Additiivinen arvofunktio

Koko: px
Aloita esitys sivulta:

Download "Additiivinen arvofunktio"

Transkriptio

1 Additiivinen arvofunktio Mat-.44 Optimointiopin seminaari kevät 0

2 Preferenssi Päätöksentekijällä preferenssi vaihtoehtojen a,b A välillä a parempi kuin b ( a b) b parempi kuin a ( b a) Indifferentti vaihtoehtojen suhteen (a~b) Preferenssirelaatioiden täytyy olla: täydellisiä, eli päätöksentekijällä preferenssi kaikkien mahdollisten vaihtoehtojen parien suhteen transitiivisia Vaihtoehdoilla a, b ja c pätee Jos ( a b) ja( b c) seuraa ( a c) money dump

3 Arvofunktiot Arvofunktio v antaa reaaliarvon vaihtoehdoille, s.e. jos päätöksentekijä preferoi vaihtoehtoa a verrattuna b:hen, niin a:n arvo on suurempi kuin b:n Ordinaalinen arvofunktio v( a) > v( b) a b a, b A Preferenssi voidaan mitata monilla arvofunktioilla. Arvofunktiot v ja v edustavat samaa preferenssirelaatiota, jos löytyy aidosti kasvava funktio φ:r->r s.e. v' ( a) = φ[ v( a)] a A

4 Arvofunktiot Kardinaalinen arvofunktio huomio preferenssin vahvuuden vaihtoehtojen välillä. Muutos vaihtoehdosta a vaihtoehtoon b on preferoitu verrattuna muutokseen c:stä d:hen vain jos arvojen erotus on suurempi: v( b) v( a) > v( d) v( c) ( a b) ( c d) a,b,c,d A Yksikäsitteinen aina positiivisiin affiineihin muunnoksiin: v(.) ja v (.) edustavat samaa preferenssiä joss löytyy α>0 ja β s.e. v (a) = αv(a) +β a A

5 Arvofunktioiden elisitointi Päätöksentekijän kanssa suoritettu interaktiivinen proseduuri. Määritellään mitta asteikko [x 0,x * ]. Elisitointi ksymykset 3. Arvofunktion todenmukaisuuden tarkistaminen Suorat metodit: Suora arvostelu, Asteikko arvostelu, Suhde arviointi Huonoja, eivät yleensä tuota kardinaalista arvofunktiota Indifferenssimenetelmät: Leikkaus metodi Arvio piste x / josta muutos pisteeseen x a on yhtä hyvä kuin pisteestä x b pisteeseen x / v(x / )-v(x b )=v(x a )-v(x / ) Yhtä preferoidut erotukset: Kuinka paljon palkan pitäisi nousta 800 :sta, jotta kasvu olisi yhtä hyvä kuin muutos 600 -> 800? Indifferenssimenetelmät tuottavat helpommin kardinaalisia arvofunktioita. Eivät mahdollisia jos väli diskreetti.

6 Kardinaalinen arvofunktio Lähde:

7 Additiivinen arvofunktio Huomioidaan monta kohdemuuttujaa Vaihtoehdon a A karakterisoi vektori a=(a,...,a m ), missä a r indikoi vaihtoehdon a arvoa attribuutille X r Päätöksentekijällä on arvofunktio v r (x r ) jokaiselle attribuutille X r Merkitään attribuutin huonointa arvoa x r - ja parasta arvoa x r +

8 Additiivinen arvofunktio Yksittäiset arvofunktiot on normalisoitu välille [0,] s.e. ( + v ) = 0 ja r x r v r ( x r ) = Additiivinen arvofunktio esitetään painotettuna summana missä r >0 ja V ( a) = m r= r = r= V(a) [0,] samoin kuin yksittäiset arvofunktiot m v r r ( a r )

9 Additiivisen mallin oletukset. Preferenssiriippumattomuus. Keskinäinen preferenssiriippumattomuus 3. Differenssiriippumattomuus

10 Preferenssiriippumattomuus On olemassa a = ( a,..., a i,..., a m ) b = a,..., b i,..., a ) ( m jotka eroavat toisistaan vain attribuutin i kohdalla ja lisäksi a ' = ( a',..., a i,..., am' ) b = ( a ',..., b i,..., a ') ' m Attribuutti X i on preferenssiriippumaton muista attribuuteista, jos pätee a,b,a,b yllä määriteltyinä a b a' b'

11 Preferenssiriippumattomuus Esimerkki: Täytyy valita Ferrari kriteereillä: väri {punainen, musta} teho {400, 500} Päätöksentekijä preferoi punaisia ferrareita mustien sijaan ( punainen,400) ( musta,400) ( punainen,500) ( musta,500) Väri on siis preferenssiriippumaton tehosta!

12 Keskinäinen preferenssiriippumattomuus Määritelmä: Attribuutit X,...,X m ovat keskenään preferenssiriippumattomia jos jokainen osajoukko näistä attribuuteista on preferenssiriippumaton sen komplementista Esim. joukon {X,X,X 3,X 4 } osajoukon {X,X 3,X 4 } pitää määritelmän mukaan olla preferenssiriippumaton osajoukosta {X } Nämä ehdot täyttävä joukko voidaan esittää additiivisena moniattribuuttisena arvofunktiona, mutta vain ordinaalisilla arvofunktioilla. Lisäehtojen täytyy täyttyä, jotta voidaan käyttää kardinaalisia arvofunktioita.

13 Keskinäinen preferenssiriippumattomuus Kaikkien attribuuttien preferenssiriippumattomuus toisistaan ei indikoi keskinäistä preferenssiriippumattomuutta Esimerkki: väri {punainen, musta} mutta teho {400, 500} moottori {V8, V0} ( punainen, a, V0) ( a Osajoukko {väri, moottori} ei ole keskenään preferenssiriippumaton sen komplementista {teho} ( a ( a,500, a, a ( punainen,500, V 8) ( musta,500, V0) ( punainen,400, V 8) ( musta,400, V0) 3, a ) ( a ) ( musta, a,400, a, a, V8) 3 3 ), a 3 ) Preferenssiriippumattomuus

14 Differenssiriippumattomuus On olemassa jotka eroavat toisistaan vain attribuutin i kohdalla ja lisäksi a' = ( a ',..., a,..., a ') Attribuutti X i on differenssi riippumaton muista attribuuteista, jos pätee a,b,a,b yllä määriteltyinä Mahdollistaa kardinaalisten arvofunktioiden käytön a = ( a b = ( a b' = ( a,..., a,..., b i i,..., a,..., a ',..., b,..., a i i m m m m ) ) ') ( a b) ~ ( a' b')

15 Attribuuttipainot Elisitoidaan päätöksentekijän preferensseistä Painokertoimien arvoilla ei merkitystä, vaan niiden suhteilla Normalisoivat additiivisen arvofunktion välille [0,] Määritelmän mukaan kuvaavat muutosta kokonaisarvossa kun kyseisen attribuutin arvo muutetaan huonoimmasta parhaimpaan Useita erilaisia menetelmiä elisitoinnille - Trade-off - Sing - Direct-ratio - (Lisäksi Päätöksenteko ja Ongelmanratkaisu kurssilla: SMART, SMARTS, Ordinaalit menetelmät kuten Rank sum ja Centroid) Osa menetelmistä vaikeampia, vaativat enemmän aikaa Painokertoimia tulkittaessa täytyy olla tarkkana

16 Esimerkki tehtävä Vaihtoehto Palkka Työaika Uranäkymät (a) Konsultointi h hyvä (b) Yliopisto h erinomainen (c) Purjehdusopettaja h huono Arvofunktiot: v ( x ) =.5( e v x ) = (60 ) / 40 ( x.695( x 30000) /( ) v 3 (x 3 ) diskreetti päätöksentekijän oma arvio ) Vaihtoehto Palkka Työaika Uranäkymät (a) Konsultointi (b) Yliopisto (c) Purjehdusopettaja 0 0

17 Trade-off metodi Verrataan kahta vaihtoehtoa, jotka eroavat toisistaan kahden attribuutin kohdalla. Päätöksentekijä asettaa niiden attribuutit siten, että vaihtoehdot ovat yhtä hyviä. = ( f g = ( f Arvofunktiot V(f)=V(g) voidaan merkitä additiivisuuden nojalla: m- vastaavaa yhtälöä sekä m = => m yhtälöä, m muuttujaa f,..., f,..., g i i,..., f,..., g j j,...,,..., ivi ( fi ) + jv j ( f j ) = ivi ( gi ) + jv j ( g j ) f f m m ) )

18 Trade-off metodi Esimerkki: Päätöksentekijältä selvitetty indifferentit vaihtoehdot (55000, 60h, *)~(30000, 0h, *) (70000,*,huono)~(30000,*,erinomainen) Muodostetaan yhtälöt: v ( 55000) + v (60) + 3v3 (*) = v (30000) + v (0) + 3v3 (*) v( 70000) + v (*) + 3v3 ( huono) = v (30000) + v (*) + 3v3 ( erinomainen) ratkaistaan suhteen v(0) v(60) = =. 49 v (55000) v (30000) v ( erinomainen) v ( huono) = 3 3 = v(70000) v (30000) 3

19 Trade-off metodi Hyödyntämällä tietoa m = => Ratkaisuna =0.38, = 0.7 ja 3 =0.35 Voidaan laskea vaihtoehtojen arvot v(a)=0.63 v(b)=0.7 v(c)=0.7 =.49 = =

20 Huomioita elisitoinnista Trade-off menetelmässä vertailu tulisi suorittaa jatkuvien arvofunktioiden avulla Diskreettien tapauksessa indifferenttien vaihtoehtojen löytyminen voi olla vaikeaa Attribuuttipainot voivat olla hyvin erilaisia riippuen elisitointikysymyksistä ja indifferenteistä vaihtoehdoista Enemmän kuin m- trade-off mittaa -> yhteneväisyyden varmistaminen

21 SWING metodi Oletetaan, että huonoin mahdollinen vaihtoehto on: = Päätöksentekijä valitsee, minkä attribuutin arvon nostaa sen parhaimpaan, muiden jäädessä huonoimmalle tasolle Merkitään tätä vaihtoehtoa a b r ( x, x,..., x kun r =,...,m Nyt preferoiduimmalle b r annetaan arvo 00 ja muut arvioidaan siten, että pisteet heijastavat arvotusta muihin verrattuna m Lopuksi normalisoidaan painokertoimet s.e. + ( x,..., x,..., x ) = r m ) r = m b i= r b i

22 SWING metodi Esimerkki Huonoin vaihtoehto Vaihtoehdot: a = ( 30000,60h, huono) b b b 3 = (80000,60h, huono) = (30000,0h, huono) = (30000,60h, erinomainen) Päätöksentekijä antaa pisteet: Sija Vaihtoehto Pisteet b 00 b 70 3 b 3 60 Voidaan laskea painokertoimet: = 00 /( ) = 0.44 = 60 /( ) = 0.6 = 70 /( ) =

23 SWING metodi Painokertoimien laskeminen helppoa Vaatii päätöksentekijältä kuitenkin enemmän ajattelua Arvofunktioita ei tarvitse tuntea!

24 Direct ratio metodi Asetetaan attribuutit tärkeysjärjestykseen Kysymyksillä elisitoidaan painokertoimien suhteet: Jos työajan tärkeys on tasoa, niin kuinka tärkeää on palkka? Vast. Jos työajan tärkeys on tasoa, niin kuinka tärkeää on uranäkymät? Vast.. Kysymysten avulla voidaan johtaa ( muistetaan m = ): 3 / / = =. => 3 = 0.48 = 0.4 = 0.9

25 Painokertoimien yhteys attribuuttien tarkasteluväliin Painokertoimet riippuvat välistä B r =[x r-,x r+ ] minkä yli attribuuttikohtaiset arvofunktiot on määritelty Kapea väli => pieni kerroin verrattuna laajempaa väliin Kapealla välillä erotus v r (x r + )-v r (x r - ) > v r (x r + )-v r (x r - ) kun v r laajemman välin arvofunktio Ilman tietoa attribuuttien tarkasteluvälistä painokertoimilla ei ole merkitystä Esim. Attribuutti turvallisuus saa painokertoimen 0.5 ja käsittely painokertoimen 0.5. Onko käsittely tärkeämpää? -> Riippuu tarkasteluvälistä!

26 Painokertoimien yhteys attribuuttien tarkasteluväliin Tarkastellaan attribuuttia X r uudella välillä B r =[x r-,x r+ ] Arvojen erotus laskee täten normalisoinnin jälkeen suhteessa v r (B r )/ v r (B r ) < (Tai kasvaa jos pienennettään väliä) Kompensoitaessa arvojen muutosta painokertoimet täytyy kertoa arvolla M= v r (B r )/ v r (B r ) = v r (B r ) Vastaa jälleen päätöksentekijän preferenssejä, mutta painokertoimien summa täytyy asettaa vielä arvoon : M r j r ' = j ' = + M i + Mr i r i r i r

27 Painokertoimien yhteys attribuuttien tarkasteluväliin Esimerkki: Auton osto attribuuteilla hinta X [0000,0000 ] ja ajokilometrit X [0000km,80000km] Arvofunktiot: Hinta Ajokilometrit v ( x ) = x /0000 Auto v v Uusi tarkasteluväli hinnalle [5000,5000 ] => v = 5/4 x /0000 => preferenssi muuttunut! v ( x ) = 4 / 3 x / Lasketaan kerroin M = v r (B r ) = v (5000) v (5000) = Sekä uudet painokertoimet: johtaen v(a)=0.69 ja v(b)= ' = = 0.75 => preferenssi säilyy ' = = Kok. Arvo =0.6 =0.4 a km b km 0.7 Auto Hinta =0.6 v Ajokilometrit =0.4 v Kok. Arvo a km b km 0.7

28 Kotitehtävä: Soveltaen: Punkka, Liesiö, Salo. (00) Päätöksenteko ja ongelmanratkaisu -kurssin tehtäviä Tehtävä valita päätöksentekijän preferenssien perusteella hänelle paras vaihtoehto additiivisella arvofunktiolla Teemu Teekkari on ostamassa sähköautoa itselleen. Valintaan vaikuttavat seuraavat kolme attribuuttia: toimintasäde R, hinta H ja teho P Vaihtoehdot ovat Auto R H P a 70km kW b 00km kW c 50km kW Tiedetään. Toimintasäteen arvofunktio on kasvava ja suhteessa x:n neliöjuureen. Hinnan arvofunktio on vähenevä ja lineaarinen x:n suhteen 3. Tehon arvofunktio on kasvava ja seuraavat preferenssirelaatiot pätevät : (70 30)~(00 70) ja (55 30)~(70 55) 4. Lisäksi tiedetään mielikuvitusvaihtoehtojen relaatiot (50, 5000,70)~(00,0000,70) ja (50,5000,70)~(00,5000,55)

29 Kotitehtävä a) Rakenna normalisoidut kriteerikohtaiset arvofunktiot v i s.e. attribuutin paras taso saa arvon ja huonoin 0 b) Laske tunnettujen preferenssirelaatioiden avulla painokertoimet i ja 3 muodosta additiivinen arvofunktio: V ( x) = v ( x ) c) Mitkä ovat uudet painokertoimet kun toimintasäteen paras taso asetetaankin 300km ja huonoin 50km? i= i i i

30 Lähteet Eisenführ ym. (00): 07-4, 5-54 Punkka, Liesiö, Salo. (00) Päätöksenteko ja ongelmanratkaisu -kurssin luentokalvot

2. Arvon ja hyödyn mittaaminen

2. Arvon ja hyödyn mittaaminen 2. Arvon ja hyödyn mittaaminen 1 2 Arvon ja hyödyn mittaaminen 2.1 Miksi tarvitsemme arvofunktiota? Arvofunktio on preferenssien (mieltymysten) matemaattinen kuvaus. Arvofunktio kuvaa päätöskriteeriä vastaavan

Lisätiedot

Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi

Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi Mat-2.4142 Optimointiopin seminaari 9.2.2011 Lähteet: Salo, A. & Hämäläinen, R. P., 2010.

Lisätiedot

Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus

Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus Mat-2.4142 Optimointiopin seminaari 2.3.2011 Lähteet: Clemen, R. T., & Smith, J. E. (2009). On the Choice of Baselines

Lisätiedot

Harjoitus 12: Monikriteerinen arviointi

Harjoitus 12: Monikriteerinen arviointi Harjoitus 12: Monikriteerinen arviointi MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheet Monikriteerinen arviointi Kurssin opetusteemojen

Lisätiedot

Additiivinen arvofunktio projektiportfolion valinnassa

Additiivinen arvofunktio projektiportfolion valinnassa Esitelmä 5 Antti Toppila sivu 1/19 Optimointiopin seminaari Kevät 2011 Additiivinen arvofunktio projektiportfolion valinnassa Antti Toppila 2.2.2011 Esitelmä 5 Antti Toppila sivu 2/19 Optimointiopin seminaari

Lisätiedot

Harjoitus 12: Monikriteerinen arviointi

Harjoitus 12: Monikriteerinen arviointi Harjoitus 12: Monikriteerinen arviointi MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheet Monikriteerinen arviointi Kurssin opetusteemojen

Lisätiedot

Aihioiden priorisointi ja portfolioanalyysi ennakoinnissa (valmiin työn esittely)

Aihioiden priorisointi ja portfolioanalyysi ennakoinnissa (valmiin työn esittely) Aihioiden priorisointi ja portfolioanalyysi ennakoinnissa (valmiin työn esittely) Juha Kännö 23..22 Ohjaajat: TkL Antti Punkka, DI Eeva Vilkkumaa Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa

Lisätiedot

Vastausehdotukset analyysin sivuainekurssin syksyn välikokeeseen

Vastausehdotukset analyysin sivuainekurssin syksyn välikokeeseen Vastausehdotukset analyysin sivuainekurssin syksyn 015 1. välikokeeseen Heikki Korpela November 1, 015 1. Tehtävä: funktio f : R R toteuttaa ehdot ax, kun x 1 f(x) x + 1, kun x < 1 Tutki, millä vakion

Lisätiedot

Diskreetin matematiikan perusteet Malliratkaisut 2 / vko 38

Diskreetin matematiikan perusteet Malliratkaisut 2 / vko 38 Diskreetin matematiikan perusteet Malliratkaisut 2 / vko 38 Tuntitehtävät 11-12 lasketaan alkuviikon harjoituksissa ja tuntitehtävät 15-16 loppuviikon harjoituksissa. Kotitehtävät 13-14 tarkastetaan loppuviikon

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 1 Määrittelyjoukoista Tarkastellaan funktiota, jonka määrittelevä yhtälö on f(x) = x. Jos funktion lähtöjoukoksi määrittelee vaikkapa suljetun välin [0, 1], on funktio

Lisätiedot

Matematiikan tukikurssi, kurssikerta 2

Matematiikan tukikurssi, kurssikerta 2 Matematiikan tukikurssi kurssikerta 1 Relaatioista Oletetaan kaksi alkiota a ja b. Näistä kumpikin kuuluu johonkin tiettyyn joukkoon mahdollisesti ne kuuluvat eri joukkoihin; merkitään a A ja b B. Voidaan

Lisätiedot

Johdatus matemaattiseen päättelyyn

Johdatus matemaattiseen päättelyyn Johdatus matemaattiseen päättelyyn Maarit Järvenpää Oulun yliopisto Matemaattisten tieteiden laitos Syyslukukausi 2015 1 Merkintöjä 2 Todistamisesta 2 3 Joukko-oppia Tässä luvussa tarkastellaan joukko-opin

Lisätiedot

Referenssipiste- ja referenssisuuntamenetelmät

Referenssipiste- ja referenssisuuntamenetelmät Referenssipiste- ja referenssisuuntamenetelmät Optimointiopin seminaari - Kevät 2000 / 1 Esitelmän sisältö Menetelmien ideat Menetelmien soveltaminen Menetelmien ominaisuuksia Optimointiopin seminaari

Lisätiedot

Johdatus matematiikkaan

Johdatus matematiikkaan Johdatus matematiikkaan Luento 6 Mikko Salo 6.9.2017 Sisältö 1. Kompleksitaso 2. Joukko-oppia Kompleksiluvut Edellisellä luennolla huomattiin, että toisen asteen yhtälö ratkeaa aina, jos ratkaisujen annetaan

Lisätiedot

Preference Programming viitekehys tehokkuusanalyysissä

Preference Programming viitekehys tehokkuusanalyysissä Preference Programming viitekehys tehokkuusanalyysissä Mat-2.4142 Optimointiopin seminaari kevät 2011 Salo, A., Punkka, A., 2011. Ranking Intervals and Dominance Relations for Ratio-Based Efficiency Analysis,

Lisätiedot

1 Sisätulo- ja normiavaruudet

1 Sisätulo- ja normiavaruudet 1 Sisätulo- ja normiavaruudet 1.1 Sisätuloavaruus Määritelmä 1. Olkoon V reaalinen vektoriavaruus. Kuvaus : V V R on reaalinen sisätulo eli pistetulo, jos (a) v w = w v (symmetrisyys); (b) v + u w = v

Lisätiedot

802320A LINEAARIALGEBRA OSA II

802320A LINEAARIALGEBRA OSA II 802320A LINEAARIALGEBRA OSA II Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 64 Sisätuloavaruus Määritelmä 1 Olkoon V reaalinen vektoriavaruus. Kuvaus on reaalinen

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia. HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Inversio-ongelmien laskennallinen peruskurssi Luento 2 Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +

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

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain Matriisilaskenta LH4 24 ratkaisut 1 Hae seuraavien R 4 :n aliavaruuksien dimensiot jotka sisältävät vain a) Kaikki muotoa (a b c d) olevat vektorit joilla d a + b b) Kaikki muotoa (a b c d) olevat vektorit

Lisätiedot

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen

Lisätiedot

Luento 6: Monitavoiteoptimointi

Luento 6: Monitavoiteoptimointi Luento 6: Monitavoiteoptimointi Monitavoiteoptimointitehtävässä on useita optimoitavia kohdefunktioita eli ns kriteereitä: f 1,, f m Esimerkiksi opiskelija haluaa oppia mahdollisimman hyvin ja paljon mahdollisimman

Lisätiedot

Ratkaisu: a) Kahden joukon yhdisteseen poimitaan kaikki alkiot jotka ovat jommassakummassa joukossa (eikä mitään muuta).

Ratkaisu: a) Kahden joukon yhdisteseen poimitaan kaikki alkiot jotka ovat jommassakummassa joukossa (eikä mitään muuta). Matematiikan laitos Johdatus Diskreettiin Matematiikaan Harjoitus 1 03.11.2010 Ratkaisuehdotuksia Aleksandr Nuija 1. Tarkastellaan joukkoja A = {1,3,4}, B = {2,3,7,9} ja C = {2, 5, 7}. Määritä joukot (a)

Lisätiedot

x 7 3 4x x 7 4x 3 ( 7 4)x 3 : ( 7 4), 7 4 1,35 < ln x + 1 = ln ln u 2 3u 4 = 0 (u 4)(u + 1) = 0 ei ratkaisua

x 7 3 4x x 7 4x 3 ( 7 4)x 3 : ( 7 4), 7 4 1,35 < ln x + 1 = ln ln u 2 3u 4 = 0 (u 4)(u + 1) = 0 ei ratkaisua Mallivastaukset - Harjoituskoe E E a) x 7 3 4x x 7 4x 3 ( 7 4)x 3 : ( 7 4), 7 4,35 < 0 x 3 7 4 b) 0 / x + dx = 0 ln x + = ln + ln 0 + = ln 0 Vastaus: ln c) x 4 3x 4 = 0 Sijoitetaan x = u Tulon nollasääntö

Lisätiedot

Paretoratkaisujen visualisointi

Paretoratkaisujen visualisointi Paretoratkaisujen visualisointi Optimointiopin seminaari - Kevät 2000 / 1 Esityksen sisältö Vaihtoehtoisten kohdevektorien visualisointi Arvopolut Palkkikaaviot Tähtikoordinaatit Hämähäkinverkkokaavio

Lisätiedot

Luento 10: Työ, energia ja teho. Johdanto Työ ja kineettinen energia Teho

Luento 10: Työ, energia ja teho. Johdanto Työ ja kineettinen energia Teho Luento 10: Työ, energia ja teho Johdanto Työ ja kineettinen energia Teho 1 / 23 Luennon sisältö Johdanto Työ ja kineettinen energia Teho 2 / 23 Johdanto Energia suure, joka voidaan muuttaa muodosta toiseen,

Lisätiedot

Matematiikan johdantokurssi, syksy 2016 Harjoitus 11, ratkaisuista

Matematiikan johdantokurssi, syksy 2016 Harjoitus 11, ratkaisuista Matematiikan johdantokurssi, syksy 06 Harjoitus, ratkaisuista. Valitse seuraaville säännöille mahdollisimman laajat lähtöjoukot ja sopivat maalijoukot niin, että syntyy kahden muuttujan funktiot (ks. monisteen

Lisätiedot

Johdatus matematiikkaan

Johdatus matematiikkaan Johdatus matematiikkaan Luento 7 Mikko Salo 11.9.2017 Sisältö 1. Funktioista 2. Joukkojen mahtavuus Funktioista Lukiomatematiikassa on käsitelty reaalimuuttujan funktioita (polynomi / trigonometriset /

Lisätiedot

Miten osoitetaan joukot samoiksi?

Miten osoitetaan joukot samoiksi? Miten osoitetaan joukot samoiksi? Määritelmä 1 Joukot A ja B ovat samat, jos A B ja B A. Tällöin merkitään A = B. Kun todistetaan, että A = B, on päättelyssä kaksi vaihetta: (i) osoitetaan, että A B, ts.

Lisätiedot

Diskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9

Diskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9 Diskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9 Tuntitehtävät 9-10 lasketaan alkuviikon harjoituksissa ja tuntitehtävät 13-14 loppuviikon harjoituksissa. Kotitehtävät 11-12 tarkastetaan loppuviikon

Lisätiedot

b 1. b m ) + ( 2b Ax) + (b b)

b 1. b m ) + ( 2b Ax) + (b b) TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-9 Optimointioppi Kimmo Berg 5 harjoitus - ratkaisut min Ax b (vertaa PNS-tehtävät) a x + + a n x n a) Ax b = a m x + + a mn x n = x a a m }{{}

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

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 9 1 Implisiittinen derivointi Tarkastellaan nyt yhtälöä F(x, y) = c, jossa x ja y ovat muuttujia ja c on vakio Esimerkki tällaisesta yhtälöstä on x 2 y 5 + 5xy = 14

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 6 1 Korkolaskentaa Oletetaan, että korkoaste on r Jos esimerkiksi r = 0, 02, niin korko on 2 prosenttia Tätä korkoastetta käytettään diskonttaamaan tulevia tuloja ja

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

Mat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet

Mat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet Mat-2.142 Optimointiopin seminaari kevät 2000 Monitavoiteoptimointi Optimointiopin seminaari - Kevät 2000 / 1 Tavoitteet Monitavoitteisten optimointitehtävien ratkaisukäsitteet ja soveltamismahdollisuudet

Lisätiedot

811120P Diskreetit rakenteet

811120P Diskreetit rakenteet 811120P Diskreetit rakenteet 2016-2017 4. Joukot, relaatiot ja funktiot Osa 1: Joukot 4.1 Joukot Matemaattisesti joukko on mikä tahansa hyvin määritelty kokoelma objekteja, joita kutsutaan joukon alkioiksi

Lisätiedot

Havainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin. w w = ( 4) 2 + ( 3) 2 = 25 = 5. v = ( 3) = 13. v = v.

Havainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin. w w = ( 4) 2 + ( 3) 2 = 25 = 5. v = ( 3) = 13. v = v. Havainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin w = w w = ( 4) 2 + ( 3) 2 = 25 = 5 v = v v = ( 3) 2 + 2 2 = 13. w =5 3 2 v = 13 4 3 LM1, Kesä 2014 76/102 Normin ominaisuuksia I Lause

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 Kuinka hyvä ennuste on? Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki

Lisätiedot

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: 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

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44 Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44 Tehtävät 1-3 lasketaan alkuviikon harjoituksissa, verkkotehtävien dl on lauantaina aamuyöllä. Tehtävät 4 ja 5 lasketaan loppuviikon harjoituksissa.

Lisätiedot

MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I

MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta

Lisätiedot

Kuvaus. Määritelmä. LM2, Kesä /160

Kuvaus. Määritelmä. LM2, Kesä /160 Kuvaus Määritelmä Oletetaan, että X ja Y ovat joukkoja. Kuvaus eli funktio joukosta X joukkoon Y on sääntö, joka liittää jokaiseen joukon X alkioon täsmälleen yhden alkion, joka kuuluu joukkoon Y. Merkintä

Lisätiedot

Tehtävä 1. Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja.

Tehtävä 1. Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja. Tehtävä 1 Arvioi mitkä seuraavista väitteistä pitävät paikkansa. Vihje: voit aloittaa kokeilemalla sopivia lukuarvoja. 1 Jos 1 < y < 3, niin kaikilla x pätee x y x 1. 2 Jos x 1 < 2 ja y 1 < 3, niin x y

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Idea Lineaarisen systeemin ratkaiseminen Olkoon

Lisätiedot

Osa IX. Z muunnos. Johdanto Diskreetit funktiot

Osa IX. Z muunnos. Johdanto Diskreetit funktiot Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto

Lisätiedot

0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,

0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7, HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä niistä

Lisätiedot

Matemaatiikan tukikurssi

Matemaatiikan tukikurssi Matemaatiikan tukikurssi Kurssikerta 1 1 Funktiot Funktion määritelmä Funktio on sääntö, joka liittää kahden eri joukon alkioita toisiinsa. Ollakseen funktio tämän säännön on liitettävä jokaiseen lähtöjoukon

Lisätiedot

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä Sekalaiset tehtävät, 11. syyskuuta 005, sivu 1 / 13 Tehtäviä Tehtävä 1. Johda toiseen asteen yhtälön ax + bx + c = 0, a 0 ratkaisukaava. Tehtävä. Määrittele joukon A R pienin yläraja sup A ja suurin alaraja

Lisätiedot

1. Olkoon f :, Ratkaisu. Funktion f kuvaaja välillä [ 1, 3]. (b) Olkoonε>0. Valitaanδ=ε. Kun x 1 <δ, niin. = x+3 2 = x+1, 1< x<1+δ

1. Olkoon f :, Ratkaisu. Funktion f kuvaaja välillä [ 1, 3]. (b) Olkoonε>0. Valitaanδ=ε. Kun x 1 <δ, niin. = x+3 2 = x+1, 1< x<1+δ Matematiikan tilastotieteen laitos Differentiaalilaskenta, syksy 2015 Lisätehtävät 1 Ratkaisut 1. Olkoon f :, x+1, x 1, f (x)= x+3, x>1 Piirrä funktion kuvaa välillä [ 1, 3]. (a) Tutki ra-arvon (ε, δ)-määritelmän

Lisätiedot

Ristitulolle saadaan toinen muistisääntö determinantin avulla. Vektoreiden v ja w ristitulo saadaan laskemalla determinantti

Ristitulolle saadaan toinen muistisääntö determinantin avulla. Vektoreiden v ja w ristitulo saadaan laskemalla determinantti 14 Ristitulo Avaruuden R 3 vektoreille voidaan määritellä pistetulon lisäksi niin kutsuttu ristitulo. Pistetulosta poiketen ristitulon tulos ei ole reaaliluku vaan avaruuden R 3 vektori. Ristitulosta on

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 17 R. Kangaslampi Vektoriavaruudet Vektoriavaruus

Lisätiedot

I I K UL U UT U T T A T JANTE T O E R O I R A

I I K UL U UT U T T A T JANTE T O E R O I R A II KULUTTAJANTEORIA.. Budjettirajoite * Ihmisten kaikkea toimintaa rajoittavat erilaiset rajoitteet. * Mikrotalouden kurssilla tärkein rajoite on raha. * Kuluttaja maksimoi hyötyään, mutta ei kykene toteuttamaan

Lisätiedot

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8. HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..

Lisätiedot

Derivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2

Derivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2 MS-C50 Osittaisdifferentiaaliyhtälöt Harjoitukset syksy 07. Oletetaan että vektorikenttä E E E E : R R on kaksi kertaa jatkuvasti derivoituva E C R. Näytä että E E. Derivaatat lasketaan komponenteittain

Lisätiedot

Tekijä MAA2 Polynomifunktiot ja -yhtälöt = Vastaus a)

Tekijä MAA2 Polynomifunktiot ja -yhtälöt = Vastaus a) K1 a) Tekijä MAA Polynomifunktiot ja -yhtälöt 6.8.016 ( + + ) + ( ) = + + + = + + + = + 4 b) 4 4 ( 5 + ) ( 5 + 1) = 5 + + 5 + 1 4 = + + + 4 = + 5 5 1 1 Vastaus a) 4 + b) 4 + 1 K a) f ( ) = + 1 f () = +

Lisätiedot

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

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

Lisätiedot

Lukujonot Z-muunnos Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt. Z-muunnos. 5. joulukuuta Z-muunnos

Lukujonot Z-muunnos Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt. Z-muunnos. 5. joulukuuta Z-muunnos Lukujonot Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt 5. joulukuuta 2016 Lukujonot Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt Lukujonot Lukujonot Z-muunnoksen ominaisuuksia

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

Valitsemalla sopivat alkiot joudutaan tämän määritelmän kanssa vaikeuksiin, jotka voidaan välttää rakentamalla joukko oppi aksiomaattisesti.

Valitsemalla sopivat alkiot joudutaan tämän määritelmän kanssa vaikeuksiin, jotka voidaan välttää rakentamalla joukko oppi aksiomaattisesti. Joukon määritelmä Joukko on alkioidensa kokoelma. Valitsemalla sopivat alkiot joudutaan tämän määritelmän kanssa vaikeuksiin, jotka voidaan välttää rakentamalla joukko oppi aksiomaattisesti. Näin ei tässä

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

9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista

9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista 29 9 Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista Tarkastelemme kertalukua n olevia lineaarisia differentiaaliyhtälöitä y ( x) + a ( x) y ( x) + + a ( x) y( x) + a ( x) y= b( x) ( n) ( n

Lisätiedot

Ratkaisut vuosien tehtäviin

Ratkaisut vuosien tehtäviin Ratkaisut vuosien 1978 1987 tehtäviin Kaikki tehtävät ovat pitkän matematiikan kokeista. Eräissä tehtävissä on kaksi alakohtaa; ne olivat kokelaalle vaihtoehtoisia. 1978 Osoita, ettei mikään käyrän y 2

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

Algebra I, Harjoitus 6, , Ratkaisut

Algebra I, Harjoitus 6, , Ratkaisut Algebra I Harjoitus 6 9. 13.3.2009 Ratkaisut Algebra I Harjoitus 6 9. 13.3.2009 Ratkaisut (MV 6 sivua 1. Olkoot M ja M multiplikatiivisia monoideja. Kuvaus f : M M on monoidihomomorfismi jos 1 f(ab = f(af(b

Lisätiedot

Algebran perusteet. 44 ϕ(105) = (105). Näin ollen

Algebran perusteet. 44 ϕ(105) = (105). Näin ollen Algebran perusteet Harjoitus 4, ratkaisut kevät 2016 1 a) Koska 105 = 5 21 = 3 5 7 ja 44 = 2 2 11, niin syt(44, 105) = 1 Lisäksi ϕ(105) = ϕ(3 5 7) = (3 1)(5 1)(7 1) = 2 4 6 = 48, joten Eulerin teoreeman

Lisätiedot

33. pohjoismainen matematiikkakilpailu 2019 Ratkaisut

33. pohjoismainen matematiikkakilpailu 2019 Ratkaisut 33. pohjoismainen matematiikkakilpailu 2019 Ratkaisut 1. Kutsutaan (eri) positiivisten kokonaislukujen joukkoa merkitykselliseksi, jos sen jokaisen äärellisen epätyhjän osajoukon aritmeettinen ja geometrinen

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

Tenttiin valmentavia harjoituksia

Tenttiin valmentavia harjoituksia Tenttiin valmentavia harjoituksia Alla olevissa harjoituksissa suluissa oleva sivunumero viittaa Juha Partasen kurssimonisteen siihen sivuun, jolta löytyy apua tehtävän ratkaisuun. Funktiot Harjoitus.

Lisätiedot

Reaaliarvoisen yhden muuttujan funktion raja arvo LaMa 1U syksyllä 2011

Reaaliarvoisen yhden muuttujan funktion raja arvo LaMa 1U syksyllä 2011 Neljännen viikon luennot Reaaliarvoisen yhden muuttujan funktion raja arvo LaMa 1U syksyllä 2011 Perustuu Trench in verkkokirjan lukuun 2.1. Esko Turunen esko.turunen@tut.fi Funktion y = f (x) on intuitiivisesti

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

4. Funktion arvioimisesta eli approksimoimisesta

4. Funktion arvioimisesta eli approksimoimisesta 4. Funktion arvioimisesta eli approksimoimisesta Vaikka nykyaikaiset laskimet osaavatkin melkein kaiken muun välttämättömän paitsi kahvinkeiton, niin joskus, milloin mistäkin syystä, löytää itsensä tilanteessa,

Lisätiedot

Kertausta: avaruuden R n vektoreiden pistetulo

Kertausta: avaruuden R n vektoreiden pistetulo Kertausta: avaruuden R n vektoreiden pistetulo Määritelmä Vektoreiden v R n ja w R n pistetulo on v w = v 1 w 1 + v 2 w 2 + + v n w n. Huom. Pistetulo v w on reaaliluku! LM2, Kesä 2012 227/310 Kertausta:

Lisätiedot

Lukujonot Z-muunnos Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt. Z-muunnos. 1. joulukuuta Z-muunnos

Lukujonot Z-muunnos Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt. Z-muunnos. 1. joulukuuta Z-muunnos Lukujonot Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt 1. joulukuuta 2015 Lukujonot Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt Lukujono Lukujono on diskreetti funktio

Lisätiedot

Matematiikan tukikurssi, kurssikerta 1

Matematiikan tukikurssi, kurssikerta 1 Matematiikan tukikurssi, kurssikerta 1 1 Joukko-oppia Matematiikassa joukko on mikä tahansa kokoelma objekteja. Esimerkiksi joukkoa A, jonka jäseniä ovat numerot 1, 2 ja 5 merkitään A = {1, 2, 5}. Joukon

Lisätiedot

= 5! 2 2!3! = = 10. Edelleen tästä joukosta voidaan valita kolme särmää yhteensä = 10! 3 3!7! = = 120

= 5! 2 2!3! = = 10. Edelleen tästä joukosta voidaan valita kolme särmää yhteensä = 10! 3 3!7! = = 120 Tehtävä 1 : 1 Merkitään jatkossa kirjaimella H kaikkien solmujoukon V sellaisten verkkojen kokoelmaa, joissa on tasan kolme särmää. a) Jokainen verkko G H toteuttaa väitteen E(G) [V]. Toisaalta jokainen

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

isomeerejä yhteensä yhdeksän kappaletta.

isomeerejä yhteensä yhdeksän kappaletta. Tehtävä 2 : 1 Esitetään aluksi eräitä havaintoja. Jokaisella n Z + symbolilla H (n) merkitään kaikkien niiden verkkojen joukkoa, jotka vastaavat jotakin tehtävänannon ehtojen mukaista alkaanin hiiliketjua

Lisätiedot

(2n 1) = n 2

(2n 1) = n 2 3.5 Induktiotodistus Induktiota käyttäen voidaan todistaa luonnollisia lukuja koskevia väitteitä, jotka ovat muotoa väite P (n) on totta kaikille n =0, 1, 2,... Tässä väite P (n) riippuu n:n arvosta. Todistuksessa

Lisätiedot

1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B.

1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B. HY / Avoin yliopisto Johdatus yliopistomatematiikkaan, kesä 2015 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Seuraavissa tehtävissä harjoitellaan muun muassa kahden joukon osoittamista samaksi sekä joukon

Lisätiedot

[a] ={b 2 A : a b}. Ekvivalenssiluokkien joukko

[a] ={b 2 A : a b}. Ekvivalenssiluokkien joukko 3. Tekijälaskutoimitus, kokonaisluvut ja rationaaliluvut Tässä luvussa tutustumme kolmanteen tapaan muodostaa laskutoimitus joukkoon tunnettujen laskutoimitusten avulla. Tätä varten määrittelemme ensin

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

Polkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä Olkoot γ : [a, b] R m paloittain C 1 -polku välin [a, b] jaon

Polkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä Olkoot γ : [a, b] R m paloittain C 1 -polku välin [a, b] jaon Polkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä 4.1.3. Olkoot : [a, b] R m paloittain C 1 -polku välin [a, b] jaon P = {a = t 1 < < t k = b} ja joukko D R m sellainen, että ([a, b])

Lisätiedot

Injektio (1/3) Funktio f on injektio, joss. f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f )

Injektio (1/3) Funktio f on injektio, joss. f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f ) Injektio (1/3) Määritelmä Funktio f on injektio, joss f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f ) Seurauksia: Jatkuva injektio on siis aina joko aidosti kasvava tai aidosti vähenevä Injektiolla on enintään

Lisätiedot

Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti

Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti isää satunnaisuutta ja mahdollisuus keskeyttää projekti Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy isää satunnaisuutta Tähän mennessä on käytetty vain yhtä satunnaismuuttujaa tuotteen

Lisätiedot

LUKU 10. Yhdensuuntaissiirto

LUKU 10. Yhdensuuntaissiirto LUKU hdensuuntaissiirto Olkoot (M, N) suunnistettu pinta, p M ja v p R 3 p annettu vektori pisteessä p (vektorin v p ei tarvitse olla pinnan M tangenttivektori). Tällöin vektori (v p N(p)) N(p) on vektorin

Lisätiedot

Matematiikan peruskurssi 2

Matematiikan peruskurssi 2 Matematiikan peruskurssi Demonstraatiot III, 4.5..06. Mikä on funktion f suurin mahdollinen määrittelyjoukko, kun f(x) x? Mikä on silloin f:n arvojoukko? Etsi f:n käänteisfunktio f ja tarkista, että löytämäsi

Lisätiedot

c) 22a 21b x + a 2 3a x 1 = a,

c) 22a 21b x + a 2 3a x 1 = a, Tehtäviä on kahdella sivulla; kuusi ensimmäistä tehtävää on monivalintatehtäviä, joissa on 0 4 oikeata vastausta. 1. Lukion A ja lukion B oppilasmäärien suhde oli a/b vuoden 2017 lopussa. Vuoden 2017 aikana

Lisätiedot

Funktion. Käänteisfunktio. Testi 3. Kauhava Aiheet. Funktio ja funktion kuvaaja. Funktion kasvaminen ja väheneminen.

Funktion. Käänteisfunktio. Testi 3. Kauhava Aiheet. Funktio ja funktion kuvaaja. Funktion kasvaminen ja väheneminen. Funktiot Kauhava 26.11.2010 n kuvaaja n kuvaaja n kuvaaja Linkkejä kurssi2 / Etälukio (edu.) kurssi8 / Etälukio (edu.) (Suurinta osaa tämän linkin takana olevasta materiaalista pohdimme vasta huomenna!)

Lisätiedot

l 1 2l + 1, c) 100 l=0

l 1 2l + 1, c) 100 l=0 MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 5. Millä reaaliluvun arvoilla a) 9 =, b) 5 + 5 +, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + + 5 + + 99, b) 5 + 4 65 + + n 5 n, c)

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

2. Teoriaharjoitukset

2. Teoriaharjoitukset 2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien

Lisätiedot

Vieruskaverisi on tämän päivän luennolla työtoverisi. Jos sinulla ei ole vieruskaveria, siirry jonkun viereen. Esittäytykää toisillenne.

Vieruskaverisi on tämän päivän luennolla työtoverisi. Jos sinulla ei ole vieruskaveria, siirry jonkun viereen. Esittäytykää toisillenne. Aloitus Vieruskaverisi on tämän päivän luennolla työtoverisi. Jos sinulla ei ole vieruskaveria, siirry jonkun viereen. Esittäytykää toisillenne. Mitkä seuraavista väitteistä ovat tosia? A. 6 3 N B. 5 Z

Lisätiedot

Investointimahdollisuudet ja niiden ajoitus

Investointimahdollisuudet ja niiden ajoitus Investointimahdollisuudet ja niiden ajoitus Ratkaisu optiohinnoitteluteorian avulla Esitelmä - Eeva Nyberg Optimointiopin seminaari - Syksy 000 / Tähän asti opittua NP:n rajoitteet vaikka NP negatiivinen

Lisätiedot

Monitavoiteoptimointi

Monitavoiteoptimointi Monitavoiteoptimointi Useita erilaisia tavoitteita, eli useita objektifunktioita Tavoitteet yleensä ristiriitaisia ja yhteismitattomia Optimaalisuus tarkoittaa yleensä eri asiaa kuin yksitavoitteisessa

Lisätiedot

Linkkejä kurssi2 / Etälukio (edu.) kurssi8 / Etälukio (edu.) (Suurinta osaa tämän linkin takana olevasta materiaalista pohdimme vasta huomenna!

Linkkejä kurssi2 / Etälukio (edu.) kurssi8 / Etälukio (edu.) (Suurinta osaa tämän linkin takana olevasta materiaalista pohdimme vasta huomenna! Funktiot, L3a n kuvaaja n kuvaaja n kuvaaja Linkkejä kurssi2 / Etälukio (edu.) kurssi8 / Etälukio (edu.) (Suurinta osaa tämän linkin takana olevasta materiaalista pohdimme vasta huomenna!) Funktio (Käytännöllinen

Lisätiedot

811120P Diskreetit rakenteet

811120P Diskreetit rakenteet 811120P Diskreetit rakenteet 2018-2019 Kertausta toiseen välikokeeseen Yhteenveto Kurssin sisältö 1. Algoritmin käsite 2. Lukujärjestelmät ja niiden muunnokset; lukujen esittäminen tietokoneessa 3. Logiikka

Lisätiedot

Tehtäväsarja I Seuraavissa tehtävissä harjoitellaan erilaisia todistustekniikoita. Luentokalvoista 11, sekä voi olla apua.

Tehtäväsarja I Seuraavissa tehtävissä harjoitellaan erilaisia todistustekniikoita. Luentokalvoista 11, sekä voi olla apua. HY / Avoin yliopisto Johdatus yliopistomatematiikkaan, kesä 2015 Harjoitus 2 Ratkaisuehdotuksia Tehtäväsarja I Seuraavissa tehtävissä harjoitellaan erilaisia todistustekniikoita. Luentokalvoista 11, 15-17

Lisätiedot