Talousmatematiikan perusteet

Koko: px
Aloita esitys sivulta:

Download "Talousmatematiikan perusteet"

Transkriptio

1 kevät 2019 / orms.1030 Talousmatematiikan perusteet 7. harjoitus, viikko 7 1. Oheisessa taulukossa on erään tuotteen hintaindeksejä. Laske hinnan keskimääräinen kasvuvauhti vuosina vuosi indeksi keskimääräinen kasvutekijä on 1 r = ( X2005 x 2000 ) 1/5 = ( ) 124 1/5 = 1, , Vastaus: Keskimääräinen vuosikasvu on ollut 2,61% vuosina Yritys valmistaa muoviraaka-aineesta kahta tuotetta A ja B. Tuotteen A valmistaminen vie aikaa 15min ja raaka-ainetta 8kg. Tuotteen B valmistaminen vie aikaa 6min ja raaka-ainetta 5kg. Raaka-ainetta on olemassa 3000 kg/viikko ja laitteisto, jolla tuotteita valmistetaan on käytössä 40 tuntia viikossa. Yhden A-tuotteen valmistaminen tuottaa myyntivoittoa 7 euroa ja yhden B-tuotteen valmistaminen tuottaa myyntivoittoa 5 euroa. Mahdollisesti käyttämättä jäänyt muoviraaka-aine voidaan myydä hintaan 120 euroa/tonni. Määrittele päätösmuuttujat ja muodosta lp-malli myyntivoiton maksimoimiseksi. (Älä ratkaise mallia.) Päätösmuuttujat: x 1 = tuotteen A valmistus (kpl/viikko) x 2 = tuotteen B valmistus (kpl/viikko) x 3 = raaka-aineen myynti (kg/viikko)

2 Tavoitefunktio: Rajoitteet: z = 7x 1 5x x 3 raaka-aine (kg): 8x 1 5x 2 x aika (min): 15x 1 6x Vastaus: LP-malli max z = 7x 1 5x x 3 s.t. 8x 1 5x 2 x x 1 6x Ratkaise graafisesti seuraava lp-malli max z = x 1 2x 2 ehdoin 3x 1 x 2 45 x 1 x 2 18 x 1 4x 2 60 x 1,x 2 0 Käymme ensin läpi rajoitteet. Jokaisesta rajoitteesta kirjaamme rajoitteen, käyvän puolen (,,, ), sekä kaksi rajoitesuoran pistettä. 1. raj. 3x 1 x 2 45 A = (10,15) B = (15,0) 2. raj. x 1 x 2 18 C = (0,18) D = (18,0) 3. raj. x 1 4x 2 60 E = (0,15) F = (20,10) x C E A 10 F 5 B D x 1

3 Tavoitesuora: tav. x 1 2x 2 = 28 G = (0,14) H = (20,4) x Optimi x 1 Optimi on pisteessä, jossa rajoitesuorat ja leikkaavat toisensa. Siis { { x1 x 2 = 18 ( 1) x 1 4x 2 = 60 { x1 x 2 = 18 3x 2 = 42 { x1 = 4 ja z = = 32 x 2 = 14 Vastaus: optimissa x 1 = 4, x 2 = 14 ja tavoitefunktio saa arvon z = a) Piirrä seuraavan LP-mallin käypä alue ja b) ratkaise malli. min z = x 1 5x 2 ehdoin 2x 1 3x 2 60 x 1 x 2 16 x 1 3x 2 6 2x 1 x 2 10 x 1,x 2 0

4 1. raj. 2x 1 3x 2 60 A = (0,20) B = (21,6) 2. raj. x 1 x 2 16 C = (0,16) D = (16,0) 3. raj. x 1 3x 2 6 E = (6,0) F = (21,5) 4. raj. 2x 1 x 2 10 G = (0,10) H = (5,20) x 2 20 A H V C G 5 B F 5 E 10 15D 20 x 1 Tavoitesuora: tav. x 1 5x 2 = 75 = (0,15) J = (10,17) x 2 20 Optimi V 15 J x 1

5 Optimissa rajoitteiden ja V rajoitesuorat leikkaavat. Siis { V { 2x1 3x 2 = 60 (1) 2x 1 x 2 = 10 { 2x1 3x 2 = 60 4x 2 = 70 { x1 = 3.75 ja z = = x 2 = Vastaus: optimissa x 1 = 3.75, x 2 = ja tavoitefunktio saa arvon z = a) Pienyritys valmistaa kahta tuotetta 1 ja 2, ja myy kaiken valmistamansa. Kumpaakin tuotetta käsitellään neljällä osastolla seuraavan taulukon mukaisesti. tuotantoaika (tuntia) tuote os. A os. B os. C os D Kullakin osastolla käytettävissä oleva työvoima on rajallinen siten, että työtunteja on osastoilla viikossa käytettävissä seuraavasti osasto työtunteja viikossa A 120 B 220 C 300 D 80 Kate (myyntitulo - valmistuskustannukset) yhdeltä 1 -tuotteelta on 300e ja kate yhdeltä 2 -tuotteelta 500e. Muodosta LP-malli yrityksen kokonaiskatteen maksimoimiseksi. (Älä ratkaise mallia.) b) Tehtävän yrityksen työaika-resurssi on 720 tuntia/viikossa eli 18 työntekijää. Pohdi seuraavaa kysymystä: Jos yritykselle tarjoutuu mahdollisuus palkata kaksi uutta työntekijää, niin miten tämä uusi resurssi allokoidaan (sijoitetaan) eri osastoille? a) Päätösmuuttujat: x 1 = tuotteen 1 valmistus (kpl/viikko) x 2 = tuotteen 2 valmistus (kpl/viikko) Tavoitefunktio: Rajoitteet: z = 300x 1 500x 2 osasto A (h): 4x 1 4x osasto B (h): 2x 1 3x osasto C (h): 6x 1 x osasto D (h): x 1 2x 2 80

6 LP-malli max z = 300x 1 500x 2 s.t. 4x 1 4x x 1 3x x 1 x x 1 2x 2 80 b) Kun on mahdollista palkata kaksi uutta työntekijää (80h työtä), niin haluamme selvittää mille osastoille uusi työresurssi kannattaa sijoittaa. Olkoon osastojen A, B, C, D uudet työresurssin lisäykset vastaavasti w 1, w 2, w 3, w 4. Silloin LP-malli menee muotoon max z = 300x 1 500x 2 s.t. 4x 1 4x w 1 2x 1 3x w 2 6x 1 x w 3 x 1 2x 2 80 w 4 w 1 w 2 w 3 w 4 = 80 tai systemaattisemmin max z = 300x 1 500x 2 s.t. 4x 1 4x 2 w x 1 3x 2 w x 1 x 2 w x 1 2x 2 w 4 80 w 1 w 2 w 3 w 4 = Määritä käänteismatriisi matriisille A = ( ) Tehdään ratkaisu rivioperaatioilla ( ( ( ( ) siis A:n käänteismatriisi on A 1 = vaihdetaan rivit ) ( 2) lisää rivi 1 ( 2):lla kerrottuna riviin 2 ) lisää rivi 2 riviin 1 (1) ( 1) lopuksi vaihda rivin 1 merkit ) ( )

7 6. Määritä rivioperaatioiden avulla käänteismatriisi matriisille N = Siis [1] [1] [1] ( 1) ( 2) (1) ( 5) (1/2) ( 1/2) (1/2) N 1 = Ratkaise yhtälöryhmä x y 2z = 0 x z = 4 2x 3y 3z = x y z = (Vihje: Voit soveltaa periaatetta N x = b x = N 1 b. Huomaa, että kerroinmatriisin käänteismatriisi laskettiin edellisessä tehtävässä!) Yhtälöryhmän kerroinmatriisin käänteismatriisi laskettiin edellisessä tehtävässä: N = N 1 = x 0 N y = 4 z 8 x 0 y = N 1 4 z 8 x y = = 10 z

8 Tarkistetaan tulos sijoittamalla saadut muuttujien arvot alkuperäiseen yhtälöön ( 6) = 0 Ok 2 ( 6) = 4 Ok 2 ( 2) ( 6) = 8 Ok Vastaus: x = 2, y = 10, z = Miten edellisen tehtävän yhtälöryhmän ratkaisu muuttuu, jos kolmannen yhtälön oikea puoli kasvaa yhdellä (arvosta 8 arvoon 9)? Vertaamme nyt kahta (eri) yhtälöryhmän ratkaisua keskenään. x alkup on yhtälöryhmän 0 N x = 4 8 ratkaisu ja x uusi on yhtälöryhmän 0 N x = 4 9 ratkaisu. Muutos ratkaisussa on x uusi x alkup = N 1 4 N 1 4 = N = = Uusi ratkaisu on siis x uusi = = Kaavoja: Laspeyres Paaschen Fisher Pt L 0 ;t = i p t;i q t0 ;i 100, Qt L i p t0 ;iq 0 ;t = i q t;i p t0 ;i 100 t0 ;i i q t0 ;ip t0 ;i Pt P 0 ;t = i p t;i q t;i 100, i p t0 ;iq t;i P F t 0 ;t = P L t 0 ;t P P t 0 ;t, Q P t 0 ;t = Qt P 0 ;t = i q t;i p t;i 100 i q t0 ;ip t;i Qt L 0 ;t Qt P 0 ;t Yhtälöyhmän ratkaisu: A x = b x = A 1 b

Talousmatematiikan perusteet

Talousmatematiikan perusteet kevät 19 / orms.30 Talousmatematiikan perusteet 8. harjoitus, viikko 11 (11.03..03.19) L Ma 12 A2 R0 Ti 14 16 F43 R01 Ma 12 14 F43 L To 08 A2 R02 Ma 16 18 F43 R06 To 12 14 F140 R03 Ti 08 F42 R07 Pe 08

Lisätiedot

Talousmatematiikan perusteet

Talousmatematiikan perusteet kevät 219 / orms.13 Talousmatematiikan perusteet 9. harjoitus, viikko 12 (18.3. 22.3.219) L Ma 1 12 A22 R5 Ti 14 16 F453 R1 Ma 12 14 F453 L To 8 1 A22 R2 Ma 16 18 F453 R6 Pe 12 14 F14 R3 Ti 8 1 F425 R7

Lisätiedot

Esimerkki 1 (Rehun sekoitus) 1

Esimerkki 1 (Rehun sekoitus) 1 1 Karjankasvattaja käyttää luonnosta saadun nurmirehun lisäksi lisäravinnetta 200kg/päivä. Lisäravinne sekoitetaan maissista ja soijasta. Ravinteen ominaisuuksiin vaikuttaa raaka-aineiden proteiini- ja

Lisätiedot

LP-mallit, L8. Herkkyysanalyysi. Varjohinta. Tietokoneohjelmia. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto.

LP-mallit, L8. Herkkyysanalyysi. Varjohinta. Tietokoneohjelmia. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto. LP-mallit, L8 Yleistä 1 LP-mallit on yksi Operaatioanalyysin (Operations Research) perustyökaluista. Perusongelma: Miten pitää suorittaa operaatio mahdollisimman hyvin, kun käytettävissä on rajalliset

Lisätiedot

LP-mallit, L19. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto. Graafisen ratkaisun vaiheet. Optimin olemassaolo

LP-mallit, L19. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto. Graafisen ratkaisun vaiheet. Optimin olemassaolo LP-mallit, L19 Yleistä 1 LP-mallit on yksi Operaatioanalyysin (Operations Research) perustyökaluista. Perusongelma: Miten pitää suorittaa operaatio mahdollisimman hyvin, kun käytettävissä on rajalliset

Lisätiedot

Kertausta Talousmatematiikan perusteista Toinen välikoe

Kertausta Talousmatematiikan perusteista Toinen välikoe Kertausta Talousmatematiikan perusteista Toinen välikoe 1 päätösmuuttujat (x 1,x 2,...) tavoitefunktio (z = c 1 x 1 + c 2 x 2 +...) rajoitteet (a i1 x 1 + a i2 x 2 + b i ) Mallin Formaatti käypä alue Optimipisteen

Lisätiedot

Kertausta Talousmatematiikan perusteista Toinen välikoe

Kertausta Talousmatematiikan perusteista Toinen välikoe Kertausta Talousmatematiikan perusteista Toinen välikoe 1 Parametrit D Kysyntä (kpl/vuosi) h Yksikköylläpito-kustannus (euro/kpl/vuosi) K Tilauskustannus (euro) Tarkista aina yksiköiden yhteensopiminen

Lisätiedot

Talousmatematiikan perusteet, ORMS1030

Talousmatematiikan perusteet, ORMS1030 Tampereen kesäyliopisto, syksy 2016 Talousmatematiikan perusteet, ORMS1030 1. harjoitus, (la 29.10.2016) 1. Laske seuraavat laskut. Laske kukin lasku ensin käsin kynää ja paperia käyttäen. Anna vastaukset

Lisätiedot

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg

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

Lisätiedot

1. Lineaarinen optimointi

1. Lineaarinen optimointi 0 1. Lineaarinen optimointi 1. Lineaarinen optimointi 1.1 Johdatteleva esimerkki Esimerkki 1.1.1 Giapetto s Woodcarving inc. valmistaa kahdenlaisia puuleluja: sotilaita ja junia. Sotilaan myyntihinta on

Lisätiedot

Talousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Talousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Talousmatematiikan perusteet: Luento 12 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,

Lisätiedot

Operatioanalyysi 2011, Harjoitus 3, viikko 39

Operatioanalyysi 2011, Harjoitus 3, viikko 39 Operatioanalyysi 2011, Harjoitus 3, viikko 39 H3t1, Exercise 3.1. H3t2, Exercise 3.2. H3t3, Exercise 3.3. H3t4, Exercise 3.4. H3t5 (Exercise 3.1.) 1 3.1. Find the (a) standard form, (b) slack form of the

Lisätiedot

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Talousmatematiikan perusteet: Luento 11 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,

Lisätiedot

Determinantit. Kaksirivinen determinantti. Aiheet. Kaksirivinen determinantti. Kaksirivinen determinantti. Kolmirivinen determinantti

Determinantit. Kaksirivinen determinantti. Aiheet. Kaksirivinen determinantti. Kaksirivinen determinantti. Kolmirivinen determinantti Determinantit 1 2 2-matriisin ( A = on det(a) = a 11 a 12 a 21 a 22 a 11 a 12 a 21 a 22 ) = a 11a 22 a 12 a 21. 1 2 2-matriisin on det(a) = Esim. Jos A = ( a 11 a 12 a 21 a 22 A = a 11 a 12 a 21 a 22 )

Lisätiedot

Käänteismatriisin. Aiheet. Käänteismatriisin ominaisuuksia. Rivioperaatiot matriisitulona. Matriisin kääntäminen rivioperaatioiden avulla

Käänteismatriisin. Aiheet. Käänteismatriisin ominaisuuksia. Rivioperaatiot matriisitulona. Matriisin kääntäminen rivioperaatioiden avulla Käänteismatriisi, L5 1 Tässä kalvosarjassa käsittelemme neliömatriiseja. Ilman asian jatkuvaa toistamista oletamme seuraavassa, että kaikki käsittelemämme matriisit ovat neliömatriiseja. Määritelmä. Olkoon

Lisätiedot

Käänteismatriisin ominaisuuksia

Käänteismatriisin 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

Lisätiedot

Piiri K 1 K 2 K 3 K 4 R R

Piiri K 1 K 2 K 3 K 4 R R Lineaarinen optimointi vastaus, harj 1, Syksy 2016. 1. Teollisuuslaitos valmistaa piirejä R 1 ja R 2, joissa on neljää eri komponenttia seuraavat määrät: Piiri K 1 K 2 K 3 K 4 R 1 3 1 2 2 R 2 4 2 3 0 Päivittäistä

Lisätiedot

Demo 1: Simplex-menetelmä

Demo 1: Simplex-menetelmä MS-C2105 Optimoinnin perusteet Malliratkaisut 3 Ehtamo Demo 1: Simplex-menetelmä Muodosta lineaarisen tehtävän standardimuoto ja ratkaise tehtävä taulukkomuotoisella Simplex-algoritmilla. max 5x 1 + 4x

Lisätiedot

Ennakkotehtävän ratkaisu

Ennakkotehtävän ratkaisu Ennakkotehtävän ratkaisu Ratkaisu [ ] [ ] 1 3 4 3 A = ja B =. 1 4 1 1 [ ] [ ] 4 3 12 12 1 0 a) BA = =. 1 + 1 3 + 4 0 1 [ ] [ ] [ ] 1 0 x1 x1 b) (BA)x = =. 0 1 x 2 x [ ] [ ] [ 2 ] [ ] 4 3 1 4 9 5 c) Bb

Lisätiedot

Indekseistä, L17. Reaalikorko. Indeksikaavat. Aiheet. Aritmeettinen ja geometrinen keskiarvo. Yhden tuotteen hintaindeksi.

Indekseistä, L17. Reaalikorko. Indeksikaavat. Aiheet. Aritmeettinen ja geometrinen keskiarvo. Yhden tuotteen hintaindeksi. Indekseistä, L17 1 Lukujoukon {a 1,a 2,...,a n } aritmeettinen lasketaan kaavalla a aka a 1 + a 2 + + a n n 1 n n j1 Lukujoukon {a 1,a 2,...,a n }, eli keskiverto, lasketaan kaavalla n a gka (a 1 a 2 a

Lisätiedot

Lineaarinen yhtälöryhmä

Lineaarinen yhtälöryhmä Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.

Lisätiedot

Lineaariset yhtälöryhmät ja matriisit

Lineaariset yhtälöryhmät ja matriisit Lineaariset yhtälöryhmät ja matriisit Lineaarinen yhtälöryhmä 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. a m1 x 1 + a m2 x 2 + + a mn x n = b m, (1) voidaan esittää

Lisätiedot

Osittaistuenta Gaussin algoritmissa: Etsitään 1. sarakkeen itseisarvoltaan suurin alkio ja vaihdetaan tämä tukialkioiksi (eli ko. rivi 1. riviksi).

Osittaistuenta Gaussin algoritmissa: Etsitään 1. sarakkeen itseisarvoltaan suurin alkio ja vaihdetaan tämä tukialkioiksi (eli ko. rivi 1. riviksi). Liukuluvut Tietokonelaskuissa käytetään liukulukuja: mikä esittää lukua ± α α α M β k ± ( M α i β i )β k, i= β on järjestelmän kantaluku, α α M liukuluvun mantissa, α,, α M lukuja,,,, β, siten että α Esimerkki

Lisätiedot

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Yhtälöryhmä 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 =

Lisätiedot

Gaussin ja Jordanin eliminointimenetelmä

Gaussin ja Jordanin eliminointimenetelmä 1 / 25 : Se on menetelmä lineaarisen yhtälöryhmän ratkaisemiseksi. Sitä käytetään myöhemmin myös käänteismatriisin määräämisessä. Ideana on tiettyjä rivioperaatioita käyttäen muokata yhtälöryhmää niin,

Lisätiedot

Valintakoe

Valintakoe Valintakoe 7.3.05 Kokeessa saa käyttää kirjoitusvälinewiden lisäksi ainoastaan kokeessa jaettavaa funktiolaskinta ja taulukkoa Pisteytys 8*3p=4p. Tehtävien alakohtien pistemäärät voivat poiketa toisistaan..

Lisätiedot

Lineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min!

Lineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min! Lineaarinen optimointi Harjoitus 6-7, 016. 1. Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän c T x = min! (T) Ax b x 0 duaalitehtävän duaali on tehtävä (T). Ratkaisu. (P) c T x = min! Ax b x

Lisätiedot

Matriisit, kertausta. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi

Matriisit, 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

Lisätiedot

OPERAATIOANALYYSI ORMS.1020

OPERAATIOANALYYSI ORMS.1020 VAASAN YLIOPISTO Talousmatematiikka Prof. Ilkka Virtanen OPERAATIOANALYYSI ORMS.1020 Tentti 2.2.2008 1. Yrityksen tavoitteena on minimoida tuotannosta ja varastoinnista aiheutuvat kustannukset 4 viikon

Lisätiedot

Kokonaislukuoptiomointi Leikkaustasomenetelmät

Kokonaislukuoptiomointi Leikkaustasomenetelmät Kokonaislukuoptiomointi Leikkaustasomenetelmät Systeemianalyysin Laboratorio 19.3.2008 Sisällys Leikkaustasomenetelmät yleisesti Leikkaustasomenetelmät generoivilla kokonaislukujoukoilla Gomoryn leikkaavat

Lisätiedot

Lineaariset kongruenssiyhtälöryhmät

Lineaariset kongruenssiyhtälöryhmät Lineaariset kongruenssiyhtälöryhmät LuK-tutkielma Jesse Salo 2309369 Matemaattisten tieteiden laitos Oulun yliopisto Sisältö Johdanto 2 1 Kongruensseista 3 1.1 Kongruenssin ominaisuuksia...................

Lisätiedot

Käänteismatriisi 1 / 14

Käänteismatriisi 1 / 14 1 / 14 Jokaisella nollasta eroavalla reaaliluvulla on käänteisluku, jolla kerrottaessa tuloksena on 1. Seuraavaksi tarkastellaan vastaavaa ominaisuutta matriiseille ja määritellään käänteismatriisi. Jokaisella

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

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

Talousmatematiikan perusteet, ORMS1030

Talousmatematiikan perusteet, ORMS1030 Vaasan yliopisto, kvät 206 Talousmatmatiikan prustt, ORMS030 3. harjoitus, viio 5. 5.2.206 Malliratkaisut. Yrityksn rään tuotlinjan kysyntäfunktio on p 20 0.030 ja vastaava kustannusfunktio on C 0.02 2

Lisätiedot

2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio

2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio x = x 2 = 5/2 x 3 = 2 eli Ratkaisu on siis x = (x x 2 x 3 ) = ( 5/2 2) (Tarkista sijoittamalla!) 5/2 2 Tämä piste on alkuperäisten tasojen ainoa leikkauspiste Se on myös piste/vektori jonka matriisi A

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 5 10.4.2017 Tehtävä 1 x 2 7 0,7 9,8 6 5 4 x 1 x 2 7 x 1 x 2 1 3 2 x 1 0 4,3 x 1 9 1 0,0 x 2 0 9,0 1 2 3 4 5 6 7 8 9 x 1 Kuva 1: Tehtävän 1 sallittu joukko S Optimointitehtävän sallittu

Lisätiedot

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45 MS-A3/A5 Matriisilaskenta Laskuharjoitus 2 / vko 45 Tehtävä (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 2i = 2, b) z 2i < 2, c) /z

Lisätiedot

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra ja matriisilaskenta I Lineaarialgebra ja matriisilaskenta I 30.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/19 Käytännön asioita Kurssi on suunnilleen puolessa välissä. Kannattaa tarkistaa tavoitetaulukosta, mitä on oppinut ja

Lisätiedot

Yksikkökate tarkoittaa katetuottoa yhden tuotteen kohdalla. Tämä voidaan määrittää vain jos myytäviä tuotteita on vain yksi.

Yksikkökate tarkoittaa katetuottoa yhden tuotteen kohdalla. Tämä voidaan määrittää vain jos myytäviä tuotteita on vain yksi. KATETUOTTOLASKENTA laskennassa selvitetään onko liiketoiminta kannattavaa. Laskelmat tehdään liiketoiminnasta syntyvien kustannuksien ja tuottojen perusteella erilaisissa tilanteissa. laskennassa käytetään

Lisätiedot

Kaksirivisen matriisin determinantille käytämme myös merkintää. a 11 a 12 a 21 a 22. = a 11a 22 a 12 a 21. (5.1) kaksirivine

Kaksirivisen matriisin determinantille käytämme myös merkintää. a 11 a 12 a 21 a 22. = a 11a 22 a 12 a 21. (5.1) kaksirivine Vaasan yliopiston julkaisuja 97 5 DETERMINANTIT Ch:Determ Sec:DetDef 5.1 Determinantti Tämä kappale jakautuu kolmeen alakappaleeseen. Ensimmäisessä alakappaleessa määrittelemme kaksi- ja kolmiriviset determinantit.

Lisätiedot

( 3) ( 5) ( 7) ( 2) ( 6) ( 4) Pyramidi 3 Analyyttinen geometria tehtävien ratkaisut sivu 105 Päivitetty

( 3) ( 5) ( 7) ( 2) ( 6) ( 4) Pyramidi 3 Analyyttinen geometria tehtävien ratkaisut sivu 105 Päivitetty Pyramidi 3 Analyyttinen geometria tehtävien ratkaisut sivu 15 Päivitetty 19..6 31 Tapa 1 Ratkaistaan yhtälöryhmä käyttämällä sijoituskeinoa. x y+ z = x y + 3z = 3x 4y+ z = Ratkaistaan yhtälöstä (1) muuttuja

Lisätiedot

802118P Lineaarialgebra I (4 op)

802118P Lineaarialgebra I (4 op) 802118P Lineaarialgebra I (4 op) Tero Vedenjuoksu Oulun yliopisto Matemaattisten tieteiden laitos 2012 Lineaarialgebra I Yhteystiedot: Tero Vedenjuoksu tero.vedenjuoksu@oulu.fi Työhuone M206 Kurssin kotisivu

Lisätiedot

Matematiikan peruskurssi (MATY020) Harjoitus 10 to

Matematiikan peruskurssi (MATY020) Harjoitus 10 to Matematiikan peruskurssi (MATY00) Harjoitus 10 to 6.3.009 1. Määrää funktion f(x, y) = x 3 y (x + 1) kaikki ensimmäisen ja toisen kertaluvun osittaisderivaatat. Ratkaisu. Koska f(x, y) = x 3 y x x 1, niin

Lisätiedot

Matriisilaskenta (TFM) MS-A0001 Hakula/Vuojamo Ratkaisut, Viikko 47, 2017

Matriisilaskenta (TFM) MS-A0001 Hakula/Vuojamo Ratkaisut, Viikko 47, 2017 Matriisilaskenta (TFM) MS-A1 Hakula/Vuojamo Ratkaisut, Viikko 47, 17 R Alkuviikko TEHTÄVÄ J1 Mitkä matriisit E 1 ja E 31 nollaavat sijainnit (, 1) ja (3, 1) matriiseissa E 1 A ja E 31 A kun 1 A = 1. 8

Lisätiedot

Harjoitus 5 ( )

Harjoitus 5 ( ) Harjoitus 5 (14.4.2015) Tehtävä 1 Figure 1: Tehtävän 1 sallittu joukko S. Optimointitehtävän sallittu alue S on pisteiden (0, 0), (0, 7), (4, 3), (9, 8) ja (9, 0) määräämä viisikulmio. Kyseinen alue saadaan

Lisätiedot

Harjoitus 7: vastausvihjeet

Harjoitus 7: vastausvihjeet Taloustieteen matemaattiset menetelmät 31C01100 Kevät 2017 Topi Hokkanen topi.hokkanen@aalto.fi Harjoitus 7: vastausvihjeet 1. (Epäyhtälörajoitteet) Olkoon f (x, y) = 6x + 4y ja g (x, y) = x 2 + y 2 2.

Lisätiedot

Harjoitus 5 ( )

Harjoitus 5 ( ) Harjoitus 5 (24.4.2014) Tehtävä 1 Kuva 1: Tehtävän 1 sallittu joukko S. Optimointitehtävän sallittu alue S on pisteiden (0, 0), (0, 7), (4, 3), (9, 8) ja (9, 0) määräämä viisikulmio. Kyseinen alue saadaan

Lisätiedot

Talousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi

Talousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi Talousmatematiikan perusteet: Luento 11 Lineaarikuvaus Matriisin aste Käänteismatriisi Viime luennolla Käsittelimme matriisien peruskäsitteitä ja laskutoimituksia Vakiolla kertominen, yhteenlasku ja vähennyslasku

Lisätiedot

Lineaarinen optimointitehtävä

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

Lisätiedot

2.8. Kannanvaihto R n :ssä

2.8. Kannanvaihto R n :ssä 28 Kannanvaihto R n :ssä Seuraavassa kantavektoreiden { x, x 2,, x n } järjestystä ei saa vaihtaa Vektorit ovat pystyvektoreita ( x x 2 x n ) on vektoreiden x, x 2,, x n muodostama matriisi, missä vektorit

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

Talousmatematiikan perusteet

Talousmatematiikan perusteet kevät 2019 / orms.1030 Talousmatematiikan perusteet 5. harjoitus, viikko 7 11.02. 15.02.2019 R01 Ma 12 14 F453 R08 Ke 10 12 F453 R02 Ma 16 18 F453 L To 08 10 A202 R03 Ti 08 10 F425 R06 To 12 14 F140 R04

Lisätiedot

ja piirrä sitä vastaavat kaksi käyrää ja tarkista ratkaisusi kuvastasi.

ja piirrä sitä vastaavat kaksi käyrää ja tarkista ratkaisusi kuvastasi. Harjoituksia yhtälöryhmistä ja matriiseista 1. Ratkaise yhtälöpari (F 1 ja F 2 ovat tuntemattomia) cos( ) F 1 + cos( ) F 2 = 0 sin( ) F 1 + sin( ) F 2 = -1730, kun = -50 ja = -145. 2. Ratkaise yhtälöpari

Lisätiedot

Polynomi ja yhtälö Sievennä. a) 4a + 3a b) 11x x c) 9x + 6 3x. Ratkaisu a) 7a b) 12x c) 6x + 6

Polynomi ja yhtälö Sievennä. a) 4a + 3a b) 11x x c) 9x + 6 3x. Ratkaisu a) 7a b) 12x c) 6x + 6 Polynomi ja yhtälö 103. Sievennä. a) 4a + 3a b) 11x x c) 9x + 6 3x a) 7a b) 12x c) 6x + 6 104. Ratkaise yhtälöt. a) 2x + 3 = 9 b) 8x + 2 = 5x + 17 a) 2x + 3 = 9 3 2x = 6 : 2 x = 3 b) 8x + 2 = 5x + 17 2

Lisätiedot

Matriisilaskenta. Harjoitusten 3 ratkaisut (Kevät 2019) 1. Olkoot AB = ja 2. Osoitetaan, että matriisi B on matriisin A käänteismatriisi.

Matriisilaskenta. 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

Lisätiedot

3x + y + 2z = 5 e) 2x + 3y 2z = 3 x 2y + 4z = 1. x + y 2z + u + 3v = 1 b) 2x y + 2z + 2u + 6v = 2 3x + 2y 4z 3u 9v = 3. { 2x y = k 4x + 2y = h

3x + y + 2z = 5 e) 2x + 3y 2z = 3 x 2y + 4z = 1. x + y 2z + u + 3v = 1 b) 2x y + 2z + 2u + 6v = 2 3x + 2y 4z 3u 9v = 3. { 2x y = k 4x + 2y = h HARJOITUSTEHTÄVIÄ 1. Anna seuraavien yhtälöryhmien kerroinmatriisit ja täydennetyt kerroinmatriisit sekä ratkaise yhtälöryhmät Gaussin eliminointimenetelmällä. { 2x + y = 11 2x y = 5 2x y + z = 2 a) b)

Lisätiedot

Matematiikan tukikurssi, kurssikerta 3

Matematiikan tukikurssi, kurssikerta 3 Matematiikan tukikurssi, kurssikerta 3 1 Epäyhtälöitä Aivan aluksi lienee syytä esittää luvun itseisarvon määritelmä: { x kun x 0 x = x kun x < 0 Siispä esimerkiksi 10 = 10 ja 10 = 10. Seuraavaksi listaus

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

Matemaattinen Analyysi

Matemaattinen Analyysi Vaasan yliopisto, kevät 2015 / ORMS1010 Matemaattinen Analyysi 7. harjoitus, viikko 17 R1 ma 16 18 D115 (20.4.) R2 ke 12 14 B209 (22.4.) 1. Määritä funktiolle f (x) 1 + 0,1x Taylorin sarja kehityskeskuksena

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 2.2.217 Tehtävä 1 Edellisten demojen tehtävä oli muotoa max 3x 1 + 4x 2 s.t. 7x 1 + 3x 2 24 : v 1 x 1 + 4x 2 17 : v 2 x 2 3 : v 3 x 1, x 2. Kohdefunktio voitiin kirjoittaa myös muotoon

Lisätiedot

1 Rajoitettu optimointi I

1 Rajoitettu optimointi I Taloustieteen mat.menetelmät 2017 materiaali II-1 1 Rajoitettu optimointi I 1.1 Tarvittavaa osaamista Matriisit ja vektorit, matriisien de niittisyys Derivointi (mm. ketjusääntö, Taylorin kehitelmä) Implisiittifunktiolause

Lisätiedot

Talousmatematiikan perusteet: Luento 15. Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta

Talousmatematiikan perusteet: Luento 15. Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta Talousmatematiikan perusteet: Luento 15 Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta Viime luennolla Tarkastelimme usean muuttujan funktioiden rajoittamatonta optimointia:

Lisätiedot

Harjoitus 8: Excel - Optimointi

Harjoitus 8: Excel - Optimointi Harjoitus 8: Excel - Optimointi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Lineaarisen optimointimallin muodostaminen

Lisätiedot

4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen

4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen 4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen Käypä kantaratkaisu löytyy helposti, esimerkiksi tapauksessa Ax b, b 0 x 0 jolloin sen määräävät puutemuuttujat. Tällöin simplex-menetelmän alustus

Lisätiedot

Talousmatematiikan perusteet, ORMS1030

Talousmatematiikan perusteet, ORMS1030 Vaasan yliopisto, kevät 2017 Talousmatematiikan perusteet, ORMS1030 6. harjoitus, viikko 6 (27.2. 3.3.2017) R1 ma 12 14 F249 R5 ti 14 16 F453 R2 ma 14 16 F453 R6 to 12 14 F104 R3 ti 08 10 F140 R7 pe 08

Lisätiedot

10 Matriisit ja yhtälöryhmät

10 Matriisit ja yhtälöryhmät 10 Matriisit ja yhtälöryhmät Tässä luvussa esitellään uusi tapa kirjoittaa lineaarinen yhtälöryhmä matriisien avulla käyttäen hyväksi matriisikertolaskua sekä sarakevektoreita Pilkotaan sitä varten yhtälöryhmän

Lisätiedot

Talousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi

Talousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi Talousmatematiikan perusteet: Luento 10 Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi Lineaarikuvaus Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta, jossa käytetään

Lisätiedot

0, niin vektorit eivät ole kohtisuorassa toisiaan vastaan.

0, niin vektorit eivät ole kohtisuorassa toisiaan vastaan. Tekijä Pitkä matematiikka 4 9.1.016 168 a) Lasketaan vektorien a ja b pistetulo. a b = (3i + 5 j) (7i 3 j) = 3 7 + 5 ( 3) = 1 15 = 6 Koska pistetulo a b 0, niin vektorit eivät ole kohtisuorassa toisiaan

Lisätiedot

4.6 Matriisin kääntäminen rivioperaatioilla

4.6 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

Lisätiedot

Luento 3: Simplex-menetelmä

Luento 3: Simplex-menetelmä Luento 3: Simplex-menetelmä Kuten graafinen tarkastelu osoittaa, LP-tehtävän ratkaisu on aina käyvän alueen kulmapisteessä, eli ekstreemipisteessä (extreme point). Simplex-menetelmässä ekstreemipisteitä,

Lisätiedot

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Talousmatematiikan perusteet: Luento 14 Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Viime luennolla Tarkastelimme usean muuttujan funktioiden

Lisätiedot

MS-C2105 Optimoinnin perusteet Malliratkaisut 4

MS-C2105 Optimoinnin perusteet Malliratkaisut 4 MS-C2105 Optimoinnin perusteet Malliratkaisut 4 Ehtamo Duaalin muodostamisen muistisäännöt Duaalin muodostamisessa voidaan käyttää muistisääntötaulukkoa, jota voidaan lukea vasemmalta oikealle tai oikealta

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka 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

Lisätiedot

MAA7 7.1 Koe Jussi Tyni Valitse kuusi tehtävää! Tee vastauspaperiin pisteytysruudukko! Kaikkiin tehtäviin välivaiheet näkyviin!

MAA7 7.1 Koe Jussi Tyni Valitse kuusi tehtävää! Tee vastauspaperiin pisteytysruudukko! Kaikkiin tehtäviin välivaiheet näkyviin! MAA7 7.1 Koe Jussi Tyni 9.1.01 1. Laske raja-arvot: a) 5 lim 5 10 b) lim 9 71. a) Määritä erotusosamäärän avulla funktion f (). f ( ) derivaatta 1 b) Millä välillä funktio f ( ) 9 on kasvava? Perustele

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

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra ja matriisilaskenta I Lineaarialgebra ja matriisilaskenta I 6.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/22 Kertausta: Kääntyvien matriisien lause Lause 1 Oletetaan, että A on n n -neliömatriisi. Seuraavat ehdot ovat yhtäpitäviä.

Lisätiedot

Lineaarialgebra ja matriisilaskenta I

Lineaarialgebra ja matriisilaskenta I Lineaarialgebra ja matriisilaskenta I 4.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/19 Käytännön asioita Viimeiset harjoitukset on palautettava torstaina 13.6. Laskaripisteensä ja läsnäolonsa voi kukin tarkistaa

Lisätiedot

Malliratkaisut Demo 1

Malliratkaisut Demo 1 Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,

Lisätiedot

Ratkaisuehdotukset LH 3 / alkuvko 45

Ratkaisuehdotukset LH 3 / alkuvko 45 Ratkaisuehdotukset LH 3 / alkuvko 45 Tehtävä : Olkoot A, B, X R n n, a, b R n ja jokin vektorinormi. Kätetään vektorinormia vastaavasta operaattorinormista samaa merkintää. Nätä, että. a + b a b, 2. A

Lisätiedot

Luento 11: Rajoitusehdot. Ulkopistemenetelmät

Luento 11: Rajoitusehdot. Ulkopistemenetelmät Luento 11: Rajoitusehdot. Ulkopistemenetelmät ja sisäpistemenetelmät Lagrangen välttämättömien ehtojen ratkaiseminen Newtonin menetelmällä Jos tehtävässä on vain yhtälörajoituksia, voidaan minimipistekandidaatteja

Lisätiedot

Matematiikka B2 - Avoin yliopisto

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

Lisätiedot

Tarkastellaan seuraavaksi esimerkkien avulla yhtälöryhmän ratkaisemista käyttäen Gaussin eliminointimenetelmää.

Tarkastellaan seuraavaksi esimerkkien avulla yhtälöryhmän ratkaisemista käyttäen Gaussin eliminointimenetelmää. Yhtälörhmä Lineaarisen htälörhmän alkeisoperaatiot ovat ) kahden htälön järjestksen vaihto ) htälön kertominen puolittain nollasta eroavalla luvulla ja ) luvulla puolittain kerrotun htälön lisääminen johonkin

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

Kurssin loppuosassa tutustutaan matriiseihin ja niiden käyttöön yhtälöryhmien ratkaisemisessa.

Kurssin loppuosassa tutustutaan matriiseihin ja niiden käyttöön yhtälöryhmien ratkaisemisessa. 7 Matriisilaskenta Kurssin loppuosassa tutustutaan matriiseihin ja niiden käyttöön yhtälöryhmien ratkaisemisessa. 7.1 Lineaariset yhtälöryhmät Yhtälöryhmät liittyvät tilanteisiin, joissa on monta tuntematonta

Lisätiedot

1 Johdanto LP tehtävän luonteen tarkastelua Johdanto herkkyysanalyysiin Optimiarvon funktio ja marginaalihinta

1 Johdanto LP tehtävän luonteen tarkastelua Johdanto herkkyysanalyysiin Optimiarvon funktio ja marginaalihinta Sisältö Johdanto 2 LP tehtävän luonteen tarkastelua 3 Johdanto herkkyysanalyysiin 5 2 Optimiarvon funktio ja marginaalihinta 5 3 Johdanto duaaliteoriaan 6 2 LP-tehtävän standardimuoto 9 Johdanto Optimoinnista

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

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

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

Lisätiedot

Matematiikka B2 - TUDI

Matematiikka 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

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

Demo 1: Lineaarisen tehtävän ratkaiseminen graafisesti ja Solverilla

Demo 1: Lineaarisen tehtävän ratkaiseminen graafisesti ja Solverilla MS-C2105 Optimoinnin perusteet Malliratkaisut 2 Ehtamo Demo 1: Lineaarisen tehtävän ratkaiseminen graafisesti ja Solverilla Ratkaise lineaarinen optimointitehtävä graafisesti ja Excelin Solverin avulla.

Lisätiedot

1. Etsi seuraavien funktioiden kriittiset pisteet ja tutki niiden laatu: (a.) f(x,y) = 20x 2 +10xy +5y 2 (b.) f(x,y) = 4x 2 2y 2 xy +x+2y +100

1. Etsi seuraavien funktioiden kriittiset pisteet ja tutki niiden laatu: (a.) f(x,y) = 20x 2 +10xy +5y 2 (b.) f(x,y) = 4x 2 2y 2 xy +x+2y +100 HARJOITUS, RATKAISUEHDOTUKSET, YLE 07.. Etsi seuraavien funktioiden kriittiset pisteet ja tutki niiden laatu: (a.) f(x,y) = 0x +0xy +5y (b.) f(x,y) = 4x y xy +x+y +00 (a.) Funktion kriittiset pisteet ratkaisevat

Lisätiedot

1 Komparatiivinen statiikka ja implisiittifunktiolause

1 Komparatiivinen statiikka ja implisiittifunktiolause Taloustieteen matemaattiset menetelmät 27 materiaali 4 Komparatiivinen statiikka ja implisiittifunktiolause. Johdanto Jo opiskeltu antaa nyt valmiu tutkia taloudellisia malleja Kiinnostava malli voi olla

Lisätiedot

Harjoitus 7. KJR-C2001 Kiinteän aineen mekaniikan perusteet, IV/2016

Harjoitus 7. KJR-C2001 Kiinteän aineen mekaniikan perusteet, IV/2016 Kotitehtävät palautetaan viimeistään keskiviikkoisin ennen luentojen alkua eli klo 4: mennessä. Muistakaa vastaukset eri tehtäviin palautetaan eri lokeroon! Joka kierroksen arvostellut kotitehtäväpaperit

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 1 23.1.2017 1. Päätösmuuttujiksi voidaan valita x 1 : tehtyjen peruspöytin lukumäärä x 2 : tehtyjen luxuspöytien lukumäärä. Optimointitehtäväksi tulee max 200x 1 + 350x 2 s. t. 5x

Lisätiedot

Malliratkaisut Demot 6,

Malliratkaisut Demot 6, Malliratkaisut Demot 6, 19.2.21 Tehtävä 1 Edellisten demojen tehtävä oli muotoa max 3x 1 + 4x 2 s.t. 7x 1 + 3x 2 24 : v 1 x 1 + 4x 2 17 : v 2 x 2 3 : v 3 x 1, x 2. Kohdefunktio voitiin kirjoittaa myös

Lisätiedot

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli. Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli. LP-malli Esimerkki. Maalitehdas valmistaa ulko- ja sisämaalia raaka-aineista M1 ja M2. Sisämaalin maksimikysyntä on 2 tonnia/päivä. Sisämaalin

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

Differentiaaliyhtälöt II, kevät 2017 Harjoitus 5

Differentiaaliyhtälöt II, kevät 2017 Harjoitus 5 Differentiaaliyhtälöt II, kevät 27 Harjoitus 5 Heikki Korpela 26. huhtikuuta 27 Tehtävä 2. Määrää seuraavan autonomisen systeemin kriittiset pisteet, ratakäyrät ja luonnostele systeemin aikakehitys: (t)

Lisätiedot