Numeeriset menetelmät

Koko: px
Aloita esitys sivulta:

Download "Numeeriset menetelmät"

Transkriptio

1 Numeeriset menetelmät Luento 14 To Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 14 To p. 1/39 p. 1/39

2 Nopeat Fourier-muunnokset Diskreetti Fourier-muunnos ˆf k = 1 N 1 N j=0 f j w kj N, w N = e i2π/n Yleinen algoritmi tapaukselle N = N 1 N 2 Määritellään j ja k uudelleen j = N 1 j 2 + j 1, k = N 2 k 1 + k 2 missä j 1, k 1 = 0, 1,..., N 1 1 ja j 2, k 2 = 0, 1,..., N 2 1 Numeeriset menetelmät Syksy 2011 Luento 14 To p. 2/39 p. 2/39

3 Yleinen algoritmi ˆf N2 k 1 +k 2 = 1 N 1 1 N1 ( j 1 =0 kiertokerroin N N2 {}}{ w k 2j 1 N j 2 =0 ) f N1 j 2 +j 1 w k 2j 2 N 2 }{{} N 2 :n pisteen diskr. Fourier-muunnos w k 1j 1 N 1 } {{ } N 1 :n pisteen diskr. Fourier-muunnos Numeeriset menetelmät Syksy 2011 Luento 14 To p. 3/39 p. 3/39

4 Kaksikantainen algoritmi ˆf N2 k 1 +k 2 = 1 N 1 1 N1 ( j 1 =0 w k 2j 1 N N N2 Olkoon N = 2 n jollain n j 2 =0 ) f N1 j 2 +j 1 w k 2j 2 N 2 Asetetaan N 1 = 2 ja N 2 = N/2 = 2 n 1 = M w k 1j 1 N 1 Siis pisteistö f j jaetaan kahteen osaan: Parilliset f 2j ja parittomat f 2j+1 omiin ryhmiinsä Numeeriset menetelmät Syksy 2011 Luento 14 To p. 4/39 p. 4/39

5 Kaksikantainen algoritmi ˆf Mk1 +k 2 = j 1 =0 ( w k 2j 1 N M 1 1 M j 2 =0 f 2j2 +j 1 w k 2j 2 M ) w k 1j 1 2 missä k 1 = 0, 1 ja k 2 = 0, 1,..., M 1 { w k e 0 = 1, k 1 1 = 0 2 = e iπ = 1, k 1 = 1 Numeeriset menetelmät Syksy 2011 Luento 14 To p. 5/39 p. 5/39

6 Kaksikantainen algoritmi Tapaus k 1 = 0: [( ˆf k = 1 M M + w k N j=0 ( missä k = 0, 1,..., M 1 (Merkitty k = k 2 ja j = j 2 ) f 2j w kj M M 1 1 M j=0 ) f 2j+1 w kj M )] Numeeriset menetelmät Syksy 2011 Luento 14 To p. 6/39 p. 6/39

7 Kaksikantainen algoritmi Tapaus k 1 = 1: [( ˆf M+k = 1 M M w k N j=0 ( missä k = 0, 1,..., M 1 (Merkitty k = k 2 ja j = j 2 ) f 2j w kj M M 1 1 M j=0 ) f 2j+1 w kj M )] Numeeriset menetelmät Syksy 2011 Luento 14 To p. 7/39 p. 7/39

8 Kaksikantainen algoritmi Aikaharvennus (decimation on time): Kaksi N/2:n pisteen muunnosta Kerrotaan N/2 kertaa kiertokertoimilla Suoritetaan N yhteenlaskua Kerrotaan N kertaa vakiolla 1/ 2 Pisteiden f j skaalaus Numeeriset menetelmät Syksy 2011 Luento 14 To p. 8/39 p. 8/39

9 Kaksikantainen algoritmi Sama molemmille N/2:n pisteen muunnoksille: Neljä N/4:n pisteen muunnosta Kerrotaan 2 N/4 = N/2 kertaa kiertokert. Suoritetaan 2 N/2 = N yhteenlaskua Yleisesti rekursiotasolla m: 2 m kpl 2 n m :n pisteen muunnosta N/2 kertolaskua N yhteenlaskua Numeeriset menetelmät Syksy 2011 Luento 14 To p. 9/39 p. 9/39

10 Kaksikantainen algoritmi Viimeisellä tasolla m = n = log 2 N: N kpl yhden pisteen muunnosta (triviaaleja) N/2 kertolaskua N yhteenlaskua Yhteensä: (N/2) log 2 N kertolaskua N log 2 N yhteenlaskua (Lisäksi skaalaukset: N kertolaskua) O(N log N) Numeeriset menetelmät Syksy 2011 Luento 14 To p. 10/39 p. 10/39

11 Kaksikantainen algoritmi Toinen muoto: Asetetaan N 1 = N/2 = 2 n 1 = M ja N 2 = 2 Siis pisteistö f j jaetaan kahteen osaan: Alkuosa f j ja loppuosa f M+j omiin ryhmiinsä... Taajuusharvennus (decimation on frequency): Suoritetaan N yhteenlaskua Kerrotaan N/2 kertaa kiertokertoimilla Kaksi N/2:n pisteen muunnosta Numeeriset menetelmät Syksy 2011 Luento 14 To p. 11/39 p. 11/39

12 Kaksikantainen algoritmi Triviaalit kertolaskut: Kerrotaan vakiolla +1, 1, +i tai i Ensimmäisellä tasolla kiertokertoimet ovat w2 k = e kiπ = ( 1) k Toisella tasolla kiertokertoimet ovat w4 k = e kiπ/2 = ( i) k Jne. Yhteensä triviaaleja kertolaskuja 3N/2 2 kpl Numeeriset menetelmät Syksy 2011 Luento 14 To p. 12/39 p. 12/39

13 Korkeampikantaiset algoritmit Nelikantainen algoritmi: Oletetaan, että N = 4 n/2 parillisella n Asetetaan N 1 = 4 ja N 2 = N/4 = 4 n/2 1 Vastaavasti 8- ja 16-kantaiset algoritmit Vaihtuvakantaiset algoritmit: Esimerkiksi, jos N = 32 = Kaksi askelta nelikantaisella, yksi askel kaksikantaisella Numeeriset menetelmät Syksy 2011 Luento 14 To p. 13/39 p. 13/39

14 Tietokonetoteutus Rekursiotaso m = 0, 1,..., n (n = log 2 N) Taso m = 0: Alustusaskel, jolla suoritetaan triviaalit yhden pisteen muunnokset ˆf 0 = f 0 Taso m = n: Lopetustaso, jolla muodostetaan lopullinen muunnos ˆf k, k = 0, 1,..., N 1 Kullakin tasolla: N 2 m ja M 2 m 1 wn k w k 2 = e m ki2π/2m = w kn/2m (missä w on alkuperäinen w = w N ) Numeeriset menetelmät Syksy 2011 Luento 14 To p. 14/39 p. 14/39

15 Tietokonetoteutus Tasolla m laskettavat osamuunnokset missä j = 0, 1,..., 2 n m 1 osamuunnoksen järjestysnumero ˆf [m] j,k, k = 0, 1,..., 2 m 1 pisteen järjestysnumero muunnoksessa Skaalaus Joko: Aluksi f j skaalataan vakiolla 1/ N Tai: Lopuksi ˆfk skaalataan vakiolla 1/ N Numeeriset menetelmät Syksy 2011 Luento 14 To p. 15/39 p. 15/39

16 Tietokonetoteutus (algoritmi) 1. (Alustus) Asetetaan j = 0, 1,..., N 1 ˆf [0] j,0 = f j, missä 2. Arvoilla m = 1, 2,..., n lasketaan ˆf [m] j,k ˆf [m] j,2 m 1 +k = ˆf [m 1] j,k = ˆf [m 1] j,k kn/2m + w ˆf[m 1] 2 n m +j,k kn/2m w ˆf[m 1] 2 n m +j,k missä j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m (Lopetus) Asetetaan ˆf k = k = 0, 1,..., N 1 ˆf [n] 0,k, missä Numeeriset menetelmät Syksy 2011 Luento 14 To p. 16/39 p. 16/39

17 Tietokonetoteutus Tasolla m: Lasketaan N kpl pisteitä ˆf [m] j,k Käytetään vain tason m 1 pisteitä Riittää yksi työtilavektori: Lasketaan työtilavektoriin ˆf [m] j,k Siirretään ne varsinaiseen tallennusvektoriin vanhojen tilalle ˆf [m 1] j,k Numeeriset menetelmät Syksy 2011 Luento 14 To p. 17/39 p. 17/39

18 Tietokonetoteutus Tallennus vektoriin kuvauksen l avulla: [m] ˆf j,k tallennetaan indeksillä l(m, j, k) Kuvaukselta l vaaditaan: l(m, j, k) käy läpi {0, 1,..., N 1}, kun j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m 1 Lisäksi olisi hyvä jos: Alkupisteistö f j oikeassa järjestyksessä l(0, j, 0) = j kaikilla j = 0, 1,..., N 1 Loppupisteistö ˆf k oikeassa järjestyksessä l(n, 0, k) = k kaikilla k = 0, 1,..., N 1 Numeeriset menetelmät Syksy 2011 Luento 14 To p. 18/39 p. 18/39

19 Tietokonetoteutus Yksinkertaisin kuvaus, joka toteuttaa edellä mainitut ehdot: l(m, j, k) = j2 m + k Mutta: Tällöin tasolla m tarvitaan välttämättä N:n pituinen työtilavektori Kuvaus l voidaan määritellä siten, että tasolla m tarvitaan työtilaa vain kahdelle pisteelle: Lasketaan pisteet ˆf [m 1] 2 n m +j,k ˆf [m] j,k ja ˆf [m] j,2 m 1 +k Sijoitetaan arvot heti vanhojen pisteiden [m 1] ja ˆf 2 n m +j,k tilalle Numeeriset menetelmät Syksy 2011 Luento 14 To p. 19/39 p. 19/39

20 Tietokonetoteutus l(m, j, k) = l(m 1, j, k) l(m, j, 2 m 1 + k) = l(m 1, 2 n m + j, k) kun j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m 1 1 Mutta: Tällöin molemmat ehdot l(0, j, 0) = j kaikilla j = 0, 1,..., N 1 l(n, 0, k) = k kaikilla k = 0, 1,..., N 1 eivät voi olla voimassa samanaikaisesti Numeeriset menetelmät Syksy 2011 Luento 14 To p. 20/39 p. 20/39

21 Tietokonetoteutus Valitaan: Alkupisteistö f j oikeassa järjestyksessä l(0, j, 0) = j kaikilla j = 0, 1,..., N 1 Merkitään: k = m 1 i=0 k i2 i, missä k i {0, 1} (k i :t ovat indeksin k bitit binääriesityksessä) Määritellään: b m (k) = m 1 i=0 k m i 12 i (b m kääntää bitit päinvastaiseen järjestykseen) Numeeriset menetelmät Syksy 2011 Luento 14 To p. 21/39 p. 21/39

22 Tietokonetoteutus l(m, j, k) = l(m 1, j, k) l(m, j, 2 m 1 + k) = l(m 1, 2 n m + j, k) kun j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m 1 1 l(m, j, k) = l(m 1, j + k m 1 2 n m, m 2 i=0 k i2 i ) kun j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m 1 Numeeriset menetelmät Syksy 2011 Luento 14 To p. 22/39 p. 22/39

23 Tietokonetoteutus l(m,j, k) = l(m 1, j + k m 1 2 n m, m 2 i=0 k i2 i ) = l(m 2, j + k m 1 2 n m + k m 2 2 n m+1, m 3 i=0 k i2 i ) = = l(0, j + k m 1 2 n m + + k 0 2 n 1, 0) = l(0, j + 2 n m m 1 i=0 k m i 12 i, 0) = l(0, j + 2 n m b m (k), 0) = j + 2 n m b m (k) [koska l(0, j, 0) = j j] Numeeriset menetelmät Syksy 2011 Luento 14 To p. 23/39 p. 23/39

24 Tietokonetoteutus l(m, j, k) = j + 2 n m b m (k) l(n, 0, k) = b n (k) kaikilla k = 0, 1,..., N 1 Jos alkupisteistö f j on oikeassa järjestyksessä, loppupisteistö ˆf k saadaan bittikäänteisessä järjestyksessä (bit-reversed order) Numeeriset menetelmät Syksy 2011 Luento 14 To p. 24/39 p. 24/39

25 Tietokonetoteutus l(m, j, k) = j + 2 n m b m (k) l(m 1, j, k) = j + 2 n m+1 b m 1 (k) l(m 1, 2 n m + j, k) = 2 n m + j + 2 n m+1 b m 1 (k) Lisäksi: k voidaan korvata b m 1 (k):lla (samantekevää, missä järjestyksessä indeksit käydään läpi) Numeeriset menetelmät Syksy 2011 Luento 14 To p. 25/39 p. 25/39

26 p. 26/39 Algoritmi (versio 1) do j = 0,N 1 A(j) := f j / N end do do m = 1,n do k = 0, 2 m 1 1 α := w b m 1(k)N/2 m do j = 0, 2 n m 1 u := A(j + 2 n m+1 k) v := αa(2 n m + j + 2 n m+1 k) A(j + 2 n m+1 k) := u + v A(2 n m + j + 2 n m+1 k) := u v end do end do end do do k = 0,N 1 ˆf k := A ( b n (k) ) end do Numeeriset menetelmät Syksy 2011 Luento 14 To p. 26/39

27 Tietokonetoteutus (toinen muoto) Valitaan: Loppupisteistö ˆf k järjestyksessä l(n, 0, k) = k kaikilla k = 0, 1,..., N 1... l(m 1, j, k) = k + 2 m 1 b n m+1 (j) l(0, j, 0) = b n (j) kaikilla j = 0, 1,..., N 1 Jos alkupisteistö f j on bittikäänteisessä järjestyksessä, loppupisteistö ˆf k saadaan oikeassa järjestyksessä Numeeriset menetelmät Syksy 2011 Luento 14 To p. 27/39 p. 27/39

28 p. 28/39 Algoritmi (versio 2) do j = 0,N 1 A ( b n (j) ) := f j end do do m = 1,n do k = 0, 2 m 1 1 α := w kn/2m do j = 0, 2 n m 1 u := A(k + 2 m j) v := αa(2 m 1 + k + 2 m j) A(k + 2 m j) := u + v A(2 m 1 + k + 2 m j) := u v end do end do end do do k = 0,N 1 ˆf k := A(k)/ N end do Numeeriset menetelmät Syksy 2011 Luento 14 To p. 28/39

29 Algoritmit Versio 1: Kiertokerrointa laskettaessa tehdään bitinkääntö Versio 2: Rekursiosilmukassa ei bitinkääntöä Numeeriset menetelmät Syksy 2011 Luento 14 To p. 29/39 p. 29/39

30 Algoritmien toiminta Numeeriset menetelmät Syksy 2011 Luento 14 To p. 30/39 p. 30/39

31 Tenttivinkit Luku 1 Absoluuttinen ja suhteellinen virhe Oikeat desimaalit ja merkitsevät numerot Hyvin/huonosti asetetut tehtävät Numeerinen stabiilisuus Häiriöalttius, määritelmä ja soveltaminen Demot 1.2, 1.3 Numeeriset menetelmät Syksy 2011 Luento 14 To p. 31/39 p. 31/39

32 Tenttivinkit Luku 2 Iteratiivisten menetelmien konvergenssi Puolitushaku, kiintopistemenetelmä, Newtonin menetelmä Polynomit ja Hornerin menetelmä Newtonin menetelmä polynomeille (kaikkien juurien löytäminen) Demot 1.4, 1.5 Numeeriset menetelmät Syksy 2011 Luento 14 To p. 32/39 p. 32/39

33 Tenttivinkit Luku 3 Suorat ja iteratiiviset menetelmät Positiivisesti definiitit matriisit LU-hajotelma: johtaminen yhtälöstä A = LU Choleskyn hajotelma: johtaminen yhtälöstä A = LL T Yhtälöryhmän ratkaiseminen hajotelman avulla Matriisin häiriöalttius Demot 2.2, 2.3 Numeeriset menetelmät Syksy 2011 Luento 14 To p. 33/39 p. 33/39

34 Tenttivinkit Luku 4 Ominaisarvot ja ominaisvektorit Potenssiinkorotusmenetelmät (perusideat) Similaariset matriisit QR-menetelmä (perusidea) Demo 3.4 Numeeriset menetelmät Syksy 2011 Luento 14 To p. 34/39 p. 34/39

35 Tenttivinkit Luku 5 Interpolaatiopolynomin Lagrangen muoto Interpolaatiopolynomin Newtonin muoto Splinit, luonnollinen kuutiosplini Interpolointi kuutiosplinillä (pääkohdat) Pienimmän neliön/neliösumman approksimointi (perusideat) Demot 4.1, 4.2, 4.4, 4.5 Numeeriset menetelmät Syksy 2011 Luento 14 To p. 35/39 p. 35/39

36 Tenttivinkit Luku 6 Puolisuunnikassääntö, Simpsonin kaava, keskipistesääntö Integrointi osaväleittäin Adaptiiviset integrointialgoritmit (perusidea) Differenssiapproksimaatiot: etenevä, takeneva, keskeisdifferenssi Demot 5.3, 6.2 Numeeriset menetelmät Syksy 2011 Luento 14 To p. 36/39 p. 36/39

37 Tenttivinkit Luku 7 Alkuarvotehtävät Yksiaskel- ja moniaskelmenetelmät Eulerin menetelmä, implisiittinen Eulerin menetelmä Ennustus-korjaus-menetelmät Demot 6.4, 6.5 Numeeriset menetelmät Syksy 2011 Luento 14 To p. 37/39 p. 37/39

38 Tenttivinkit FFT Diskreetti Fourier-muunnos Lineaarisuus ja normin säilyminen (lauseet 2.2 ja 2.3) Nopeat Fourier-muunnokset, yleinen algoritmi (perusidea) Numeeriset menetelmät Syksy 2011 Luento 14 To p. 38/39 p. 38/39

39 Onnea tenttiin! Numeeriset menetelmät Syksy 2011 Luento 14 To p. 39/39 p. 39/39

Numeeriset menetelmät TIEA381. Luento 14. Kirsi Valjus. Jyväskylän yliopisto. Luento 14 () Numeeriset menetelmät / 55

Numeeriset menetelmät TIEA381. Luento 14. Kirsi Valjus. Jyväskylän yliopisto. Luento 14 () Numeeriset menetelmät / 55 Numeeriset menetelmät TIEA381 Luento 14 Kirsi Valjus Jyväskylän yliopisto Luento 14 () Numeeriset menetelmät 15.5.2013 1 / 55 Luennon 14 sisältö Nopeat Fourier-muunnokset (FFT) Yleinen algoritmi 2-kantainen

Lisätiedot

Nopeat Fourier-muunnokset

Nopeat Fourier-muunnokset opeat Fourier-muunnokset Timo ännikkö 1 Fourier-analyysin alkeita 1.1 Fourier-sarjat Olkoon f koko R:ssä määritelty kuvaus siten, että se on integroituva välillä ] π, π[ ja lisäksi -jaksollinen, ts. fx

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 13 Ti 18.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 13 Ti 18.10.2011 p. 1/43 p. 1/43 Nopeat Fourier-muunnokset Fourier-sarja: Jaksollisen funktion esitys

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 4 To 15.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 4 To 15.9.2011 p. 1/38 p. 1/38 Lineaarinen yhtälöryhmä Lineaarinen yhtälöryhmä matriisimuodossa Ax = b

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 5 Ti 20.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 5 Ti 20.9.2011 p. 1/40 p. 1/40 Choleskyn menetelmä Positiivisesti definiiteillä matriiseilla kolmiohajotelma

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 12 To 13.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 12 To 13.10.2011 p. 1/38 p. 1/38 Tavalliset differentiaaliyhtälöt Yhtälöissä tuntematon funktio Tavalliset

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 13. Kirsi Valjus. Jyväskylän yliopisto. Luento 13 () Numeeriset menetelmät / 42

Numeeriset menetelmät TIEA381. Luento 13. Kirsi Valjus. Jyväskylän yliopisto. Luento 13 () Numeeriset menetelmät / 42 Numeeriset menetelmät TIEA381 Luento 13 Kirsi Valjus Jyväskylän yliopisto Luento 13 () Numeeriset menetelmät 8.5.2013 1 / 42 Luennon 13 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Moniaskelmenetelmien

Lisätiedot

(0 desimaalia, 2 merkitsevää numeroa).

(0 desimaalia, 2 merkitsevää numeroa). NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 7 Ti 27.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 7 Ti 27.9.2011 p. 1/39 p. 1/39 Interpolointi Ei tunneta funktion f : R R lauseketta, mutta tiedetään funktion

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

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 3 Ti 13.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 3 Ti 13.9.2011 p. 1/37 p. 1/37 Epälineaariset yhtälöt Newtonin menetelmä: x n+1 = x n f(x n) f (x n ) Sekanttimenetelmä:

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33 Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 11 Ti 11.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 11 Ti 11.10.2011 p. 1/34 p. 1/34 Automaattiset integrointialgoritmit Numeerisen integroinnin tarkkuuteen

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 7. Kirsi Valjus. Jyväskylän yliopisto. Luento 7 () Numeeriset menetelmät / 43

Numeeriset menetelmät TIEA381. Luento 7. Kirsi Valjus. Jyväskylän yliopisto. Luento 7 () Numeeriset menetelmät / 43 Numeeriset menetelmät TIEA381 Luento 7 Kirsi Valjus Jyväskylän yliopisto Luento 7 () Numeeriset menetelmät 10.4.2013 1 / 43 Luennon 7 sisältö Interpolointi ja approksimointi Interpolaatiovirheestä Paloittainen

Lisätiedot

BM20A1501 Numeeriset menetelmät 1 - AIMO

BM20A1501 Numeeriset menetelmät 1 - AIMO 6. marraskuuta 2014 Opetusjärjestelyt Luennot + Harjoitukset pe 7.11.2014 10-14 2310, 14-17 7337 la 8.11.2014 9-12 2310, 12-16 7337 pe 14.11.2014 10-14 2310, 14-17 6216 la 15.11.2014 9-12 2310, 12-16 7337

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28

Numeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28 Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 11. Kirsi Valjus. Jyväskylän yliopisto. Luento 11 () Numeeriset menetelmät / 37

Numeeriset menetelmät TIEA381. Luento 11. Kirsi Valjus. Jyväskylän yliopisto. Luento 11 () Numeeriset menetelmät / 37 Numeeriset menetelmät TIEA381 Luento 11 Kirsi Valjus Jyväskylän yliopisto Luento 11 () Numeeriset menetelmät 24.4.2013 1 / 37 Luennon 11 sisältö Numeerisesta integroinnista ja derivoinnista Adaptiiviset

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 2 To 8.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 2 To 8.9.2011 p. 1/33 p. 1/33 Lukujen tallennus Kiintoluvut (integer) tarkka esitys aritmeettiset operaatiot

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 4. Kirsi Valjus. Jyväskylän yliopisto. Luento 4 () Numeeriset menetelmät / 44

Numeeriset menetelmät TIEA381. Luento 4. Kirsi Valjus. Jyväskylän yliopisto. Luento 4 () Numeeriset menetelmät / 44 Numeeriset menetelmät TIEA381 Luento 4 Kirsi Valjus Jyväskylän yliopisto Luento 4 () Numeeriset menetelmät 21.3.2013 1 / 44 Luennon 4 sisältö Lineaarisen yhtälöryhmän ratkaisemisesta: Choleskyn menetelmä

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 3. Kirsi Valjus. Jyväskylän yliopisto. Luento 3 () Numeeriset menetelmät / 45

Numeeriset menetelmät TIEA381. Luento 3. Kirsi Valjus. Jyväskylän yliopisto. Luento 3 () Numeeriset menetelmät / 45 Numeeriset menetelmät TIEA381 Luento 3 Kirsi Valjus Jyväskylän yliopisto Luento 3 () Numeeriset menetelmät 20.3.2013 1 / 45 Luennon 3 sisältö Luku 2: Epälineaarisen yhtälön ratkaiseminen Polynomin reaaliset

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

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35 Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 10 To 6.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 10 To 6.10.2011 p. 1/35 p. 1/35 Numeerinen integrointi Puolisuunnikassääntö b a f(x)dx = h 2 (f 0 + f

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

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33 Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen

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

Mat / Mat Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 42, loppuviikko, syksy 2008

Mat / Mat Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 42, loppuviikko, syksy 2008 Mat-.3 / Mat-.33 Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 4, loppuviikko, syksy 8 Ennen malliratkaisuja, muistin virkistämiseksi kaikkien rakastama osittaisintegroinnin kaava: b a u(tv (t

Lisätiedot

Numeerinen integrointi ja derivointi

Numeerinen integrointi ja derivointi Numeerinen integrointi ja derivointi Keijo Ruotsalainen Division of Mathematics Interpolaatiokaavat Approksimoitava integraali I = b a f(x)dx. Tasavälinen hila: x i = a+ (b a)i n, i = 0,...,n Funktion

Lisätiedot

Funktioiden approksimointi ja interpolointi

Funktioiden approksimointi ja interpolointi Funktioiden approksimointi ja interpolointi Keijo Ruotsalainen Division of Mathematics interpolaatio-ongelma 8 Eksponenttifunktion exp(x) interpolointi 3.5 Funktion e^{0.25x} \sin(x) interpolointi 7 3

Lisätiedot

Matriisilaskenta Luento 8: LU-hajotelma

Matriisilaskenta Luento 8: LU-hajotelma Matriisilaskenta Luento 8: LU-hajotelma Antti Rasila 2016 Matriisihajotelmat 1/2 Usein matriisiyhtälön Ax = y ratkaiseminen on epäkäytännöllistä ja hidasta. Siksi numeerisessa matriisilaskennassa usein

Lisätiedot

Matriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit

Matriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit Matriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit Antti Rasila 2016 Ominaisarvot ja ominaisvektorit 1/5 Määritelmä Skalaari λ C on matriisin A C n n ominaisarvo ja vektori v C n sitä

Lisätiedot

Juuri 12 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

Juuri 12 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus K. a) Polynomi P() = 3 + 8 on jaollinen polynomilla Q() = 3, jos = 3 on polynomin P nollakohta, eli P(3) = 0. P(3) = 3 3 3 + 8 3 = 54 08 + 54 = 0. Polynomi P on jaollinen polynomilla Q. b) Jaetaan

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

5 Ominaisarvot ja ominaisvektorit

5 Ominaisarvot ja ominaisvektorit 5 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin A

Lisätiedot

Lineaarikuvauksen R n R m matriisi

Lineaarikuvauksen R n R m matriisi Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille

Lisätiedot

Matemaattinen Analyysi / kertaus

Matemaattinen Analyysi / kertaus Matemaattinen Analyysi / kertaus Ensimmäinen välikoe o { 2x + 3y 4z = 2 5x 2y + 5z = 7 ( ) x 2 3 4 y = 5 2 5 z ) ( 3 + y 2 ( 2 x 5 ( 2 7 ) ) ( 4 + z 5 ) = ( 2 7 ) yhteys determinanttiin Yhtälöryhmän ratkaiseminen

Lisätiedot

Juuri 12 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

Juuri 12 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Juuri Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 7.5.08 Kertaus K. a) Polynomi P() = + 8 on jaollinen polynomilla Q() =, jos = on polynomin P nollakohta, eli P() = 0. P() = + 8 = 54 08 +

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 2. Kirsi Valjus. Jyväskylän yliopisto. Luento 2 () Numeeriset menetelmät / 39

Numeeriset menetelmät TIEA381. Luento 2. Kirsi Valjus. Jyväskylän yliopisto. Luento 2 () Numeeriset menetelmät / 39 Numeeriset menetelmät TIEA381 Luento 2 Kirsi Valjus Jyväskylän yliopisto Luento 2 () Numeeriset menetelmät 14.3.2013 1 / 39 Luennon 2 sisältö Luvusta 1: Numeerinen stabiilisuus Liite A: Liukulukuaritmetiikasta

Lisätiedot

1 Ominaisarvot ja ominaisvektorit

1 Ominaisarvot ja ominaisvektorit 1 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) 1 missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin

Lisätiedot

13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle

13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle 13. Taylorin polynomi; funktioiden approksimoinnista 13.1. Taylorin polynomi 552. Muodosta funktion f (x) = x 4 + 3x 3 + x 2 + 2x + 8 kaikki Taylorin polynomit T k (x, 2), k = 0,1,2,... (jolloin siis potenssien

Lisätiedot

k=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu

k=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu LIS AYKSI A kirjaan Reaalimuuttujan analyysi 1.6. Numeerinen integrointi: Gaussin kaavat Edella kasitellyt numeerisen integroinnin kaavat eli kvadratuurikaavat Riemannin summa, puolisuunnikassaanto ja

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 7 8

Inversio-ongelmien laskennallinen peruskurssi Luento 7 8 Inversio-ongelmien laskennallinen peruskurssi Luento 7 8 Kevät 2011 1 Iteratiivisista menetelmistä Tähän mennessä on tarkasteltu niin sanottuja suoria menetelmiä, joissa (likimääräinen) ratkaisu saadaan

Lisätiedot

Ominaisarvot ja ominaisvektorit 140 / 170

Ominaisarvot ja ominaisvektorit 140 / 170 Ominaisarvot ja ominaisvektorit 140 / 170 Seuraavissa luvuissa matriisit ja vektori ajatellaan kompleksisiksi, ts. kertojakuntana oletetaan olevan aina kompleksilukujoukko C Huomaa, että reaalilukujoukko

Lisätiedot

Tee kokeen yläreunaan pisteytysruudukko. Valitse kuusi tehtävää seuraavista kahdeksasta. Perustele vastauksesi!

Tee kokeen yläreunaan pisteytysruudukko. Valitse kuusi tehtävää seuraavista kahdeksasta. Perustele vastauksesi! MAA Loppukoe 70 Jussi Tyni Tee pisteytysruudukko konseptin yläreunaan! Vastauksiin välivaiheet, jotka perustelevat vastauksesi! Lue ohjeet huolellisesti! Tee kokeen yläreunaan pisteytysruudukko Valitse

Lisätiedot

Algoritmit 2. Luento 8 To Timo Männikkö

Algoritmit 2. Luento 8 To Timo Männikkö Algoritmit 2 Luento 8 To 4.4.2019 Timo Männikkö Luento 8 Algoritmien analysointi Algoritmien suunnittelu Rekursio Osittaminen Rekursioyhtälöt Rekursioyhtälön ratkaiseminen Master-lause Algoritmit 2 Kevät

Lisätiedot

Ominaisvektoreiden lineaarinen riippumattomuus

Ominaisvektoreiden lineaarinen riippumattomuus Ominaisvektoreiden lineaarinen riippumattomuus Lause 17 Oletetaan, että A on n n -matriisi. Oletetaan, että λ 1,..., λ m ovat matriisin A eri ominaisarvoja, ja oletetaan, että v 1,..., v m ovat jotkin

Lisätiedot

Ominaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3.

Ominaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3. Matematiikan ja tilastotieteen laitos Lineaarialgebra ja matriisilaskenta II Ylimääräinen harjoitus 6 Ratkaisut A:n karakteristinen funktio p A on λ p A (λ) det(a λi ) 0 λ ( λ) 0 5 λ λ 5 λ ( λ) (( λ) (

Lisätiedot

Konjugaattigradienttimenetelmä

Konjugaattigradienttimenetelmä Konjugaattigradienttimenetelmä Keijo Ruotsalainen Division of Mathematics Konjugaattigradienttimenetelmä Oletukset Matriisi A on symmetrinen: A T = A Positiivisesti definiitti: x T Ax > 0 kaikille x 0

Lisätiedot

Algoritmit 1. Luento 11 Ti Timo Männikkö

Algoritmit 1. Luento 11 Ti Timo Männikkö Algoritmit 1 Luento 11 Ti 14.2.2017 Timo Männikkö Luento 11 Algoritminen ongelmanratkaisu Osittaminen Lomituslajittelu Lomituslajittelun vaativuus Rekursioyhtälöt Pikalajittelu Algoritmit 1 Kevät 2017

Lisätiedot

Ratkaisuehdotukset LH 7 / vko 47

Ratkaisuehdotukset LH 7 / vko 47 MS-C34 Lineaarialgebra, II/7 Ratkaisuehdotukset LH 7 / vko 47 Tehtävä : Olkoot M R symmetrinen ja positiividefiniitti matriisi (i) Näytä, että m > ja m > (ii) Etsi Eliminaatiomatriisi E R siten, että [

Lisätiedot

Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja

Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja 7 NELIÖMATRIISIN DIAGONALISOINTI. Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T () Muistutus: Kokoa n olevien vektorien

Lisätiedot

Numeerinen integrointi

Numeerinen integrointi Numeerinen integrointi Analyyttisesti derivointi triviaalia, integrointi vaikeaa. Numeerisesti laskettaessa tilanne on päinvastainen. Integrointi on yhteenlaskua, joka on tasoittava operaatio: lähtötietojen

Lisätiedot

Ominaisarvo ja ominaisvektori

Ominaisarvo ja ominaisvektori Ominaisarvo ja ominaisvektori Määritelmä 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

Algoritmit C++ Kauko Kolehmainen

Algoritmit C++ Kauko Kolehmainen Algoritmit C++ Kauko Kolehmainen Algoritmit - C++ Kirjoittanut Taitto Kansi Kustantaja Kauko Kolehmainen Kauko Kolehmainen Frank Chaumont Oy Edita Ab IT Press PL 760 00043 EDITA Sähköpostiosoite Internet

Lisätiedot

Johdatus tekoälyn taustalla olevaan matematiikkaan

Johdatus tekoälyn taustalla olevaan matematiikkaan Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 5. luento.2.27 Lineaarialgebraa - Miksi? Neuroverkon parametreihin liittyvät kaavat annetaan monesti

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

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot

Lisätiedot

MS-C1420 Fourier-analyysi osa I

MS-C1420 Fourier-analyysi osa I 1 Johdanto MS-C142 Fourier-analyysi osa I G Gripenberg 2 Fourier-integraali Fourier-muunnos ja derivaatta Konvoluutio Fourier-käänteismuunnos eliöintegroituvat funktiot Aalto-yliopisto 29 tammikuuta 214

Lisätiedot

811312A Tietorakenteet ja algoritmit Kertausta kurssin alkuosasta

811312A Tietorakenteet ja algoritmit Kertausta kurssin alkuosasta 811312A Tietorakenteet ja algoritmit 2017-2018 Kertausta kurssin alkuosasta II Perustietorakenteet Pino, jono ja listat tunnettava Osattava soveltaa rakenteita algoritmeissa Osattava päätellä operaatioiden

Lisätiedot

Osoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.

Osoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa. LINEAARIALGEBRA Harjoituksia 2016 1. Olkoon V = R 2 varustettuna tavallisella yhteenlaskulla. Määritellään reaaliluvulla kertominen seuraavasti: λ (x 1, x 2 ) = (λx 1, 0) (x 1, x 2 ) R 2 ja λ R. Osoita,

Lisätiedot

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

1 Kertaus. Lineaarinen optimointitehtävä on muotoa: 1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n

Lisätiedot

MS-C1420 Fourier-analyysi osa I

MS-C1420 Fourier-analyysi osa I MS-C142 Fourier-analyysi osa I G. Gripenberg Aalto-yliopisto 29. tammikuuta 214 G. Gripenberg (Aalto-yliopisto) MS-C142 Fourier-analyysiosa I 29. tammikuuta 214 1 / 3 1 Johdanto 2 Fourier-integraali Fourier-muunnos

Lisätiedot

Muutoksen arviointi differentiaalin avulla

Muutoksen arviointi differentiaalin avulla Muutoksen arviointi differentiaalin avulla y y = f (x) y = f (x + x) f (x) dy y dy = f (x) x x x x x + x Luento 7 1 of 15 Matematiikan ja tilastotieteen laitos Turun yliopisto Muutoksen arviointi differentiaalin

Lisätiedot

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg Vaasan yliopisto, syksy 218 Lineaarialgebra II, MATH124 Matti laaksonen, Lassi Lilleberg Tentti T1, 284218 Ratkaise 4 tehtävää Kokeessa saa käyttää laskinta (myös graafista ja CAS-laskinta), mutta ei taulukkokirjaa

Lisätiedot

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä JYVÄSKYLÄN YLIOPISTO 4. Luennon sisältö Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi Lineaarinen optimointitehtävä Minimointitehtävä

Lisätiedot

f(x 1, x 2 ) = x x 1 k 1 k 2 k 1, k 2 x 2 1, 0 1 f(1, 1)h 1 = h = h 2 1, 1 12 f(1, 1)h 1 h 2

f(x 1, x 2 ) = x x 1 k 1 k 2 k 1, k 2 x 2 1, 0 1 f(1, 1)h 1 = h = h 2 1, 1 12 f(1, 1)h 1 h 2 HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 7 Harjoitus 6 Ratkaisuehdotukset 6.. Olkoon f : G R, G = {(x, x ) R x > }, f(x, x ) = x x. Etsi differentiaalit d k f(, ), k =,,. Ratkaisu:

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 14 R. Kangaslampi matriisiteoriaa Matriisinormi

Lisätiedot

f[x i ] = f i, f[x i,..., x j ] = f[x i+1,..., x j ] f[x i,..., x j 1 ] x j x i T n+1 (x) = 2xT n (x) T n 1 (x), T 0 (x) = 1, T 1 (x) = x.

f[x i ] = f i, f[x i,..., x j ] = f[x i+1,..., x j ] f[x i,..., x j 1 ] x j x i T n+1 (x) = 2xT n (x) T n 1 (x), T 0 (x) = 1, T 1 (x) = x. Kaavakokoelma f[x i ] = f i, f[x i,..., x j ] = f[x i+,..., x j ] f[x i,..., x j ] x j x i T n+ (x) = 2xT n (x) T n (x), T (x) =, T (x) = x. n I,n = h f(t i + h 2 ), E,n = h2 (b a) f (2) (ξ). 24 i= I,n

Lisätiedot

Matemaattinen Analyysi

Matemaattinen Analyysi Vaasan yliopisto, syksy 2016 / ORMS1010 Matemaattinen Analyysi 8. harjoitus, viikko 49 R1 to 12 14 F453 (8.12.) R2 to 14 16 F345 (8.12.) R3 ke 8 10 F345 (7.11.) 1. Määritä funktion f (x) = 1 Taylorin sarja

Lisätiedot

Johdatus tekoälyn taustalla olevaan matematiikkaan

Johdatus tekoälyn taustalla olevaan matematiikkaan Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 4. luento 24.11.2017 Neuroverkon opettaminen - gradienttimenetelmä Neuroverkkoa opetetaan syöte-tavoite-pareilla

Lisätiedot

Ominaisarvo-hajoitelma ja diagonalisointi

Ominaisarvo-hajoitelma ja diagonalisointi Ominaisarvo-hajoitelma ja a 1 Lause 1: Jos reaalisella n n matriisilla A on n eri suurta reaalista ominaisarvoa λ 1,λ 2,...,λ n, λ i λ j, kun i j, niin vastaavat ominaisvektorit x 1, x 2,..., x n muodostavat

Lisätiedot

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen

Lisätiedot

Luento 9: Newtonin iteraation sovellus: optimointiongelma

Luento 9: Newtonin iteraation sovellus: optimointiongelma Luento 9: Newtonin iteraation sovellus: optimointiongelma ilman rajoitusehtoja Optimointiongelmassa tehtävänä on löytää annetun reaaliarvoisen jatkuvan funktion f(x 1,x,,x n ) maksimi tai minimi jossain

Lisätiedot

Algoritmit 1. Luento 12 Ti Timo Männikkö

Algoritmit 1. Luento 12 Ti Timo Männikkö Algoritmit 1 Luento 12 Ti 19.2.2019 Timo Männikkö Luento 12 Osittamisen tasapainoisuus Pikalajittelun vaativuus Lajittelumenetelmien vaativuus Laskentalajittelu Lokerolajittelu Kantalukulajittelu Algoritmit

Lisätiedot

Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja

Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja Seuraavassa esitetään optimointitehtävien numeerisia ratkaisumenetelmiä, eli optimointialgoritmeja, keittokirjamaisesti.

Lisätiedot

MS-C1420 Fourier-analyysi osa I

MS-C1420 Fourier-analyysi osa I MS-C1420 Fourier-analyysi osa I G. Gripenberg Aalto-yliopisto 29. tammikuuta 2014 G. Gripenberg (Aalto-yliopisto) MS-C1420 Fourier-analyysiosa I 29. tammikuuta 2014 1 / 29 Fourier-muunnoksia Jatkuva-aikaisen

Lisätiedot

Shorin algoritmin matematiikkaa Edvard Fagerholm

Shorin algoritmin matematiikkaa Edvard Fagerholm Edvard Fagerholm 1 Määritelmiä Määritelmä 1 Ryhmä G on syklinen, jos a G s.e. G = a. Määritelmä 2 Olkoon G ryhmä. Tällöin alkion a G kertaluku ord(a) on pienin luku n N \ {0}, jolla a n = 1. Jos lukua

Lisätiedot

Paikannuksen matematiikka MAT

Paikannuksen matematiikka MAT TA M P E R E U N I V E R S I T Y O F T E C H N O L O G Y M a t h e m a t i c s Paikannuksen matematiikka MAT-45800 4..008. p.1/4 Käytännön järjestelyt Kotisivu: http://math.tut.fi/courses/mat-45800/ Luennot:

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 3

Inversio-ongelmien laskennallinen peruskurssi Luento 3 Inversio-ongelmien laskennallinen peruskurssi Luento 3 Kevät 2011 1 Singulaariarvohajotelma (Singular Value Decomposition, SVD) Olkoon A R m n matriisi 1. Tällöin A voidaan esittää muodossa A = UΣV T,

Lisätiedot

Matematiikka B3 - Avoin yliopisto

Matematiikka B3 - Avoin yliopisto 2. heinäkuuta 2009 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Lisäharjoitustehtävä Kurssin sisältö (1/2) 1. asteen Differentiaali yhtälöt (1.DY) Separoituva Ratkaisukaava Bernoyulli

Lisätiedot

Lineaarikuvausten. Lineaarikuvaus. Lineaarikuvauksia. Ydin. Matriisin ydin. aiheita. Aiheet. Lineaarikuvaus. Lineaarikuvauksen matriisi

Lineaarikuvausten. Lineaarikuvaus. Lineaarikuvauksia. Ydin. Matriisin ydin. aiheita. Aiheet. Lineaarikuvaus. Lineaarikuvauksen matriisi Lineaarikuvaukset aiheita ten ten 1 Matematiikassa sana lineaarinen liitetään kahden lineaariavaruuden väliseen kuvaukseen. ten Määritelmä Olkoon (L, +, ) ja (M, ˆ+, ˆ ) reaalisia lineaariavaruuksia, ja

Lisätiedot

Kokonaislukuoptimointi

Kokonaislukuoptimointi Kokonaislukuoptimointi Algebrallisen geometrian sovelluksia Sisältö Taustaa algebrallisesta geometriasta Gröbnerin kanta Buchbergerin algoritmi Kokonaislukuoptimointi Käypyysongelma Algoritmi ratkaisun

Lisätiedot

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 4 / vko 47

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 4 / vko 47 MS-A3/A5 Matriisilaskenta Malliratkaisut 4 / vko 47 Tehtävä 1 (L): Oletetaan, että AB = AC, kun B ja C ovat m n-matriiseja. a) Näytä, että jos A on kääntyvä, niin B = C. b) Seuraako yhtälöstä AB = AC yhtälö

Lisätiedot

Matriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?

Matriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on? Harjoitus 1, kevät 007 1. Olkoon [ ] cos α sin α A(α) =. sin α cos α Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?. Olkoon a x y A = 0 b z, 0 0 c missä a, b, c 0. Määrää käänteismatriisi

Lisätiedot

MS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I

MS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I MS-C140 Fourier-analyysi Esimerkkejä, perusteluja, osa I G. Gripenberg Aalto-yliopisto 3. tammikuuta 014 G. Gripenberg (Aalto-yliopisto MS-C140 Fourier-analyysiEsimerkkejä, perusteluja, osa3. I tammikuuta

Lisätiedot

R. Mäkinen NUMEERISET MENETELMÄT

R. Mäkinen NUMEERISET MENETELMÄT R. Mäkinen NUMEERISET MENETELMÄT 2011 2 Luku 1 Numeerisen matematiikan peruskäsitteitä The purpose of computing is insight, not numbers. R. W. Hamming Numeerinen analyysi tutkii algoritmeja luonnontieteissä,

Lisätiedot

MS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I

MS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I MS-C14 Fourier-analyysi Esimerkkejä, perusteluja, osa I G. Gripenberg Aalto-yliopisto 3. tammikuuta 14 G. Gripenberg (Aalto-yliopisto MS-C14 Fourier-analyysiEsimerkkejä, perusteluja, osa3. I tammikuuta

Lisätiedot

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0. Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +

Lisätiedot

Lineaarinen optimointitehtävä

Lineaarinen optimointitehtävä Lineaarinen optimointitehtävä Minimointitehtävä yhtälörajoittein: min kun n j=1 n j=1 c j x j a ij x j = b i x j 0 j = 1,..., n i = 1,..., m Merkitään: z = alkuperäisen objektifunktion arvo käsiteltävänä

Lisätiedot

Kevät Kirsi Valjus. Jyväskylän yliopisto Tietotekniikan laitos

Kevät Kirsi Valjus. Jyväskylän yliopisto Tietotekniikan laitos Numeeriset menetelmät TIEA381 Kevät 2013 Kirsi Valjus Jyväskylän yliopisto Tietotekniikan laitos Luento 1 () Numeeriset menetelmät 13.3.2013 1 / 34 Luennon 1 sisältö Käytännön asioita Numeerisen matematiikan

Lisätiedot

Iteratiiviset ratkaisumenetelmät

Iteratiiviset ratkaisumenetelmät Iteratiiviset ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Yleinen iteraatio Lineaarisen yhtälöryhmän iteratiivinen ratkaisumenetelmä voidaan esittää muodossa: Anna alkuarvaus: x 0 R n

Lisätiedot

Luento 5: Suurten lineaaristen yhtälöryhmien ratkaiseminen iteratiivisilla menetelmillä

Luento 5: Suurten lineaaristen yhtälöryhmien ratkaiseminen iteratiivisilla menetelmillä Luento 5: Suurten lineaaristen yhtälöryhmien ratkaiseminen iteratiivisilla menetelmillä Matriisit voivat olla kooltaan niin suuria, että LU-hajotelman laskeminen ei ole järkevä tapa ratkaista lineaarista

Lisätiedot

ja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2

ja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2 Johdatus diskreettiin matematiikkaan Harjoitus 4, 7.10.2015 1. Olkoot c 0, c 1 R siten, että polynomilla r 2 c 1 r c 0 on kaksinkertainen juuri. Määritä rekursioyhtälön x n+2 = c 1 x n+1 + c 0 x n, n N,

Lisätiedot

[4A] DIFFERENTIAALIYHTÄLÖT 1. Alkuarvotehtävät

[4A] DIFFERENTIAALIYHTÄLÖT 1. Alkuarvotehtävät [4A] DIFFERENTIAALIYHTÄLÖT 1. Alkuarvotehtävät Numeerisen integroinnin yhteydessä ratkoimme jo tavallisia ensimmäisen kertaluvun alkuarvotehtäviä integroimalla eli t y (t) =f(t, y(t)) y(t) =y(t a )+ f(t,

Lisätiedot

2v 1 = v 2, 2v 1 + 3v 2 = 4v 2.. Vastaavasti ominaisarvoa λ 2 = 4 vastaavat ominaisvektorit toteuttavat. v 2 =

2v 1 = v 2, 2v 1 + 3v 2 = 4v 2.. Vastaavasti ominaisarvoa λ 2 = 4 vastaavat ominaisvektorit toteuttavat. v 2 = TKK, Matematiikan laitos Pikkarainen/Tikanmäki Mat-1.1320 Matematiikan peruskurssi K2 Harjoitus 12, A=alku-, L=loppuviikko, T= taulutehtävä, P= palautettava tehtävä, W= verkkotehtävä 21. 25.4.2008, viikko

Lisätiedot

Pienimmän neliösumman menetelmä

Pienimmän neliösumman menetelmä Pienimmän neliösumman menetelmä Keijo Ruotsalainen Division of Mathematics Funktion sovitus Datapisteet (x 1,...,x n ) Annettu data y i = f(x i )+η i, missä f(x) on tuntematon funktio ja η i mittaukseen

Lisätiedot

5 OMINAISARVOT JA OMINAISVEKTORIT

5 OMINAISARVOT JA OMINAISVEKTORIT 5 OMINAISARVOT JA OMINAISVEKTORIT Ominaisarvo-ongelma Käsitellään neliömatriiseja: olkoon A n n-matriisi. Luku on matriisin A ominaisarvo (eigenvalue), jos on olemassa vektori x siten, että Ax = x () Yhtälön

Lisätiedot