisätiedot

Operatioanalyysi 2011, Harjoitus 3, viikko 39

Operatioanalyysi 2011, Harjoitus 3, viikko 39 Operatioanalyysi 2011, Harjoitus 3, viikko 39 H3t1, Exercise 3.1. H3t2, Exercise 3.2. H3t3, Exercise 3.3. H3t4, Exercise 3.4. H3t5 (Exercise 3.1.) 1 3.1. Find the (a) standard form, (b) slack form of the

Lisätiedot

Talousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Talousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Talousmatematiikan perusteet: Luento 12 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,

Lisätiedot

Talousmatematiikan perusteet

Talousmatematiikan perusteet kevät 219 / orms.13 Talousmatematiikan perusteet 9. harjoitus, viikko 12 (18.3. 22.3.219) L Ma 1 12 A22 R5 Ti 14 16 F453 R1 Ma 12 14 F453 L To 8 1 A22 R2 Ma 16 18 F453 R6 Pe 12 14 F14 R3 Ti 8 1 F425 R7

Lisätiedot

Piiri K 1 K 2 K 3 K 4 R R

Piiri K 1 K 2 K 3 K 4 R R Lineaarinen optimointi vastaus, harj 1, Syksy 2016. 1. Teollisuuslaitos valmistaa piirejä R 1 ja R 2, joissa on neljää eri komponenttia seuraavat määrät: Piiri K 1 K 2 K 3 K 4 R 1 3 1 2 2 R 2 4 2 3 0 Päivittäistä

Lisätiedot

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Talousmatematiikan perusteet: Luento 11 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,

Lisätiedot

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli. Luento : Optimointitehtävän graafinen ratkaiseminen. LP-malli. LP-malli simerkki: Maalifirma Sateenkaari valmistaa ulko- ja sisämaalia raaka-aineista M ja M. Sisämaalin maksimikysyntä on tonnia/päivä.

Lisätiedot

30A01000 Taulukkolaskenta ja analytiikka Luku 8: Lineaarinen optimointi ja sen sovellukset

30A01000 Taulukkolaskenta ja analytiikka Luku 8: Lineaarinen optimointi ja sen sovellukset 30A01000 Taulukkolaskenta ja analytiikka Luku 8: Lineaarinen optimointi ja sen sovellukset Mitä on lineaarinen optimointi (LP)? LP= lineaarinen optimointiongelma (Linear Programming) Menetelmä, jolla etsitään

Lisätiedot

1 Johdanto LP tehtävän luonteen tarkastelua Johdanto herkkyysanalyysiin Optimiarvon funktio ja marginaalihinta

1 Johdanto LP tehtävän luonteen tarkastelua Johdanto herkkyysanalyysiin Optimiarvon funktio ja marginaalihinta Sisältö Johdanto 2 LP tehtävän luonteen tarkastelua 3 Johdanto herkkyysanalyysiin 5 2 Optimiarvon funktio ja marginaalihinta 5 3 Johdanto duaaliteoriaan 6 2 LP-tehtävän standardimuoto 9 Johdanto Optimoinnista

Lisätiedot

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2 TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4

Lisätiedot

Harjoitus 7: vastausvihjeet

Harjoitus 7: vastausvihjeet Taloustieteen matemaattiset menetelmät 31C01100 Kevät 2017 Topi Hokkanen topi.hokkanen@aalto.fi Harjoitus 7: vastausvihjeet 1. (Epäyhtälörajoitteet) Olkoon f (x, y) = 6x + 4y ja g (x, y) = x 2 + y 2 2.

Lisätiedot

Matemaattinen Analyysi

Matemaattinen Analyysi Vaasan yliopisto, kevät 2015 / ORMS1010 Matemaattinen Analyysi 7. harjoitus, viikko 17 R1 ma 16 18 D115 (20.4.) R2 ke 12 14 B209 (22.4.) 1. Määritä funktiolle f (x) 1 + 0,1x Taylorin sarja kehityskeskuksena

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 1 23.1.2017 1. Päätösmuuttujiksi voidaan valita x 1 : tehtyjen peruspöytin lukumäärä x 2 : tehtyjen luxuspöytien lukumäärä. Optimointitehtäväksi tulee max 200x 1 + 350x 2 s. t. 5x

Lisätiedot

Voitonmaksimointi esimerkkejä, L9

Voitonmaksimointi esimerkkejä, L9 Voitonmaksimointi esimerkkejä, L9 (1) Yritys Valmistaa kuukaudessa q tuotetta. Kysyntäfunktio on p = 15 0, 05q ja kustannusfunktio on C(q) = 350 + 2q + 0, 05q 2. a) Yritys valmistaa nyt tuotteita kuukaudessa

Lisätiedot

Malliratkaisut Demo 1

Malliratkaisut Demo 1 Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,

Lisätiedot

Luento 9: Yhtälörajoitukset optimoinnissa

Luento 9: Yhtälörajoitukset optimoinnissa Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon

Lisätiedot

Operatioanalyysi 2011, Harjoitus 4, viikko 40

Operatioanalyysi 2011, Harjoitus 4, viikko 40 Operatioanalyysi 2011, Harjoitus 4, viikko 40 H4t1, Exercise 4.2. H4t2, Exercise 4.3. H4t3, Exercise 4.4. H4t4, Exercise 4.5. H4t5, Exercise 4.6. (Exercise 4.2.) 1 4.2. Solve the LP max z = x 1 + 2x 2

Lisätiedot

Operatioanalyysi 2011, Harjoitus 2, viikko 38

Operatioanalyysi 2011, Harjoitus 2, viikko 38 Operatioanalyysi 2011, Harjoitus 2, viikko 38 H2t1, Exercise 1.1. H2t2, Exercise 1.2. H2t3, Exercise 2.3. H2t4, Exercise 2.4. H2t5, Exercise 2.5. (Exercise 1.1.) 1 1.1. Model the following problem mathematically:

Lisätiedot

Harjoitus 6 ( )

Harjoitus 6 ( ) Harjoitus 6 (30.4.2014) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on max θ(u,v) s.t. u 0,

Lisätiedot

c) Määritä paraabelin yhtälö, kun tiedetään, että sen huippu on y-akselilla korkeudella 6 ja sen nollakohdat ovat x-akselin kohdissa x=-2 ja x=2.

c) Määritä paraabelin yhtälö, kun tiedetään, että sen huippu on y-akselilla korkeudella 6 ja sen nollakohdat ovat x-akselin kohdissa x=-2 ja x=2. MAA4 Koe 5.5.01 Jussi Tyni Kaikkiin tehtäviin ratkaisujen välivaiheet näkyviin! Ota kokeesta poistuessasi tämä paperi mukaasi! Tee konseptiin pisteytysruudukko! Muista kirjata nimesi ja ryhmäsi. Valitse

Lisätiedot

ja nyt tässä tapauksessa a = 1, b=4 ja c= -5, ja x:n paikalle ajattelemme P:n.

ja nyt tässä tapauksessa a = 1, b=4 ja c= -5, ja x:n paikalle ajattelemme P:n. Harjoitukset 2, vastauksia. Ilmoittakaa virheistä ja epäselvyyksistä! 1. b (kysyntäkäyrä siirtyy vasemmalle) 2. c (kysyntäkäyrä siirtyy oikealle) 3. ei mikään edellisistä; oikea vastaus olisi p 2

Lisätiedot

Lineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min!

Lineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min! Lineaarinen optimointi Harjoitus 6-7, 016. 1. Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän c T x = min! (T) Ax b x 0 duaalitehtävän duaali on tehtävä (T). Ratkaisu. (P) c T x = min! Ax b x

Lisätiedot

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾. 24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ

Lisätiedot

Harjoitus 5 ( )

Harjoitus 5 ( ) Harjoitus 5 (14.4.2015) Tehtävä 1 Figure 1: Tehtävän 1 sallittu joukko S. Optimointitehtävän sallittu alue S on pisteiden (0, 0), (0, 7), (4, 3), (9, 8) ja (9, 0) määräämä viisikulmio. Kyseinen alue saadaan

Lisätiedot

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista. + αd, α 0, on pisteessä R n alkava puolisuora, joka on vektorin d suuntainen. Samoin 2

Lisätiedot

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista x + αd, α 0, on pisteestä x R n alkava puolisuora, joka on vektorin d suuntainen. Samoin

Lisätiedot

Talousmatematiikan perusteet, ORMS1030

Talousmatematiikan perusteet, ORMS1030 Tampereen kesäyliopisto, syksy 2016 Talousmatematiikan perusteet, ORMS1030 1. harjoitus, (la 29.10.2016) 1. Laske seuraavat laskut. Laske kukin lasku ensin käsin kynää ja paperia käyttäen. Anna vastaukset

Lisätiedot

1 Rajoitettu optimointi I

1 Rajoitettu optimointi I Taloustieteen mat.menetelmät 2017 materiaali II-1 1 Rajoitettu optimointi I 1.1 Tarvittavaa osaamista Matriisit ja vektorit, matriisien de niittisyys Derivointi (mm. ketjusääntö, Taylorin kehitelmä) Implisiittifunktiolause

Lisätiedot

Harjoitus 5 ( )

Harjoitus 5 ( ) Harjoitus 5 (24.4.2014) Tehtävä 1 Kuva 1: Tehtävän 1 sallittu joukko S. Optimointitehtävän sallittu alue S on pisteiden (0, 0), (0, 7), (4, 3), (9, 8) ja (9, 0) määräämä viisikulmio. Kyseinen alue saadaan

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 8 To 29.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 8 To 29.9.2011 p. 1/36 p. 1/36 Interpolointi kuutiosplinillä Osavälit: I i = [t i 1,t i ], i = 1,2,...,n

Lisätiedot

Kaikkiin tehtäviin ratkaisujen välivaiheet näkyviin! Lue tehtävänannot huolellisesti. Tee pisteytysruudukko B-osion konseptin yläreunaan!

Kaikkiin tehtäviin ratkaisujen välivaiheet näkyviin! Lue tehtävänannot huolellisesti. Tee pisteytysruudukko B-osion konseptin yläreunaan! MAA4 koe 1.4.2016 Kaikkiin tehtäviin ratkaisujen välivaiheet näkyviin! Lue tehtävänannot huolellisesti. Tee pisteytysruudukko B-osion konseptin yläreunaan! Jussi Tyni A-osio: Ilman laskinta. Laske kaikki

Lisätiedot

Duaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

Duaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Duaalisuus kokonaislukuoptimoinnissa Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Duaalisuus binäärisissä optimointitehtävissä Lagrangen duaalisuus Lagrangen

Lisätiedot

Lineaarinen optimointi

Lineaarinen optimointi L u e n t o Tuotevalikoimapäätökset Lineaarinen optimointi Luennon sisältö LP:n perusteet Mallien ratkaiseminen Kuinka paljon kahta tuotetta (A ja B) tulisi valmistaa seuraavan kuukauden tuoton maksimoimiseksi,

Lisätiedot

Ensimmäisen asteen polynomifunktio

Ensimmäisen asteen polynomifunktio Ensimmäisen asteen polnomifunktio Yhtälön f = a+ b, a 0 määrittelemää funktiota sanotaan ensimmäisen asteen polnomifunktioksi. Esimerkki. Ensimmäisen asteen polnomifuktioita ovat esimerkiksi f = 3 7, v()

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) vasemman puolen

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) on voimassa

Lisätiedot

Vastaukset. 1. kaksi. 3. Pisteet eivät ole samalla suoralla. d) x y = x e) 5. a) x y = 2x

Vastaukset. 1. kaksi. 3. Pisteet eivät ole samalla suoralla. d) x y = x e) 5. a) x y = 2x Vastaukset. kaksi. y - - x - - 3. Pisteet eivät ole samalla suoralla. d) x y = x 0 0 3 3 e) 5. a) b) x y = x 0 0 3 6 98 6. a) b) x y = x + 0 3 5 6 7 7. a) b) x y = x - 3 0-3 - 3 3 8. 99 a) y = b) y = -

Lisätiedot

Demo 1: Simplex-menetelmä

Demo 1: Simplex-menetelmä MS-C2105 Optimoinnin perusteet Malliratkaisut 3 Ehtamo Demo 1: Simplex-menetelmä Muodosta lineaarisen tehtävän standardimuoto ja ratkaise tehtävä taulukkomuotoisella Simplex-algoritmilla. max 5x 1 + 4x

Lisätiedot

MS-C2105 Optimoinnin perusteet Malliratkaisut 4

MS-C2105 Optimoinnin perusteet Malliratkaisut 4 MS-C2105 Optimoinnin perusteet Malliratkaisut 4 Ehtamo Duaalin muodostamisen muistisäännöt Duaalin muodostamisessa voidaan käyttää muistisääntötaulukkoa, jota voidaan lukea vasemmalta oikealle tai oikealta

Lisätiedot

Kertausta Talousmatematiikan perusteista Toinen välikoe

Kertausta Talousmatematiikan perusteista Toinen välikoe Kertausta Talousmatematiikan perusteista Toinen välikoe 1 Parametrit D Kysyntä (kpl/vuosi) h Yksikköylläpito-kustannus (euro/kpl/vuosi) K Tilauskustannus (euro) Tarkista aina yksiköiden yhteensopiminen

Lisätiedot

Harjoitus 4: Matlab - Optimization Toolbox

Harjoitus 4: Matlab - Optimization Toolbox Harjoitus 4: Matlab - Optimization Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Optimointimallin muodostaminen

Lisätiedot

Tekijä Pitkä matematiikka

Tekijä Pitkä matematiikka K1 Tekijä Pitkä matematiikka 5 7..017 a) 1 1 + 1 = 4 + 1 = 3 = 3 4 4 4 4 4 4 b) 1 1 1 = 4 6 3 = 5 = 5 3 4 1 1 1 1 1 K a) Koska 3 = 9 < 10, niin 3 10 < 0. 3 10 = (3 10 ) = 10 3 b) Koska π 3,14, niin π

Lisätiedot

MAB3 - Harjoitustehtävien ratkaisut:

MAB3 - Harjoitustehtävien ratkaisut: MAB3 - Harjoitustehtävien ratkaisut: 1 Funktio 1.1 Piirretään koordinaatistoakselit ja sijoitetaan pisteet: 1 1. a) Funktioiden nollakohdat löydetään etsimällä kuvaajien ja - akselin leikkauspisteitä.

Lisätiedot

Luento 7: Kokonaislukuoptimointi

Luento 7: Kokonaislukuoptimointi Luento 7: Kokonaislukuoptimointi Lineaarisessa optimointitehtävässä (LP) kaikki muuttujat ovat jatkuvia. Kokonaislukuoptimoinnin (ILP = Integer LP) tehtävässä kaikilla muuttujilla on kokonaislukurajoitus

Lisätiedot

Talousmatematiikan perusteet: Luento 15. Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta

Talousmatematiikan perusteet: Luento 15. Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta Talousmatematiikan perusteet: Luento 15 Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta Viime luennolla Tarkastelimme usean muuttujan funktioiden rajoittamatonta optimointia:

Lisätiedot

Harjoitus 2 ( )

Harjoitus 2 ( ) Harjoitus 2 (24.3.2015) Tehtävä 1 Figure 1: Tehtävän 1 graafi. Aikaisimmat aloitushetket selvitetään kaavoilla v[0] = 0 v[p] max 0 i p 1 {v[i]+a i (i,p) E} = v[l]+a l d[p] l. Muodostetaan taulukko, jossa

Lisätiedot

Viime kerralta Luento 9 Myyjän tulo ja kysynnän hintajousto

Viime kerralta Luento 9 Myyjän tulo ja kysynnän hintajousto Viime kerralta Luento 9 Markkinatasapaino Markkinakysyntä kysyntöjen aggregointi Horisontaalinen summaaminen Eri kuluttajien kysynnät eri hintatasoilla Huom! Kysyntöjen summaaminen käänteiskysyntänä Jousto

Lisätiedot

Lineaarinen optimointi

Lineaarinen optimointi L u e n t o Lineaarinen optimointi Luennon sisältö LP:n perusteet Mallien ratkaiseminen Katariina Kemppainen / Logistiikka Lineaarinen optimointi LP-malleilla monia käyttökohteita Karkea suunnittelu tuotantosuunnitelmat,

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 5 10.4.2017 Tehtävä 1 x 2 7 0,7 9,8 6 5 4 x 1 x 2 7 x 1 x 2 1 3 2 x 1 0 4,3 x 1 9 1 0,0 x 2 0 9,0 1 2 3 4 5 6 7 8 9 x 1 Kuva 1: Tehtävän 1 sallittu joukko S Optimointitehtävän sallittu

Lisätiedot

* Hyödyn maksimointi on ihmisten toimintaa ja valintoja ohjaava periaate.

* Hyödyn maksimointi on ihmisten toimintaa ja valintoja ohjaava periaate. KANSANTALOUSTIETEEN PERUSTEET Yrityksen teoria (Economics luvut 13-14) 14) KTT Petri Kuosmanen Optimointiperiaate a) Yksilöt pyrkivät maksimoimaan hyötynsä. * Hyödyn maksimointi on ihmisten toimintaa ja

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-2.3140 Lineaarinen ohjelmointi 4.10.2007 Luento 4 Ekstreemipisteiden optimaalisuus ja Simplex (kirja 2.4-2.6, 3.1-3.2) Lineaarinen ohjelmointi - Syksy 2007 / 1 Luentorunko Degeneroituvuus Ekstreemipisteiden

Lisätiedot

Luento 8: Epälineaarinen optimointi

Luento 8: Epälineaarinen optimointi Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 6 24.4.2017 Tehtävä 1 Määritelmän (ks. luentomonisteen s. 107) mukaan yleisen muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on min θ(u,v)

Lisätiedot

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Talousmatematiikan perusteet: Luento 14 Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Viime luennolla Tarkastelimme usean muuttujan funktioiden

Lisätiedot

Taloustieteen perusteet 31A Ratkaisut 3, viikko 4

Taloustieteen perusteet 31A Ratkaisut 3, viikko 4 Taloustieteen perusteet 31A00110 2018 Ratkaisut 3, viikko 4 1. Tarkastellaan pulloja valmistavaa yritystä, jonka päiväkohtainen tuotantofunktio on esitetty alla olevassa taulukossa. L on työntekijöiden

Lisätiedot

Kertausta Talousmatematiikan perusteista Toinen välikoe

Kertausta Talousmatematiikan perusteista Toinen välikoe Kertausta Talousmatematiikan perusteista Toinen välikoe 1 päätösmuuttujat (x 1,x 2,...) tavoitefunktio (z = c 1 x 1 + c 2 x 2 +...) rajoitteet (a i1 x 1 + a i2 x 2 + b i ) Mallin Formaatti käypä alue Optimipisteen

Lisätiedot

Harjoitus 2 ( )

Harjoitus 2 ( ) Harjoitus 2 (27.3.214) Tehtävä 1 7 4 8 1 1 3 1 2 3 3 2 4 1 1 6 9 1 Kuva 1: Tehtävän 1 graafi. Aikaisimmat aloitushetket selvitetään kaavoilla v[] = v[p] d[p] l. max i p 1 {v[i] + a i (i, p) E} = v[l] +

Lisätiedot

Harjoitusten 2 ratkaisut

Harjoitusten 2 ratkaisut Harjoitusten 2 ratkaisut Taloustieteen perusteet 31A00110 Tea Lönnroth tea.lonnroth(at)aalto.fi Teach a parrot the terms 'supply and demand' and you've got an economist. Thomas Carlyle 2 Tehtävä 1 Tarkastellaan

Lisätiedot

MAB3 - Harjoitustehtävien ratkaisut:

MAB3 - Harjoitustehtävien ratkaisut: MAB - Harjoitustehtävien ratkaisut: Funktio. Piirretään koordinaatistoakselit ja sijoitetaan pisteet:. a) Funktioiden nollakohdat löydetään etsimällä kuvaajien ja - akselin leikkauspisteitä. Funktiolla

Lisätiedot

1 Rajoittamaton optimointi

1 Rajoittamaton optimointi Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y

Lisätiedot

x + 1 πx + 2y = 6 2y = 6 x 1 2 πx y = x 1 4 πx Ikkunan pinta-ala on suorakulmion ja puoliympyrän pinta-alojen summa, eli

x + 1 πx + 2y = 6 2y = 6 x 1 2 πx y = x 1 4 πx Ikkunan pinta-ala on suorakulmion ja puoliympyrän pinta-alojen summa, eli BM0A5810 - Differentiaalilaskenta ja sovellukset Harjoitus, Syksy 015 1. a) Funktio f ) = 1) vaihtaa merkkinsä pisteissä = 1, = 0 ja = 1. Lisäksi se on pariton funktio joten voimme laskea vain pinta-alan

Lisätiedot

Koontitehtäviä luvuista 1 9

Koontitehtäviä luvuista 1 9 11 Koontitehtäviä luvuista 1 9 1. a) 3 + ( 8) + = 3 8 + = 3 b) x x 10 = 0 a =, b = 1, c = 10 ( 1) ( 1) 4 ( 10) 1 81 1 9 x 4 4 1 9 1 9 x,5 tai x 4 4 c) (5a) (a + 1) = 5a a 1 = 4a 1. a) Pythagoraan lause:

Lisätiedot

Luento 11: Rajoitusehdot. Ulkopistemenetelmät

Luento 11: Rajoitusehdot. Ulkopistemenetelmät Luento 11: Rajoitusehdot. Ulkopistemenetelmät ja sisäpistemenetelmät Lagrangen välttämättömien ehtojen ratkaiseminen Newtonin menetelmällä Jos tehtävässä on vain yhtälörajoituksia, voidaan minimipistekandidaatteja

Lisätiedot

Lineaaristen monitavoiteoptimointitehtävien

Lineaaristen monitavoiteoptimointitehtävien Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Jerri Nummenpalo 17.09.2012 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.

Lisätiedot

Prof. Marko Terviö Assist. Jan Jääskeläinen

Prof. Marko Terviö Assist. Jan Jääskeläinen Harjoitukset 3. 1. (a) Dismalandissa eri puolueiden arvostukset katusiivoukselle ovat Q A (P ) = 60 6P P A (Q) = 10 Q/6 Q B (P ) = 80 5P P B (Q) = 16 Q/5 Q C (P ) = 50 2P P C (Q) = 25 Q/2 Katusiivous on

Lisätiedot

MS-C2105 Optimoinnin perusteet Malliratkaisut 5

MS-C2105 Optimoinnin perusteet Malliratkaisut 5 MS-C2105 Optimoinnin perusteet Malliratkaisut 5 Ehtamo Demo 1: Arvaa lähimmäksi Jokainen opiskelija arvaa reaaliluvun välillä [0, 100]. Opiskelijat, joka arvaa lähimmäksi yhtä kolmasosaa (1/3) kaikkien

Lisätiedot

1. Arvioi kummalla seuraavista hyödykkeistä on hintajoustavampi kysyntä

1. Arvioi kummalla seuraavista hyödykkeistä on hintajoustavampi kysyntä 0 5 Nauris 10 15 20 MIKROTALOUSTIEDE A31C00100 Kevät 2017 HARJOITUKSET II Palautus 24.1.2017 klo 16:15 mennessä suoraan luennoitsijalle (esim. harjoitusten alussa) tai sähköpostitse (riku.buri@aalto.fi).

Lisätiedot

Juuri 7 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty c) sin 50 = sin ( ) = sin 130 = 0,77

Juuri 7 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty c) sin 50 = sin ( ) = sin 130 = 0,77 Juuri 7 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty.5.07 Kertaus K. a) sin 0 = 0,77 b) cos ( 0 ) = cos 0 = 0,6 c) sin 50 = sin (80 50 ) = sin 0 = 0,77 d) tan 0 = tan (0 80 ) = tan 0 =,9 e)

Lisätiedot

Ratkaisut vuosien tehtäviin

Ratkaisut vuosien tehtäviin Ratkaisut vuosien 1958 1967 tehtäviin 1958 Pyörähtäessään korkeusjanansa ympäri tasakylkinen kolmio muodostaa kartion, jonka tilavuus on A, ja pyörähtäessään kylkensä ympäri kappaleen, jonka tilavuus on

Lisätiedot

2 Osittaisderivaattojen sovelluksia

2 Osittaisderivaattojen sovelluksia 2 Osittaisderivaattojen sovelluksia 2.1 Ääriarvot Yhden muuttujan funktiolla f(x) on lokaali maksimiarvo (lokaali minimiarvo) pisteessä a, jos f(x) f(a) (f(x) f(a)) kaikilla x:n arvoilla riittävän lähellä

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila

Lisätiedot

Nollasummapelit ja bayesilaiset pelit

Nollasummapelit ja bayesilaiset pelit Nollasummapelit ja bayesilaiset pelit Kristian Ovaska HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Seminaari: Peliteoria Helsinki 18. syyskuuta 2006 Sisältö 1 Johdanto 1 2 Nollasummapelit 1 2.1

Lisätiedot

Aluksi. 1.1. Kahden muuttujan lineaarinen yhtälö

Aluksi. 1.1. Kahden muuttujan lineaarinen yhtälö Aluksi Matematiikan käsite suora on tarkalleen sama asia kuin arkikielen suoran käsite. Vai oliko se toisinpäin? Matematiikan luonteesta johtuu, että sen soveltaja ei tyydy pelkkään suoran nimeen eikä

Lisätiedot

y=-3x+2 y=2x-3 y=3x+2 x = = 6

y=-3x+2 y=2x-3 y=3x+2 x = = 6 MAA Koe, Arto Hekkanen ja Jussi Tyni 5.5.015 Loppukoe LASKE ILMAN LASKINTA. 1. Yhdistä kuvaaja ja sen yhtälö a) 3 b) 1 c) 5 d) Suoran yhtälö 1) y=3x ) 3x+y =0 3) x y 3=0 ) y= 3x 3 5) y= 3x 6) 3x y+=0 y=-3x+

Lisätiedot

Luku 19 Voiton maksimointi

Luku 19 Voiton maksimointi Kevät 00 Luku 9 Voiton maksimointi Edellisessä luvussa tarkastelimme yrityksen teknologisia rajoitteita ja niiden vaikutusta tuotantoon. Tuotannon syntymistä tuotannontekijöistä katsottiin niin samatuotoskäyrien

Lisätiedot

Kimppu-suodatus-menetelmä

Kimppu-suodatus-menetelmä Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.

Lisätiedot

Tentissä on viisi tehtävää, jotka arvosteellaan asteikolla 0-6. Tehtävien alakohdat ovat keskenään samanarvoisia ellei toisin mainita.

Tentissä on viisi tehtävää, jotka arvosteellaan asteikolla 0-6. Tehtävien alakohdat ovat keskenään samanarvoisia ellei toisin mainita. Tentissä on viisi tehtävää, jotka arvosteellaan asteikolla 0-6. Tehtävien alakohdat ovat keskenään samanarvoisia ellei toisin mainita. Tehtävä 1 Mitä seuraavat käsitteet tarkoittavat? Monitahokas (polyhedron).

Lisätiedot

Käy vastaamassa kyselyyn kurssin pedanet-sivulla (TÄRKEÄ ensi vuotta ajatellen) Kurssin suorittaminen ja arviointi: vähintään 50 tehtävää tehtynä

Käy vastaamassa kyselyyn kurssin pedanet-sivulla (TÄRKEÄ ensi vuotta ajatellen) Kurssin suorittaminen ja arviointi: vähintään 50 tehtävää tehtynä Käy vastaamassa kyselyyn kurssin pedanet-sivulla (TÄRKEÄ ensi vuotta ajatellen) Kurssin suorittaminen ja arviointi: vähintään 50 tehtävää tehtynä (vihkon palautus kokeeseen tullessa) Koe Mahdolliset testit

Lisätiedot

Luento 3: Simplex-menetelmä

Luento 3: Simplex-menetelmä Luento 3: Simplex-menetelmä Kuten graafinen tarkastelu osoittaa, LP-tehtävän ratkaisu on aina käyvän alueen kulmapisteessä, eli ekstreemipisteessä (extreme point). Simplex-menetelmässä ekstreemipisteitä,

Lisätiedot

Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40

Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40 Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40 Alkuviikolla harjoitustehtäviä lasketaan harjoitustilaisuudessa. Loppuviikolla näiden harjoitustehtävien tulee olla ratkaistuina harjoituksiin

Lisätiedot

MAA02. A-osa. 1. Ratkaise. a) x 2 + 6x = 0 b) (x + 4)(x 4) = 9 a) 3x 6x

MAA02. A-osa. 1. Ratkaise. a) x 2 + 6x = 0 b) (x + 4)(x 4) = 9 a) 3x 6x MAA0 A-osa. Ratkaise. a) x + 6x = 0 b) (x + 4)(x 4) = 9 a) 3x 6x a) Kirjoitetaan summa x + 6x yhteisen tekijän avulla tulomuotoon ja ratkaistaan yhtälö tulon nollasäännön avulla. x + 6x = 0 x(x + 6) =

Lisätiedot

Demo 1: Lineaarisen tehtävän ratkaiseminen graafisesti ja Solverilla

Demo 1: Lineaarisen tehtävän ratkaiseminen graafisesti ja Solverilla MS-C2105 Optimoinnin perusteet Malliratkaisut 2 Ehtamo Demo 1: Lineaarisen tehtävän ratkaiseminen graafisesti ja Solverilla Ratkaise lineaarinen optimointitehtävä graafisesti ja Excelin Solverin avulla.

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-.34 Lineaarinen ohjelmointi 5..7 Luento Kertausta Lineaarinen ohjelmointi - Syksy 7 / LP ja Simplex Kurssin rakenne Duaalisuus ja herkkyysanalyysi Verkkotehtävät Kokonaislukutehtävät Lineaarinen ohjelmointi

Lisätiedot

Preliminäärikoe Tehtävät A-osio Pitkä matematiikka kevät 2016 Sivu 1 / 4

Preliminäärikoe Tehtävät A-osio Pitkä matematiikka kevät 2016 Sivu 1 / 4 Preliminäärikoe Tehtävät A-osio Pitkä matematiikka kevät 06 Sivu / 4 Laske yhteensä enintään 0 tehtävää. Kaikki tehtävät arvostellaan asteikolla 0-6 pistettä. Osiossa A EI SAA käyttää laskinta. Osiossa

Lisätiedot

origo III neljännes D

origo III neljännes D Sijoita pisteet A(1,4) ja B(4,5;5) sekä C(-3,4) ja D(-4,--5) y II neljännes C A I neljännes B x origo III neljännes D IV neljännes KOTIT. Sijoita ja nimeä koordinaatistoon pisteitä niin, että pisteet yhdistettäessä

Lisätiedot

KKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.

KKT: log p i v 1 + v 2 x i = 0, i = 1,...,n. TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 7. harjoitus - ratkaisut 1. Oletetaan aluksi, että epäyhtälöt eivät ole aktiivisia p i > 0. Tässä tapauksess KKTehdot

Lisätiedot

Aki Taanila LINEAARINEN OPTIMOINTI

Aki Taanila LINEAARINEN OPTIMOINTI Aki Taanila LINEAARINEN OPTIMOINTI 26.4.2011 JOHDANTO Tässä monisteessa esitetään lineaarisen optimoinnin alkeet. Moniste sisältää tarvittavat Excel ohjeet. Viimeisin versio tästä monisteesta ja siihen

Lisätiedot

MAA4 Abittikokeen vastaukset ja perusteluja 1. Määritä kuvassa olevien suorien s ja t yhtälöt. Suoran s yhtälö on = ja suoran t yhtälö on = + 2. Onko väittämä oikein vai väärin? 2.1 Suorat =5 +2 ja =5

Lisätiedot

MATP153 Approbatur 1B Harjoitus 5 Maanantai

MATP153 Approbatur 1B Harjoitus 5 Maanantai MATP153 Approbatur 1B Harjoitus 5 Maanantai 30.11.015 1. (Opiskelutet. 0 s. 81.) Selvitä, miten lauseke sin(4x 3 + cos x ) muodostuu perusfunktioista (polynomeista, trigonometrisistä funktioista jne).

Lisätiedot

MAA7 7.3 Koe Jussi Tyni Valitse kuusi tehtävää! Tee vastauspaperiin pisteytysruudukko! Kaikkiin tehtäviin välivaiheet näkyviin!

MAA7 7.3 Koe Jussi Tyni Valitse kuusi tehtävää! Tee vastauspaperiin pisteytysruudukko! Kaikkiin tehtäviin välivaiheet näkyviin! MAA7 7. Koe Jussi Tyni 1..01 1. Laske raja-arvot: a) 5 x lim x5 x 10 b) x 8x16 lim x x 9 x. a) Määritä erotusosamäärän avulla funktion f (5). b) Onko funktio f x vastauksesi lyhyesti 1 9 x ( ) x f ( x)

Lisätiedot

1 Ensimmäisen asteen polynomifunktio

1 Ensimmäisen asteen polynomifunktio Ensimmäisen asteen polynomifunktio ENNAKKOTEHTÄVÄT. a) f(x) = x 4 b) Nollakohdassa funktio f saa arvon nolla eli kuvaaja kohtaa x-akselin. Kuvaajan perusteella funktion nollakohta on x,. c) Funktion f

Lisätiedot

Piste ja jana koordinaatistossa

Piste ja jana koordinaatistossa 607 Piste ja jana koordinaatistossa ANALYYTTINEN GEOMETRIA MAA5 Kertausta kurssi Eri asioiden välisten riippuvuuksien havainnollistamiseen kätetään usein koordinaatistoesitstä Pstakselilla riippuvan muuttujan

Lisätiedot