Hypermedian jatko-opintoseminaari
|
|
- Irma Elstelä
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa Hypermedia jatko-opitosemiaari Matrices i Social Network Aalysis Ad Modelig Matriisit sosiaaliste verkostoje mallitamisessa Thumas Miilumäki thumas.miilumaki@tut.fi = X
2 Sisältö 2 Perusteluja matriisie ja matriisilaskea käytö soveltuvuudesta sosiaaliste verkostoje kvatitatiivise tutkimukse välieiä Sosiaaliste verkostoje aalyysissä käytettävä matriisiotaatio ja -laskea perusteita Taustalla pääosi Wassermai ja Fausti (994) kirjassaa esittämät sosiaaliste verkostoje malliuksessa käytettäviä matriiseja koskevat teoriat Laajeuksia Ruohose Graafiteoria (26) opetusmoisteesta sekä Koke ja Yagi (28) ja Scotti (2) teoksista Termistö suomeokset pohjautuvat Ruohose (26) ja Johassoi et al. (995) teoksissa käytettyihi suomeoksii Kuvat tehty yed -ohjelmistoilla ellei muuta ole maiittu Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
3 Tavoitteet 3 Matriisilaskea peruskäsitteide ymmärtämie Tässä ei kuitekaa perehdytä liia tarkoi yleisii matriisioperaatioihi tai matriisie yleisii yksittäisii omiaisuuksii Vai välttämättömimmät matriisilaskea perusteet esitellää tarvittaessa Matriisilaskea tärkeyde korostamie sosiaaliste verkostoje kvatitatiivisessa aalyysissa SNA:ssa käytettävä matriisiaalyysi perusteide ymmärtämie Jatkossa esiteltävät keskeisyyde (cetrality) ja arvostukse (prestige) käsitteet kokretisoituvat matriisie avulla suoritetulla laskealla Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
4 Sosiomatriisi 4 Verkosto toimijat ja eri toimijaparie väliset suuatut / suutaamattomat yhteydet voidaa esittää yhteä matriisia Jos verkosto koostuu g toimijasta, joide välillä joko o yhteys tai yhteys puuttuu, voidaa toimijoide väliset yhteydet kuvata taulukkoa, jossa kulleki toimijalle o merkitty oma vaakarivi ja vastaava pystysarake Taulukkoo merkitää biääriluvuilla ja toimijoide välise yhteyde olemassa olo se., alkio saa arvo, jos yhteyttä ei ole, ja arvo, jos toimijoide välillä o yhteys Koska silmukoita ei sallita verkostossa, tauluko lävistäjä alkiot jätetää määrittelemättä Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
5 Sosiomatriisi 5 Taulukko o g x g vieruspistematriisi (a adjacecy matrix) X, joka alkiot x ij määritellää, lk = ( i, j ) ei ole olemassa xij =, lk = ( i, j ) o olemassa Tätä vieruspistematriisia imitetää SNA:ssa sosiomatriisiksi (a sociomatrix, sociomatrices) Edellä esitetystä taulukosta saadaa siis sosiomatriisi X X = Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
6 Sosiomatriisi omiaisuuksia 6 Sosiomatriisi o yleisesti asymmetrie (asymmetric) suutaamattomille graafeille, mutta aia symmetrie (symmetric) suutaamattomille graafeille Täydellise K g -graafi sosiomatriisi jokaie diagoaalialkiosta poikkeava alkio o arvoltaa Vastaavasti tyhjää graafia vastaa sosiomatriisi, jossa jokaie (diagoaalialkiosta poikkeava) alkio o arvoltaa Arvotetuille graafeille sosiomatriisi alkiot ovat reaalilukuja, jotka vastaavat toimijoide väliste yhteyksie arvoja v k Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
7 Isidessimatriisi 7 Isidessimatriisissa (a icidece matrix) o esitetty tieto siitä, mitkä graafi (verkosto) solmut ovat johtuvia (icidet) miki graafi (verkosto) kaare suhtee Isidessimatriisissa kutaki solmua vastaa yksi matriisi rivi ja kutaki kaarta yksi sarake Jos siis verkostossa o g solmua ja L kaarta, o isidessimatriisi I g x L matriisi Isidessimatriisi alkiot I ij ovat biäärisiä se., jos solmu i o liittyyt kaaree l j, o I ij =, ja mikäli taas solmu i ei ole liittyyt kaaree l j, o I ij = Isidessimatriisi jokaisessa sarakkeessa o täsmällee kaksi ykköstä iillä riveillä, jotka edustavat kyseise kaare päätepisteitä Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
8 Isidessimatriisi 8 l l 2 l 3 l 4 l I = Isidessimatriisia I vastaava graafi Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
9 Kaksi-moodise verkosto ja hypergraafi matriisit 9 Kaksi-moodise verkosto (two-mode etwork) sosiomatriisi o g x h matriisi, jossa kutaki solmua joukosta N = {, 2,, g } vastaa yksi rivi ja kutaki solmua joukosta M = {m,m 2,,m h } vastaa yksi sarake Hypergraafia H (N,M ) kuvaava matriisi A o g x h matriisi, jossa alkio a ij =, jos pistejouko N = {, 2,, g } piste i o kaarijouko M = {M,M 2,,M h } kaaressa M j, ja muulloi Matriisia A o saottu hypergraafi isidessimatriisiksi, koska se ilmoittaa mitkä pisteet ovat liittyeet mihiki kaarii Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
10 Matriisioperaatioista Sosiaaliste verkostoje aalyysissa sosiomatriiseilla suoritettavaa lasketaa tarvitaa seuraavia matriisilaskea perusoperaatioita Matriisi X traspoosi X (X T ) Matriisie X ja Y yhtee- ja väheyslasku Matriisie X ja Y kertolasku ja matriisi potessi Matriisipermutaatio Edellä maiituista matriisioperaatioista viimeksi maiittu matriisipermutaatio käsitellää seuraavaksi pääkohdiltaa lyhyesti Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
11 Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa Matriisipermutaatio Yksikertaisuudessaa sosiomatriisie kohdalla matriisipermutaatiolla tarkoitetaa matriisi rivie ja sarakkeide samaaikaista ja vastaavalaista uudellee ryhmittelyä Sosiomatriisi sisältämä tieto verkostosta säilyy muuttumattomaa Aioastaa solmuje ideksoiti muuttuu Sopivalla permutoiilla saadaa matriisista itsessää eemmä kertova esim. verkostoaalyysissä aliryhmie etsimisessä = X = X
12 Kulku 2 Sosiomatriisi X alkiot x ij kertovat, oko solmuje i ja j välillä kulku i j Sosiomatriisi X eliö X 2 alkio x ij määritellää x [ 2] ij = k = Tämä summa yksi termi x ik x kj = vai, jos molemmat yhteydet ( i, k ) ja ( k, j ) ovat olemassa Summa laskee siis kulkuje, joide pituus o kaksi, lukumäärä solmusta i solmuu j g x ik x kj Sosiomatriisi X eliö X 2 alkiot ilmoittavat verkostossa olevie kulkuje, joide pituus o kaksi, lukumäärä solmusta i solmuu j Edellee matriisi X p alkiot ilmoittavat solmuje välisie kulkuje, joide pituus o p, lukumäärä [ 2] x ij Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
13 Saavutettavuus 3 Saavutettavuudella (reachability) tarkoitetaa sitä, että oko joideki verkosto kahde solmu välillä kulku [ R] Saavutettavuusmatriisissa (a reachability matrix) alkio X o yksi, jos solmuje i ja j välillä o kulku, olla muulloi Verkostossa kulku voi olla pituudeltaa korkeitaa g- Sosiomatriisi X potessit X 2, X 3,, X g- ilmoittavat solmuje väliste erimittaiste kulkuje lukumäärät [ Σ] Näide summamatriisi X [ Σ] g i 2 3 g X = X = X + X + X X i= ilmoittaa kaikkie erimittaiste kulkuje lukumäärät solmuparie välillä [ Σ] Tästä summamatriisista X saadaa saavutettavuusmatriisi [ R] [ Σ] X, ku matriisi X ollasta poikkeavat alkiot merkitää ykkösiksi Saavutettavuusmatriisi o määritettävissä myös Warshalli algoritmilla lasketatehokkaammi suurille verkostoille Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa [ R] x ij
14 Geodeesi ja etäisyys 4 Geodeesit eli solmuje lyhimmät etäisyydet esitetää usei etäisyysmatriisi (a distace matrix) avulla Etäisyysmatriisi alkiot d(i,j) ilmoittavat solmuje i ja j välise lyhimmä etäisyyde pituude Lyhimmät etäisyydet löytyvät tarkastelemalla sosiomatriisia X ja se potessimatriiseja X 2, X 3,, X g- se., d [ ] ( i, j ) = mi x p p ij > Verkosto halkaisija o yhtä suuri kui suuri verkostosta löytyvä geodeettie etäisyys, eli ts. halkaisija arvo o yhtä suuri kui etäisyysmatriisi alkioide maksimi (max [d(i,j)]) Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
15 Solmuje asteluvut 5 Suutaamattomille verkostoille solmuje asteluvut ovat helposti laskettavissa sosiomatriisi X tai isidessimatriisi I avulla Isidessimatriisissa rivillä o merkitty :llä, jos kaari o liittyyt solmuu ja :lla, jos kaari ei ole liittyyt solmuu Nyt siis solmu i asteluku d( i ) saadaa isidessimatriisi rivisummaa, eli L d( i ) = I ij j= Sosiomatriisissa rivillä o merkitty :llä, jos saraketta vastaava solmu o liittyyt kaarella riviä vastaavaa solmuu Nyt siis solmu i asteluku d( i ) saadaa sosiomatriisi rivisummaa tai sarakesummaa, koska matriisi o symmetrie, eli ts. g g d ( i ) = xij = xij = xi+ = x+ j j= i= Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
16 Solmuje vieti- ja tuotiluvut 6 Suuatuille verkostoille solmuje vieti- ja tuotiluvut (outdegree, idegree) ovat helposti laskettavissa sosiomatriisi X avulla Sosiomatriisissa rivillä o merkitty :llä, jos riviä vastaavasta solmusta lähtee uoli saraketta vastaavaa solmuu Nyt siis solmu i vietiluku d O ( i ) saadaa sosiomatriisi rivisummaa, eli d O i g ( ) = x = xi j= ij Sosiomatriisissa sarakkeessa o merkitty :llä, jos saraketta vastaavaa solmuu tulee uoli riviä vastaavasta solmusta + Nyt siis solmu i tuotiluku d I ( i ) saadaa sosiomatriisi sarakesummaa, eli g d I ( i ) = x ji = x+ i j= Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
17 Tiheys 7 Verkosto tiheys määriteltii verkostossa olemassa olevie solmuje väliste yhteyksie summa ja verkosto kaikkie mahdolliste solmuje väliste yhteyksie summa väliseä suhteea Verkostossa, jossa o g toimijaa, voi olla eitää g(g-) toimijaparie välistä suoraa yhteyttä Verkosto sosiomatriisissa o merkitty :llä, mikäli toimijapari välillä vallitsee yhteys ja :lla, jos toimipari väliltä puuttuu yhteys Nyt siis olemassa olevie yhteyksie summa saadaa yksikertaisesti sosiomatriisi kaikkie alkioide summaa, eli tiheys määritellää g g Σi= Σ j= x Δ = ij g( g ) Tämä tiheyde määritelmä pätee myös arvotetuille verkostoille Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
18 Lopuksi 8 Esitetyt perusteet ovat pohjaa laajemmalle ja yleisemmälle matriisilasketaa perustuvalle verkostoaalyysille Moet verkostosta määritettävät tuusluvut perustuvat jo pelkästää määritelmiesä puolesta verkostosta saatavaa perusdataa, joka o moilta osi helposti kerättävissä ja jalostettavissa verkostoa kuvaavasta sosiomatriisista Uohtaa ei kuitekaa sovi, että esim. graafiteoria pitää matriisilaskea ohella moi paikoi sisällää useita erilaisia meetelmiä sama kvatitatiivise aalyysi tekemisee ja ogelmie ratkaisemisee Tärkeää o löytää tilateesee sopiva meetelmä ja työkalu, joka huomioi mm. Tarvittava lähtödata Tavoiteltava tulokse Lasketatehokkuude ja -aja Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
19 Lähteet 9 Johasso, J-E., Mattila, M. & Uusikylä, P Johdatus verkostoaalyysii. Helsiki: Kuluttajatutkimuskeskus. (Viitattu 7..29) Koke, D. & Yag, S. 28. Social Network Aalysis. Secod Editio. Los Ageles: Sage Publicatios. Ruohoe, K. 26. Graafiteoria. Tampere: Tamperee tekillise yliopisto opetusmoiste o. 5, uusi sarja. Scott, J. 2. Social Network Aalysis. A Hadbook. Secod Editio. Lodo: Sage Publicatios. Wasserma, S. & Faust, K Social Network Aalysis: Methods ad Applicatios. New York: Cambridge Uiversity Press, Matematiika laitos & Hypermedialaboratorio Thumas Miilumäki SNA Matriisit verkostoje mallitamisessa 9..29
Verkostoanalyysin peruskäsitteitä ja visualisointia. Graafit ja matriisit, keskeisyys ja arvostus
Verkostoanalyysi 2011, TTY 1 Verkostoanalyysin peruskäsitteitä ja visualisointia Graafit ja matriisit, keskeisyys ja arvostus Thumas Miilumäki thumas.miilumaki@tut.fi Tampereen teknillinen yliopisto Hypermedialaboratorio
LisätiedotSocial Network Analysis Centrality And Prestige
Hypermedian jatko-opintoseminaari 2008 2009 1 Social Network Analysis Centrality And Prestige Sosiaalisten verkostojen analyysi Keskeisyys ja arvostus 6.2.2009 Thumas Miilumäki thumas.miilumaki@tut.fi
LisätiedotMatriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ,, x1 x. Matriiseihin perehtyminen voidaan perustella useilla järkisyillä.
Vaasa yliopisto julkaisuja 71 4 MATRIISIT JA MATRIISILASKUT Ch:Matrix Sec:MatLaskut 4.1 Matriisi ja matriisilaskut Matriisi o suorakulmaie lukukaavio. Matriiseja ovat esimerkiksi: 2 0.4 8 0 a b,, x1 x
LisätiedotJäsenyysverkostot Kytkökset ja limittyneet aliryhmät sosiaalisten verkostojen analyysissä
Jäsenyysverkostot Kytkökset ja limittyneet aliryhmät sosiaalisten verkostojen analyysissä Hypermedian jatko-opintoseminaari 2008-2009 20.3.2009 Jaakko Salonen TTY / Hypermedialaboratorio jaakko.salonen@tut.fi
LisätiedotSuunnatut, etumerkilliset ja arvotetut graafit Sosiaalisten verkostojen analysoinnin näkökulmalla
Suunnatut, etumerkilliset ja arvotetut graafit Sosiaalisten verkostojen analysoinnin näkökulmalla Hypermedian jatko-opintoseminaari 2008-2009 12.12.2008 Jaakko Salonen jaakko.salonen@tut.fi TTY / Hypermedialaboratorio
LisätiedotJäsenyysverkostot ominaisuudet, toimijoiden ja tapahtumien samanaikainen analyysi. Sisältö ja tavoitteet. Osallistujien ja tapahtumien ominaisuudet
Jäsenyysverkostot, toimijoiden ja tapahtumien samanaikainen anal Hypermedian jatko-opintoseminaari 2008-2009 3.4.2009 Antti Syvänen TaY / antti.syvanen@uta.fi 1 Sisältö ja tavoitteet Esitellään jäsenyysverkostojen,
LisätiedotKoheesiiviset alaryhmät
1 Koheesiiviset alaryhmät Hypermedian jatko-opintoseminaari 2008-09 11. luento - 6.3.2009 Joonas Meriläinen TTY / Hypermedialaboratorio http://eclectic.ss.uci.edu/~drwhite/cases/transparencies/clique.gif
LisätiedotGraphs in Social Network Analysis And Modeling. Graafit sosiaalisten verkostojen mallintamisessa
Hypermedian jatko-opintoseminaari 2008 2009 1 Graphs in Social Network Analysis And Modeling Graafit sosiaalisten verkostojen mallintamisessa 28.11.2008 Thumas Miilumäki thumas.miilumaki@tut.fi Sisältö
LisätiedotSosiaalisten verkostojen datan notaatio. Notation for Social Network Data
Sosiaalisten verkostojen datan notaatio Notation for Social Network Data Jari Jussila 14.11.2008 2 Notaatio Notaatiota tarvitaan / auttaa kuvaamaan: toimijat tai toimijoiden muodostamat joukot, toimijoiden
LisätiedotCentrality and Prestige Keskeisyys ja arvostus
1 Hypermedian jatko-opintoseminaari 2008-2009 Centrality and Prestige Keskeisyys ja arvostus 21.1.2009 Jari Jussila jari.j.jussila@tut.fi 2 Tärkeys Yksi graafiteorian pääkäyttökohteista sosiaalisten verkostojen
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.340 Lieaarie ohjelmoiti 20.9.2007 Lueto 2 Lieaarialgebraa ja geometriaa (kirja.5, 2.) S ysteemiaalyysi Tekillie korkeakoulu Lieaarie ohjelmoiti - Syksy 2007 / Lieaarialgebraa Notaatiota Kääteismatriisi
LisätiedotAlgoritmit 1. Luento 9 Ti Timo Männikkö
Algoritmit 1 Luento 9 Ti 7.2.2017 Timo Männikkö Luento 9 Graafit ja verkot Kaaritaulukko, bittimatriisi, pituusmatriisi Verkon lyhimmät polut Floydin menetelmä Lähtevien ja tulevien kaarien listat Forward
LisätiedotBM20A0700, Matematiikka KoTiB2
BM20A0700, Matematiikka KoTiB2 Luennot: Matti Alatalo, Harjoitukset: Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luku 7. 1 Kurssin sisältö Matriiseihin
Lisätiedot1 Eksponenttifunktion määritelmä
Ekspoettifuktio määritelmä Selvitimme aikaisemmi tällä kurssilla, millaie potessisarja säilyy derivoiissa muuttumattomaa. Se perusteella määritellää: Määritelmä. Ekspoettifuktio exp : R R määritellää lausekkeella
Lisätiedot4.3 Signaalin autokorrelaatio
5 4.3 Sigaali autokorrelaatio Sigaali autokorrelaatio kertoo kuika paljo sigaali eri illä korreloi itsesä kassa (josta imiki). Se o Fourier-muuokse ohella yksi käyttökelpoisimmista sigaalie aalysoitimeetelmistä.
LisätiedotAlgebra I Matematiikan ja tilastotieteen laitos Ratkaisuehdotuksia harjoituksiin 5 (6 sivua)
Algebra I Matematiika ja tilastotietee laitos Ratkaisuehdotuksia harjoituksii 5 (6 sivua) 14.2. 17.2.2011 1. Määritellää kuvaus f : S 3 S 3, f(α) = (123) α. Osoita, että f o bijektio. Mikä o se kääteiskuvaukse
LisätiedotRyhmän osajoukon generoima aliryhmä ja vapaat ryhmät
Ryhmä osajouko geeroima aliryhmä ja vapaat ryhmät LuK-tutkielma Joose Heioe Matemaattiste tieteide tutkito-ohjelma Oulu yliopisto Kevät 2017 Sisältö Johdato 2 1 Ryhmät ja aliryhmät 2 1.1 Ryhmä.................................
LisätiedotDepartment of Mathematics, Hypermedia Laboratory Tampere University of Technology. Roolit Verkostoissa: HITS. Idea.
Roolit Tommi Perälä Department of Mathematics, Hypermedia Laboratory Tampere University of Technology 25.3.2011 J. Kleinberg kehitti -algoritmin (Hypertext Induced Topic Search) hakukoneen osaksi. n taustalla
LisätiedotT Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen
T-1.1 Datasta tietoo, syksy 5 Laskuharjoitus.1., ratkaisuja Joui Seppäe 1. Simuloidaa tasoittaista algoritmia. Esimmäisessä vaiheessa ehdokkaia ovat kaikki yhde muuttuja joukot {a}, {b}, {c} ja {d}. Aaltosulkeide
LisätiedotRakenteellinen tasapaino ja transitiivisyys
1 Hypermedian jatko-opintoseminaari 2008-2009 Rakenteellinen tasapaino ja transitiivisyys 20.2.2009 Seppo Pohjolainen 2 Rakenteellinen tasapaino Käsitteitä: Arvotettu graafi (signed graph) (+ tai - ) Suuntaamaton
LisätiedotDepartment of Mathematics, Hypermedia Laboratory Tampere University of Technology. Arvostus Verkostoissa: PageRank. Idea.
Arvostus Tommi Perälä Department of Mathematics, Hypermedia Laboratory Tampere University of Technology 8..0 in idea on määrittää verkoston solmuille arvostusta kuvaavat tunnusluvut. Voidaan ajatella
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 5. luento.2.27 Lineaarialgebraa - Miksi? Neuroverkon parametreihin liittyvät kaavat annetaan monesti
Lisätiedot811312A Tietorakenteet ja algoritmit , Harjoitus 1 ratkaisu
83A Tietoraketeet ja algoritmit 06-07, Harjoitus ratkaisu Harjoitukse aiheea o algoritmie oikeellisuus. Tehtävä. Kahvipurkkiogelma. Kahvipurkissa P o valkoisia ja mustia kahvipapuja, yhteesä vähitää kaksi
LisätiedotSMG-4200 Sähkömagneettisten järjestelmien lämmönsiirto Ehdotukset harjoituksen 6 ratkaisuiksi
SMG-400 Sähkömageettiste järjestelmie lämmösiirto Ehdotukset harjoitukse 6 ratkaisuiksi Tarkastellaa suljetu järjestelmä tehotasaaioa joka o P + P P = P i g out st Oletetaa että verkotetussa alueessa jossa
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D Mika Hirvensalo mikhirve@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2014 Mika Hirvensalo mikhirve@utu.fi Luentokalvot 3 1 of 16 Kertausta Lineaarinen riippuvuus
LisätiedotMarkov-ketjun hetkittäinen käyttäytyminen
Matematiika ja systeemiaalyysi laitos 1B Markov-ketju hetkittäie käyttäytymie Tämä harjoitukse tavoitteea o oppia muodostamaa Markov-malleja satuaisilmiöille, piirtämää tiettyä siirtymämatriisia vastaava
LisätiedotJohdatus verkkoteoriaan 4. luento
Johdatus verkkoteoriaan 4. luento 28.11.17 Viikolla 46 läpikäydyt käsitteet Viikolla 47 läpikäydyt käsitteet Verkko eli graafi, tasoverkko, solmut, välit, alueet, suunnatut verkot, isomorfiset verkot,
LisätiedotInsinöörimatematiikka IA
Isiöörimatematiikka IA Harjoitustehtäviä. Selvitä oko propositio ( p q r ( p q r kotradiktio. Ratkaisu: Kirjoitetaa totuustaulukko: p q r ( p q r p q r ( p q r ( p q r 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
LisätiedotOrtogonaalinen ja ortonormaali kanta
Ortogonaalinen ja ortonormaali kanta Määritelmä Kantaa ( w 1,..., w k ) kutsutaan ortogonaaliseksi, jos sen vektorit ovat kohtisuorassa toisiaan vastaan eli w i w j = 0 kaikilla i, j {1, 2,..., k}, missä
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotTalousmatematiikan perusteet: Luento 9. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo
Talousmatematiikan perusteet: Luento 9 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Luentokalvot 5 1
Lisätiedot1.1. Määritelmiä ja nimityksiä
1.1. Määritelmiä ja nimityksiä Luku joko reaali- tai kompleksiluku. R = {reaaliluvut}, C = {kompleksiluvut} R n = {(x 1, x 2,..., x n ) x 1, x 2,..., x n R} C n = {(x 1, x 2,..., x n ) x 1, x 2,..., x
LisätiedotA274101 TIETORAKENTEET JA ALGORITMIT
A274101 TIETORAKENTEET JA ALGORITMIT VERKOT ELI GRAAFIT Lähteet: Timo Harju, Opintomoniste Keijo Ruohonen, Graafiteoria (math.tut.fi/~ruohonen/gt.pdf) HISTORIAA Verkko- eli graafiteorian historia on saanut
LisätiedotMatriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, L20 Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ) ( 0, 4 ), ( ) ( 1 4 2, a 11 a 12 a 21 a 22 ) Merkintöjä 1 Matriisi on suorakulmainen lukukaavio.
Lisätiedot0 v i v j / E, M ij = 1 v i v j E.
Vieruspistematriisi Graafi esitetään tietokoneessa useimmiten matriisin avulla. Graafin G = (V, E), V = {v 1, v 2,..., v n } vieruspistematriisi (adjacency matrix)on n n matriisi M = (M ij ), missä n on
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotJarno Marttila Datalähtöinen sosiaalisten verkostojen analyysi: tapaus Suomen Lasten Parlamentti. Diplomityö
Jarno Marttila Datalähtöinen sosiaalisten verkostojen analyysi: tapaus Suomen Lasten Parlamentti Diplomityö Tarkastajat: Prof. Seppo Pohjolainen (TTY) ja tutkija Jukka Huhtamäki (TTY) Tarkastajat ja aihe
LisätiedotYhteenlaskun ja skalaarilla kertomisen ominaisuuksia
Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia Voidaan osoittaa, että avaruuden R n vektoreilla voidaan laskea tuttujen laskusääntöjen mukaan. Huom. Lause tarkoittaa väitettä, joka voidaan perustella
Lisätiedot( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.
Kombiatoriikka, kesä 2010 Harjoitus 2 Ratkaisuehdotuksia (RT) (5 sivua) Käytä tehtävissä 1-3 kombiatorista päättelyä. 1. Osoita, että kaikilla 0 b a pätee ( ) a a ( ) k 1 b b 1 kb Biomikertoime määritelmä
LisätiedotGraafin 3-värittyvyyden tutkinta T Graafiteoria, projektityö (eksakti algoritmi), kevät 2005
Graafin 3-värittyvyyden tutkinta T-79.165 Graafiteoria, projektityö (eksakti algoritmi), kevät 2005 Mikko Malinen, 36474R 29. maaliskuuta, 2005 Tiivistelmä Artikkelissa käydään läpi teoriaa, jonka avulla
LisätiedotMatriisit, kertausta. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, kertausta Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ) ( 0, 4 ), ( ) ( 1 4 2, a 11 a 12 a 21 a 22 ) Kaavio kirjoitetaan kaarisulkujen väliin
LisätiedotGraafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria
Graafit ja verkot Suuntamaton graafi: eli haaroja Joukko solmuja ja joukko järjestämättömiä solmupareja Suunnattu graafi: Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria Haaran päätesolmut:
LisätiedotMarkov-ketjun hetkittäinen käyttäytyminen
Matematiika ja systeemiaalyysi laitos B Markov-ketju hetkittäie käyttäytymie Tämä harjoitukse tavoitteea o oppia muodostamaa Markov-malleja satuaisilmiöille, piirtämää tiettyä siirtymämatriisia vastaava
LisätiedotA ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.
Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =
LisätiedotMatriisit. Määritelmä 1 Reaaliluvuista a ij, missä i = 1,..., k ja j = 1,..., n, muodostettua kaaviota a 11 a 12 a 1n a 21 a 22 a 2n A =
1 / 21 Määritelmä 1 Reaaliluvuista a ij, missä i 1,..., k ja j 1,..., n, muodostettua kaaviota a 11 a 12 a 1n a 21 a 22 a 2n A... a k1 a k2 a kn sanotaan k n matriisiksi. Usein merkitään A [a ij ]. Lukuja
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Yhteenveto, osa I
MS-A0402 Diskreeti matematiika perusteet Yhteeveto, osa I 1 Joukko-oppi ja logiikka Iduktioperiaate G. Gripeberg 2 Relaatiot ja fuktiot Aalto-yliopisto 3. huhtikuuta 2014 3 Kombiatoriikka ym. G. Gripeberg
Lisätiedot3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset
32 Idea: Lineaarikuvausten laskutoimitusten avulla määritellään vastaavat matriisien laskutoimitukset Vakiolla kertominen ja summa Olkoon t R ja A, B R n m Silloin ta, A + B R n m ja määritellään ta ta
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotKäänteismatriisin ominaisuuksia
Käänteismatriisin ominaisuuksia Lause 1.4. Jos A ja B ovat säännöllisiä ja luku λ 0, niin 1) (A 1 ) 1 = A 2) (λa) 1 = 1 λ A 1 3) (AB) 1 = B 1 A 1 4) (A T ) 1 = (A 1 ) T. Tod.... Ortogonaaliset matriisit
LisätiedotTalousmatematiikan perusteet: Luento 10. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti
Talousmatematiikan perusteet: Luento 1 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
LisätiedotNormaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
Lisätiedot9.7 Matriisinormit. Vaasan yliopiston julkaisuja 225. Ei siis lainkaan ongelmia defektiivisyydestä.
Vaasa yliopisto julkaisuja 225 U = 0.1213-0.9359-0.3307-0.1005-0.3430 0.9339 0.9875 0.0801 0.1357 S = V = >> 4.5221 0 0 0 2.2793 0 0 0 1.1642 0.0537-0.8212-0.5681 0.4414-0.4908 0.7512 0.8957 0.2911-0.3361
LisätiedotEDE Elementtimenetelmän perusteet. Luento vk 1 Syksy Matematiikan ja matriisilaskennan kertausta
mperee tekillie yliopisto hum.8.3 Kostruktiotekiik litos EDE-00 Elemettimeetelmä perusteet. Lueto vk Syksy 03. Mtemtiik j mtriisilske kertust Yleistä Kirjoittele täe joiti kurssi keskeisiä sioit iille,
LisätiedotMatriisipotenssi. Koska matriisikertolasku on liitännäinen (sulkuja ei tarvita; ks. lause 2), voidaan asettaa seuraava määritelmä: ja A 0 = I n.
Matriisipotenssi Koska matriisikertolasku on liitännäinen (sulkuja ei tarvita; ks. lause 2), voidaan asettaa seuraava määritelmä: Määritelmä Oletetaan, että A on n n -matriisi (siis neliömatriisi) ja k
Lisätiedot2.3.1. Aritmeettinen jono
.3.1. Aritmeettie joo -joo, jossa seuraava termi saadaa edellisestä lisäämällä sama luku a, a + d, a+d, a +3d, Aritmeettisessa joossa kahde peräkkäise termi erotus o aia vakio: Siis a +1 a d (vakio Joo
LisätiedotDeterminantti. Määritelmä
Determinantti Määritelmä Oletetaan, että A on n n-neliömatriisi Merkitään normaaliin tapaan matriisin A alkioita lyhyesti a ij = A(i, j) (a) Jos n = 1, niin det(a) = a 11 (b) Muussa tapauksessa n det(a)
Lisätiedot= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1
35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,
LisätiedotS Laskennallinen systeemibiologia
S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude
LisätiedotMatriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, L20 Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ( 0, 4, ( ( 1 4 2, a 11 a 12 a 21 a 22 Kaavio kirjoitetaan kaarisulkujen väliin (amer. kirjoissa
LisätiedotDeterminantti 1 / 30
1 / 30 on reaaliluku, joka on määritelty neliömatriiseille Determinantin avulla voidaan esimerkiksi selvittää, onko matriisi kääntyvä a voidaan käyttää käänteismatriisin määräämisessä ja siten lineaarisen
LisätiedotAnalyysi A. Harjoitustehtäviä lukuun 1 / kevät 2018
Aalyysi A Harjoitustehtäviä lukuu / kevät 208 Ellei toisi maiita, tehtävissä esiityvät muuttujat ja vakiot ovat mielivaltaisia reaalilukuja.. Aa joki ylä- ja alaraja joukoille { x R x 2 + x 6 ja B = {
LisätiedotHarjoitus 1 (20.3.2014)
Harjoitus 1 (20.3.2014) Tehtävä 1 Piirretään tilanteesta verkko, jossa kaupungeille on annetttu seuraavat numerot: 1 = Turku 2 = Tampere 3 = Hämeenlinna 4 = Imatra 5 = Jyväskylä. 5 2 149(5) 190(4) 113(1)
LisätiedotTehtäviä neliöiden ei-negatiivisuudesta
Tehtäviä epäyhtälöistä Tehtäviä eliöide ei-egatiivisuudesta. Olkoo a R. Osoita, että 4a 4a. Ratkaisu. 4a 4a a) a 0 a ) 0.. Olkoot a,, R. Osoita, että a a a. Ratkaisu. Kerrotaa molemmat puolet kahdella:
LisätiedotKokonaislukuoptiomointi Leikkaustasomenetelmät
Kokonaislukuoptiomointi Leikkaustasomenetelmät Systeemianalyysin Laboratorio 19.3.2008 Sisällys Leikkaustasomenetelmät yleisesti Leikkaustasomenetelmät generoivilla kokonaislukujoukoilla Gomoryn leikkaavat
LisätiedotMatriisilaskenta. Harjoitusten 3 ratkaisut (Kevät 2019) 1. Olkoot AB = ja 2. Osoitetaan, että matriisi B on matriisin A käänteismatriisi.
Matriisilaskenta Harjoitusten ratkaisut (Kevät 9). Olkoot ja A = B = 5. Osoitetaan, että matriisi B on matriisin A käänteismatriisi. Tapa Käänteismatriisin määritelmän nojalla riittää osoittaa, että AB
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a
LisätiedotEllipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio
Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä
LisätiedotLaskennan vaativuus ja NP-täydelliset ongelmat
Laskennan vaativuus ja NP-täydelliset ongelmat TRAK-vierailuluento 13.4.2010 Petteri Kaski Tietojenkäsittelytieteen laitos Tietojenkäsittelytiede Tietojenkäsittelytiede tutkii 1. mitä tehtäviä voidaan
LisätiedotOtantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä
Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria
LisätiedotYhtälöryhmä 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
Lisätiedot5.3 Matriisin kääntäminen adjungaatilla
Vaasa yliopisto julkaisuja 08 Sec:MatIvAdj 53 Matriisi käätämie adjugaatilla Määritelmä 3 -matriisi A adjugaatti o -matriisi adj(a) (α i j ), missä α i j ( ) i+ j det(a ji ) (, joka o siis alkioo a ji
LisätiedotHypermedian jatko-opintoseminaari. MATHM-6750x. 2-6 op. Sosiaalisten verkostojen tutkimusmenetelmät
1 Hypermedian jatko-opintoseminaari MATHM-6750x 2-6 op. Sosiaalisten verkostojen tutkimusmenetelmät 26.10.2008 Modernissa yhteiskunnassa ovat sekä yhteisöjen että laitteistojen muodostamat verkostot muodostuneet
LisätiedotSisätuloavaruudet. 4. lokakuuta 2006
Sisätuloavaruudet 4. lokakuuta 2006 Tässä esityksessä vektoriavaruudet V ja W ovat kompleksisia ja äärellisulotteisia. Käydään ensin lyhyesti läpi määritelmiä ja perustuloksia. Merkitään L(V, W ) :llä
LisätiedotTilastollinen todennäköisyys
Tilastollie todeäköisyys TOD.NÄK JA TILASTOT, MAA10 Klassisessa todeäköisyydessä oli ehdot: äärellisyys ja symmetrisyys. Tämä tilae o usei mahdoto ts. alkeistapauksia o usei ääretö määrä tai e eivät ole
LisätiedotMatematiikka ja teknologia, kevät 2011
Matematiikka ja teknologia, kevät 2011 Peter Hästö 27. tammikuuta 2011 Matemaattisten tieteiden laitos Sisältö Kurssi koostuu kuudesta (seitsemästä) toisistaan riippumattomasta luennosta. Aihepiirit ovat:
LisätiedotHarjoitus 1 (17.3.2015)
Harjoitus 1 (17.3.2015) Tehtävä 1 Piirretään tilanteesta verkko, jossa kaupungeille on annetttu seuraavat numerot: 1 = Turku 2 = Tampere 3 = Helsinki 4 = Kuopio 5 = Joensuu. a) Tehtävänä on ratkaista Bellman
LisätiedotDeterminantti. Määritelmä
Determinantti Määritelmä Oletetaan, että A on n n-neliömatriisi. Merkitään normaaliin tapaan matriisin A alkioita lyhyesti a ij = A(i, j). (a) Jos n = 1, niin det(a) = a 11. (b) Muussa tapauksessa n det(a)
LisätiedotMääritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )
Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Yhteenveto, osa I
MS-A0402 Diskreeti matematiika perusteet Yhteeveto, osa I G. Gripeberg Aalto-yliopisto 12. maaliskuuta 2015 G. Gripeberg (Aalto-yliopisto) MS-A0402 Diskreeti matematiika perusteet Yhteeveto, 12. osa maaliskuuta
LisätiedotMS-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
LisätiedotMatematiikka B2 - Avoin yliopisto
6. elokuuta 2012 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
LisätiedotA = 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
Lisätiedot3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset
31 MS-A0004/A0006 Matriisilaskenta 3 Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2292015 Lineaariset yhtälöt ovat vektoreille luonnollisia yhtälöitä, joita
LisätiedotVille Turunen: Mat Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007
Ville Turunen: Mat-1.1410 Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007 Materiaali: kirjat [Adams R. A. Adams: Calculus, a complete course (6th edition), [Lay D. C. Lay: Linear
LisätiedotMatriisien 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
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 17.5.2017 Helsingin yliopisto Matematiikan ja tilastotieteen laitos Martina Aaltonen, martina.aaltonen@helsinki.fi, 1/18 Siirry istumaan jonkun viereen. Kaikilla on
Lisätiedot4.6 Matriisin kääntäminen rivioperaatioilla
Vaasan liopiston julkaisuja 9 kuva.plot(,n, k-o,,n, k-s,,n3, k-d ); kuva.set_label( kausi ); kuva.set_label( lkm ); kuva.ais([,,,8]); kuva = fig.add_subplot(); kuva.plot(,tulo, k-o ); kuva.set_label( kausi
LisätiedotLineaarialgebra ja matriisilaskenta II Syksy 2009 Laskuharjoitus 1 ( ) Ratkaisuehdotuksia Vesa Ala-Mattila
Lineaarialgebra ja matriisilaskenta II Syksy 29 Laskuharjoitus (9. - 3..29) Ratkaisuehdotuksia Vesa Ala-Mattila Tehtävä. Olkoon V vektoriavaruus. Todistettava: jos U V ja W V ovat V :n aliavaruuksia, niin
LisätiedotDiskreetin Matematiikan Paja Ratkaisuja viikolle 4. ( ) Jeremias Berg. n(n + 1) 2. k =
Diskreeti Matematiika Paja Ratkaisuja viikolle 4. (7.4-8.4) Jeremias Berg. Osoita iduktiolla että k = ( + ) Ratkaisu: Kute kaikissa iduktiotodistuksissa meidä täytyy siis osoittaa asiaa. Ns. perustapaus,
Lisätiedot1. osa, ks. Solmu 2/ Kahden positiivisen luvun harmoninen, geometrinen, aritmeettinen ja + 1 u v 2 1
Epäyhtälötehtävie ratkaisuja. osa, ks. Solmu 2/200. Kahde positiivise luvu harmoie, geometrie, aritmeettie ja kotraharmoie keskiarvo määritellää yhtälöillä H = 2 +, G = uv, A = u + v 2 u v ja C = u2 +
LisätiedotMatematiikka B2 - TUDI
Matematiikka B2 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
Lisätiedot58131 Tietorakenteet ja algoritmit (kevät 2014) Uusinta- ja erilliskoe, , vastauksia
58131 Tietorakenteet ja algoritmit (kevät 2014) Uusinta- ja erilliskoe, 10..2014, vastauksia 1. [9 pistettä] (a) Todistetaan 2n 2 + n + 5 = O(n 2 ): Kun n 1 on 2n 2 + n + 5 2n 2 + n 2 +5n 2 = 8n 2. Eli
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
Lisätiedot1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä
LisätiedotJohdatus verkkoteoriaan luento Netspace
Johdatus verkkoteoriaan luento 3.4.18 Netspace Matriisioperaatio suunnatuissa verkoissa Taustoitusta verkkoteorian ulkopuolelta ennen kuljetusalgoritmia LP-ongelma yleisesti LP = linear programming =
Lisätiedot8.5. Järjestyssuhteet 1 / 19
8.5. Järjestyssuhteet 1 / 19 Määritelmä Joukon suhteilla voidaan kuvata myös alkioiden järjestystä tietyn ominaisuuden suhteen. Järjestys on myös kaksipaikkainen suhde (ja on monia erilaisia järjestyksiä).
LisätiedotNumeeriset 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
LisätiedotNumeeriset 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