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

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

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

Transkriptio

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

2 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden ja Lagrangen interpolaatiopolynomi Newtonin muoto interpolaatiopolynomille Interpolaatiovirheestä Luento 6 () Numeeriset menetelmät / 33

3 Luku 5: Interpolointi ja approksimointi Oletetaan, että emme tunne funktion f : R R analyyttistä lauseketta, vaan funktion arvoja on taulukoituna tietyissä pisteissä. Haluttaessa funktion arvo pisteessä jota ei ole taulukoitu, korvataan alkuperäinen funktio jollakin yksinkertaisemmalla funktiolla ja approksimoidaan tämän avulla funktion f arvoa halutussa pisteessä. Luento 6 () Numeeriset menetelmät / 33

4 Interpolointi Interpoloinnissa halutaan approksimoivan funktion p kuvaajan kulkevan taulukoitujen pisteiden (x i, y i ), y i := f (x i ) kautta, ts. p(x i ) = y i, i = 0,..., n. Tällöin interpolointi tuottaa funktion (interpolantin) p, joka approksimoi funktiota f muissa pisteissä x x i. - Interpolointi: piste x, jossa approksimaatio halutaan, on havaintopisteiden x i ja x j välissä. - Ekstrapolointi: piste x on havaintojen ulkopuolella (x < min{x i } tai x > max{x i }). Luento 6 () Numeeriset menetelmät / 33

5 Interpolointi Useat numeeriset menetelmät perustuvat interpoloinnin käyttöön (numeerinen integrointi, differentiaaliyhtälöiden numeeriset ratkaisumenetelmät, tietokonegeometria,...) Interpolantti valitaan yleensä jostakin yksinkertaisesta funktioluokasta, jotta se olisi helppo konstruoida. Yleisesti käytettyjä ovat polynomit, rationaalifunktiot ja paloittaiset polynomit. Tässä esityksessä rajoitutaan tapauksiin, joissa interpolantit ovat polynomeja tai paloittain polynomeja. Luento 6 () Numeeriset menetelmät / 33

6 Approksimointi (yleinen käyränsovitus) Ei vaadita pisteittäistä osuvuutta vaan tarkastellaan yleisemmin osuvuutta koko tarkasteluvälillä, ja etsitään funktiota p siten, että p f jollakin sopivalla normilla mitattuna (esim. PNS-sovitus). Luento 6 () Numeeriset menetelmät / 33

7 Olkoon annettu n + 1 kappaletta datapisteitä (x i, y i ), i = 0,..., n siten, että x i x j, kun i j. Etsitään interpolanttia p lineaarikombinaationa annetuista kantafunktioista ϕ 0,..., ϕ n, jolloin funktio p on muotoa p(x) = n a j ϕ j (x), j=0 missä kertoimet a 0,..., a n ovat vapaita parametreja. Luento 6 () Numeeriset menetelmät / 33

8 Polynomi-interpolaatio jatkuu Koska funktion p tulee toteuttaa interpolaatioehto p(x i ) = y i, i = 0,..., n, saadaan kertoimet a 0,..., a n lineaarisesta yhtälöryhmästä n a j ϕ j (x i ) = y i, i = 0,..., n. j=0 Yhtälöryhmä voidaan kirjoittaa matriisimuodossa missä X = (ϕ j (x i )) n i,j=0, ja y = [y 0, y 1,..., y n ] T. X a = y, a = [a 0, a 1,..., a n ] T Luento 6 () Numeeriset menetelmät / 33

9 Vandermonden interpolaatiopolynomi Suoraviivainen valinta kantafunktioiksi ϕ j on monomit ϕ j (x) = x j, j = 0,..., n, jolloin funktio p on n-asteinen polynomi. Matriisi X on tässä tapauksessa muotoa 1 x 0 x0 2 x x0 n X = (ϕ j (x i )) n i,j=0 = ((x i ) j ) n 1 x 1 x1 2 x x n 1 i,j=0 =. 1 x n xn 2 xn 3... xn n ja sitä sanotaan Vandermonden matriisiksi. Luento 6 () Numeeriset menetelmät / 33

10 Vandermonden interpolaatiopolynomi jatkuu Olkoon x 0, x 1,..., x n erisuuria reaali- (tai kompleksi-) lukuja ja y 0, y 1,..., y n vastaavat funktion arvot. Tutkitaan sellaisen polynomin olemassaoloa, jolle on voimassa interp.ehto p(x i ) = y i, i = 0,..., n. Lause 5.1 Olkoon annettu n + 1 datapistettä (x 0, y 0 )..., (x n, y n ), missä x i x j, kun i j. Tällöin on olemassa enintään astetta n oleva polynomi p, joka toteuttaa interp.ehdon p(x i ) = y i, i = 0,..., n. Tämä polynomi p on yksikäsitteinen korkeintaan astetta n olevien polynomien joukossa. Luento 6 () Numeeriset menetelmät / 33

11 Lauseen 5.1. todistus: Olemassaolo Olemassaolo Olkoon X pisteistöön liittyvä Vandermonden matriisi. Jos X z = 0 jollekin z R n+1, niin X z = 1 x 0 x0 2 x x n 0 z 0 z 0 + z 1 x 0 + z 2 x0 2 1 x 1 x1 2 x x1 n z z nx0 n = 0.. = z 0 + z 1 x 1 + z 2 x z nx1 n = 0. 1 x n xn 2 xn 3... xn n z n z 0 + z 1 x n + z 2 xn z n xn n = 0 eli polynomi, jonka kertoimet ovat z i, i = 0,..., n, on korkeintaan astetta n ja sillä on ainakin n + 1 nollakohtaa x i, i = 0,... n. Luento 6 () Numeeriset menetelmät / 33

12 Lauseen 5.1. todistus: Olemassaolo n.:n asteen polynomilla on täsmälleen n nollakohtaa Edellä saatiin, että polynomi, jonka kertoimet ovat z i, on korkeintaan astetta n ja sillä on ainakin n + 1 nollakohtaa. vektoria z vastaavan polynomin täytyy olla identtisesti nolla z = 0. Koska X z = 0 z = 0, on X kääntyvä. Yhtälöryhmällä X a = y on yksikäsitteinen ratkaisu. väite (interp.polynomin olemassaolo). Luento 6 () Numeeriset menetelmät / 33

13 Lauseen 5.1. todistus: Yksikäsitteisyys Yksikäsitteisyys Olkoon q mielivaltainen korkeintaan n-asteinen polynomi, joka myös toteuttaa interp.ehdon (q(x i ) = y i, i = 0,..., n ). Olkoon r := p q, jolloin r on enintään n-asteinen polynomi ja r(x i ) = p(x i ) q(x i ) = y i y i = 0, i = 0,..., n. Koska polynomilla r on n + 1 nollakohtaa, niin r(x) 0. Siis on oltava p = q. Luento 6 () Numeeriset menetelmät / 33

14 Vandermonden interpolaatiopolynomi jatkuu Vandermonden matriisi on häiriöaltis Interpolaatiopolynomia ei yleensä muodosteta Vandermonden matriisia käyttäen. Käyttämällä muita polynomikantoja monomien sijaan, voidaan interpolaatiopolynomi muodostaa suoraan ilman lineaarisen yhtälöryhmän ratkaisemista. Lauseen 5.1 mukaan päädytään aina samaan polynomiin kannasta riippumatta. Luento 6 () Numeeriset menetelmät / 33

15 Lagrangen interpolaatiopolynomi Interpolaatiopolynomin Lagrangen muoto saadaan valitsemalla kantafunktioiksi n-asteiset polynomit l j (x) = n ( x xk k=0 k j x j x k ), j = 0,..., n. Nyt saadaan ( ) ( ) ( ) x x1 x x2 x xn l 0 (x) =... = 0 x i, i > 0. x 0 x 1 x 0 x 2 x 0 x n ( ) ( ) ( ) x0 x 1 x0 x 2 x0 x n l 0 (x 0 ) =... = 1 x 0 x 1 x 0 x 2 x 0 x n Sama pätee kaikille l j. Luento 6 () Numeeriset menetelmät / 33

16 Lagrangen interpolaatiopolynomi jatkuu Saadaan siis eli l j (x i ) = δ ij = { 1, i = j 0, i j X = (l j (x i )) n i,j=0 = I, ja yhtälöryhmän X a = y ratkaisu on triviaalisti a = y, joten interpolaatiopolynomi saa muodon p(x) = n y j l j (x). j=0 Luento 6 () Numeeriset menetelmät / 33

17 Esimerkki 5.1. Luku 5: Interpolointi ja approksimointi l j (x) = n ( x xk k=0 k j x j x k ), j = 0,..., n. 1. asteen yleinen Lagrangen interp.polynomi (n = 1): ( ) ( ) x x1 x x0 l 0 (x) =, l 1 (x) = x 0 x 1 x 1 x 0 p 1 (x) = y 0 x x 1 x 0 x 1 + y 1 x x 0 x 1 x 0. Luento 6 () Numeeriset menetelmät / 33

18 Esimerkki 5.1. jatkuu 2. asteen yleinen Lagrangen interpolaatiopolynomi (n = 2): (x x 1 )(x x 2 ) p 2 (x) = y 0 (x 0 x 1 )(x 0 x 2 ) +y (x x 0 )(x x 2 ) 1 (x 1 x 0 )(x 1 x 2 ) +y (x x 0 )(x x 1 ) 2 (x 2 x 0 )(x 2 x 1 ). 2. asteen interpolaatiopolynomi, joka kulkee pisteiden (x 0, y 0 ) = (0, 1), (x 1, y 1 ) = ( 1, 2) ja (x 2, y 2 ) = (1, 3) kautta: p 2 (x) = 1 (x ( 1))(x 1) (0 ( 1))(0 1) + 2 (x 0)(x 1) (x 0)(x ( 1)) + 3 ( 1 0)( 1 1) (1 0)(1 ( 1)) = x x2. Luento 6 () Numeeriset menetelmät / 33

19 Huomautus 5.1. Interpolaatiopolynomin olemassaolo tai muodostaminen edellä esitetyillä menetelmillä ei vaadi datapisteiden järjestämistä siten, että x i < x j, kun i < j. Tätä voidaan hyödyntää esimerkiksi silloin, kun datapisteitä lisätään myöhemmin interpolaation tarkkuuden parantamiseksi. Toisaalta tarpeeton epäjärjestys voi hämätä esimerkiksi dataa visualisoitaessa tai ohjelmaa debugattaessa. Luento 6 () Numeeriset menetelmät / 33

20 Newtonin muoto interpolaatiopolynomille Lagrangen interpolaatiopolynomin tapauksessa kertoimien a j laskeminen oli triviaalia, mutta kantafunktioiden l j lausekkeet olivat melko monimutkaisia. Parempi tasapaino kertoimien ja kantafunktioiden vaatiman laskennan välillä saadaan käyttämällä Newtonin kantafunktiota { 1, j = 0, π j (x) = j 1 k=0 (x x k), j = 1,..., n. Selvästi π j (x) = (x x 0 )(x x 1 )... (x x j 1 ) = 0, kun x = x i, i < j. Luento 6 () Numeeriset menetelmät / 33

21 Newtonin muoto interp.polynomille jatkuu Esimerkiksi tapauksessa n = 2, matriisi X on muotoa π 0 (x 0 ) π 1 (x 0 ) π 2 (x 0 ) X = (π j (x i )) 2 i,j=0 = π 0 (x 1 ) π 1 (x 1 ) π 2 (x 1 ) π 0 (x 2 ) π 1 (x 2 ) π 2 (x 2 ) = 1 x 1 x x 2 x 0 (x 2 x 0 )(x 2 x 1 ) Eli X on alakolmiomatriisi. Luento 6 () Numeeriset menetelmät / 33

22 Newtonin muoto interp.polynomille jatkuu Interpolaatiopolynomi voidaan nyt esittää muodossa n p n (x) = a j π j (x) = a 0 + a 1 (x x 0 ) + j=0 + a 2 (x x 0 )(x x 1 ) + + a n (x x 0 )(x x 1 )... (x x n 1 ). Johdetaan seuraavaksi Newtonin muoto interpolaatiopolynomille. Luento 6 () Numeeriset menetelmät / 33

23 Newtonin muoto interp.polynomille jatkuu Muodostetaan n-asteinen interpolaatiopolynomi lisäämällä korjaustermi n 1-asteiseen interpolaatiopolynomiin: p n (x) = p n 1 (x) + C(x). (1) Nyt C(x) on enintään n-asteinen polynomi. Koska sekä p n että p n 1 interpoloivat dataa n:ssä ensimmäisessä pisteessä, C(x i ) = p n (x i ) p n 1 (x i ) = y i y i = 0, i = 0,..., n 1. polynomi C on muotoa C(x) = a n (x x 0 )(x x 1 )... (x x n 1 ). Luento 6 () Numeeriset menetelmät / 33

24 Newtonin muoto interp.polynomille jatkuu Nyt (1) p n (x) = p n 1 (x) + C(x) = p n 1 (x) + a n (x x 0 )(x x 1 )... (x x n 1 ). Koska p n (x n ) = y n, saadaan ratkaistua a n : a n = y n p n 1 (x n ) (x n x 0 )... (x n x n 1 ). Tätä kerrointa a n sanotaan funktion f kertalukua n olevaksi Newtonin jaetuksi differenssiksi ja merkitään f [x 0 ] := a 0 = f (x 0 ), f [x 0, x 1,..., x n ] := a n, n 1. Luento 6 () Numeeriset menetelmät / 33

25 Newtonin muoto interp.polynomille jatkuu Interpolaatiopolynomille saadaan siten muoto p n (x) = p n 1 (x) + (x x 0 )... (x x n 1 )f [x 0,..., x n ]. Tästä saadaan Newtonin muoto interpolaatiopolynomille: p 0 (x) = f [x 0 ] (= a 0 = f (x 0 ) ) p 1 (x) = p 0 (x) + (x x 0 )f [x 0, x 1 ], = f [x 0 ] + (x x 0 )f [x 0, x 1 ],. p n (x) = f [x 0 ] + (x x 0 )f [x 0, x 1 ] + (x x 0 )(x x 1 )f [x 0, x 1, x 2 ] + + (x x 0 )... (x x n 1 )f [x 0,..., x n ]. Luento 6 () Numeeriset menetelmät / 33

26 Newtonin muoto interp.polynomille jatkuu Aikaisemmin: p n (x) = n a j π j (x) = a 0 + a 1 (x x 0 ) + j=0 + a 2 (x x 0 )(x x 1 ) + + a n (x x 0 )(x x 1 )... (x x n 1 ) Edellisellä kalvolla: a 0 a {}}{ 1 a {}}{{}} 2 { p n (x) = f [x 0 ] +(x x 0 ) f [x 0, x 1 ] +(x x 0 )(x x 1 ) f [x 0, x 1, x 2 ] + + (x x 0 )... (x x n 1 ) f [x 0,..., x n ]. }{{} a n Ts. jaetut differenssit antavat kertoimet a j. Luento 6 () Numeeriset menetelmät / 33

27 Lause 5.2. Luku 5: Interpolointi ja approksimointi Jaetuille differensseille on voimassa (j 1, i = 0,.., j 1): f [x i, x i+1,..., x j ] = f [x i+1,..., x j ] f [x i,..., x j 1 ] x j x i. Taulukkoesitys havainnollistaa jaettujen differenssien konstruointia (tässä f [x i ] = f (x i ), i = 0,..., n): x 0 f [x 0 ] f [x 0, x 1 ] f [x 0, x 1, x 2 ] f [x 0, x 1, x 2, x 3 ] x 1 f [x 1 ] f [x 1, x 2 ] f [x 1, x 2, x 3 ] x 2 f [x 2 ] f [x 2, x 3 ] x 3 f [x 3 ] Luento 6 () Numeeriset menetelmät / 33

28 Etenevät differenssit Olkoon funktio f taulukoitu välillä [a, b] tasavälisessä pisteistössä x j = a + jh, j = 0,..., n, h = b a n. Määritelmä Olkoon annettu tasavälinen pisteistö x j ja olkoon f j = f (x j ). Etenevä differenssi i f j on luku { f i j, i = 0 f j = i 1 f j+1 i 1 f j, i > 0. Luento 6 () Numeeriset menetelmät / 33

29 Etenevät ja takenevat differenssit jatkuu Nyt Newtonin muoto interpolaatiopolynomille voidaan muodostaa seuraavasti: ( ) s p n (x 0 + sh) = p n 1 (x 0 + sh) + n f 0 n ( ) s missä s = (x x 0 )/h R ja on binomifunktio i ( ) s = i 1, i = 0, i 1 s l l + 1, i > 0. l=0 Luento 6 () Numeeriset menetelmät / 33

30 Interpolaatiovirheestä Jos funktio f korvataan interpolaatiopolynomilla p n, niin yleensä f (t) p(t), jos t ei ole interpolaatiopiste. Interpolaatiovirhettä voidaan arvioida seuraavan lauseen avulla. Lause 5.3 Olkoon f C (n+1) ([a, b]) ja olkoon p P n interpolaatiopolynomi siten, että p(x i ) = f (x i ), i = 0,..., n, missä a x 0 < x 1 <... < x n b. Tällöin jokaiselle x ]a, b[ on olemassa ξ x ]a, b[ siten, että 1 n f (x) p(x) = (n + 1)! f (n+1) (ξ x ) (x x i ). i=0 Luento 6 () Numeeriset menetelmät / 33

31 Interpolaatiovirheestä jatkuu Tasaväliselle pisteistölle edellinen lause voidaan esittää myös seuraavassa muodossa. Lause 5.4 Olkoon a = x 0 < x 1 < < x n = b tasavälinen pisteistö, h = x i+1 x i ja f C (n+1) ([a, b]). Silloin f (t) p n (t) M n 4(n + 1) hn+1, t [a, b], missä M n = max f (n+1) (x). x [x 0,x n] Luento 6 () Numeeriset menetelmät / 33

32 Esimerkki 5.5 Luku 5: Interpolointi ja approksimointi Lause 5.4.: f (t) p n (t) M n 4(n + 1) hn+1, M n = max f (n+1) (x). x [x 0,x n] Olkoon f (x) = sin x, x 0 = 0 ja x n = π. Tällöin max f (t) p n (t) 1 h n+1, t [x 0,x n] joten polynomi p n suppenee tasaisesti kohti funktiota f välillä [0, π], kun interpolaatiopisteiden lukumäärää n kasvatetaan rajatta. Luento 6 () Numeeriset menetelmät / 33

33 Interpolaatiovirheestä jatkuu Lauseen 5.4. epäyhtälöä on käytettävä varoen, sillä vakio M n yleensä riippuu myös interp.polynomin asteesta n. Lisäksi vakion M n laskeminen mielivaltaiselle funktiolle f on käytännössä aivan liian työlästä. Funktion f sileys ja datapisteiden paljous ei takaa pientä interpolaatiovirhettä, kuten seuraava klassinen Rungen esimerkki osoittaa. Luento 6 () Numeeriset menetelmät / 33

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 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 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

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

x j x k Tällöin L j (x k ) = 0, kun k j, ja L j (x j ) = 1. Alkuperäiselle interpolaatio-ongelmalle saadaan nyt ratkaisu

x j x k Tällöin L j (x k ) = 0, kun k j, ja L j (x j ) = 1. Alkuperäiselle interpolaatio-ongelmalle saadaan nyt ratkaisu 2 Interpolointi Olkoon annettuna n+1 eri pistettä x 0, x 1, x n R ja n+1 lukua y 0, y 1,, y n Interpoloinnissa etsitään funktiota P, joka annetuissa pisteissä x 0,, x n saa annetut arvot y 0,, y n, (21)

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

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

x 0 x 1 x 2... x n y 0 y 1 y 2... y n Taulukko 1:

x 0 x 1 x 2... x n y 0 y 1 y 2... y n Taulukko 1: [?, Luku 10], interpolaatio.tex 6.7.04 1 Interpolaatio Olkoon annettu taulukko x 0 x 1 x 2... x n y 0 y 1 y 2... y n Taulukko 1: Voidaan ajatella, että kyse on annetun funktion taulukoiduista arvoista

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

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

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

Numeerinen analyysi Harjoitus 3 / Kevät 2017

Numeerinen analyysi Harjoitus 3 / Kevät 2017 Numeerinen analyysi Harjoitus 3 / Kevät 2017 Palautus viimeistään perjantaina 17.3. Tehtävä 1: Tarkastellaan funktion f(x) = x evaluoimista välillä x [2.0, 2.3]. Muodosta interpoloiva polynomi p 3 (x),

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

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

Aiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa.

Aiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa. Yhtälöryhmän ratkaisujen lukumäärä, L8 Esimerkki kvadraattinen Haluamme ratkaista n 4x + y z = x + y + z = 5 x + y + z = 4 4 x 4 + y x y z = + z 5 4 = 5 4 Esimerkki kvadraattinen Yhtälöryhmä on kvadraattinen,

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

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

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

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

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 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

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

Seurauksia. Seuraus. Seuraus. Jos asteen n polynomilla P on n erisuurta nollakohtaa x 1, x 2,..., x n, niin P on muotoa

Seurauksia. Seuraus. Seuraus. Jos asteen n polynomilla P on n erisuurta nollakohtaa x 1, x 2,..., x n, niin P on muotoa Seurauksia Seuraus Jos asteen n polynomilla P on n erisuurta nollakohtaa x 1, x 2,..., x n, niin P on muotoa P(x) = a n (x x 1 )(x x 2 )... (x x n ). Seuraus Astetta n olevalla polynomilla voi olla enintään

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016

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

Aiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa.

Aiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa. Yhtälöryhmän ratkaisujen lukumäärä, L26 Esimerkki 1 kvadraattinen 1 Haluamme ratkaista n 4x + y z = 2 x + 2y + z = 5 2x + 2y + 2z = 4 4 1 1 1 2 1 2 2 2 x 4 1 2 + y x y z 1 2 2 = + z 2 5 4 1 1 2 = 2 5 4

Lisätiedot

Liittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij.

Liittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij. Liittomatriisi Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä (cof A) ij =( 1) i+j det A ij kaikilla i, j = 1,...,n. Huomautus 8 Olkoon A 2 M(n, n). Tällöin kaikilla

Lisätiedot

6. Toisen ja korkeamman kertaluvun lineaariset

6. Toisen ja korkeamman kertaluvun lineaariset SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 51 6. Toisen ja korkeamman kertaluvun lineaariset differentiaaliyhtälöt Määritelmä 6.1. Olkoon I R avoin väli. Olkoot p i : I R, i = 0, 1, 2,..., n, ja q : I R jatkuvia

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

5 Differentiaalilaskentaa

5 Differentiaalilaskentaa 5 Differentiaalilaskentaa 5.1 Raja-arvo Esimerkki 5.1. Rationaalifunktiota g(x) = x2 + x 2 x 1 ei ole määritelty nimittäjän nollakohdassa eli, kun x = 1. Funktio on kuitenkin määritelty kohdan x = 1 läheisyydessä.

Lisätiedot

Esimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0).

Esimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0). Esimerkki 9 Esimerkissä 6 miniminormiratkaisu on (ˆx, ˆx (, 0 Seuraavaksi näytetään, että miniminormiratkaisuun siirtyminen poistaa likimääräisongelman epäyksikäsitteisyyden (mutta lisääntyvän ratkaisun

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1

Lisätiedot

8 Potenssisarjoista. 8.1 Määritelmä. Olkoot a 0, a 1, a 2,... reaalisia vakioita ja c R. Määritelmä 8.1. Muotoa

8 Potenssisarjoista. 8.1 Määritelmä. Olkoot a 0, a 1, a 2,... reaalisia vakioita ja c R. Määritelmä 8.1. Muotoa 8 Potenssisarjoista 8. Määritelmä Olkoot a 0, a, a 2,... reaalisia vakioita ja c R. Määritelmä 8.. Muotoa a 0 + a (x c) + a 2 (x c) 2 + olevaa sarjaa sanotaan c-keskiseksi potenssisarjaksi. Selvästi jokainen

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 14 To 20.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 14 To 20.10.2011 p. 1/39 p. 1/39 Nopeat Fourier-muunnokset Diskreetti Fourier-muunnos ˆf k = 1 N 1 N

Lisätiedot

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos

Lisätiedot

y = k 1 x + b 1, x < s y = k 2 x + b 2, x > s

y = k 1 x + b 1, x < s y = k 2 x + b 2, x > s Aalto-yliopisto, Matematiikan ja Systeemianalyysin laitos mlcurvefit 1. Oletetaan, että meille on annettu dataa muodossa (x k, y k ).k = 1... m, johon muodustuu kaksi murtopisteen erottamaa lineaarista

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma

Lisätiedot

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141 Lineaarialgebra ja matriisilaskenta II LM2, Kesä 2012 1/141 Kertausta: avaruuden R n vektorit Määritelmä Oletetaan, että n {1, 2, 3,...}. Avaruuden R n alkiot ovat jonoja, joissa on n kappaletta reaalilukuja.

Lisätiedot

MS-A0004/A0006 Matriisilaskenta

MS-A0004/A0006 Matriisilaskenta 4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin

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

Likimääräisratkaisut ja regularisaatio

Likimääräisratkaisut ja regularisaatio Luku 3 Likimääräisratkaisut ja regularisaatio Käytännön inversio-ongelmissa annettu data y ei aina ole tarkkaa, vaan sisältää häiriöitä. Tuntemattomasta x on annettu häiriöinen data y F (x + }{{}}{{} ε.

Lisätiedot

DIFFERENTIAALI- JA INTEGRAALILASKENTA I.1. Ritva Hurri-Syrjänen/Syksy 1999/Luennot 6. FUNKTION JATKUVUUS

DIFFERENTIAALI- JA INTEGRAALILASKENTA I.1. Ritva Hurri-Syrjänen/Syksy 1999/Luennot 6. FUNKTION JATKUVUUS DIFFERENTIAALI- JA INTEGRAALILASKENTA I.1 Ritva Hurri-Syrjänen/Syksy 1999/Luennot 6. FUNKTION JATKUVUUS Huomautus. Analyysin yksi keskeisimmistä käsitteistä on jatkuvuus! Olkoon A R mielivaltainen joukko

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

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

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle Olkoon X sisätuloavaruus ja Y X äärellisulotteinen aliavaruus. Tällöin on olemassa lineaarisesti riippumattomat vektorit y 1, y 2,..., yn, jotka

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma

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

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

5 Differentiaaliyhtälöryhmät

5 Differentiaaliyhtälöryhmät 5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =

Lisätiedot

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5. 2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2

Lisätiedot

MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö

MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin

Lisätiedot

Luento 8: Epälineaarinen optimointi

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

Lisätiedot

Pienimm"an neli"osumman sovitus

Pienimman neliosumman sovitus Pienimm"an neli"osumman sovitus Aluksi luentoesimerkki V2 19.3. 2002, V3 lokakuu -02 2013kevat/maple/ restart with(linearalgebra):alias(tr=transpose): with plots : xd:=[-1.3,-0.1,0.2,1.3]; yd:=[0.103,1.099,0.808,1.897];

Lisätiedot

7 Vapaus. 7.1 Vapauden määritelmä

7 Vapaus. 7.1 Vapauden määritelmä 7 Vapaus Kuten edellisen luvun lopussa mainittiin, seuraavaksi pyritään ratkaisemaan, onko annetussa aliavaruuden virittäjäjoukossa tarpeettomia vektoreita Jos tällaisia ei ole, virittäjäjoukkoa kutsutaan

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

MATP153 Approbatur 1B Ohjaus 2 Keskiviikko torstai

MATP153 Approbatur 1B Ohjaus 2 Keskiviikko torstai MATP15 Approbatur 1B Ohjaus Keskiviikko 4.11. torstai 5.11.015 1. (Opiskeluteht. 6 s. 0.) Määritä sellainen vakio a, että polynomilla x + (a 1)x 4x a on juurena luku x = 1. Mitkä ovat tällöin muut juuret?.

Lisätiedot

A = a b B = c d. d e f. g h i determinantti on det(c) = a(ei fh) b(di fg) + c(dh eg). Matriisin determinanttia voi merkitä myös pystyviivojen avulla:

A = a b B = c d. d e f. g h i determinantti on det(c) = a(ei fh) b(di fg) + c(dh eg). Matriisin determinanttia voi merkitä myös pystyviivojen avulla: 11 Determinantti Neliömatriisille voidaan laskea luku, joka kertoo muun muassa, onko matriisi kääntyvä vai ei Tätä lukua kutsutaan matriisin determinantiksi Determinantilla on muitakin sovelluksia, mutta

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

Mat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ

Mat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ Mat-48 Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ L ẋ = x ẋ = g L sin x rx Epälineaarisen systeemin tasapainotiloja voidaan

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

Polynomit, interpolaatio ja funktion approksimointi

Polynomit, interpolaatio ja funktion approksimointi Solmu 3/24 Polynomit, interpolaatio ja funktion approksimointi Heikki Apiola Lehtori Matematiikan laitos, Teknillinen korkeakoulu Johdanto, taustaa Kirjoitus liittyy aihepiiriin numeerinen analyysi, tieteellinen

Lisätiedot

Muotoinosa tulkitaan vasta suoritushtkellä.

Muotoinosa tulkitaan vasta suoritushtkellä. Syöttö ja tulostus write (*,*) x write (6,*) x write (*,00) x 00 format( x=,f8.3) write(*, ("x=",f8.3) ) x write(*,"( x=,f8.3)") x write(*, ( x=,f8.3) ) x character (len=80) :: form character (len=2) ::

Lisätiedot

infoa Viikon aiheet Potenssisarja a n = c n (x x 0 ) n < 1

infoa Viikon aiheet Potenssisarja a n = c n (x x 0 ) n < 1 infoa Viikon aiheet Tentti ensi viikolla ma 23.0. klo 9.00-3.00 Huomaa, alkaa tasalta! D0 (Sukunimet A-) E204 (Sukunimet S-Ö) Mukaan kynä ja kumi. Ei muuta materiaalia. Tentissä kaavakokoelma valmiina.

Lisätiedot

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

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

Lisätiedot

KOMPLEKSIANALYYSI I KURSSI SYKSY 2012

KOMPLEKSIANALYYSI I KURSSI SYKSY 2012 KOMPLEKSIANALYYSI I KURSSI SYKSY 2012 RITVA HURRI-SYRJÄNEN 8. Integraalilauseiden sovelluksia 1. Analyyttisen funktion sarjaesitys. (eli jokainen analyyttinen funktio on lokaalisti suppenevan potenssisarjan

Lisätiedot

Numeeriset menetelmät Pekka Vienonen

Numeeriset menetelmät Pekka Vienonen Numeeriset menetelmät Pekka Vienonen 1. Funktion nollakohta Newtonin menetelmällä 2. Määrätty integraali puolisuunnikassäännöllä 3. Määrätty integraali Simpsonin menetelmällä Newtonin menetelmä Newtonin

Lisätiedot

Ratkaisuehdotukset LH 8 / vko 47

Ratkaisuehdotukset LH 8 / vko 47 Ratkaisuehdotukset LH 8 / vko 47 Tehtävä 1: Olkoot A R n n matriisi, jonka singulaariarvohajotelma on A [ ] [ ] Σ U 1 U r 0 [V1 ] T 2 V 0 0 2 Jossa Σ r on kääntyvä matriisi, [ U 1 U 2 ] ja [ V1 V 2 ] ovat

Lisätiedot

Yhden muuttujan funktion minimointi

Yhden muuttujan funktion minimointi Yhden muuttujan funktion minimointi Aloitetaan yhden muuttujan tapauksesta Tarpeellinen myös useamman muuttujan tapauksessa Tehtävä on muotoa min kun f(x) x S R 1 Sallittu alue on muotoa S = [a, b] tai

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kertausluento 2. välikokeeseen Toisessa välikokeessa on syytä osata ainakin seuraavat asiat:. Potenssisarjojen suppenemissäde, suppenemisväli ja suppenemisjoukko. 2. Derivaatan

Lisätiedot

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee

Lisätiedot

Reaalilukuvälit, leikkaus ja unioni (1/2)

Reaalilukuvälit, leikkaus ja unioni (1/2) Luvut Luonnolliset luvut N = {0, 1, 2, 3,... } Kokonaisluvut Z = {..., 2, 1, 0, 1, 2,... } Rationaaliluvut (jaksolliset desimaaliluvut) Q = {m/n m, n Z, n 0} Irrationaaliluvut eli jaksottomat desimaaliluvut

Lisätiedot

Matematiikka B1 - avoin yliopisto

Matematiikka B1 - avoin yliopisto 28. elokuuta 2012 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Nettitehtävät Kurssin sisältö 1/2 Osittaisderivointi Usean muuttujan funktiot Raja-arvot Osittaisderivaatta Pinnan

Lisätiedot

Luku 4. Derivoituvien funktioiden ominaisuuksia.

Luku 4. Derivoituvien funktioiden ominaisuuksia. 1 MAT-1343 Laaja matematiikka 3 TTY 1 Risto Silvennoinen Luku 4 Derivoituvien funktioiden ominaisuuksia Derivaatan olemassaolosta seuraa funktioille eräitä säännöllisyyksiä Näistä on jo edellisessä luvussa

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

802320A LINEAARIALGEBRA OSA I

802320A LINEAARIALGEBRA OSA I 802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä

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

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos: 8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden

Lisätiedot

Matriisialgebra harjoitukset, syksy x 1 + x 2 = a 0

Matriisialgebra harjoitukset, syksy x 1 + x 2 = a 0 MATRIISIALGEBRA, s, Ratkaisuja/ MHamina & M Peltola 22 Virittääkö vektorijoukko S vektoriavaruuden V, kun a V = R 3 ja S = {(1,0, 1,(2,0,4,( 5,0,2,(0,0,1} b V = P 2 (R ja S = {t1,t 2 1,t 2 t} ( ( 1 0 c

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 3.2.27 Tehtävä. Valmisohjelmistolla voidaan ratkaista tehtävä min c T x s. t. Ax b x, missä x, c ja b R n ja A R m n. Muunnetaan tehtävä max x + 2x 2 + 3x 3 + x s. t. x + 3x 2 + 2x

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

Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

Funktion raja-arvo ja jatkuvuus Reaali- ja kompleksifunktiot

Funktion raja-arvo ja jatkuvuus Reaali- ja kompleksifunktiot 3. Funktion raja-arvo ja jatkuvuus 3.1. Reaali- ja kompleksifunktiot 43. Olkoon f monotoninen ja rajoitettu välillä ]a,b[. Todista, että raja-arvot lim + f (x) ja lim x b f (x) ovat olemassa. Todista myös,

Lisätiedot

1 Lineaariavaruus eli Vektoriavaruus

1 Lineaariavaruus eli Vektoriavaruus 1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus

Lisätiedot

2.5. Matriisin avaruudet ja tunnusluvut

2.5. Matriisin avaruudet ja tunnusluvut 2.5. Matriisin avaruudet ja tunnusluvut m n-matriisi A Lineaarikuvaus A : V Z, missä V ja Z ovat sopivasti valittuja, dim V = n, dim Z = m (yleensä V = R n tai C n ja Z = R m tai C m ) Kuva-avaruus ja

Lisätiedot

4 Korkeamman kertaluvun differentiaaliyhtälöt

4 Korkeamman kertaluvun differentiaaliyhtälöt Differentiaaliyhtälöt c Pekka Alestalo 2015 Tässä monisteessa käydään läpi tavallisiin differentiaaliyhtälöihin liittyviä peruskäsitteitä ja ratkaisuperiaatteita. Luennolla lasketaan esimerkkitehtäviä

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

=p(x) + p(y), joten ehto (N1) on voimassa. Jos lisäksi λ on skalaari, niin

=p(x) + p(y), joten ehto (N1) on voimassa. Jos lisäksi λ on skalaari, niin FUNKTIONAALIANALYYSI, RATKAISUT 1 KEVÄT 211, (AP) 1. Ovatko seuraavat reaaliarvoiset funktiot p : R 3 R normeja? Ovatko ne seminormeja? ( x = (x 1, x 2, x 3 ) R 3 ) a) p(x) := x 2 1 + x 2 2 + x 2 3, b)

Lisätiedot

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina.

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Funktiot Tässä luvussa käsitellään reaaliakselin osajoukoissa määriteltyjä funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Avoin väli: ]a, b[ tai ]a, [ tai ],

Lisätiedot

Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

Luento 8: Epälineaarinen optimointi

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

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

6. OMINAISARVOT JA DIAGONALISOINTI

6. OMINAISARVOT JA DIAGONALISOINTI 0 6 OMINAISARVOT JA DIAGONALISOINTI 6 Ominaisarvot ja ominaisvektorit Olkoon V äärellisulotteinen vektoriavaruus, dim(v ) = n ja L : V V lineaarikuvaus Määritelmä 6 Skalaari λ R on L:n ominaisarvo, jos

Lisätiedot

Pienimmän Neliösumman menetelmä (PNS)

Pienimmän Neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

Matriisien tulo. Matriisit ja lineaarinen yhtälöryhmä

Matriisien tulo. Matriisit ja lineaarinen yhtälöryhmä Matriisien tulo Lause Olkoot A, B ja C matriiseja ja R Tällöin (a) A(B + C) =AB + AC, (b) (A + B)C = AC + BC, (c) A(BC) =(AB)C, (d) ( A)B = A( B) = (AB), aina, kun kyseiset laskutoimitukset on määritelty

Lisätiedot

Mitään muita operaatioita symbolille ei ole määritelty! < a kaikilla kokonaisluvuilla a, + a = kaikilla kokonaisluvuilla a.

Mitään muita operaatioita symbolille ei ole määritelty! < a kaikilla kokonaisluvuilla a, + a = kaikilla kokonaisluvuilla a. Polynomit Tarkastelemme polynomirenkaiden teoriaa ja polynomiyhtälöiden ratkaisemista. Algebrassa on tapana pitää erillään polynomin ja polynomifunktion käsitteet. Polynomit Tarkastelemme polynomirenkaiden

Lisätiedot

Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS) neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 22 R. Kangaslampi matriisiteoriaa Kertaus: ominaisarvot

Lisätiedot

Kokonaislukuoptimointi

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

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