TMA.111 Matemaattinen analyysi c Matti Laaksonen, 2003

Koko: px
Aloita esitys sivulta:

Download "TMA.111 Matemaattinen analyysi c Matti Laaksonen, 2003"

Transkriptio

1 TMA.111 Matemaattinen analyysi c Matti Laaksonen, 2003 Vaasan Yliopisto, 2003 Teknillinen tiedekunta Matemaattisten tieteiden laitos PL 700 (Wolffintie 34) VAASA Vaasan yliopisto

2 Matemaattinen analyysi 2003, sisältö: 1. Johdanto Kurssin tavoitteet 1 2. Matriisilaskentaa Lineaarialgebran kertausta Sisätulojanormi Lineaarinen riippumattomuus ja kanta Kannanvaihto Matriisin rangi Lineaarikuvaus Lineaarikuvauksen matriisi Ydin ja kuva Matriisin ominaisarvot Similaarisuus Matriisin diagonalisointi Matriisin LU-hajoitelma Matriisin QR-hajoitelma Matriisin singulaariarvohajoitelma Matriisin definiittisyys Yleinen lineaariavaruus* * 3. Ääriarvotehtäviä Yhden muuttujan tapaus, kertaus Kahden muuttujan tapaus ilman rajoitteita Gradientti, välttämätön ehto Hessian, riittävä ehto Optimin etsiminen numeerisesti Esimerkkejä Monen muuttujan tapaus ilman rajoitteita Rajoitteellinen optimointi, yhtälörajoite Sijoituskeino Lagrangen kertojat, yhtälörajoite Resurssirajoite, resurssin varjohinta Rajoitteellinen optimointi, epäyhtälörajoite Graafinen ratkaisu Laskeva ja käypä suunta Lagrangen kertojat, epäyhtälörajoite Optimointitehtävän relaksaatio Pienimmän neliösumman menetelmä Approksimointi polynomilla 91

3 Lineaarisen mallin sovitus Jonot ja sarjat Supremum ja infimum Jonon suppeneminen Sarjan suppeneminen Majoranttiperiaate, suppenemistestejä Transientin kassavirran nykyarvo Potenssisarja, suppenemisväli Taylorin ja MacLaurinin sarjat Taylorin polynomi Dynaamisen ilmiön mallinnus Differentiaaliyhtälö Ensimmäisen kertaluvun DY Separoituva DY Muotoa y = f( y x ) oleva DY Lineaarinen 1. kertaluvun diff.yhtälö Sovelluksia Lääkkeen määrä elimistössä Eksponentiaalinen kasvu Logistinen kasvu Auton hinta Numeerinen simulointi kertaluvun lineaarinen vakiokert. DY kertaluvun lin. vakiokert. DY-ryhmä Yleinen tasapainon stabiilisuus Kirjallisuutta *

4 1.1. Kurssin tavoitteet 1 1. Johdanto 1.1 Kurssin tavoitteet Tämän kurssin tavoite on antaa opiskelijalle matemaattiset valmiudet jatkaa operaatioanalyysin ja taloustieteiden opiskelua. Jatkossa opiskelija saa tutustua sovelluksiin, joissa saatu hyöty riippuu monesta muuttujasta. Luonnollinen tehtävä silloin on löytää muuttujille sellaiset arvot, että hyöty saadaan mahdollisimman suureksi. Tämän perustehtävän ratkaisemista sanotaan optimoinniksi. Jo talousmatematiikan perusteissa tutustuttiin lineaariseen optimointiin. Tällä kurssilla tavoitefunktio ja rajoitteet saavat olla epälineaarisia. Kurssin sisältö jakautuu karkeasti neljään osaan: 1. matriisilaskentaa 2. optimointia 3. jonoja ja sarjoja 4. differentiaaliyhtälöitä Kurssin alussa esitettäviä matriisien ominaisuuksia tarvitaan myöhemmin optimoinnin ja differentiaaliyhtälöiden yhteydessä. Matriiseja opiskelija tulee tarvitsemaan muillakin kursseilla, joten asiakokonaisuus on tärkeä. Matriisiosuus alkaa lineaarialgebran kertauksella, jota luultavasti ei tämän kurssin tentissä tulla kysymään. Missä kertaus loppuu ja uusi materiaali alkaa riippuu kulloisenkin vuoden luennoijasta ja edeltävien kurssien toteutuksesta. * merkinnät, sanonnat * matriisilaskut Excel:llä *graafiset esitykset * analyysi, harjoittele kirjainten käsittelyä lausekkeissa

5 2 1. Johdanto

6 2.1. Lineaarialgebran kertausta 3 2. Matriisilaskentaa 2.1 Lineaarialgebran kertausta Merkitsemme koulumatematiikasta tuttua vektoria ~v = 2~i + 3~j sarake matriisilla µ 2 v = =(2 3) T 3 Merkintätavan muutos helpottaa jatkossa siirtymistä useammankuinkahdenko- ordinaatin vektoreihin. Yhteenlasku ja reaaliluvulla kertominen on nyt helposti määriteltävissä. µ µ µ µ = = µ µ µ = = Perinteinen ja hyvä tapa saada mielikuva edellä olleista vektoreista on ajatella ne siirtymisinä. ( 2 3 ) T = kaksi oikealle ja kolme ylös, ( 5 1 ) T = viisi oikealle ja yksi ylös ja ( 2 3 ) T +(5 1) T = kaksi oikealle ja kolme ylös ja vielä viisi oikealle ja yksi ylös = seitsemän oikealle ja neljä ylös (ks. Kuva 2.1). Käytämme n-alkioisten vektoreiden joukolle merkintää IR n = {a =(a 1 a 2... a n ) T a j IR,j =1, 2,...,n}. Sanomme IR n :ää n-ulotteiseksi Euklidiseksi vektoriavaruudeksi. IR 1,IR 2 ja IR 3 ovat lukion matematiikasta tutut lukusuora, taso ja kolmiulotteinen avaruus. (Meidän käyttämämme merkintä IR n muistuttaa siitä, että vekrotin koordinaatit a j ovat reaalilukuja. Monessa kirjassa halutaan korostaa Eukleideen nimeä, ja sillon vastaava merkintä yleensä one n.)

7 4 2. Matriisilaskentaa Figure 2.1: ( 2 3 ) T +(5 1) T =(7 4) T Yleistämme IR 2 :ssa niin luonnolliset yhteenlasku- ja reaaliluvulla kertomis-säännöt IR n :ään seuraavasti. Olkoot a =(a 1 a 2... a n ) IR n, b =(b 1 b 2... b n ) IR n, c =(c 1 c 2... c n ) IR n ja µ IR. a + b = c c j = a j + b j, j =1,...,n (2.1) µa = c c j = µa j, j =1,...,n (2.2) On tärkeätä huomata, että vektoreille on sovittu kahden vektorin yhteenlasku ja vektorin kertominen reaaliluvulla, mutta kahden vektorin kertomista ei ole määritelty. Yllä sovittu merkintä, noudattelee matriisinotaatiota. Joskus on tarpeen erotella matriisin alkioita (vektorin koordinaatteja) toisistaan. Seuraavassa kaksi esimerkkiä, joissa erottimet ovat tarpeen. Sovitaan vielä merkinnöistä µ ax yz 2 =(ax, yz 2 ) T, µ 2.4 =(2.4; 1.3) T, = ( ) T (2.3) 1 = ( ) T (2.4) e k = (δ 1k δ 2k... δ nk ) T, (2.5) missä δ kk =1, ja δ jk =0, kun j 6= k Esimerkiksi IR 3 :ssa 0 = 0 0, 1 = 1 1, e 1 = 1 0, e 2 = 0 1, e 3 =

8 2.1.1 Sisätulo ja normi 2.1. Lineaarialgebran kertausta 5 Kahden vektorin a IR 3 ja b IR 3 sisätulo ha bi ja vektorin a IR 3 normi kak määritellään seuraavasti ha bi = a T b =(a 1 a 2 a 3 ) b 1 b 2 = a 1 b 1 + a 2 b 2 + a 3 b 3 (2.6) b 3 kak = p q ha ai = a a2 2 + a2 3 (2.7) Sisätulo on siis lukiosta tuttu pistetulo ja normi on vektorin pituus. Nyt yleistämme seuraavasti. Määritelmä Kahden vektorin a IR n ja b IR n sisätulo ha bi ja vektorin a IR n normi kak ovat ha bi = a T b = a 1 b 1 + a 2 b a n b n (2.8) kak = p q ha ai = a a a2 n (2.9) Sisätulon arvo on reaaliluku, joten sisätulo ei ole vektoreiden välinen laskutoimitus. (Siksi vältämme nyt pistetulomerkintää.) Kahden vektorin sanotaan olevan kohtisuorassa toisiaan vastaan eli ortogonaaliset (merkitään a b) jos niiden sisätulo on nolla, a b ha bi = 0. Normi on mitta vektorin suuruudelle. Kaksi vektoria ovat lähellä toisiaan, jos niiden erotuksen normi on pieni Esimerkki Olkoon a IR N N:stä havaintoarvosta muodostuva havaintovektori (aikasarja). Havaintosarjan keskiarvo on µ a =(a 1 + a a N )/N = N 1 ha 1i (2.10) Havaintojen poikkeama keskiarvosta (vaihtelu) saadaan vähentämällä keskiarvo jokaisesta havainnosta ã =(a 1 µ a,a 2 µ a,...,a N µ a ) T = a µ a 1 (2.11) Vaihtelun suuruutta on tapana mitata varianssilla s 2 a,jokaon s 2 a = kãk2 N 1 = (N 1) 1 ha µ a 1 a µ a 1i = (N 1) 1 (ha ai µ a ha 1i µ a h1 ai + µ 2 ah1 1i) = at a Nµ 2 a N 1 ( IR) (2.12) Olkoon b IR N toinen aikasarja ja µ b sen keskiarvo ja b IR N sen poikkeama keskiarvosta. Jos kummankin aikasarjan poikkeamat keskiarvosta noudattavat yhteistä rytmiä, niin tulo ã j bj on useimmiten positiivinen. Silloin hã bi = P ã j bj on

9 6 2. Matriisilaskentaa positiivinen. Tätä yhteisvaihtelua on tapana mitata kovarianssilla cov(a, b) = hã bi N 1 = (N a) 1 ha µ a 1 b µ b 1i = (N a) 1 (ha bi µ b ha 1i µ a h1 bi + µ a µ b h1 1i) = at b Nµ a µ b N 1 (2.13) Kahden aikasarjan välinen korrelaatio r ab määritellään lausekkeella r ab = cov(a, b) s a s b (2.14) Seuraavassa taulukossa on kolme aikasarjaa ja vastaavat varianssit, kovarianssit ja korrelaatiokertoimet. j a j b j c j µ a =1.013 µ b =2.959 µ c =4.997 s a =0.219 s b =0.429 s c =0.643 cov(a, b) =0.012, r a,b =0.126 cov(a, c) =0.132, r a,c =0.941 cov(b, c) =0.014, r b,c =0.053 Esimerkki Yhteisvaihtelua käsitellään paljon riippuvuusanalyysin kurssilla. Tälä kurssilla emme jatka aiheen käsittelyä enempää kuin yhdellä huomiolla. Koska usein taloudelliset aikasarjat esitetään muodossa, jossa havaintojen keskiarvo on likimain nolla, ymmärretään helposti aikasarjojen ortogonaalisuus ja korreloimattomuus samaksi asiaksi. Tämä ei kuitenkaan ole totta. Seuraava vastaesimerkki osoittaa eron.

10 2.1. Lineaarialgebran kertausta 7 j a j b j 1-1,000 3, ,000 5, ,000 2, ,000 3, ,000 4, ,000 5,000 µ s cov(a, b) =1.222 r a,b =1.000, ha bi =0 Aikasarjat korreloivat täydellisesti, vaikka ovatkin keskenään ortogonaaliset lineaarinen riippumattomuus ja kanta Esimerkki Olkoon yrityksen A osakkeen arvo 20 C ja yrityksen B osakkeen arvo 10 C. Sijoittaja tarkastelee omaisuutensa rakennetta ryhmittelemällä sijoittamansa rahat kolmeen osaan mekaaninen puunjalostus, paperi ja kemianteollisuus. Yrityksen A liikevaihdosta puolet tulee sahatavarasta ja puolet paperin valmistuksesta. Yrityksen B liikevaihdosta puolet tulee hienopaperista ja puolet värikemikaalien myynnistä. Yritysten osakkeiden arvojen jakautumiset eri toimialoille voidaan esittää vektoreilla v A = 10 10, v B = 0 5. (2.15) 0 5 Sijoittaja haluaa sijoittaa 1000 C siten, että 50% sijoituksesta menee paperinvalmistukseen loppu jakautuu tasan mekaanisen puunjalostuksen ja kemian teollisuuden kesken. Tavoitteena on siis jakauma w 1 = (2.16) 250 Tämä onnistuu ostamalla 25 kappaletta A-osaketta ja 50 kappaletta B-osaketta, sillä w 1 = = =25v A +50v B (2.17) Toinen sijoittaja haluaa sijoittaa 1000 C siten, että 50% sijoituksesta menee mekaaniseen puuhun ja loput tasan paperiteollisuuteen ja kemian teollisuuteen. (Siis

11 8 2. Matriisilaskentaa w 2 = (500; 250; 250) T.) Tämä on jo vaikeampaa. johtaa seuraavaan päättelyketjuun Perusteellinen ratkaisuyritys Gauss xv A + yv B = w 2 (2.18) x y 0 5 = µ 10 5 x = y :10 : : ei ratkaisua! /// Sovimme seuraavista sanonnoista. Määritelmä Olkoon u, v 1, v 2,...v m IR n vektoreita ja λ 1, λ 2,...,λ m IR reaalilukuja. (1) Jos u = λ 1 v 1 + λ 2 v λ m v m niin sanomme, ettävektori u on lineaarikombinaatio (linear combination) vektoreista {v 1, v 2,...,v m }. (2) Vektorijoukon {v 1, v 2,...,v m } IR n kaikkien lineaarikombinaatioiden joukko on sen virittämä aliavaruus (a subspace of IR n spanned by {v 1, v 2,...,v m }) span{v 1, v 2,...,v m } = {u IR n u on lineaarikombinaatio vektoreista v j }

12 2.1. Lineaarialgebran kertausta 9 Määritelmä (1) Vektorijoukko {v 1, v 2,...,v m } IR n on lineaarisesti riippuva (sidottu) (linearly dependent), jos on olemassa reaaliluvut λ 1, λ 2,...,λ m IR, joista ainakin yksi ei ole nolla, niin että λ 1 v 1 + λ 2 v λ m v m = 0 (2) Vektorijoukko {v 1, v 2,...,v m } IR n on lineaarisesti riippumaton (vapaa) (linearly independent), jos se ei ole sidottu, eli (λ 1 v 1 + λ 2 v λ m v m = 0) (λ 1 = λ 2 =...= λ m =0) Lineaarisesti riippuva eli sidottu vektorijoukko voidaan myös luonnehtia sanomalla, että vektorijoukko on sidottu, jos ainakin yksi vektoreista voidaan lausua muiden lineaarikombinaationa. Vektorijoukko ei välttämättä viritä kokoir n :ää. Esimerkissä toisen sijoittajan tavoitejakauma w 2 ei ole toteutettavissa v A :n ja v B :n lineaarikombinaationa (w 2 / span{v A, v B }). Jos toinen sijoittaja haluaa toteuttaa suunnitelmansa, niin hänen tulee etsiä kolmas yritys C niin, että w 2 Span{v A, v B, v C }.Asiaonselvä, jos Span{v A, v B, v C } =IR 3. Tämän kappaleen lopussa saamme ehdon sille, että vektorijoukko virittää IR n :n. Määritelmä Jos vektorijoukko E = {v 1, v 2,...,v m } IR n on lineaarisesti riippumaton, niin sanomme että se on virittämänsä aliavaruuden span{v 1, v 2,...,v m } kanta (base). Vektoreita v j E sanotaan kantavektoreiksi. Jos kantavektorit ovat keskenään ortogonaaliset eli hv j v k i = 0, kun j 6= k, niin kanta on ortogonaalinen (orthogonal). Jos kanta on ortogonaalinen ja lisäksi kv j k =1,j =1,...,m, niin kanta on ortonormitettu (orthonormal). Esimerkki Tutkitaan muodostavatko esimerkin vektorit {v A, v B } virittämänsä aliavaruuden kannan. Lineaarisen riippumattomuuden määritelmän perusteella riittää osoittaa, että (λ 1 v A + λ 2 v B = 0) (λ 1 = λ 2 =0) Osoitamme tämän seuraavasti λ 1 v A + λ 2 v B = 0 λ λ = 10λ 1 = 0 10λ 1 + 5λ 2 = 0 5λ 2 = 0 λ 1 = λ 2 =

13 10 2. Matriisilaskentaa Siis vektorit muodostavat kannan. /// Esimerkki Olkoon esimerkin sijoittajilla käytettävissään kolmas osake, C-osake, johon liittyvä jakauma on v C =(1050) T. Sijoitusneuvoja neuvottelee asiakkaidensa kanssa ja määrittää kullekin sopivan jakauman w. Voidaanko tämä jakauma aina toteuttaa lineaarikombinaationa vektoreista {v A, v B, v C }, eli onko span{v A, v B, v C } =IR 3? Olkoon nyt w IR 3 mikä tahansa asiakkaan toivoma painovektori. Määritämme sitä vastaavat lineaarikombinaation kertoimet λ 1, λ 2 ja λ 3 siten, että λ 1 v A + λ 2 v B + λ 3 v C = w (2.19) λ λ λ = w 1 w 2 (2.20) w λ 1 λ 2 = λ 3 w 1 w 2. (2.21) w 3 Tästä yhtälöryhmästä saadaan λ:t aina ratkaistua, sillä yhtälöryhmän kerroinmatriisin determinantti ei ole nolla. Siis span{v A, v B, v C } = IR 3 ja mikä tahansa asiakkaan toivoma painovektori voidaan toteuttaa vektoreiden {v A, v B, v C } lineaarikombinaationa. /// Pian esimerkkimme sijoitusneuvoja saa vastauksen muutamaan peruskysymykseensä. Sitä ennen määrittelemme vielä aliavaruuden dimension ja annamme muutaman muutaman kantoihin liittyvän ominaisuuden lauseiden muodossa. Voidaan osoittaa, että jos lineaarisesti riipppumattomat vektorijoukot E 1 = {v 1, v 2,...,v p } IR n ja E 2 = {u 1, u 2,...,u k } IR n virittävät saman lineaarisen aliavaruuden H =span(e 1 )=span(e 2 ), niin kannoissa E 1 ja E 2 on yhtä monta kantavektoria. Tämä oikeuttaamäärittelemään. Määritelmä Lineaarisen aliavaruuden H IR n dimensio, dim(h) onsen kannan kantavektoreiden lukumäärä. Lause dim(ir n )=n Todistus. Selvästi E = {e 1, e 2,...,e n } on IR n :n kanta.

14 2.1. Lineaarialgebran kertausta 11 Lause Olkoon E = {v 1, v 2,...,v m } IR n joukko vektoreita ja olkoon V matriisi, jonka sarakkeina ovat vektorit v 1, v 2,...,v m.(v on siis (n m)-matriisi.) Silloin E on IR n :n kanta, jos ja vain jos m = n ja lisäksi det(v) 6= 0. Todistus. [ ] Oletetaan ensin, että E on IR n :n kanta. Lauseen (2.1.1) mukaan m = n. Koska m = n matriisi V on neliömatriisi ja voimme päätellä seuraavasti (vertaa esimerkin 2.1.5päättelyyn) E on kanta E = {v 1, v 2,...,v n } on lineaarisesti riippumaton ((λ 1 v 1 + λ 2 v λ n v n = 0) (λ 1 = λ 2 =...= λ n =0)) λ 1 0 λ ryhmällä V 2. = 0.. on vain triviaali ratkaisu λ n 0 det(v) 6= 0 [ ] Oletetaan toiseksi, että m = n ja det(v ) 6= 0. Vastaavapäättely kuin edellä osoittaa, että E on lineaarisesti riippumaton. Lisäksi voimme päätellä, että det(v) 6= 0 ryhmällä V λ 1 λ 2.. n = w on ratkaisu kaikilla w IR λ n jokainen w IR n voidaan lausua lineaarikombinaationa Siis E on IR n :n kanta. w = λ 1 v 1 + λ 2 v λ n v n E virittää IR n :n Esimerkki a) Vektorijoukko E 1 = , 3 1 0, on IR 3 :n kanta sillä =436= 0

15 12 2. Matriisilaskentaa b) Vektorijoukko E 2 = 10 2, 3 1, ei ole IR 3 :n kanta sillä =0 c) Vektorijoukko E 3 = 10 2, ei ole IR 3 :n kanta sillä kantavektoreita on liian vähän (E 3 ei viritä IR 3 :a). d) Vektorijoukko E 4 = 10 2, 3 1, 1 0, ei ole IR 3 :n kanta sillä kantavektoreita on liian monta (E 4 ei ole vapaa). /// Joissakin tilanteissa laskeminen helpottuu, jos lineaariselle aliavaruudelle H = span{v 1, v 2,...,v m } on käytettävissä ortonormaali kanta. Voidaan osoittaa, että ortonormaali kanta aina löytyy. Seuraava menettely antaa ortogonaalisen kannan, josta ortonormaali kanta saadaan kertomalla jokainen kantavektori norminsa käänteisluvulla. Lause (Gram-Schmidt) Olkoon {v 1, v 2,...,v m } lineaarisesti riippumaton ja H = span({v 1, v 2,...,v m }) IR n. Jos asetetaan u 1 = v 1 u 2 = v 2 hv 2 u 1 i hu 1 u 1 i u 1 u 3 = v 3 hv 3 u 1 i hu 1 u 1 i u 1 hv 3 u 2 i hu 2 u 2 i u 2. u m = v m hv m u 1 i hu 1 u 1 i u 1 hv m u 2 i hu 2 u 2 i u 2 hv m u m 1 i hu 2 u m 1 i u m 1 niin {u 1, u 2,...,u m } on H:n ortogonaalinen kanta. Lisäksi Todistus. HT. span{u 1, u 2,...,u k } =span{v 1, v 2,...,v k }, kun 1 k m.

16 2.1. Lineaarialgebran kertausta 13 Määritelmä Olkoon H IR n lineaarinen aliavaruus. H:n ortogonaalikomplementti (orthogonal complement) H koostuu niistä IR n :n vektoreista, jotka ovat kohtisuorassa kaikkia H:n vektoreita vastaan. Siis H = {x IR n hx hi =0, kaikille h H} Olkoon H IR n lineaarinen aliavaruus ja V = {v 1, v 2,...,v k } sen kanta. Nyt siis dim(h) = k n. Laajennetaan vektorijoukko V kanonisen kannan vektoreilla joukoksi V asettamalla v j = v j,kunj =1,...,k ja v k+i = e i,kuni =1,...,n. Soveltamalla Gram-Schmidt -prosessia tähän vektorijoukkoon sillä muutoksella, että jos askeleella i saadaan u i = 0, niin hylätään u i ja jätetään jatkossa u i lausekkeista pois. Tämä Gram-Schmidt -prosessin muunnelma johtaa ortonormaaliin IR n :n kantaan, jonka ensimmäiset k kantavektoria {u 1, u 2,...,u k } virittävät H:n ja loput n k kantavektoria {u k+1, u k+2,...,u n } virittävät H:n ortogonaalikomplementin H. Erityisesti siis dim(h)+dim(h )=n (2.22) ja jokainen x IR n voidaan yksikäsitteisellä tavalla esittää muodossa x = λ 1 u λ k u {z k + λ } k+1 u k λ n u n (2.23) {z } H H Kannanvaihto Laskeminen on aina helpointa, jos käytetään kanonista kantaa E = {e 1, e 2,...,e n }. (Huomaa merkintäsopimus (2.5).) Valitettavasti joskus on pakko vaihtaa kantaa. Seuraava tarkastelu kannattaa ensimmäisellä lukukerralla lukea kursoorisesti. Lue se uudelleen ja tarkemmin, kun siihen myöhemmin viitataan.

17 14 2. Matriisilaskentaa Määritelmä Olkoon E = {u 1, u 2,...,u n } lineaariavaruuden IR n kanta. Jos x IR n ja sen esitys kannassa E on x = x 1 u 1 + x 2 u x n u n, niin kertoimista muodostamme vektorin ~x = ~x E = x 1 x 2.. x n IR n, jota sanomme vektorin x IR n koordinaattivektoriksi kannassa E. (Jos kanta on selvä se jätetään merkitsemättä.) Olkoon seuraavassa E = {u 1, u 2,...,u n } ja E = {u 1, u 2,...,u n} kaksi IR n :n kantaa. Koska jokainen E:n kantavektori voidaan lausua yksikäsitteisellä tavalla kannassa E, on olemassa reaaliluvut a ij siten, että u 1 = a 11 u 1 + a 21 u a n1 u n u 2 = a 12 u 1 + a 22 u a n2 u n (2.24). u n = a 1n u 1 + a 2n u a nn u n u 1 u 1 u 2. = u AT 2. (2.25) u n u n Määritelmä Jos kaava (2.25) on voimassa, niin sanomme, että A T on kannanvaihtomatriisi. Huomaa, että kaavan (2.25) vasen (oikea) puoli ei oikeastaan ole matriisi. Matriisihan on lukukaavio, mutta (2.25):ssa on kaavio, jonka alkiot ovat kaavioita. Tällaista tietorakennetta sanomme tensoriksi. Tällä kurssilla emme opettele tensorilaskentaa, mutta on hyvä tuntea termi. Kun lasketaan Mathematica -ohjelmalla tai vastaavalla muulla ohjelmalla matriisilaskuja, tulee lausekkeita kirjoittaessa helposti syntaksivirheitä. Jos silloin virheilmoituksessa esiintyy sana tensor, niin kannattaa tarkistaa, ettei ole sijoittanut matriisin alkioksi vektoria. Olkoon nyt x vektori, jolla on eri kannoissa esitykset x = x 1 u 1 + x 2 u x n u n = x 1u 1 + x 2u x nu n. (2.26)

18 2.1. Lineaarialgebran kertausta 15 Silloin x = x 1 u 1 + x 2 u x n u n (2.27) = x 1 (a 11 u 1 + a 21 u a n1 u n) (2.28) + x 2 (a 12 u 1 + a 22 u a n2 u n) x n (a 1n u 1 + a 2n u a nn u n) = (a 11 x 1 + a 12 x a 1n x n )u 1 (2.29) +(a 21 x 1 + a 22 x a 2n x n )u (a n1 x 1 + a n2 x a nn x n )u n x 1 = a 11 x 1 + a 12 x a 1n x n x 2 = a 21 x 1 + a 22 x a 2n x n. x n = a n1 x 1 + a n2 x a nn x n (2.30) ~x = A~x (2.31) Kokoamme joitakin kannanvaihdon ominaisuuksia lauseiksi, joihin vetoamme myöhemmissä kappaleissa. Lause Olkoon E = {u 1, u 2,...,u n } ja E = {u 1, u 2,...,u n} kaksi IR n :n kantaa ja x IR n.josa T on kannanvaihtomatriisi siten, että u 1 u 2. u n = AT niin koordinaattivektoreille on voimassa u 1 u 2.. u n ~x = A~x ~x = A 1 ~x Todistus. Edellä tuli perusteltua kaikki muu paitsi käänteismatriisin A 1 olemassaolo. Matriisin A sarakkeiden tulee olla lineaarisesti riippumattomat, sillä muuten kannan E kantavektorit eivät olisi lineaarisesti riippumattomat. Siis det(a) 6= 0. Mistä edelleen seuraa käänteismatriisin olemassaolo. Esimerkki Tarkastellaan IR 2 :n kantoja E = {u 1, u 2 } ja E = {u 1, u 2}, joille ½ µ u1 = 0.5u 1 u 2 = 1.5u 1 2u A T = (2.32),

19 16 2. Matriisilaskentaa Figure 2.2: Eräs mahdollinen esimerkin realisaatio. Siis A = µ ja A 1 = µ (2.33) Vektorin x =3u 1 + u 2 esitys kannassa E saadaan laskemalla ~x = µ µ µ A~x = = (2.34) x = 3u 1 2u 2 (2.35) Vektorin y =2u 1 2u 2 esitys kannassa E saadaan laskemalla ~y = µ µ µ A 1 ~y = = (2.36) y = u 1 + u 2 (2.37) Kuvassa 2.2 on piirretty esimerkkitilanne, jossa kannanvaihtomatriisi on sama kuin edellä. Huomaa kuitenkin, että laskut edellä laskettiin käyttän koordinaattivektoreita ja kannanvaihtomatriisia. Lause Olkoon E = {u 1, u 2,...,u n } ja E = {u 1, u 2,...,u n} kaksi IR n :n ortonormitettua kantaa. Jos A T on kannanvaihtomatriisi siten, että niin (u 1, u 2,...,u n ) T = A T (u 1, u 2,...,u n) T, A T A = I eli matriisin A sarakkeet ovat keskenään ortogonaaliset yksikkövektorit ja siis muodostavat IR n :n ortonormitetun kannan.

20 2.2. Matriisin rangi 17 Todistus. Käytämme matriisin A j:nnestä sarakeesta merkintää a j =(a 1j,a 2j,...,a nj ) T.Nyt δ ij = hu i u j i = h = nx a ki u k k=1 Ã nx n! X a ki a pj δ kp = k=1 = ha i a j i p=1 nx a pj u pi (2.38) p=1 nx a ki a kj = a T ia j k=1 Lause Olkoon E = {e 1, e 2,...,e n } lineaariavaruuden IR n kanoninen kanta ja E = {u 1, u 2,...,u n } toinen IR n :n kanta. Olkoon U matriisi, jonka j:s sarake on kannan Ej:s kantavektori u j.olkoonx IR n vektori ja ~x sen koordinaattivektori kannassa E. Silloin x = U~x ja ~x = U 1 x Todistus. HT 2.2 Matriisin rangi Edellisen kappaleen esimerkin sijoittajien käytettävissäonenemmän kuin kaksi tai kolme osaketta. Kun sijoitusneuvoja alkaa muodostaa ratkaisuehdotusta asiakkaalleen, hän ensin määrittää asiakkaan toiveiden mukaisen tavoitejakauman w. Sitten hän valitsee tavoitejakauman mukaisen lineaarikombinaation osakkeista, joita hän nyt pitää parhaina sijoituskohteina w = λ 1 v 1 + λ 2 v λ m v m. (2.39) Sijoitusneuvojan toimintaa helpottaa suuresti, jos hän jo etukäteen varmistuu siitä, että span{v 1, v 2,...,v m } =IR 3, (2.40) jolloin lineaarikombinaatio (2.39) on aina olemassa. Jos m = 3, niin {v 1, v 2, v 3 } on IR 3 :n kanta ja lineaarikombinaation kertoimet λ 1, λ 2, λ 3 ovat yksikäsitteiset. Tämä helpottaa neuvojan työtä, mutta ei ole optimaalista sijoittajan kannalta. Periaatteessa osakkeen j arvo markkinoilla on u (m) j = hv j 1i. Jos kuitenkin sijoittaja antaa osakkeille tästä poikkeavat arvot u j ja tavoitefunktio on lineaarinen, niin lineaarikombinaation (2.39) arvo on z = u 1 λ 1 + u 2 λ u m λ m. Muodostetaan matriisi V, jonka sarakkeet ovat v 1, v 2,..., v m. Sijoittajan kokema höty maksimoituu, kun neuvoja ratkaisee lineaarikombinaation kertoimet

21 18 2. Matriisilaskentaa λ 1, λ 2, λ 3 LP-mallista ½ max z = u1 λ 1 + u 2 λ u m λ m ehdoin λ 1 v 1 + λ 2 v λ m v m = w max z = u 1 λ 1 + u 2 λ u m λ m ehdoin λ 1 v 11 + λ 2 v λ m v 1m = w 1 λ 1 v 21 + λ 2 v λ m v 2m = w 2 λ 1 v 31 + λ 2 v λ m v 3m = w 3 ½ max z = ehdoin u T λ Vλ = w Tällaisia LP-malleja on käsitelty talousmatematiikan perusteiden kurssilla ja operaatioanalyysin kurssilla niihin paneudutaan lisää. Nyt jätämme sijoitusneuvojan hetkeksi. Palaamme miettimään milloin vektorijoukossa {v 1, v 2,...,v m } on riittävästi vektoreita virittämään IR n :n. Ehto (2.40) on tosi, jos matriisissa V on n lineaarisesti riippumatonta saraketta. Käytämme jatkossa seuraavia nimityksiä. Määritelmä Olkoon a 11 a a 1m a A = 21 a a 2m a n1 a n2... a nm (n m)-matriisi. Matriisin A i:s rivi ja j:s sarake ovat a i =(a i1 a i2... a im ) T ja a j = Matriisin A sarakkeiden virittämä IR n :n aliavaruus on Col(A) =span{a 1, a 2,...,a m } IR n Matriisin A rivien virittämä IR m :n aliavaruus on Row(A) =span{a 1, a 2,...,a n } IR m a 1j a 2j... a nj

22 2.2. Matriisin rangi 19 Määritelmä Matriisin A lineaarisesti riippumattomien sarakkeiden lukumäärä on matriisin säännöllisyysaste eli rangi (rank). Toisin sanoen Rank(A) =dim(span{a 1, a 2,...,a m })=dim(col(a)) Englanninkielisissä kirjoissa sanotaan usein (n n)-neliömatriisista A, ettäse on a matrix of full rank jos Rank(A) = n. Tämä onyhtäpitävääseuraavien ilmaisujen kanssa A on full rank Rank(A) = n dim(col(a)) = n matriisin A sarakkeet ovat lineaarisesti riippumattomat det(a) 6= 0 A on säännöllinen (eli on olemassa A 1 ) Esimerkki Onko span 10 2, 3 1, 1 1, 13 3, 7 1 =IR3? (2.41) Asian voi tarkistaa helposti MatLab-ohjelmalla seuraavasti EDU>> V=[ ; ; ] V = EDU>> rank(v) ans = 2 Mathematica-ohjelma ei tunne Rank-funktiota vaan TensorRank-funktion. Lyhyt ohje kuuluu: TensorRank[expr] gives the depth to which expr is a full array, with all the parts at a particular level being lists of the same length.

23 20 2. Matriisilaskentaa In[1]:= Vlist={{10,2,1},{3,1,0},{1,-1,1},{13,3,1},{7,1,1}} Out[1]= {{10,2,1},{3,1,0},{1,-1,1},{13,3,1},{7,1,1}} In[2]:= TensorRank[Vlist] Out[2]= 2 Siis vektorit eivät viritä IR 3 :a. /// Rangin määrittämistä emme nyt opettele. Periaatteessa on melko helppo kehittää Gram-Schmidt n menetelmästä muunnos, jonka avulla matriisin rangi voidaan selvittää. Käytännössä ongelmaksi muodostuu se, että pyöristysvirheiden takia joskus saadaan laskutoimituksen tuloksena nollan sijasta hyvin pieni luku, joka ei ole nolla. (Esimerkiksi =0.) 2.3 Lineaarikuvaus Lineaarikuvauksen matriisi Tarkastellaan ensin kuvausta f :IR n IR m. Kuvauksen lineaarisuus määritellään seuraavasti Määritelmä Kuvaus f :IR n IR m, v 7 f(v) onlineaarinen (linear), joss (1) kaikilla u, v IR n on voimassa f(u + v) =f(u)+f(v) (2) kaikilla u IR n, λ IR on voimassa f(λu) =λf(u) Seuraava kuvio saattaa tehdä asian konkreettiseksi. Prosessi panos u prosessi f tuotos f(u) on lineaarinen, jos kahdesta osapanoksesta saatu kokonaistuotos on osatuotosten summa

24 2.3. Lineaarikuvaus 21 u + v prosessi f f(u)+f(v) ja panoksen puolittaminen (lambdaaminen) puolittaa (lambdaa) myös tuotoksen 0.5u prosessi f 0.5f(u). Lineaarisuus oli keskeinen oletus peruskurssilla käsiteltyjen LP-mallien tavoitefunktiolle. Nyt erona LP-mallin tavoitefunktioon on, että sekä panos, että tuotos ovat vektoreita. Esimerkki Yritys valmistaa kahta tuotetta A ja B. Yhden tuotteen valmistamiseen tarvittavat tuotannontekijöiden määrät on luetteloitu seuraavassa taulukossa. tuot. tekijä A B työ (min) lasi (m 2 ) 3 1 alumiinilista (m) 12 8 Muodostetaan A:n valmistusmäärästä x 1 ja B:n valmistusmäärästä x 2 (päätösmuuttujista) valmistusmäärä-vektori µ x1 x =. (2.42) Tuotannontekijöiden tarpeet, d 1 (työ /min),d 2 (lasi / m 2 ), d 3 (alum.lista / m), kootaan myös vektoriksi d = d 1 d 2. (2.43) d 3 Tuotannontekijöiden tarve on funktio tuotantomäärä-vektorista d = d µ d 2 = 3 1 x1 def = f(x). (2.44) x d {z } =A Funktio d = f(x) = Ax on lineaarinen, sillä matriisikertolasku x 7 Ax toteuttaa määritelmän ehdot (1) ja (2). /// Edellisen esimerkin funktio todetaan helposti lineaariseksi, koska se voidaan tulkita matriisilla kertomiseksi. Käänteinen on myös totta. x 2 Lause Jos kuvaus f :IR n IR m on lineaarinen, niin on olemassa (m n)- matriisi A siten, että f(x) =Ax. Todistus. Olkoon E = {e 1, e 2,...,e n } vektoriavaruuden IR n kanoninen kanta ja vastaavasti E = {e 1, e 2,...,e m} vektoriavaruuden IR m kanoninen kanta. (Huomaa

25 22 2. Matriisilaskentaa merkintäsopimus (2.5).) Vektorit f(e i ) IR n voidaan lausua kannan E avulla yksikäsitteisellä tavalla. f(e j )=a 1j e 1 + a 2j e a mj e m (2.45) Kootaan näistä lineaarikombinaatioiden kertoimista matriisi A =(a ij ). Jos x = ( x 1 x 2... x n ) IR T, niin merkitään Ax = b, jolloin f(x) = f(x 1 e 1 + x 2 e x n e n ) = f(x 1 e 1 )+f(x 2 e 2 )+...+ f(x n e n ) = x 1 f(e 1 )+x 2 f(e 2 )+...+ x n f(e n ) = x 1 (a 11 e 1 + a 21 e a m1 e m)+x 2 (a 12 e 1 + a 22 e a m2 e m) x n (a 1n e 1 + a 2n e a mn e à m) n! à X n! à X n! X = a 1k x k e 1 + a 2k x k e a mk x k e m k=1 k= = b b b 0 m = Joskus joudumme käyttämään ei-kanonisia kantoja. b m k=1 b 1 b 2. = Ax Määritelmä Olkoon L lineaariavaruus ja E = {v 1, v 2,...,v n } L sen kanta ja olkoon H lineaariavaruus ja F = {w 1, w 2,...,w m } H sen kanta. (m n)- matriisi A F E on lineaarikuvauksen f : L H matriisi kannoissa E ja F, jos kaikilla x L ja y H on voimassa (y = f(x)) ~y F = A F E ~xe f(x):n koordinaatit kannassa F saadaan kertomalla matriisilla A F E vektorin x koordinaatit kannassa E Lause Olkoon L lineaariavaruus ja E = {v 1, v 2,...,v n } L sen kanta ja olkoon H lineaariavaruus ja F = {w 1, w 2,...,w m } H sen kanta. Olkoon V matriisi, jonka sarakkeina onat kannan E kantavektorit ja olkoon W matriisi, jonka sarakkeina ovat kannan F kantavektorit. Jos A on lineaarikuvauksen f : L H matriisi kanoonisissa kannoissa, niin f:n matriisi kannoissa E ja F on A F E = W 1 AV

Matemaattinen Analyysi, k2011, L2

Matemaattinen Analyysi, k2011, L2 Matemaattinen Analyysi, k2011, L2 Lineaarikombinaatio 1 Esimerkki 1 Olkoon yrityksen A osakkeen arvo 20eja yrityksen B osakkeen arvo 10e. Sijoittaja tarkastelee omaisuutensa rakennetta ryhmittelemällä

Lisätiedot

Matematiikka B2 - Avoin yliopisto

Matematiikka B2 - Avoin yliopisto 6. elokuuta 2012 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus

Lisätiedot

Tyyppi metalli puu lasi työ I 2 8 6 6 II 3 7 4 7 III 3 10 3 5

Tyyppi metalli puu lasi työ I 2 8 6 6 II 3 7 4 7 III 3 10 3 5 MATRIISIALGEBRA Harjoitustehtäviä syksy 2014 Tehtävissä 1-3 käytetään seuraavia matriiseja: ( ) 6 2 3, B = 7 1 2 2 3, C = 4 4 2 5 3, E = ( 1 2 4 3 ) 1 1 2 3 ja F = 1 2 3 0 3 0 1 1. 6 2 1 4 2 3 2 1. Määrää

Lisätiedot

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21

Lisätiedot

Monissa käytännön ongelmissa ei matriisiyhtälölle Ax = b saada ratkaisua, mutta approksimaatio on silti käyttökelpoinen.

Monissa käytännön ongelmissa ei matriisiyhtälölle Ax = b saada ratkaisua, mutta approksimaatio on silti käyttökelpoinen. Pns ratkaisu (Kr. 20.5, Lay 6.5 C-II/KP-II, 20, Kari Eloranta Monissa käytännön ongelmissa ei matriisiyhtälölle Ax = b saada ratkaisua, mutta approksimaatio on silti käyttökelpoinen. Määritelmä Jos A on

Lisätiedot

Ominaisarvo ja ominaisvektori

Ominaisarvo ja ominaisvektori Määritelmä Ominaisarvo ja ominaisvektori Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisihajotelmat: Schur ja Jordan Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi Matriisihajotelmat:

Lisätiedot

Johdatus lineaarialgebraan

Johdatus lineaarialgebraan Johdatus lineaarialgebraan Osa II Lotta Oinonen, Johanna Rämö 28. lokakuuta 2014 Helsingin yliopisto Matematiikan ja tilastotieteen laitos Sisältö 15 Vektoriavaruus....................................

Lisätiedot

Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / Ratkaisut

Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / Ratkaisut MS-C34 Lineaarialgebra ja differentiaaliyhtälöt, IV/26 Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / t Alkuviikon tuntitehtävä Hahmottele matriisia A ( 2 6 3 vastaava vektorikenttä Matriisia A

Lisätiedot

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Kotitehtävät, tammikuu 2011 Vaikeampi sarja 1. Ratkaise yhtälöryhmä w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Ratkaisu. Yhtälöryhmän ratkaisut (w, x, y, z)

Lisätiedot

Yleiset lineaarimuunnokset

Yleiset lineaarimuunnokset TAMPEREEN YLIOPISTO Pro gradu -tutkielma Kari Tuominen Yleiset lineaarimuunnokset Matematiikan ja tilastotieteen laitos Matematiikka Toukokuu 29 Tampereen yliopisto Matematiikan ja tilastotieteen laitos

Lisätiedot

110. 111. 112. 113. 114. 4. Matriisit ja vektorit. 4.1. Matriisin käsite. 4.2. Matriisialgebra. Olkoon A = , B = Laske A + B, 5 14 9, 1 3 3

110. 111. 112. 113. 114. 4. Matriisit ja vektorit. 4.1. Matriisin käsite. 4.2. Matriisialgebra. Olkoon A = , B = Laske A + B, 5 14 9, 1 3 3 4 Matriisit ja vektorit 4 Matriisin käsite 42 Matriisialgebra 0 2 2 0, B = 2 2 4 6 2 Laske A + B, 2 A + B, AB ja BA A + B = 2 4 6 5, 2 A + B = 5 9 6 5 4 9, 4 7 6 AB = 0 0 0 6 0 0 0, B 22 2 2 0 0 0 6 5

Lisätiedot

1 Kannat ja kannanvaihto

1 Kannat ja kannanvaihto 1 Kannat ja kannanvaihto 1.1 Koordinaattivektori Oletetaan, että V on K-vektoriavaruus, jolla on kanta S = (v 1, v 2,..., v n ). Avaruuden V vektori v voidaan kirjoittaa kannan vektorien lineaarikombinaationa:

Lisätiedot

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä 1 MAT-1345 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 9 Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa

Lisätiedot

f(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0.

f(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0. Ääriarvon laatu Jatkuvasti derivoituvan funktion f lokaali ääriarvokohta (x 0, y 0 ) on aina kriittinen piste (ts. f x (x, y) = f y (x, y) = 0, kun x = x 0 ja y = y 0 ), mutta kriittinen piste ei ole aina

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 1 1 Matemaattisesta päättelystä Matemaattisen analyysin kurssin (kuten minkä tahansa matematiikan kurssin) seuraamista helpottaa huomattavasti, jos opiskelija ymmärtää

Lisätiedot

PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9.2.2011

PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9.2.2011 PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9..0 Kokeessa saa vastata enintään kymmeneen tehtävään.. Sievennä a) 9 x x 6x + 9, b) 5 9 009 a a, c) log 7 + lne 7. Muovailuvahasta tehty säännöllinen tetraedri muovataan

Lisätiedot

LINEAARIALGEBRA, osat a ja b

LINEAARIALGEBRA, osat a ja b LINEAARIALGEBRA, osat a ja b Martti E. Pesonen Epsilon ry. huhtikuuta 06 LUKIJALLE Lineaarialgebran kursseja edeltäviksi opinnoiksi suositellaan jotain lukion matematiikkaa teoreettiselta kannalta täydentävää

Lisätiedot

2 Yhtälöitä ja epäyhtälöitä

2 Yhtälöitä ja epäyhtälöitä 2 Yhtälöitä ja epäyhtälöitä 2.1 Ensimmäisen asteen yhtälö ja epäyhtälö Muuttujan x ensimmäisen asteen yhtälöksi sanotaan yhtälöä, joka voidaan kirjoittaa muotoon ax + b = 0, missä vakiot a ja b ovat reaalilukuja

Lisätiedot

FUNKTIONAALIANALYYSIN PERUSKURSSI 1. 0. Johdanto

FUNKTIONAALIANALYYSIN PERUSKURSSI 1. 0. Johdanto FUNKTIONAALIANALYYSIN PERUSKURSSI 1. Johdanto Funktionaalianalyysissa tutkitaan muun muassa ääretönulotteisten vektoriavaruuksien, ja erityisesti täydellisten normiavaruuksien eli Banach avaruuksien ominaisuuksia.

Lisätiedot

Teema 4. Homomorfismeista Ihanne ja tekijärengas. Teema 4 1 / 32

Teema 4. Homomorfismeista Ihanne ja tekijärengas. Teema 4 1 / 32 1 / 32 Esimerkki 4A.1 Esimerkki 4A.2 Esimerkki 4B.1 Esimerkki 4B.2 Esimerkki 4B.3 Esimerkki 4C.1 Esimerkki 4C.2 Esimerkki 4C.3 2 / 32 Esimerkki 4A.1 Esimerkki 4A.1 Esimerkki 4A.2 Esimerkki 4B.1 Esimerkki

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

Reaalifunktioista 1 / 17. Reaalifunktioista

Reaalifunktioista 1 / 17. Reaalifunktioista säilyy 1 / 17 säilyy Jos A, B R, niin funktiota f : A B sanotaan (yhden muuttujan) reaalifunktioksi. Tällöin karteesinen tulo A B on (aiempia esimerkkejä luonnollisemmalla tavalla) xy-tason osajoukko,

Lisätiedot

3 Toisen kertaluvun lineaariset differentiaaliyhtälöt

3 Toisen kertaluvun lineaariset differentiaaliyhtälöt 3 Toisen kertaluvun lineaariset differentiaaliyhtälöt 3.1 Homogeeniset lineaariset differentiaaliyhtälöt Toisen kertaluvun differentiaaliyhtälö on lineaarinen, jos se voidaan kirjoittaa muotoon Jos r(x)

Lisätiedot

1 Euklidiset avaruudet R n

1 Euklidiset avaruudet R n 1 Euklidiset avaruudet R n Tässä osiossa käymme läpi Euklidisten avaruuksien R n perusominaisuuksia. Olkoon n N + positiivinen kokonaisluku. Euklidinen avaruus R n on joukko R n = {(x 1, x 2,..., x n )

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

H = : a, b C M. joten jokainen A H {0} on kääntyvä matriisi. Itse asiassa kaikki nollasta poikkeavat alkiot ovat yksiköitä, koska. a b.

H = : a, b C M. joten jokainen A H {0} on kääntyvä matriisi. Itse asiassa kaikki nollasta poikkeavat alkiot ovat yksiköitä, koska. a b. 10. Kunnat ja kokonaisalueet Määritelmä 10.1. Olkoon K rengas, jossa on ainakin kaksi alkiota. Jos kaikki renkaan K nollasta poikkeavat alkiot ovat yksiköitä, niin K on jakorengas. Kommutatiivinen jakorengas

Lisätiedot

MAT-13510 Laaja Matematiikka 1U. Hyviä tenttikysymyksiä T3 Matemaattinen induktio

MAT-13510 Laaja Matematiikka 1U. Hyviä tenttikysymyksiä T3 Matemaattinen induktio MAT-13510 Laaja Matematiikka 1U. Hyviä tenttikysymyksiä T3 Matemaattinen induktio Olkoon a 1 = a 2 = 5 ja a n+1 = a n + 6a n 1 kun n 2. Todista induktiolla, että a n = 3 n ( 2) n, kun n on positiivinen

Lisätiedot

Insinöörimatematiikka A

Insinöörimatematiikka A Insinöörimatematiikka A Demonstraatio 3, 3.9.04 Tehtävissä 4 tulee käyttää Gentzenin järjestelmää kaavojen johtamiseen. Johda kaava φ (φ ) tyhjästä oletusjoukosta. ) φ ) φ φ 3) φ 4) φ (E ) (E ) (I, ) (I,

Lisätiedot

Karteesinen tulo. Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla 1 / 21

Karteesinen tulo. Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla 1 / 21 säilyy Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla c b a 1 2 3 5 1 / 21 säilyy Esimerkkirelaatio R = {(1, b), (3, a), (5, a), (5, c)} c b a 1

Lisätiedot

a) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki. 8 3 + 4 2 0 = 16 3 = 3 1 3.

a) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki. 8 3 + 4 2 0 = 16 3 = 3 1 3. Integraalilaskenta. a) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki. b) Mitä määrätty integraali tietyllä välillä x tarkoittaa? Vihje: * Integraali * Määrätyn integraalin

Lisätiedot

1.1 Vektorit. MS-A0007 Matriisilaskenta. 1.1 Vektorit. 1.1 Vektorit. Reaalinen n-ulotteinen avaruus on joukko. x 1. R n. 1. Vektorit ja kompleksiluvut

1.1 Vektorit. MS-A0007 Matriisilaskenta. 1.1 Vektorit. 1.1 Vektorit. Reaalinen n-ulotteinen avaruus on joukko. x 1. R n. 1. Vektorit ja kompleksiluvut ja kompleksiluvut ja kompleksiluvut 1.1 MS-A0007 Matriisilaskenta 1. ja kompleksiluvut Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 26.10.2015 Reaalinen

Lisätiedot

3 Suorat ja tasot. 3.1 Suora. Tässä luvussa käsitellään avaruuksien R 2 ja R 3 suoria ja tasoja vektoreiden näkökulmasta.

3 Suorat ja tasot. 3.1 Suora. Tässä luvussa käsitellään avaruuksien R 2 ja R 3 suoria ja tasoja vektoreiden näkökulmasta. 3 Suorat ja tasot Tässä luvussa käsitellään avaruuksien R 2 ja R 3 suoria ja tasoja vektoreiden näkökulmasta. 3.1 Suora Havaitsimme skalaarikertolaskun tulkinnan yhteydessä, että jos on mikä tahansa nollasta

Lisätiedot

k=1 b kx k K-kertoimisia polynomeja, P (X)+Q(X) = (a k + b k )X k n+m a i b j X k. i+j=k k=0

k=1 b kx k K-kertoimisia polynomeja, P (X)+Q(X) = (a k + b k )X k n+m a i b j X k. i+j=k k=0 1. Polynomit Tässä luvussa tarkastelemme polynomien muodostamia renkaita polynomien ollisuutta käsitteleviä perustuloksia. Teemme luvun alkuun kaksi sopimusta: Tässä luvussa X on muodollinen symboli, jota

Lisätiedot

1.7 Gradientti ja suunnatut derivaatat

1.7 Gradientti ja suunnatut derivaatat 1.7 Gradientti ja suunnatut derivaatat Funktion ensimmäiset osittaisderivaatat voidaan yhdistää yhdeksi vektorifunktioksi seuraavasti: Missä tahansa pisteessä (x, y), jossa funktiolla f(x, y) on ensimmäiset

Lisätiedot

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 10.6.2013 klo 10-13 Ratkaisut ja pisteytysohjeet

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 10.6.2013 klo 10-13 Ratkaisut ja pisteytysohjeet Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe.6. klo - Ratkaisut ja pisteytysohjeet. Ratkaise seuraavat epäyhtälöt ja yhtälö: a) x+ x +9, b) log (x) 7,

Lisätiedot

Mika Hirvensalo. Insinöörimatematiikka D 2015

Mika Hirvensalo. Insinöörimatematiikka D 2015 Mika Hirvensalo Insinöörimatematiikka D 2015 Sisältö 1 Lineaarialgebran peruskäsitteitä............................................... 5 1.1 Lineaariset yhtälöryhmät..................................................

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 8 1 Suunnattu derivaatta Aluksi tarkastelemme vektoreita, koska ymmärrys vektoreista helpottaa alla olevien asioiden omaksumista. Kun liikutaan tasossa eli avaruudessa

Lisätiedot

renkaissa. 0 R x + x =(0 R +1 R )x =1 R x = x

renkaissa. 0 R x + x =(0 R +1 R )x =1 R x = x 8. Renkaat Tarkastelemme seuraavaksi rakenteita, joissa on määritelty kaksi assosiatiivista laskutoimitusta, joista toinen on kommutatiivinen. Vaadimme näiltä kahdella laskutoimituksella varustetuilta

Lisätiedot

PERUSASIOITA ALGEBRASTA

PERUSASIOITA ALGEBRASTA PERUSASIOITA ALGEBRASTA Matti Lehtinen Tässä luetellut lauseet ja käsitteet kattavat suunnilleen sen mitä algebrallisissa kilpatehtävissä edellytetään. Ns. algebrallisia struktuureja jotka ovat nykyaikaisen

Lisätiedot

Jatkuvat satunnaismuuttujat

Jatkuvat satunnaismuuttujat Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään

Lisätiedot

Avaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät

Avaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät 11 Taso Avaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät tason. Olkoot nämä pisteet P, B ja C. Merkitään vaikkapa P B r ja PC s. Tällöin voidaan sanoa, että vektorit

Lisätiedot

INFO / Matemaattinen Analyysi, k2016, L0

INFO / Matemaattinen Analyysi, k2016, L0 INFO / Matemaattinen Analyysi, k2016, L0 orms1010, Aikataulu 1 kevät 2016 ORMS1010 Matemaattinen analyysi, luennot Ke 14-16 Viikot 09-10 salissa F119 Ke 14-16 Viikot 11 salissa F140 Ke 14-16 Viikot 13-18

Lisätiedot

1.4 Funktion jatkuvuus

1.4 Funktion jatkuvuus 1.4 Funktion jatkuvuus Kun arkikielessä puhutaan jonkin asian jatkuvuudesta, mielletään asiassa olevan jonkinlaista yhtäjaksoisuutta, katkeamattomuutta. Tässä ei kuitenkaan käsitellä työasioita eikä ihmissuhteita,

Lisätiedot

1. LINEAARISET YHTÄLÖRYHMÄT JA MATRIISIT. 1.1 Lineaariset yhtälöryhmät

1. LINEAARISET YHTÄLÖRYHMÄT JA MATRIISIT. 1.1 Lineaariset yhtälöryhmät 1 1 LINEAARISET YHTÄLÖRYHMÄT JA MATRIISIT Muotoa 11 Lineaariset yhtälöryhmät (1) a 1 x 1 + a x + + a n x n b oleva yhtälö on tuntemattomien x 1,, x n lineaarinen yhtälö, jonka kertoimet ovat luvut a 1,,

Lisätiedot

Differentiaaliyhtälöt

Differentiaaliyhtälöt Differentiaaliyhtälöt Differentiaaliyhtälöksi (lyh. DY) sanotaan yhtälöä, jossa on tuntemattomana jokin funktio y(x) ja jossa esiintyy sen derivaattoja y, y, y, y (4),... Esimerkiksi y + y = x, y y + y

Lisätiedot

plot(f(x), x=-5..5, y=-10..10)

plot(f(x), x=-5..5, y=-10..10) [] Jokaisen suoritettavan rivin loppuun ; [] Desimaalierotin Maplessa on piste. [] Kommentteja koodin sekaan voi laittaa # -merkin avulla. Esim. #kommentti tähän [] Edelliseen tulokseen voi viitata merkillä

Lisätiedot

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS 1. Suorakaiteen muotoisen lämmönvaraajan korkeus on K, leveys L ja syvyys S yksikköä. Konvektiosta ja säteilystä johtuvat lämpöhäviöt ovat verrannollisia lämmönvaraajan lämpötilan T ja ympäristön lämpötilan

Lisätiedot

Lineaarialgebra MATH.1040 / voima

Lineaarialgebra MATH.1040 / voima Lineaarialgebra MATH.1040 / voima 1 Seuraavaksi määrittelemme kaksi vektoreille määriteltyä tuloa; pistetulo ja. Määritelmät ja erilaiset tulojen ominaisuudet saattavat tuntua, sekavalta kokonaisuudelta.

Lisätiedot

PRELIMINÄÄRIKOE. Pitkä Matematiikka 3.2.2015

PRELIMINÄÄRIKOE. Pitkä Matematiikka 3.2.2015 PRELIMINÄÄRIKOE Pitkä Matematiikka..5 Vastaa enintään kymmeneen tehtävään. Tähdellä merkittyjen (*) tehtävien maksimipistemäärä on 9, muiden tehtävien maksimipistemäärä on 6.. a) Ratkaise epäyhtälö >.

Lisätiedot

2.3 Juurien laatu. Juurien ja kertoimien väliset yhtälöt. Jako tekijöihin. b b 4ac = 2

2.3 Juurien laatu. Juurien ja kertoimien väliset yhtälöt. Jako tekijöihin. b b 4ac = 2 .3 Juurien laatu. Juurien ja kertoimien väliset yhtälöt. Jako tekijöihin. Toisen asteen yhtälön a + b + c 0 ratkaisukaavassa neliöjuuren alla olevaa lauseketta b b 4ac + a b b 4ac a D b 4 ac sanotaan yhtälön

Lisätiedot

OPTIMOINNIN PERUSTEET. Keijo Ruotsalainen

OPTIMOINNIN PERUSTEET. Keijo Ruotsalainen OPTIMOINNIN PERUSTEET Keijo Ruotsalainen 23. marraskuuta 2009 2 Johdanto Kurssin tavoitteena on tutustuttaa tavallisimpiin optimointi-algoritmeihin ja niiden käyttöön sovellutuksissa. Kurssimateriaali

Lisätiedot

Tensorialgebroista. Jyrki Lahtonen A = A n. n=0. I n, I = n=0

Tensorialgebroista. Jyrki Lahtonen A = A n. n=0. I n, I = n=0 Tensorialgebroista Esitysteorian kesäopintopiiri, Turun yliopisto, 2012 Jyrki Lahtonen Olkoon k jokin skalaarikunta. Kerrataan k-algebran käsite: A on k-algebra, jos se on sekä rengas että vektoriavaruus

Lisätiedot

Kurssikoe on maanantaina 29.6. Muista ilmoittautua kokeeseen viimeistään 10 päivää ennen koetta! Ilmoittautumisohjeet löytyvät kurssin kotisivuilla.

Kurssikoe on maanantaina 29.6. Muista ilmoittautua kokeeseen viimeistään 10 päivää ennen koetta! Ilmoittautumisohjeet löytyvät kurssin kotisivuilla. HY / Avoin ylioisto Johdatus yliopistomatematiikkaan, kesä 201 Harjoitus 7 Ratkaisut palautettava viimeistään perjantaina 26.6.201 klo 16.00. Huom! Luennot ovat salissa CK112 maanantaista 1.6. lähtien.

Lisätiedot

Tässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa.

Tässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa. Laskuharjoitus 1A Mallit Tässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa. 1. tehtävä %% 1. % (i) % Vektorit luodaan

Lisätiedot

Polynomimatriisit. Antti Lindberg. Matematiikan pro gradu -tutkielma

Polynomimatriisit. Antti Lindberg. Matematiikan pro gradu -tutkielma Polynomimatriisit Antti Lindberg Matematiikan pro gradu -tutkielma Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Kesä 2014 Tiivistelmä: Antti Lindberg, Polynomimatriisit, Matematiikan pro

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

Lukion. Calculus. Paavo Jäppinen Alpo Kupiainen Matti Räsänen Otava PIKATESTIN JA KERTAUSKOKEIDEN TEHTÄVÄT RATKAISUINEEN

Lukion. Calculus. Paavo Jäppinen Alpo Kupiainen Matti Räsänen Otava PIKATESTIN JA KERTAUSKOKEIDEN TEHTÄVÄT RATKAISUINEEN Calculus Lukion MAA7 Derivaatta Paavo Jäppinen Alpo Kupiainen Matti Räsänen Otava PIKATESTIN JA KERTAUSKOKEIDEN TEHTÄVÄT RATKAISUINEEN Derivaatta (MAA7) Pikatesti ja kertauskokeet Tehtävien ratkaisut Pikatesti

Lisätiedot

jakokulmassa x 4 x 8 x 3x

jakokulmassa x 4 x 8 x 3x Laudatur MAA ratkaisut kertausarjoituksiin. Polynomifunktion nollakodat 6 + 7. Suoritetaan jakolasku jakokulmassa 5 4 + + 4 8 6 6 5 4 + 0 + 0 + 0 + 0+ 6 5 ± 5 5 4 ± 4 4 ± 4 4 ± 4 8 8 ± 8 6 6 + ± 6 Vastaus:

Lisätiedot

KOMPLEKSILUVUT C. Rationaaliluvut Q. Irrationaaliluvut

KOMPLEKSILUVUT C. Rationaaliluvut Q. Irrationaaliluvut KOMPLEKSILUVUT C Luonnolliset luvut N Kokonaisluvut Z Rationaaliluvut Q Reaaliluvut R Kompleksi luvut C Negat kokonaisluvut Murtoluvut Irrationaaliluvut Imaginaariluvut Erilaisten yhtälöiden ratkaiseminen

Lisätiedot

Insinöörimatematiikka IA

Insinöörimatematiikka IA Isiöörimatematiikka IA Harjoitustehtäviä. Selvitä oko propositio ( p q r ( p q r kotradiktio. Ratkaisu: Kirjoitetaa totuustaulukko: p q r ( p q r p q r ( p q r ( p q r 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Lisätiedot

1 2 x2 + 1 dx. (2p) x + 2dx. Kummankin integraalin laskeminen oikein (vastaukset 12 ja 20 ) antaa erikseen (2p) (integraalifunktiot

1 2 x2 + 1 dx. (2p) x + 2dx. Kummankin integraalin laskeminen oikein (vastaukset 12 ja 20 ) antaa erikseen (2p) (integraalifunktiot Helsingin yliopisto, Itä-Suomen yliopisto, Jyväskylän yliopisto, Oulun yliopisto, Tampereen yliopisto ja Turun yliopisto Matematiikan valintakoe (Ratkaisut ja pisteytys) 500 Kustakin tehtävästä saa maksimissaan

Lisätiedot

2.2 Neliöjuuri ja sitä koskevat laskusäännöt

2.2 Neliöjuuri ja sitä koskevat laskusäännöt . Neliöjuuri ja sitä koskevat laskusäännöt MÄÄRITELMÄ 3: Lukua b sanotaan luvun a neliöjuureksi, merkitään a b, jos b täyttää kaksi ehtoa: 1o b > 0 o b a Esim.1 Määritä a) 64 b) 0 c) 36 a) Luvun 64 neliöjuuri

Lisätiedot

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.01 klo 10 13 t ja pisteytysohjeet 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 x 3 3 x 1 4, (b)

Lisätiedot

Raja-arvo ja jatkuvuus, L5

Raja-arvo ja jatkuvuus, L5 ja jatkuvuus, L5 1 Wikipedia: (http://fi.wikipedia.org/wiki/ ) 2 Funktion f () = 2 4 2 a ei voi laskea kohdassa = 2. Jos eroaa kahdesta ( 2), niin funktion voidaan laskea ja seuraavasta taulukosta nähdään,

Lisätiedot

5.2 Ensimmäisen asteen yhtälö

5.2 Ensimmäisen asteen yhtälö 5. Ensimmäisen asteen ytälö 5. Ensimmäisen asteen yhtälö Aloitetaan antamalla nimi yhtälön osille. Nyt annettavat nimet eivät riipu yhtälön tyypistä tai asteesta. Tarkastellaan seuraavaa yhtälöä. Emme

Lisätiedot

3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö

3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö 3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö Yhtälön (tai funktion) y = a + b + c, missä a 0, kuvaaja ei ole suora, mutta ei ole yhtälökään ensimmäistä astetta. Funktioiden

Lisätiedot

Matriisilaskenta. Luentomoniste JOUNI SAMPO

Matriisilaskenta. Luentomoniste JOUNI SAMPO Matriisilaskenta Luentomoniste JOUNI SAMPO Kevät 2014 BM20A1601 Matriisilaskenta (4 op) Viikko 1 Lineaariset yhtälöryhmät ja matriisit, sovellustilanteita lämpöjakauma levyssä interpolaatiopolynomi numeerinen

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 9 Ti 4.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 9 Ti 4.10.2011 p. 1/44 p. 1/44 Funktion approksimointi Etsitään p siten, että p f, mutta ei vaadita, että

Lisätiedot

Suora 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste

Suora 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste Suora 1/5 Sisältö KATSO MYÖS:, vektorialgebra, geometriset probleemat, taso Suora geometrisena peruskäsitteenä Pisteen ohella suora on geometrinen peruskäsite, jota varsinaisesti ei määritellä. Alkeisgeometriassa

Lisätiedot

Solmu 3/2010 1. toteutuu kaikilla u,v I ja λ ]0,1[. Se on aidosti konveksi, jos. f ( λu+(1 λ)v ) < λf(u)+(1 λ)f(v) (2)

Solmu 3/2010 1. toteutuu kaikilla u,v I ja λ ]0,1[. Se on aidosti konveksi, jos. f ( λu+(1 λ)v ) < λf(u)+(1 λ)f(v) (2) Solmu 3/200 Epäyhtälöistä, osa 2 Markku Halmetoja Mätä lukio Välillä I määriteltyä fuktiota saotaa koveksiksi, jos se kuvaaja o alaspäi kupera, eli jos kuvaaja mitkä tahasa kaksi pistettä yhdistävä jaa

Lisätiedot

Äärellisesti generoitujen Abelin ryhmien peruslause

Äärellisesti generoitujen Abelin ryhmien peruslause Tero Harju (2008/2010) Äärellisesti generoitujen Abelin ryhmien peruslause Merkintä X on joukon koko ( eli #X). Vapaat Abelin ryhmät Tässä kappaleessa käytetään Abelin ryhmille additiivista merkintää.

Lisätiedot

Solmu 3/2001 Solmu 3/2001. Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä:

Solmu 3/2001 Solmu 3/2001. Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä: Frégier n lause Simo K. Kivelä Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä: Suorakulmaisen kolmion kaikki kärjet sijaitsevat paraabelilla y = x 2 ; suoran kulman

Lisätiedot

Mat-2.3114 Investointiteoria Laskuharjoitus 3/2008, Ratkaisut 05.02.2008

Mat-2.3114 Investointiteoria Laskuharjoitus 3/2008, Ratkaisut 05.02.2008 Korko riippuu usein laina-ajan pituudesta ja pitkille talletuksille maksetaan korkeampaa korkoa. Spot-korko s t on se korko, joka kertyy lainatulle pääomalle hetkeen t (=kokonaisluku) mennessä. Spot-korot

Lisätiedot

5. Numeerisesta derivoinnista

5. Numeerisesta derivoinnista Funktion derivaatta ilmaisee riippumattoman muuttujan muutosnopeuden riippuvan muuttujan suteen. Esimerkiksi paikan derivaatta ajan suteen (paikan ensimmäinen aikaderivaatta) on nopeus, joka ilmaistaan

Lisätiedot

Esipuhe. Sirkka-Liisa Eriksson

Esipuhe. Sirkka-Liisa Eriksson 3 Esipuhe Matematiikka tieteiden kuningatar ja palvelija on lukioihin ja ammattikorkeakouluihin suunnattuun koulukohtaiseen valinnaiseen syventävään kurssiin perustuva kirja. Kirjan tarkoituksena on kerrata

Lisätiedot

a) Markkinakysyntä - Aikaisemmin tarkasteltiin yksittäisen kuluttajan kysyntää. - Seuraavaksi tarkastellaan koko markkinoiden kysyntää.

a) Markkinakysyntä - Aikaisemmin tarkasteltiin yksittäisen kuluttajan kysyntää. - Seuraavaksi tarkastellaan koko markkinoiden kysyntää. .. Markkinakysyntä ja joustot a) Markkinakysyntä - Aikaisemmin tarkasteltiin yksittäisen kuluttajan kysyntää. - Seuraavaksi tarkastellaan koko markkinoiden kysyntää. Markkinoiden kysyntäkäyrä saadaan laskemalla

Lisätiedot

MAT-41150 Algebra I (s) periodilla IV 2012 Esko Turunen

MAT-41150 Algebra I (s) periodilla IV 2012 Esko Turunen MAT-41150 Algebra I (s) periodilla IV 2012 Esko Turunen Tehtävä 1. Onko joukon X potenssijoukon P(X) laskutoimitus distributiivinen laskutoimituksen suhteen? Onko laskutoimitus distributiivinen laskutoimituksen

Lisätiedot

2. Polynomien jakamisesta tekijöihin

2. Polynomien jakamisesta tekijöihin Imaginaariluvut mielikuvitustako Koska yhtälön x 2 x 1=0 diskriminantti on negatiivinen, ei yhtälöllä ole reaalilukuratkaisua Tästä taas seuraa, että yhtälöä vastaava paraabeli y=x 2 x 1 ei leikkaa y-akselia

Lisätiedot

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko

Lisätiedot

MATEMATIIKKA 5 VIIKKOTUNTIA

MATEMATIIKKA 5 VIIKKOTUNTIA EB-TUTKINTO 2008 MATEMATIIKKA 5 VIIKKOTUNTIA PÄIVÄMÄÄRÄ: 5. kesäkuuta 2008 (aamupäivä) KOKEEN KESTO: 4 tuntia (240 minuuttia) SALLITUT APUVÄLINEET: Europpa-koulun antama taulukkovihkonen Funktiolaskin,

Lisätiedot

Pyramidi 9 Trigonometriset funktiot ja lukujonot 15.4.2011 HK1-1. Dsin3 x. 3cos3x. Dsinx. u( x) sinx ja u ( x) cosx. Dsin. Dsin

Pyramidi 9 Trigonometriset funktiot ja lukujonot 15.4.2011 HK1-1. Dsin3 x. 3cos3x. Dsinx. u( x) sinx ja u ( x) cosx. Dsin. Dsin Pyramidi 9 Trigonometriset funktiot ja lukujonot 5.4.0 HK- a) Dsin3 us ( ) cos3 3 us( ) s( ) 3cos3 s( ) 3 ja s( ) 3 u( ) sin ja u( ) cos b) Dsin 3 3 Dsin us ( ) s( ) sin ja s( ) cos 3 u( ) ja u( ) 3 3sin

Lisätiedot

Aki Taanila YHDEN SELITTÄJÄN REGRESSIO

Aki Taanila YHDEN SELITTÄJÄN REGRESSIO Aki Taanila YHDEN SELITTÄJÄN REGRESSIO 26.4.2011 SISÄLLYS JOHDANTO... 1 LINEAARINEN MALLI... 1 Selityskerroin... 3 Excelin funktioita... 4 EKSPONENTIAALINEN MALLI... 4 MALLIN KÄYTTÄMINEN ENNUSTAMISEEN...

Lisätiedot

HILBERTIN AVARUUDET 802652S MIKAEL LINDSTRÖM KEVÄÄN 2010 ANALYYSI 3 -LUENTOJEN PERUSTEELLA TOIMITTANEET TOMI ALASTE JA LAURI BERKOVITS

HILBERTIN AVARUUDET 802652S MIKAEL LINDSTRÖM KEVÄÄN 2010 ANALYYSI 3 -LUENTOJEN PERUSTEELLA TOIMITTANEET TOMI ALASTE JA LAURI BERKOVITS HILBRTIN AVARUUDT 802652S MIKAL LINDSTRÖM KVÄÄN 2010 ANALYYSI 3 -LUNTOJN PRUSTLLA TOIMITTANT TOMI ALAST JA LAURI BRKOVITS Sisältö 1 Hilbertin Avaruudet 3 1.1 Normi- ja L p -avaruudet........................

Lisätiedot

3 x 1 < 2. 2 b) b) x 3 < x 2x. f (x) 0 c) f (x) x + 4 x 4. 8. Etsi käänteisfunktio (määrittely- ja arvojoukkoineen) kun.

3 x 1 < 2. 2 b) b) x 3 < x 2x. f (x) 0 c) f (x) x + 4 x 4. 8. Etsi käänteisfunktio (määrittely- ja arvojoukkoineen) kun. Matematiikka KoTiA1 Demotehtäviä 1. Ratkaise epäyhtälöt x + 1 x 2 b) 3 x 1 < 2 x + 1 c) x 2 x 2 2. Ratkaise epäyhtälöt 2 x < 1 2 2 b) x 3 < x 2x 3. Olkoon f (x) kolmannen asteen polynomi jonka korkeimman

Lisätiedot

Teknillinen korkeakoulu Mat-5.187 Epälineaarisen elementtimenetelmän perusteet (Mikkola/Ärölä) 4. harjoituksen ratkaisut

Teknillinen korkeakoulu Mat-5.187 Epälineaarisen elementtimenetelmän perusteet (Mikkola/Ärölä) 4. harjoituksen ratkaisut Teknillinen korkeakoulu Mat-5.187 Epälineaarisen elementtimenetelmän perusteet Mikkola/Ärölä 4. harjoituksen ratkaisut Teht. 1 Jacobin determinantin J det F materiaalisen aikaderivaatan laskemiseksi lasketaan

Lisätiedot

kaikille a R. 1 (R, +) on kommutatiivinen ryhmä, 2 a(b + c) = ab + ac ja (b + c)a = ba + ca kaikilla a, b, c R, ja

kaikille a R. 1 (R, +) on kommutatiivinen ryhmä, 2 a(b + c) = ab + ac ja (b + c)a = ba + ca kaikilla a, b, c R, ja Renkaat Tarkastelemme seuraavaksi rakenteita, joissa on määritelty kaksi binääristä assosiatiivista laskutoimitusta, joista toinen on kommutatiivinen. Vaadimme muuten samat ominaisuudet kuin kokonaisluvuilta,

Lisätiedot

Matriisialgebra harjoitukset, syksy 2015

Matriisialgebra harjoitukset, syksy 2015 Matriisialgebra harjoitukset, syksy 25 MATRIISIALGEBRA, s. 25, Ratkaisuja/ M.Hamina 2. Virittääkö vektorijoukko S vektoriavaruuden V seuraavissa tapauksissa. a V = R 3 ja S = {(, 4,3,(,3,,(3, 5,,(,2, 2}.

Lisätiedot

Kaikkia alla olevia kohtia ei käsitellä luennoilla kokonaan, koska osa on ennestään lukiosta tuttua.

Kaikkia alla olevia kohtia ei käsitellä luennoilla kokonaan, koska osa on ennestään lukiosta tuttua. 6 Alkeisfunktiot Kaikkia alla olevia kohtia ei käsitellä luennoilla kokonaan, koska osa on ennestään lukiosta tuttua. 6. Funktion määrittely Funktio f : A B on sääntö, joka liittää jokaiseen joukon A alkioon

Lisätiedot

Preliminäärikoe Tehtävät Pitkä matematiikka 4.2.2014 1 / 3

Preliminäärikoe Tehtävät Pitkä matematiikka 4.2.2014 1 / 3 Preliminäärikoe Tehtävät Pitkä matematiikka / Kokeessa saa vastata enintään kymmeneen tehtävään Tähdellä (* merkittyjen tehtävien maksimipistemäärä on 9, muiden tehtävien maksimipistemäärä on 6 Jos tehtävässä

Lisätiedot

Preliminäärikoe Pitkä Matematiikka 3.2.2009

Preliminäärikoe Pitkä Matematiikka 3.2.2009 Preliminäärikoe Pitkä Matematiikka..9 x x a) Ratkaise yhtälö =. 4 b) Ratkaise epäyhtälö x > x. c) Sievennä lauseke ( a b) (a b)(a+ b).. a) Osakkeen kurssi laski aamupäivällä,4 % ja keskipäivällä 5,6 %.

Lisätiedot

4 Kysyntä, tarjonta ja markkinatasapaino (Mankiw & Taylor, 2 nd ed., chs 4-5)

4 Kysyntä, tarjonta ja markkinatasapaino (Mankiw & Taylor, 2 nd ed., chs 4-5) 4 Kysyntä, tarjonta ja markkinatasapaino (Mankiw & Taylor, 2 nd ed., chs 4-5) Opimme tässä ja seuraavissa luennoissa että markkinat ovat hyvä tapa koordinoida taloudellista toimintaa (mikä on yksi taloustieteen

Lisätiedot

Harjoitus 3 (31.3.2015)

Harjoitus 3 (31.3.2015) Harjoitus (..05) Tehtävä Olkoon kaaren paino c ij suurin sallittu korkeus tieosuudella (i,j). Etsitään reitti solmusta s solmuun t siten, että reitin suurin sallittu korkeus pienimmillään olisi mahdollisimman

Lisätiedot

Outoja funktioita. 0 < x x 0 < δ ε f(x) a < ε.

Outoja funktioita. 0 < x x 0 < δ ε f(x) a < ε. Outoja funktioita Differentiaalilaskentaa harjoitettiin miltei 200 vuotta ennen kuin sen perustana olevat reaaliluvut sekä funktio ja sen raja-arvo määriteltiin täsmällisesti turvautumatta geometriseen

Lisätiedot

Helsingin, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 9.6.2014 klo 10 13

Helsingin, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 9.6.2014 klo 10 13 Helsingin, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 9.6.014 klo 10 13 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt: x + a) 3 x + 1 > 0 c) x x + 1 = 1 x 3 4 b) e x + e x 3

Lisätiedot

Derivaatan sovelluksia

Derivaatan sovelluksia Derivaatan sovelluksia Derivaatta muutosnopeuden mittarina Tehdään monisteen esimerkistä 5 hiukan mutkikkaampi versio Olete- taan, että meillä on mpräpohjaisen kartion muotoinen astia, johon virtaa vettä

Lisätiedot

Pythagoraan polku 16.4.2011

Pythagoraan polku 16.4.2011 Pythagoraan polku 6.4.20. Todista väittämä: Jos tasakylkisen kolmion toista kylkeä jatketaan omalla pituudellaan huipun toiselle puolelle ja jatkeen päätepiste yhdistetään kannan toisen päätepisteen kanssa,

Lisätiedot

Kansainväliset matematiikkaolympialaiset 2008

Kansainväliset matematiikkaolympialaiset 2008 Kansainväliset matematiikkaolympialaiset 2008 Tehtävät ja ratkaisuhahmotelmat 1. Teräväkulmaisen kolmion ABC korkeusjanojen leikkauspiste on H. Pisteen H kautta kulkeva ympyrä, jonka keskipiste on sivun

Lisätiedot

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio:

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio: Inversio-ongelmista Craig, Brown: Inverse problems in astronomy, Adam Hilger 1986. Havaitaan oppositiossa olevaa asteroidia. Pyörimisestä huolimatta sen kirkkaus ei muutu. Projisoitu pinta-ala pysyy ilmeisesti

Lisätiedot