8 Differentiaaliyhtälöiden ratkaisemisesta
|
|
- Tommi Auvinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 8 Differentiaaliyhtälöiden ratkaisemisesta 8.1 Johdanto Tavalliset diffirentiaaliyhtälöt (TDY) ovat usein käytetty matemaattinen malli fysikaalisia ilmiöitä tutkittaessa. Tässä luvussa käsitellään Cauchy probleeman ( 1. kl DY:n alkuarvotehtävä ) numeerista ratkaisemista. Probleema on muotoa: Etsi funktio y C 1 (I) siten, että y (t) = f(t,y(t)), t I, y(t 0 ) = y 0, (8.1) missä f : I (, + ) R on annettu reaaliarvoinen funktio. Esimerkki 8.1. Tarkastellaan esimerkkiä TDY:n muodostumisesta. Useat käytännön ilmiöt noudattavat Newtonin liikelakia F = ma, missä F on voima, m on massa ja a on kiihtyvyys. Yhtälö on diffrentiaaliyhtälö, sillä kiihtyvyys on nopeuden v derivaatta, mikä puolestaan on paikan x derivaatta. Jos sovelletaan liikelakia raketin nopeuden määrittämiseen, niin voidaan aluksi asettaa oletuksia: 1. raketti laukaistaan ajanhetkellä t = 0 ja liike on kohtisuoraan ylöspäin, 2. rakettia puskeva voima on vakio = 5370 ja ilmanvastus aiheuttaa vastavoiman v 3/2 /ln(2+v), lisäksi maan vetovoima aiheuttaa alaspäin suuntautuneen voiman, mikä on vakio = raketin massa pienenee polttoaineen palaessa yhtälön t mukaisesti, 4. aika on riippumaton muuttuja. Oletusten nojalla voidaan yhtälö F = ma kirjoittaa muotoon v 3/2 /ln(2+v) = (321 24t)v v(0) = 0 Huomautus 8.1. Yhtälö (8.1) on ns. tavallisen 1. kertaluvun differentiaaliyhtälön alkuarvotehtävä. Yleinen differentiaaliyhtälö on yhtälö, joka sisältää tuntemattoman funktion yhden tai useamman kertaluvun derivaatan. Esimerkiksi m:nnen kertaluvun TDY on muotoa: y (m) = f(t,y,y,y,y,...,y (m 1) ) y(t 0 ) = y 0, y (t 0 ) = y 0, y (t 0 ) = y 0,...,y (m 1) (t 0 ) = y (m 1) 0 Se voidaan paluttaa sijoituksella y j+1 = y (j), j = 0,1,...,m 1 173
2 yhtälöryhmän muotoon y 1 = y 2 y 2 = y 3. y m 1 = y m y m = f(t,y 1,y 2,...,y m ) y 1 (t 0 ) = y 0, y 2 (t 0 ) = y 0,...,y m (t 0 ) = y (m 1) 0 (8.2) Jatkossa voidaankin tarkastella menetelmiä ainoastaan 1. kl tavalliselle DY:lle, koska yleinen tapaus muokkautuu niiden yhtälöryhmäksi. Esitettävät menetelmät voidaan yleistää suoraviivaisesti yhtälöryhmille. Esimerkki 8.2. Heilurin liikeyhtälö on muotoa mlθ (t) = mgsinθ(t) Θ(0) = Θ 0 Θ (0) = 0 Merkitsemällä y 1 = Θ, y 2 = Θ, saadaan y 1 = y 2, y 1 (0) = Θ 0 y 2 = g l siny 1, y 2 (0) = 0 (8.3) (8.4) Jos f on jatkuva t:n suhteen, niin yhtälö (8.1) toteuttaa y(t) y 0 = t t 0 f(τ,y(τ))dτ. (8.5) Kääntäen, jos y on määritelty yhtälöllä (8.5), niin se on jatkuva I:llä ja y(t 0 ) = y 0. Edelleen, koskay on jatkuvan funktionf(,y( )) antiderivaatta, niiny C 1 (I) ja pätee, että y (t) = f(t,y(t)). Siten, jos f on jatkuva ovat probleemat (8.1) ja (8.5) ekvivalentteja. Siten, myös niiden numeerisissa ratkaisumenetelmissä on tiettyjä yhtäläisyyksiä. Esimerkki 8.3. Jos yhtälön (8.1) funktiossa f ei esiinny riippuvuutta y:stä, niin yhtälö voidaan ratkaista suoraan määräämättömällä integroinnilla. Esim. y = 3t 2 4t 1 +(1+t 2 ) 1 Integroimalla yhtälö saadaan y(5) = 17 y(t) = t 3 4lnt+arctant+C Vakio C voidaan nyt valita niin että y(5) =
3 Esimerkki 8.4. Yhtälön (8.5) avulla alkuarvotehtävä voidaan ratkaista numeerisesti käyttämällä ns. Picardin-Lindelöfin iterointia y 0 (t) = y(t 0 ) y i (t) = y(t 0 )+ t t 0 f(τ,y i 1 (τ))dτ, i > 0 Ratkaistaan esimerkkinä alkuarvotehtävä y = ty = f(t,y(t)) y(1) = 2 Ratkaisu. Muodostetaan iteraatiojono y 0 (t) = y(1) = 2 y 1 (t) = 2+ y 2 (t) = 2+ y 3 (t) = 2+. t 1 t 1 t 1 2τdτ = 3 t 2 Tarkka ratkaisu on y(t) = 2e (1 t2 )/2. τ(3 τ 2 )dτ = t t4 τ( τ τ4 )dτ = t t t6 y Sel ite ( ) 1( ) 2( ) 3 ( ) t Kuva 1: Picardin-Lindelöfin iteraatio 175
4 8.2 Ratkaisun olemassaolo ja yksikäsitteisyys Probleemalla (8.1) ei ole aina ratkaisua. Silloinkin jos ratkaisu on olemassa voi se olla määritelty vain pisteen t 0 ympäristössä. Tästä esimerkkinä on yhtälö y = 1+y 2 y(0) = 0 minkä ratkaisu on y(t) = tant. Ts. y(t) = +, kun t = π/2. Vaikka f olisi jatkuva ei yhtälöllä (8.1) ole välttämättä yksikäsitteistä ratkaisua. Yksinkertainen esimerkki tilanteesta on y = y 2/3 y(0) = 0 minkä ratkaisuja ovat esim. y(t) = 0 ja y(t) = 1 27 t3. Jotta yhtälöllä (8.1) olisi yksikäsitteinen ratkaisu täytyy päteä: Lause 8.1. Jos f on jatkuva joukossa D = (t,y) a t b, < y < + } ja on olemassa vakio L siten, että kaikilla (t,y 1 ),(t,y 2 ) D pätee epäyhtälö f(t,y 1 ) f(t,y 2 ) L y 1 y 2 (8.6) niin yhtälöllä (8.1) on yksikäsitteinen, joukoss D jatkuvasti derivoituva ratkaisu y(t). Huomautus 8.2. Jos f(t,y) on jatkuvasti derivoituva y:n suhteen kun (t,y) D, niin voidaan valita L = sup f y(t,y) (t,y) D Huomautus 8.3. Jos f ja f y ovat jatkuvia kaikilla y [a,b], niin tehtävällä (8.1) on yksikäsitteinen ratkaisu y(t), a t b, ja tehtävä on hyvin käyttäytyvä. Esimerkki 8.5. DY:llä y (t) = 1+tsin(ty), 0 t 2 y(0) = 0 on yksikäsitteinen ratkaisu välillä t [0,2], koska funktiot f(t,y) = 1+tsin(ty) ja f y (t,y) = t 2 cos(ty) ovat molemmat jatkuvia y:n suhteen, kun 0 t 2 = on olemassa yksikäsitteinen ratkaisu. 176
5 8.3 Taylorin kehitelmiin perustuvat menetelmät Oletetaan, että funktio y on esitetty Taylorin sarjana y(t+h) = y(t)+hy (t)+ 1 2! h2 y (t)+ 1 3! h3 y (t) m! hm y (m) (t)+... Numeerisesti laskettaessa katkaistaan Taylorin sarja äärelliseen määrään termejä. Kehitelmää, jossa on m + 1 termejä, sanotaan m:nen kertaluvun Taylorin sarjakehitelmäksi. Jos askelpituus h on tarpeeksi pieni, saadaan tällöin usein riittävän tarkkoja approksimaatioita funktion arvoille Eulerin menetelmä Ensimmäisen kertaluvun Taylorin menetelmää kutsutaan Eulerin menetelmäksi. Haetaan alkuarvotehtävän y = f(t,y(t)) y(a) = y a ratkaisua välillä [a, b]. Käyttämällä Taylorin kehitelmän 2:ta ensimmäistä termiä saadaan ns. Eulerin kaavaa y(t+h) = y(t)+hf(t,y(t)), (8.7) missä h = (b a)/n on osavälin pituus edettäessä n:llä askeleella pisteestä t = a pisteeseen t = b. Merkitsemällä t i = t 0 +ih, y i y(t i ), saadaan Eulerin menetelmä: y 0 = y(t 0 ) y i+1 = y i +hf(t i,y i ), i = 0,1,2,... Pseudokoodi Eulerin menetelmälle voidaan kirjoittaa seuraavasti: program Euler integer parameter n 100 real a 1,b 2,x 4 integer k real h,t h (b a)/n t a output 0,t,x for k = 1 to n do x x+hf(t,x) t t+h output k,t,x end for end program Euler 177
6 Esimerkki 8.6. Ratkaistaan Eulerin menetelmällä y (t) = y y(0) = Sel ite = Euler approx., n=36 Euler approx., n=18 y t Kuva 2: Eulerin iteraatio Kuvassa 2 on esitetty tarkka ratkaisu y = e t ja Eulerin approksimaatiot eri h:n arvoilla, välillä [0, 4]. Kuten kuvastakin havaitaan, ei Eulerin menetelmä ole kovin tarkka, koska Taylorin sarjan katkaisuvirhe on luokkaa O(h 2 ) Eulerin menetelmän virhe Approksimoidaan, kuinka suuri virhe tehdään siirryttäessä pisteestä t n pisteeseen t n+1 olettaen, että y n = y(t n ). Taylorin kehitelmän avulla saadaan e n (h) = y(t n +h) y n+1 = ( y(t n )+hf(t n,y(t n ))+ 1 2 h2 y (ξ n ) ) ( y n +hf(t n,y n ) ) = y(t n ) y n +h [ f(t n,y(t n )) f(t n,y n ) ] + } } virhe askeleella n ξ n ]t n,t n +h[. 1 2 h2 y (ξ n ), }} paikallinen virhe Paikallinen menetelmävirhe e n (h) 1 2 h2 max y, (O(h 2 )). Jokaisella askeleella tehdään kertaluokkaa h 2 oleva (lokaali) virhe. Toisaalta, jotta päästäisiin pisteestä t 0 pisteeseen T tarvitaan (T t 0 )/h askelta. Siten kokonaisvirhe on pahimmassa tapauksessa luokkaa O(h). Jos lisäksi huomioidaan pyöristysvirhe, ε, joka askeleella, niin päädytään kokonaisvirheeseen E h c 1 h+ c 2 h. 178
7 Eulerin menetelmän virhe saattaa kasvaa räjähdysmäisesti liian pitkän askelpituuden seurauksena. Asiaan palataan stabiilisuuden tarkastelun yhteydessä Korkeamman kertaluvun Taylorin menetelmät Menetelmän tarkkuutta voidaan lisätä ottamalla Taylorin kehitelmästä lisää termejä, muodosta y(t+h) = y(t)+hy (t)+ 1 2 h2 y (t)+o(h 3 ) saadaan toisen kertaluvun Taylorin menetelmä y n+1 = y n +hf(t n,y n )+ 1 2 h2 g(t n,y n ), (8.8) missä g(t,y) = f(t,y) t +f(t,y) f(t,y). y Samalla tavalla voitaisiin muodostaa korkeamman kertaluvun menetelmiä. Taylormenetelmien suosiota vähentää kuitenkin tarve laskea funktion f osittaisderivaatat. Esimerkki :nen kertaluvun menetelmässä ottaisimme Taylorin sarjasta y(t+h) = y(t)+hy (t)+ 1 2! h2 y (t)+ 1 3! h3 y (t)+ 1 4! h4 y (4) (t)+o(h 5 ) 5 ensimmäistä termiä mukaan. Tällöin virhe olisi luokkaa O(h 5 ). Seuraavassa koodissa lasketaan ratkaisu alkuarvotehtävälle y = 1+y 2 +t 3 program T aylor integer parameter n 100 real a 1,b 2,x 4 integer k real h,t,x,x,x,x,x (4) h (b a)/n t a output 0,t,x for k = 1 to n do x 1+x 2 +t 3 x 2xx +3t 2 x 2xx +2(x ) 2 +6t x (4) 2xx +6x x +6 x x+h [ x + 1h[ x + 1h[ x t a+kh output k,t,x end for end program T aylor y(1) = 4 [ x (4) ]]]] 179
8 8.4 Runge-Kuttan menetelmät Korkeamman kertaluvun Taylorin menetelmiä käytettäessä tarvitaan derivaataty,y, jne., mikä on merkittävä este niiden tehokkaalle käytölle. Ideaalisessa tapauksessa differentiaaliyhtälön ratkaisuun ei tarvittaisi muuta, kuin funktion f arvojen laskemista. Runge-Kutta menetelmät on suunniteltu matkimaan Taylorin menetelmiä ilman, että tarvitsee laskea analyyttisesti differentiaaliyhtälön derivaattoja. Niissä pyritään tarkkuutta parantamaan laskemalla funktion f(t, y) arvoja useammissa pisteissä ja ottamalla niistä sopivia lineaarikombinaatioita. Tarkastellaan aluksi 2. kertaluvun Runge- Kutta menetelmän muodostamista. Korkeamman kertaluvun menetelmät muodostetaan samoilla periaatteilla, mutta ne on teknisesti työläitä esittää. Kertaluvun 4 Runge- Kutta menetelmä on paljon käytetty ja riittävän tarkka käytännön laskentaan Kertaluvun 2 menetelmä Funktion y(t+h) Taylorin kehitelmä on: y(t+h) = y(t)+hy (t)+ h2 2! y (t)+ h3 3! y (t)+... (8.9) Diffrentiaaliyhtälöstä saadaan y (t) = f y (t) = f t +f y y = f t +f y f missä f y = f y, f t = f t Yhtälö (8.9) voidaan nyt kirjoittaa muotoon y(t+h) = y +hf h2 (f t +ff y )+O(h 3 ) = y hf h[ f +hf t +hff y ] +O(h 3 ) (8.10) missä y = y(t) ja f, f t, f y on kehitetty pisteessä (t,y). Osittaisderivaatat voidaan eliminoida kaavasta käyttämällä apuna kahden muuttujan funktion Taylor kehitelmää: f(t+h,y +hf) = f +hf t +hff y +O(h 2 ) Yhtälöstä (8.10) saadaan y(t+h) = y(t)+ h 2 f(t,y)+ h 2 f( t+h,y(t)+hf(t,y) ) 180
9 tai missä F 1 = hf(t,y) y(t+h) = y(t)+ 1 2 (F 1 +F 2 ), (8.11) F 2 = hf(t+h,y +F 1 ) Muotoa (8.11) kutsutaan toisen kertaluvun Runge-Kutta menetelmäksi. Se tunnetaan myös ns. Heun menetelmänä. Huomautus 8.4. Yleisesti 2 kl Runge-Kutta menetelmälle pätee: y(t+h) = y(t)+w 1 hf(t,y)+w 2 hf(t+αh,y +βhf(t,y))+o(h 3 ) missä kertoimet w 1,w 2,α ja β on määrättävissä. Edelleen, käyttämällä kahden muuttujan funktion Taylor sarjakehitelmää, saadaan y(t+h) = y +w 1 hf +w 2 h [ f +αhf t +βhff y ] +O(h 3 ) (8.12) Vertaamalla yhtälöitä (8.10) ja (8.12) nähdään, että kertoimien tulee toteuttaa w 1 +w 2 = 1 αw 2 = 1 2 βw 2 = 1 2 Eräs ratkaisu yhtälöryhmälle on α = 1, β = 1, w 1 = 1 ja w 2 2 = 1. Tällöin tuloksena 2 saadaan Heun kaava (8.11). Yhtälöryhmällä on myös toinen ratkaisuα = β = 1 2, w 1 = 0 ja w 2 = 1. Tällöin saadaan ns. modifoitu Eulerin menetelmä: y(t+h) = y(t)+f 2 missä F 1 = hf(t,y) F 2 = hf(t+ 1 2 h,y F 1) Kertaluvun 4 menetelmä Runge-Kuttan neljännen kertaluvun menetelmä on paljon käytetty menetelmä alkuarvotehtäviä ratkottaessa. Sen kaava on seuraava: y(t+h) = y(t)+ 1 6 (F 1 +2F 2 +2F 3 +F 4 ) missä F 1 = hf(t,y) F 2 = hf(t+ 1 2 h,y F 1) F 3 = hf(t+ 1 2 h,y F 2) F 4 = hf(t+h,y +F 3 ) 181
10 Kuten edellisestä näkyy, neljännen kertaluvun menetelmässä funktio lasketaan neljässä eri pisteessä. Menetelmässä saadaan mukaan Taylorin sarjakehitelmän termit h 4 - termiin saakka. Täten virhe on kertaluokkaa O(h 5 ). Pseudokoodi: procedure RK4(f,t,x,h,n) integer j,n real K 1,K 2,K 3,K 4,h,t,t a,x external function f output 0,t,x t a t for j = 1 to n do K 1 hf(t,x) K 2 hf(t+ 1 2 h,x+ 1 2 K 1) K 3 hf(t+ 1 2 h,x+ 1 2 K 2) K 4 hf(t+h,x+k 3 ) x x+ 1 6 (K 1 +2K 2 +2K 3 +K 4 ) t t a +jh output j,t,x end for end procedure RK4 Huomautus 8.5. Neljännen kl Runge-Kutta menetelmässä tarvitaan neljä f:n kehittämistä, kun taas toisen kl menetelmässä tarvitaan vain kaksi. Ollakseen tehokkaampi tulisi 4:nen kl menetelmän ottaa kaksi kertaa pidempiä askelia kuin 2:n kl menetelmä virheen pysyessä korkeintaan samana. Toisin sanoen olisi oltava C(2h) 5 2Ĉh3. Yleensä näin onkin, mutta jos funktio f on epäsäännöllinen ja h suuri, niin 2. kl menetelmä saattaa olla laskennallisesti tehokkaampi. Korkeampi kertaluku ei siis aina tarkoita suurempaa laskennallista tehokkuutta. 8.5 Askelpituuden säätämisestä Käytännön tilanteissa ratkaistaessa alku-arvotehtäviä, on aina tarpeen arvioida saatavan numeerisen ratkaisun tarkkuutta. Yleensä on annettu etukäteen joku virhetoleranssi, ja ratkaisun virheen on oltava tämän toleranssin rajoissa. Kun käytettävä numeerinen menetelmä on valittu, virhetoleranssi määrää käytettävän askelpituuden. Sopivan askelpituuden määrääminen voi olla vaikeaa, vaikka olisimme huolestuneita vain paikallisesta virheestä. Lisäksi pieni askelpituus voi olla tarpeellinen vain joissain ratkaisukuvaajan osissa ja isompi riittää joissain muissa osissa. Edellä annettujen syiden takia on kehitetty useita menetelmiä joissa askelpituus määritetään automaattisesti. Oletetaan, että halutaan numeerisen ratkaisun virhe jossain pisteessä t > t 0 pienemmäksi kuin annettu vakio δ. Pyritään siis valitsemaan askelpituus h siten, että askeleen virhe = h δ t t 0 =: hδ 0 182
11 Mikäli yhden askeleen virhe olisi suurempi, niin globaali virhe kasvaisi liikaa. Toisaalta, jos virhe olisi paljon pienempi, niin tehtäisiin turhaa laskentatyötä. Esimerkki 8.8. Eulerin menetelmässä paikallinen virhe on e(h) = h 2 y (ξ)/2. Vaatimalla, että paikallinen virhe on enintään ε, saadaan 2ε h y A, missä y A := f(y k) f(y k 1 ) t k t k 1 y (t k ) y (t k 1 ) t k t k 1 y (t k ) Virhekontrolloitu Runge-Kutta askel Tarkastellaan 4. kl Runge-Kutta menetelmän virhettä yhdessä askeleessa. Olkoon käytetty askelpituus h 1. Merkitään y 1 :llä approksimaatiota y(t n +2h 1 ):lle, mikä on saatu ottamalla yksi 2h 1 :n mittainen askel lähtien y(t n ):stä. Merkitään vastaavasti y 2 :lla approksimaatiota, ottamalla peräkkäin kaksi h 1 :n mittaista askelta. Koska menetelmän kertaluku on neljä, saadaan y(t n +2h 1 ) = y 1 +C n (2h 1 ) 5 +O(h 6 1), C n on vakio, ei riipu h:sta, y(t n +2h 1 ) = y 2 +2C n h 5 1 +O(h 6 1) Tiedetään, että Runge-Kutta menetelmän virhe e n käyttäytyy kuten Ch 5. Merkitään e n := 2C n h 5 1, jolloin vähennyslaskulla saadaan e n 1 15 (y 2 y 1 ), mikä on O(h 6 1) approksimaatio y 2 :n virheelle. Virhe e n voidaan laskea. Jos 1 2 δ 0h 1 e n 2δ 0 h 1, jatketaan samalla askelpituudella h 1. Muuten määrätään uusi askelpituus h 0 siten, että 2C n h 5 0 = δ 0 h 0. Koska niin Siten uudeksi askelpituudeksi saadaan C n y(t n +2h 1 ) y 2 2h 5 1 e n, 2h 5 1 h 4 0 = δ 0 2C n = δ 02h 5 1 2e n = δ 0h 1 h 4 1 e n. ( )1 δ0 h 4 1 h 0 = h 1 e n Jos h 0 < h 1 on edellinen askel uusittava. Virhekontrolloitu Runge-Kutta askel voidaan esittää algoritmina seuraavasti. Proseduuri RK suorittaa yhden askeleen 4. kertaluvun Runge-Kutta menetelmällä. 183
12 procedurev K_RK(t0, y0, h, delta0) do call RK(t0,y0,2 h,y1) call RK(t0, y0, h, ytemp) call RK(t0+h,ytemp,h,y2) err := (y2 y1)/15 if(0.5 delta0 h <= err.and.err <= 2 delta0 h)then t0 t0+2 h y0 y2 return end if h0 h delta0 h/err) 0.25 if(err <= 2 delta0 h)then t0 t0+2 h y0 y2 h h0 return else h h0 end if end do end procedurevk_rk Huomautus 8.6. Virhe-estimaattoria y 2 y 1 voidaan käyttää parantamaan tarkkuutta. y(t+2h) = y (y 2 y 1 )+O(h 6 ) 8.6 Moniaskelmenetelmät Edellä esitellyille menetelmille, ns. yksiaskelmenetelmille on ominaista se, että ne eivät käytä hyväksi mitään informaatiota edellisistä askelistaan. Menetelmät aloittavat siis "alusta"joka askeleella. Seuraavassa tarkastellaan ns. moniaskelmenetelmiä, joille on ominaista se, että y n :n lisäksi käytetään hyväksi arvoja y n 1, y n 2,... määrättäessä arvoa y n+1. Luontevan lähtökohdan moniaskelmenetelmille tarjoaa numeerinen integrointi. Tunnetusti on y(t n+1 ) = y(t n k )+ tn+1 t n k f(t,y(t))dt Valitsemalla esimerkiksi k = 1 ja käyttämällä Simpsonin integrointikaavaa saadaan y n+1 = y n 1 + h 3 (f(t n 1,y n 1 )+4f(t n,y n )+f(t n+1,y n+1 ))+O(h 5 ), n 1 (8.13) Koska y n+1 pitää laskea epälineaarisesta yhtälöstä, ei näin saatu kaava ole kovin käyttökelpoinen ilman hyvää alkuarvausta y n+1 :lle. Sellainen voidaan laskea esimerkiksi valitsemalla k = 3 ja käyttämällä avointa Newton-Cotesin kaavaa, jolloin saadaan y n+1 = y n 3 + 4h 3 (2f(t n 2,y n 2 ) f(t n 1,y n 1 )+2f(t n,y n )) n 3 (8.14) 184
13 Edelliset kaksi kaavaa määrittelevät ns. Milnen menetelmän: yn+1 E = y n 3 + 4h 3 (2f(t n 2,y n 2 ) f(t n 1,y n 1 )+2f(t n,y n )) yn+1 K = y n 1 + h 3 (f(t n 1,y n 1 )+4f(t n,y n )+f(t n,yn+1)) E (8.15) Milnen menetelmä on ns. ennustus-korjaus-menetelmä (predictor-corrector), jossa y E n+1 on avoimella kaavalla laskettu ennuste ja y K n+1 suljetulla kaavalla laskettu korjaus. Korjausiteraatio voidaan tarvittaessa tehdä useampaan kertaan. Huomautus 8.7. Kaavasta (8.14) nähdään, että Milnen menetelmä edellyttää ratkaisun tuntemista pisteissä t n 3,t n 2,t n 1,t n. Tämä vaikeuttaa menetelmän käynnistämistä. Ensimmäiset askeleet onkin tehtävä jollakin yksiaskelmenetelmällä. Samoin askelpituuden vaihtaminen on paljon hankalempaa kuin yksiaskelmenetelmissä. Ehkä yleisimmin käytettyjä ennustus-korjaus-menetelmiä ovat ns. Adams-Bashforth- Moulton-menetelmät, jotka johdetaan lähtien integraaliesityksestä y n+1 = y n + tn+1 t n f(t,y(t))dt Funktion f sijasta integroidaan sen polynomiapproksimaatiota, joka on määrätty käyttäen jo tunnettuja f(t k,y k ):n arvoja pisteissä (t k,y k ),k = n,n 1,n 2,...,n p (ennustus osalle) tai k = n+1,n,n p+1 (korjaus osalle). Yksinkertaisimmat Adams- Bashforth-kaavat tai eksplisiittiset moniaskelmenetelmät: p = 0 : y n+1 = y n +hf n +O(h 2 ) (Euler!) (8.16) p = 1 : y n+1 = y n + h 2 (3f n f n 1 )+O(h 3 ) (8.17) p = 2 : y n+1 = y n + h 12 (23f n 16f n 1 +5f n 2 )+O(h 4 ) (8.18) Vastaavat Adams-Moulton-korjauskaavat tai implisiittiset moniaskelmenetelmät: p = 0 : y n+1 = y n +hf n+1 +O(h 2 ) (implisiittinen Euler!) (8.19) p = 1 : y n+1 = y n + h 2 (f n+1 +f n )+O(h 3 ) (Crank-Nicholson-, puolisuunnikasmenetelmä) (8.20) p = 2 : y n+1 = y n + h 12 (5f n+1 +8f n f n 1 )+O(h 4 ) (8.21) 8.7 Diffrentiaaliyhtälön ja ratkaisumenetelmän stabiilisuus Differentiaaliyhtälön stabiilisuudesta Tarkastellaan aluksi DY:n stabiilisuutta, sillä jos DY ei ole stabiili, niin sen ratkaiseminen millä tahansa numeerisella menetelmällä on kyseenalaista. Tarkastellaan, miten 185
14 alkuarvotehtävän y = f(t,y) y(a) = s ratkaisu käyttäytyy, kun häiritään sen alkuarvoa. Tarkka ratkaisu on funktio y = y(t,s), mikä riippuu alkuarvosta s. Esimerkiksi yhtälöllä y = y y(a) = s on ratkaisuna y = se (t a), mikä riippuu alkuarvosta y(a) = s, ks. kuva (3). Jos oletetaan, että alku-arvossa s tehdään pyöristysvirhe, niin numeerinen ratkaisu tulee eroamaan huomattavasti oikeasta ratkaisusta, vaikka laskettaessa ei tehtäisi mitään muita virheitä. Tietysti käytännössä virheitä tulee myös numeerisen menetelmän jokaisella askeleella, joten alussa tehty pyöristysvirhe moninkertaistuu. Tarkastellaan seuraavaksi yhtälöä y = y y(a) = s millä on t:n suhteen suppeneva ratkaisujoukko y = se (t a), ks. kuva (3) y 5.5 y = Se (t-a) y y = Se - (t-a) t t Kuva 3: Ratkaisut y = se t ja y = se t (a = 0). Vaikka siis alkuarvossa tehtäisiinkin pieni pyöristysvirhe, ei ero tarkasta ratkaisusta ole kovin suuri, kun t. Tarkastellaan sitten, miten kaksi edellä kuvattua tapausta voidaan erottaa toisistaan? Tarkastellaan kahta lähekkäistä ratkaisua, jotka vastaavat alkuarvoja s ja s + h. Kirjoittamalla ratkaisu Taylorin sarjaksi, saadaan y(t,s+h) = y(t,s)+h δ δs y(t,s)+ 1 δ2 h2 2 δs 2y(t,s)+, 186
15 joten y(t,s+h) y(t,s) h δ δs y(t,s). Ratkaisun hajaantuminen tarkoittaa sitä, että lim y(t,s+h) y(t,s) =, t joten lim δ t δs y(t,s) =. Osittaisderivaatan laskemiseksi, tarkastellaan differentiaaliyhtälöä δ y(t,s) = f(t,y(t,s)). δt Osittaisderivoimalla se s:n suhteen, saadaan: joten δ δ δsδt y(t,s) = δ δs f(t,y(t,s)), δ δ δtδs y(t,s) = f y(t,y(t,s)) δ δs y(t,s)+f t(t,y(t,s)) δt δs (8.22) missäδt/δs = 0, koskatei riipus:stä. Josson annettu ja merkitäänu(t) = (δ/δs)y(t,s) ja q(t) = f y (t,y(t,s)), niin yhtälöstä (8.22) saadaan: u = qu. (8.23) Yhtälön ratkaisu on u(t) = ce Q(t), missä Q on q:n määräämätön integraali (antiderivaatta). Ehto lim u(t) = toteutuu jos lim Q(t) =, mikä puolestaan toteutuu t t jos q(t) on positiivinen ja rajoitettu, sillä jos f y = q > δ > 0. Q(t) = t a q(θ)dθ > t a δdθ = δ(t a) t, Edellisen nojalla saadaan DY:n stabiilisuudelle ehto: Jos f y < δ jollekin δ > 0, niin DY on stabiili Ratkaisumenetelmien stabiilisuudesta Karkeasti voidaan sanoa, että numeerinen menetelmä on ehdottomasti stabiili, jos kiinteällä h, ratkaisu y n säilyy rajoitettuna, kun t n +. Kyseessä on siis ratkaisun asymptoottinen käyttäytyminen. Stabiilisuuden määräämiseksi tarkastellaan Cauchy probleemaa, mitä kutsutaan tässä yhteydessä testiprobleemaksi: y (t) = λy(t), t > 0, y(0) = 1, missä λ C ja y(t) = e λt. Mikäli Re(λ) < 0, niin lim y(t) = 0. t + (8.24) 187
16 Määritelmä 8.1. Differentiaaliyhtälön ratkaisumenetelmä on ehdottomasti stabiili (A-stabiili), jos sen antamalle testiyhtälön (8.24) ratkaisujonolle pätee: y n 0, kun t n +, (8.25) kaikille λ C siten, että Re(λ) < 0 ja kaikille askelpituuksille h 0. Mikäli edellinen on voimassa vain osalle kompleksitason pisteitä λh, niin sanotaan, että ratkaisumenetelmä on ehdollisesti stabiili. Numeerisen menetelmän stabiilisuusalue on kompleksitason osajoukko: A = z = λh C : yhtälö (8.25) toteutuu } Tarkastellaan vielä Eulerin menetelmän stabiilisuutta. Kun johdettiin virhettä Eulerin menetelmälle oletettiin, että y(t n ) = y n, mikä pitää paikkansa vain ensimmäisellä askeleella. Yleisessä tapauksessa virheelle saadaan E n+1 (h) = y(t n+1 ) y n+1 }} kok.virhe t n+1 :ssä = y(t n ) y n +h [ f(t n,y(t n )) f(t n,y n ) ] } } virhe askeleella n + e }} n, paikallinen virhe missä e n = O(h 2 ). Linearisoimalla virhe askeleella n, ts. kirjoittamalla saadaan h [ f(t n,y(t n )) f(t n,y n ) ] = hf y (t n,ξ)(y(t n ) y n ), ξ ]y n,y(t n )[ E n+1 (h) = ( 1+hf y (t n,ξ) ) (y(t n ) y n ) + e }} n, }} kok.virhe t n :ssä paikallinen virhe missä ( 1+hf y (t n,ξ) ) on virheen vahvistumiskerroin. Esimerkki 8.9. Tarkastellaan tehtävän y = 100y +100 y(0) = y 0 ratkaisemista Eulerin menetelmällä. Tehtävän tarkka ratkaisu on y(t) = (y 0 1)e 100t + 1 (stabiili). Eulerin menetelmä antaa: y k+1 = y k +h( 100y k +100) = (1 100h)y k +100h, Rekursiolla saadaan y k = (y 0 1)(1 100h) k +1. Jos y 0 = 2 y(t) = e 100t +1 y k (t) = (1 100h) k +1 Jos h > 0.02 y k (t) on epästabiili. 188
17 Huomautus 8.8. Kokonaisvirheen lausekkeesta havaitaan, että kun 1+hf y < 1 Eulerin menetelmän kokonaisvirhe ei kasva, jos h on valittu siten, että 1+hf y > 1 menetelmä on epästabiili, väli 2 < hf y < 0 on Eulerin menetelmän stabiilisuusväli. jos varsinainen DY on epästabiili, ts. f y > 0, niin tabiilisuusvaatimus ei toteudu millään h:n arvolla Eulerin menetelmän stabiilisuusväli Kun sovelletaan Eulerin menetelmää (8.16) testiongelman (8.24) ratkaisemiseen, niin saadaan y n+1 = y n +hλy n, kun n > 0 ja y 0 = 1. Rekursiivisesti etenemällä saadaan y n = (1+hλ) n, n > 0. Ehto (8.25) toteutuu jos ja vain jos 1+hλ < 1, ts. hλ on yksikköympyrässä, minkä keskipiste on (-1,0). Ehto toteutuu, mikäli hλ C := z C : Re(z) < 0} ja 0 < h < 2Re(λ) λ 2. (8.26) Esimerkki Cauchy tehtävälle y (t) = 5y(t) y(0) = 1 suppenemisehto (8.26) toteutuu, kun 0 < h < 2/ Implisiittisen Eulerin menetelmän stabiilisuusväli Kun sovelletaan implisiittistä Eulerin menetelmää (8.19) testiongelman (8.24) ratkaisemiseen, niin saadaan y n = y n 1 +hf(t n,y n ) = y n 1 +hλy n ja edelleen y n = y n 1 1 hλ = y n 2 (1 hλ)... = y 0 2 (1 hλ) n, n 0. Siten, y n 0 1 hλ > 1 ja ehto (8.25) toteutuu jos ja vain jos hλ ei kuulu yksikköympyrään, minkä kp on (1,0). Menetelmä suppeenee siis kaikilla askelpituuksilla h. 189
18 8.7.5 Crank-Nicolsonin menetelmän stabiilisuusväli Kun sovelletaan Crank-Nicolsonin menetelmää (8.20) testiongelman (8.24) ratkaisemiseen, niin saadaan y n = y n 1 + h 2 (λy n +λy n 1 ) y n = Jälleen (8.25) toteutuu kaikilla hλ C. [(1+ 12 λh )/( λh )] n, n Heun menetelmän stabiilisuusväli Kun sovelletaan Heun menetelmää (8.11) testiongelman (8.24) ratkaisemiseen, niin saadaan y n+1 = y n + h 2 (f n +f(t n+1,y n +hf n )) = y n + h 2 (λy n +f(t n+1,y n +hλy n )) = y n + h 2 (λy n +λ(y n +hλy n )) ] n y n = [1+hλ+ (hλ)2, n 0. 2 Jos rajoitutaan reaaliakseliin, niin Heun menetelmän stabiilisuusväi on sama kuin Eulerin menetelmällä. Huomautus 8.9. Menetelmä on A-stabiili jos A C = C. Ts., jos Re(λ) < 0, niin ehto (8.25) pätee haikille h. Implisiittinen Euler ja Crank-Nicolson menetelmät ovat A-stabiileja mutta Euler ja Heun menetelmät ovat ehdollisesti stabiileja. Ei kuitenkaan päde, että kaikki implisiittiset menetelmät olisivat A-stabiileja. Toisaalta, ei ole olemassa eksplisiittistä A-stabiilia menetelmää. 8.8 Differentiaaliyhtälöryhmien ratkaisemisesta Edellä esitettyjen menetelmien soveltaminen DY-ryhmille on suoraviivaista. Tarkastellaan yhtälöryhmää y = f(t,y) y(t 0 ) = ỹ 0 (8.27) missä y(t) = [ ] u(t), y (t) = v(t) [ ] u (t) v, f(t,y) = (t) 190 [ ] f1 (t,u,v), ỹ 0 = f 2 (t,u,v) [ ] u 0 v 0
19 Esimerkiksi Eulerin menetelmä saa nyt muodon u n+1 = u n +hf 1 (t,u n,v n ) v n+1 = v n +hf 2 (t,u n,v n ) Jokaista komponenttia lasketaan samalla askelpituudella. Vastaavasti yleinen m:n asteen Taylorin menetelmä voidaan kirjoittaa: y(t+h) = y+hy (t)+ h2 2 y (t)+...+ hm m! y(m) (t) Kankea DY-ryhmä Yhtälöryhmiä ratkaistaessa ongelmia aiheuttavat ns. kankeat yhtälöryhmät (stiff system). Tarkastellaan lineaarista differentiaaliyhtälöryhmää y = Ay y(0) = y 0 (8.28) missä A on n n matriisi, jonka alkiot ovat vakioita. Oletetaan, että A:lla on n erisuurta ominaisarvoa λ i C,i = 1,...,n. Tällöin ratkaisut on muotoa n y i (t) = γ ij e λjt, i = 1,...,n; γ ij C. j=1 Yhtälöryhmän ratkaisumenetelmä on A-stabiili, jos tehtävän (8.28) ratkaisu toteuttaa: y(t) 0 kun t (8.29) Ehto (8.29) toteutuu jos kaikki matriisin A ominaisarvojen reaaliosat ovat negatiivisia, sillä e λ jt = e Reλ jt [ cos(imλ j )+isin(imλ j ) ] 0, kun t. Todetaan, että jos jollakin ominaisarvolla reaaliosa on positiivinen, niin ratkaisun komponentit yleensä lähenevät ±. Sovelluksissa tämä ilmentää ei-toivottua käyttäytymistä. Tarkastellaankin siksi tapausta, jossa kaikille ominaisarvoille on voimassa Reλ i < 0. Jos Reλ i >> Imλ i, häviää termi e λ it nopeasti. Jos Imλ i >> Reλ i, ilmenee tämä suuritaajuisena värähtelynä. Huomautus Koska A:lla on n eri ominaisarvoa on se diagonalisoituva, ts. y = Ay z = Λz, missä Λ on diagonaalimatriisi. Tällöin skalaariyhtälön stabiilisuusanalyysiä voidaan soveltaa jokaiseen yhtälöön erikseen ja, jos h toteuttaa ehdon hλ 1,hλ 2,...,hλ n A, niin yhtälöryhmän ratkaisumenetelmä on sabiili. Vaikka edellä esittettyä stabiilisuusteoriaa ei voida yleistää yleiselle epälineaariselle yhtälöryhmälle (8.27), niin tavallisesti asetetaan k:n askeleen pituudelle h k ehto h k λ k,1, h k λ k,2,...,h k λ k,n A, missä luvut λ k,1, λ k,2,...λ k,n ovat Jacobin matriisin J(y k ) = f(t k,y k ) ominaisarvot. y Käytäntö perustuu epälineaarisen yhtälön lokaaliin linearisointiin. 191
20 Jos käytetään numeerista menetelmää, millä on rajoitettu stabiilisuusväli, niin askelpituus h riipuu kerroinmatriisin A moduuliltaan (itseisarvoltaan) suurimmasta ominaisarvosta. Toisaalta, mitä suurempi on moduuli, sitä nopeammin (ajallisesti) ratkaisun ko. komponentti häviää. Ts. tilanne on paradoksaalinen siinä mielessä, että pitää käyttää lyhyttä askelpituutta, vaikka tarkka ratkaisu käyttäytyisikin jostain ajanhetkestä lähtien hyvin tasaisesti. Määritelmä 8.2. Oletetaan, että σ Reλ j (t) τ, j = 1,...,n ja määrittellään ns. kankeuskerroin S(t) = σ/τ. Alkuarvotehtävää sanotaan kankeaksi välillä [a, b], jos kaikilla t [a, b] pätee Reλ i (t) < 0, i = 1,2,...,n, S(t) >> 1. Edellinen määritelmä esitetään usein myös muodossa: DY-ryhmä on kankea, jos sitä approksimoitaessa ehdollisesti stabiililla menetelmällä tarvitaan stabiilisuuden vuoksi hyvin pieni askelpituus suhteessa tarkan ratkaisun sileyteen. Tämän vuoksi implisiittiset menetelmät, kuten moniaskelmenetelmät tai Runge-Kutta menetelmät sopivat, absoluuttisesti stabiileina menetelminä, paremmin kankean DYryhmän ratkaisemiseen. Seuraavassa esimerkissä on tarkasteltu Eulerin menetelmän käyttäytymistä kankean tehtävän ratkaisussa. Esimerkki Tarkastellaan esimerkkinä alkuarvotehtävää y 1(t) = 2000y 1 (t) y 2 (t) , y 1 (0) = 0, y 2(t) = y 1 (t) y 2 (t), y 2 (0) = 2. (8.30) Tehtävän Jacobiaani on J(t,y(t)) = ( ) ja sen ominaisarvot ovat λ 1 = , λ 2 = 0.5. Tehtävän analyyttinen ratkaisu on y 1 (t) = e 0.5t e t y 2 (t) = e 0.5t e t Kummankin ratkaisukomponentin jälkimmäinen eksponenttifunktiotermi (nopeasti häviävä osa) on merkityksettömän pieni pisteen t = jälkeen kun taas ensimmäiset ekponenttifunktiotermit häviävät vasta pisteen t = 10 jälkeen. Eulerin menetelmän stabiilisuusvaatimuksesta, λ i h A saadaan, että h < Kuvassa 4 on esitetty tehtävän (8.30) ratkaisu välillä t [0,5] eri h:n arvoilla. Jos askelpituus on liian suuri (4(a)), niin ratkaisu divergoi. Askelpituudella h 10 3 (4(b)-4(d)) ratkaisu konvergoi. 192
21 Euler approx., n=4997, h > tarkka ratkaisu y y Euler approx., n=5000, h = tarkka ratkaisu t (a) t (b) y y Euler approx., n=5010, h < tarkka ratkaisu -1.4 Euler approx., n=5100, h < tarkka ratkaisu t (c) t (d) Kuva 4: Diffrentaaliryhmän (8.30) ratkaisu eri askelpituuksilla. Tämän kaltaisia kankeita tehtäviä joudutaan ratkaisemaan mallinnettaessa kemiallisia reaktiota, joissa osa aineista reagoi nopeasti (katalyytit), mutta itse tutkittavat reaktiot ovat hitaita. Kankeiden differentiaaliyhtälöryhmien ratkaisemisen hankaluus johtuu siitä, että stabiilisuuden säilyttämiseksi askelpituus tulee yleensä määrätä itseisarvoltaan suurimman ominaisarvon mukaan. Huomautus Yleisellä alkuarvotehtävällä on samanlaisia taipumuksia, jos f:n jacobiaanin J ominaisarvoilla on edellä mainittuja ominaisuuksia, sillä linearisoimalla f pisteessä ŷ saadaan f(t,y(t)) J(t,ŷ)y(t) J(t,ŷ)ŷ +f(t,ŷ). 193
Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 12 To 13.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 12 To 13.10.2011 p. 1/38 p. 1/38 Tavalliset differentiaaliyhtälöt Yhtälöissä tuntematon funktio Tavalliset
LisätiedotNumeeriset menetelmät TIEA381. Luento 11. Kirsi Valjus. Jyväskylän yliopisto. Luento 11 () Numeeriset menetelmät / 37
Numeeriset menetelmät TIEA381 Luento 11 Kirsi Valjus Jyväskylän yliopisto Luento 11 () Numeeriset menetelmät 24.4.2013 1 / 37 Luennon 11 sisältö Numeerisesta integroinnista ja derivoinnista Adaptiiviset
Lisätiedot5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
LisätiedotDifferentiaaliyhtälöiden numeerinen ratkaiseminen
Differentiaaliyhtälöiden numeerinen ratkaiseminen Keijo Ruotsalainen Division of Mathematics Alkuarvotehtävä Tavallisen differentiaaliyhtälön alkuarvotehtävä: Määrää reaaliarvoinen funktio y C 1 (I) siten,
Lisätiedot2v 1 = v 2, 2v 1 + 3v 2 = 4v 2.. Vastaavasti ominaisarvoa λ 2 = 4 vastaavat ominaisvektorit toteuttavat. v 2 =
TKK, Matematiikan laitos Pikkarainen/Tikanmäki Mat-1.1320 Matematiikan peruskurssi K2 Harjoitus 12, A=alku-, L=loppuviikko, T= taulutehtävä, P= palautettava tehtävä, W= verkkotehtävä 21. 25.4.2008, viikko
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 11 Ti 11.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 11 Ti 11.10.2011 p. 1/34 p. 1/34 Automaattiset integrointialgoritmit Numeerisen integroinnin tarkkuuteen
LisätiedotMS-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
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 3 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 28 R. Kangaslampi Matriisihajotelmista
Lisätiedot1 Di erentiaaliyhtälöt
Taloustieteen mat.menetelmät syksy 2017 materiaali II-5 1 Di erentiaaliyhtälöt 1.1 Skalaariyhtälöt Määritelmä: ensimmäisen kertaluvun di erentiaaliyhtälö on muotoa _y = F (y; t) oleva yhtälö, missä _y
Lisätiedot[4A] DIFFERENTIAALIYHTÄLÖT 1. Alkuarvotehtävät
[4A] DIFFERENTIAALIYHTÄLÖT 1. Alkuarvotehtävät Numeerisen integroinnin yhteydessä ratkoimme jo tavallisia ensimmäisen kertaluvun alkuarvotehtäviä integroimalla eli t y (t) =f(t, y(t)) y(t) =y(t a )+ f(t,
LisätiedotNumeerinen integrointi ja derivointi
Numeerinen integrointi ja derivointi Keijo Ruotsalainen Division of Mathematics Interpolaatiokaavat Approksimoitava integraali I = b a f(x)dx. Tasavälinen hila: x i = a+ (b a)i n, i = 0,...,n Funktion
Lisätiedot6. Differentiaaliyhtälösysteemien laadullista teoriaa.
1 MAT-13450 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 2010 6. Differentiaaliyhtälösysteemien laadullista teoriaa. Olemme keskittyneet tässä kurssissa ensimmäisen kertaluvun
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
LisätiedotEpälineaaristen yhtälöiden ratkaisumenetelmät
Epälineaaristen yhtälöiden ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Perusoletus Lause 3.1 Olkoon f : [a, b] R jatkuva funktio siten, että f(a)f(b) < 0. Tällöin funktiolla on ainakin
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 5 Ti 20.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 5 Ti 20.9.2011 p. 1/40 p. 1/40 Choleskyn menetelmä Positiivisesti definiiteillä matriiseilla kolmiohajotelma
LisätiedotLuku 4. Derivoituvien funktioiden ominaisuuksia.
1 MAT-1343 Laaja matematiikka 3 TTY 1 Risto Silvennoinen Luku 4 Derivoituvien funktioiden ominaisuuksia Derivaatan olemassaolosta seuraa funktioille eräitä säännöllisyyksiä Näistä on jo edellisessä luvussa
LisätiedotNumeeriset menetelmät TIEA381. Luento 7. Kirsi Valjus. Jyväskylän yliopisto. Luento 7 () Numeeriset menetelmät / 43
Numeeriset menetelmät TIEA381 Luento 7 Kirsi Valjus Jyväskylän yliopisto Luento 7 () Numeeriset menetelmät 10.4.2013 1 / 43 Luennon 7 sisältö Interpolointi ja approksimointi Interpolaatiovirheestä Paloittainen
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 10 To 6.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 10 To 6.10.2011 p. 1/35 p. 1/35 Numeerinen integrointi Puolisuunnikassääntö b a f(x)dx = h 2 (f 0 + f
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 2 To 8.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 2 To 8.9.2011 p. 1/33 p. 1/33 Lukujen tallennus Kiintoluvut (integer) tarkka esitys aritmeettiset operaatiot
LisätiedotMatemaattinen Analyysi
Vaasan yliopisto, syksy 2016 / ORMS1010 Matemaattinen Analyysi 8. harjoitus, viikko 49 R1 to 12 14 F453 (8.12.) R2 to 14 16 F345 (8.12.) R3 ke 8 10 F345 (7.11.) 1. Määritä funktion f (x) = 1 Taylorin sarja
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
LisätiedotMS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö
MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin
LisätiedotDynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II
Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman
LisätiedotJohdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö
Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen
Lisätiedot1 Peruskäsitteet. Dierentiaaliyhtälöt
Teknillinen korkeakoulu Matematiikka Dierentiaaliyhtälöt Alestalo Tässä monisteessa käydään läpi tavallisiin dierentiaaliyhtälöihin liittyviä peruskäsitteitä ja ratkaisuperiaatteita. Esimerkkejä luennoilla
LisätiedotNumeeriset menetelmät TIEA381. Luento 4. Kirsi Valjus. Jyväskylän yliopisto. Luento 4 () Numeeriset menetelmät / 44
Numeeriset menetelmät TIEA381 Luento 4 Kirsi Valjus Jyväskylän yliopisto Luento 4 () Numeeriset menetelmät 21.3.2013 1 / 44 Luennon 4 sisältö Lineaarisen yhtälöryhmän ratkaisemisesta: Choleskyn menetelmä
LisätiedotDifferentiaaliyhtälöryhmä
Differentiaaliyhtälöryhmä Ensimmäisen kertaluvun differentiaaliyhtälöryhmä vaikkapa korkeamman kertaluvun yhtälöä vastaava normaaliryhmä voidaan ratkaista numeerisesti täsmälleen samanlaisilla kaavoilla
Lisätiedoty = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 2 mallit Kevät 219 Tehtävä 1. Laske osittaisderivaatat f x = f/x ja f y = f/, kun f = f(x, y) on funktio a) x 2 y 3 + y sin(2x),
LisätiedotIV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n
IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee
Lisätiedot8 Potenssisarjoista. 8.1 Määritelmä. Olkoot a 0, a 1, a 2,... reaalisia vakioita ja c R. Määritelmä 8.1. Muotoa
8 Potenssisarjoista 8. Määritelmä Olkoot a 0, a, a 2,... reaalisia vakioita ja c R. Määritelmä 8.. Muotoa a 0 + a (x c) + a 2 (x c) 2 + olevaa sarjaa sanotaan c-keskiseksi potenssisarjaksi. Selvästi jokainen
LisätiedotMS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö
MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos
Lisätiedot2. Viikko. CDH: luvut (s ). Matematiikka on fysiikan kieli ja differentiaaliyhtälöt sen yleisin murre.
2. Viikko Keskeiset asiat ja tavoitteet: 1. Peruskäsitteet: kertaluku, lineaarisuus, homogeenisuus. 2. Separoituvan diff. yhtälön ratkaisu, 3. Lineaarisen 1. kl yhtälön ratkaisu, CDH: luvut 19.1.-19.4.
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään
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
LisätiedotHarjoitus Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia:
Differentiaaliyhtälöt, Kesä 216 Harjoitus 2 1. Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia: (a) y = (2 y) 3, (b) y = (y 1) 2, (c) y = 2y y 2. 2. Etsi seuraavien
LisätiedotNumeerinen integrointi
Numeerinen integrointi Analyyttisesti derivointi triviaalia, integrointi vaikeaa. Numeerisesti laskettaessa tilanne on päinvastainen. Integrointi on yhteenlaskua, joka on tasoittava operaatio: lähtötietojen
Lisätiedot12. Hessen matriisi. Ääriarvoteoriaa
179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä
LisätiedotLuento 2: Liikkeen kuvausta
Luento 2: Liikkeen kuvausta Suoraviivainen liike integrointi Kinematiikkaa yhdessä dimensiossa Luennon sisältö Suoraviivainen liike integrointi Kinematiikkaa yhdessä dimensiossa Liikkeen ratkaisu kiihtyvyydestä
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 7 Ti 27.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 7 Ti 27.9.2011 p. 1/39 p. 1/39 Interpolointi Ei tunneta funktion f : R R lauseketta, mutta tiedetään funktion
Lisätiedot4 Korkeamman kertaluvun differentiaaliyhtälöt
Differentiaaliyhtälöt c Pekka Alestalo 2015 Tässä monisteessa käydään läpi tavallisiin differentiaaliyhtälöihin liittyviä peruskäsitteitä ja ratkaisuperiaatteita. Luennolla lasketaan esimerkkitehtäviä
Lisätiedotx j x k Tällöin L j (x k ) = 0, kun k j, ja L j (x j ) = 1. Alkuperäiselle interpolaatio-ongelmalle saadaan nyt ratkaisu
2 Interpolointi Olkoon annettuna n+1 eri pistettä x 0, x 1, x n R ja n+1 lukua y 0, y 1,, y n Interpoloinnissa etsitään funktiota P, joka annetuissa pisteissä x 0,, x n saa annetut arvot y 0,, y n, (21)
Lisätiedot1 Perusteita lineaarisista differentiaaliyhtälöistä
1 Perusteita lineaarisista differentiaaliyhtälöistä Johdetaan lineaarisen aikavariantin systeemin ẋ(t) = A(t)x(t) + B(t)u(t), x(t 0 ) = x 0 yleinen ratkaisu. Tarkastellaan ensin homogeenistä yhtälöä. Lause
LisätiedotEsimerkki: Tarkastellaan korkeudella h ht () putoavaa kappaletta, jonka massa on m (ks. kuva).
6 DIFFERENTIAALIYHTÄLÖISTÄ Esimerkki: Tarkastellaan korkeudella h ht () putoavaa kappaletta, jonka massa on m (ks. kuva). Newtonin II:n lain (ma missä Yhtälö dh dt m dh dt F) mukaan mg, on kiihtyvyys ja
Lisätiedot17. Differentiaaliyhtälösysteemien laadullista teoriaa.
99 17. Differentiaaliyhtälösysteemien laadullista teoriaa. Differentiaaliyhtälön x'(t) = f(x(t),t), x(t) n määrittelemän systeemin sanotaan olevan autonominen, jos oikea puoli ei eksplisiittisesti riipu
LisätiedotHarjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,
Differentiaaliyhtälöt, Kesä 06 Harjoitus 3 Kaikissa tehtävissä, joissa pitää tarkastella kriittisten pisteiden stabiliteettia, jos kyseessä on satulapiste, ilmoita myös satulauraratkaisun (tai kriittisessä
Lisätiedot13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle
13. Taylorin polynomi; funktioiden approksimoinnista 13.1. Taylorin polynomi 552. Muodosta funktion f (x) = x 4 + 3x 3 + x 2 + 2x + 8 kaikki Taylorin polynomit T k (x, 2), k = 0,1,2,... (jolloin siis potenssien
LisätiedotNumeeriset 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
Lisätiedot6. Toisen ja korkeamman kertaluvun lineaariset
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 51 6. Toisen ja korkeamman kertaluvun lineaariset differentiaaliyhtälöt Määritelmä 6.1. Olkoon I R avoin väli. Olkoot p i : I R, i = 0, 1, 2,..., n, ja q : I R jatkuvia
LisätiedotKompleksianalyysi, viikko 6
Kompleksianalyysi, viikko 6 Jukka Kemppainen Mathematics Division Funktion erikoispisteet Määr. 1 Jos f on analyyttinen pisteen z 0 aidossa ympäristössä 0 < z z 0 < r jollakin r > 0, niin sanotaan, että
LisätiedotMatematiikka B3 - Avoin yliopisto
2. heinäkuuta 2009 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Lisäharjoitustehtävä Kurssin sisältö (1/2) 1. asteen Differentiaali yhtälöt (1.DY) Separoituva Ratkaisukaava Bernoyulli
Lisätiedot(0 desimaalia, 2 merkitsevää numeroa).
NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx
LisätiedotBM20A0900, Matematiikka KoTiB3
BM20A0900, Matematiikka KoTiB3 Luennot: Matti Alatalo Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luvut 1 4. 1 Sisältö Ensimmäisen kertaluvun differentiaaliyhtälöt
Lisätiedot3.3 Funktion raja-arvo
3.3 Funktion raja-arvo Olkoot A ja B kompleksitason joukkoja ja f : A B kuvaus. Kuvauksella f on pisteessä z 0 A raja-arvo c, jos jokaista ε > 0 vastaa δ > 0 siten, että 0 < z z 0 < δ ja z A f(z) c < ε.
LisätiedotNormaaliryhmä. Toisen kertaluvun normaaliryhmä on yleistä muotoa
Normaaliryhmä Toisen kertaluvun normaaliryhmä on yleistä muotoa x = u(t,x,y), y t I, = v(t,x,y), Funktiot u = u(t,x,y), t I ja v = v(t,x,y), t I ovat tunnettuja Toisen kertaluvun normaaliryhmän ratkaisu
LisätiedotFYSA2031 Potentiaalikuoppa
FYSA2031 Potentiaalikuoppa Työselostus Laura Laulumaa JYFL YK216 laura.e.laulumaa@student.jyu.fi 16.10-2.11. 2017 Ohjaus Työn ja ohjelman esittely ( 30 min) Harjoitellaan ohjelman käyttöä Harmoninen potentiaali
LisätiedotKompleksiluvun logaritmi: Jos nyt z = re iθ = re iθ e in2π, missä n Z, niin saadaan. ja siihen vaikuttava
Kompleksiluvun logaritmi: ln z = w z = e w Jos nyt z = re iθ = re iθ e inπ, missä n Z, niin saadaan w = ln z = ln r + iθ + inπ, n Z Logaritmi on siis äärettömän moniarvoinen funktio. Helposti nähdään että
Lisätiedot. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-.39 Optimointioppi Kimmo Berg 8. harjoitus - ratkaisut. a)huomataan ensinnäkin että kummankin jonon raja-arvo r on nolla. Oletetaan lisäksi että
LisätiedotMS-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
LisätiedotNumeeriset menetelmät TIEA381. Luento 13. Kirsi Valjus. Jyväskylän yliopisto. Luento 13 () Numeeriset menetelmät / 42
Numeeriset menetelmät TIEA381 Luento 13 Kirsi Valjus Jyväskylän yliopisto Luento 13 () Numeeriset menetelmät 8.5.2013 1 / 42 Luennon 13 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Moniaskelmenetelmien
Lisätiedot13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y )
MATEMATIIKAN JA TILASTOTIETEEN LAITOS Differentiaaliyhtälöt, kesä 00 Tehtävät 3-8 / Ratkaisuehdotuksia (RT).6.00 3. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: y = + y + y = + y + ( y ) (y
LisätiedotLineaarikombinaatio, 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
Lisätiedot3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =
BM20A5810 Differentiaalilaskenta ja sovellukset Harjoitus 6, Syksy 2016 1. (a) Olkoon z = z(x,y) = yx 1/2 + y 1/2. Muodosta z:lle lineaarinen approksimaatio L(x,y) siten että approksimaation ja z:n arvot
Lisätiedot3.4 Käänteiskuvauslause ja implisiittifunktiolause
3.4 Käänteiskuvauslause ja implisiittifunktiolause Tässä luvussa käsitellään kahta keskeistä vektorianalyysin lausetta. Esitellään aluksi kyseiset lauseet ja tutustutaan niiden käyttötapoihin. Lause 3.4.1
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ
Mat-48 Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ L ẋ = x ẋ = g L sin x rx Epälineaarisen systeemin tasapainotiloja voidaan
LisätiedotHarjoitus 5 -- Ratkaisut
Harjoitus -- Ratkaisut 1 Ei kommenttia. Tutkittava funktio oskilloi äärettömän tiheään nollan lähellä. PlotPoints-asetus määrää, kuinka tiheästi Plot-funktio ottaa piirrettävästä funktiosta "näytteitä"
LisätiedotSekalaiset 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
LisätiedotBM20A1501 Numeeriset menetelmät 1 - AIMO
6. marraskuuta 2014 Opetusjärjestelyt Luennot + Harjoitukset pe 7.11.2014 10-14 2310, 14-17 7337 la 8.11.2014 9-12 2310, 12-16 7337 pe 14.11.2014 10-14 2310, 14-17 6216 la 15.11.2014 9-12 2310, 12-16 7337
Lisätiedot5.1. Normi ja suppeneminen Vektoriavaruus V on normiavaruus, jos siinä on määritelty normi : V R + = [0, ) jolla on ominaisuudet:
5.. Normi ja suppeneminen Vektoriavaruus V on normiavaruus, jos siinä on määritelty normi : V R + = [, ) jolla on ominaisuudet: x = x = x + y x + y, x, y V a x = a x, x V, a K (= R tai C) Esimerkki 5..
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1
Lisätiedoty (0) = 0 y h (x) = C 1 e 2x +C 2 e x e10x e 3 e8x dx + e x 1 3 e9x dx = e 2x 1 3 e8x 1 8 = 1 24 e10x 1 27 e10x = e 10x e10x
BM0A5830 Differentiaaliyhtälöiden peruskurssi Harjoitus 4, Kevät 017 Päivityksiä: 1. Ratkaise differentiaaliyhtälöt 3y + 4y = 0 ja 3y + 4y = e x.. Ratkaise DY (a) 3y 9y + 6y = e 10x (b) Mikä on edellisen
LisätiedotEi-inertiaaliset koordinaatistot
orstai 25.9.2014 1/17 Ei-inertiaaliset koordinaatistot Tarkastellaan seuraavaa koordinaatistomuunnosta: {x} = (x 1, x 2, x 3 ) {y} = (y 1, y 2, y 3 ) joille valitaan kantavektorit: {x} : (î, ĵ, ˆk) {y}
LisätiedotDuaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki
Duaalisuus kokonaislukuoptimoinnissa Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Duaalisuus binäärisissä optimointitehtävissä Lagrangen duaalisuus Lagrangen
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
LisätiedotIntegrointialgoritmit molekyylidynamiikassa
Integrointialgoritmit molekyylidynamiikassa Markus Ovaska 28.11.2008 Esitelmän kulku MD-simulaatiot yleisesti Integrointialgoritmit: mitä integroidaan ja miten? Esimerkkejä eri algoritmeista Hyvän algoritmin
LisätiedotKOMPLEKSIANALYYSI I KURSSI SYKSY 2012
KOMPLEKSIANALYYSI I KURSSI SYKSY 2012 RITVA HURRI-SYRJÄNEN 8. Integraalilauseiden sovelluksia 1. Analyyttisen funktion sarjaesitys. (eli jokainen analyyttinen funktio on lokaalisti suppenevan potenssisarjan
LisätiedotDierentiaaliyhtälöistä
Dierentiaaliyhtälöistä Markus Kettunen 4. maaliskuuta 2009 1 SISÄLTÖ 1 Sisältö 1 Dierentiaaliyhtälöistä 2 1.1 Johdanto................................. 2 1.2 Ratkaisun yksikäsitteisyydestä.....................
LisätiedotFunktion raja-arvo ja jatkuvuus Reaali- ja kompleksifunktiot
3. Funktion raja-arvo ja jatkuvuus 3.1. Reaali- ja kompleksifunktiot 43. Olkoon f monotoninen ja rajoitettu välillä ]a,b[. Todista, että raja-arvot lim + f (x) ja lim x b f (x) ovat olemassa. Todista myös,
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotOsa 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
LisätiedotMatematiikan 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
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt. osa 2 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 1 R. Kangaslampi Matriisihajotelmista
LisätiedotMS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset
MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,
Lisätiedot1 sup- ja inf-esimerkkejä
Alla olevat kohdat (erityisesti todistukset) ovat lähinnä oheislukemista reaaliluvuista, mutta joihinkin niistä palataan myöhemmin kurssilla. 1 sup- ja inf-esimerkkejä Nollakohdan olemassaolo. Kaikki tuntevat
LisätiedotMatematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg)
Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus 4 9.4.-23.4.200 Malliratkaisut (Sauli Lindberg). Näytä, että Lusinin lauseessa voidaan luopua oletuksesta m(a)
Lisätiedot1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.
Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i
Lisätiedot(iv) Ratkaisu 1. Sovelletaan Eukleideen algoritmia osoittajaan ja nimittäjään. (i) 7 = , 7 6 = = =
JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 7, MALLIRATKAISUT Tehtävä Etsi seuraavien rationaalilukujen ketjumurtokehitelmät: (i) 7 6 (ii) 4 7 (iii) 65 74 (iv) 63 74 Ratkaisu Sovelletaan Eukleideen algoritmia
Lisätiedot2 Osittaisderivaattojen sovelluksia
2 Osittaisderivaattojen sovelluksia 2.1 Ääriarvot Yhden muuttujan funktiolla f(x) on lokaali maksimiarvo (lokaali minimiarvo) pisteessä a, jos f(x) f(a) (f(x) f(a)) kaikilla x:n arvoilla riittävän lähellä
Lisätiedoty x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1
1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y
LisätiedotDifferentiaaliyhtälöryhmän numeerinen ratkaiseminen
numryh.nb Differentiaaliyhtälöryhmän numeerinen ratkaiseminen Ensimmäisen kertaluvun differentiaaliyhtälöryhmä vaikkapa korkeamman kertaluvun yhtälöä vastaava normaaliryhmä voidaan ratkaista numeerisesti
LisätiedotNumeeriset menetelmät TIEA381. Luento 3. Kirsi Valjus. Jyväskylän yliopisto. Luento 3 () Numeeriset menetelmät / 45
Numeeriset menetelmät TIEA381 Luento 3 Kirsi Valjus Jyväskylän yliopisto Luento 3 () Numeeriset menetelmät 20.3.2013 1 / 45 Luennon 3 sisältö Luku 2: Epälineaarisen yhtälön ratkaiseminen Polynomin reaaliset
LisätiedotYhden muuttujan funktion minimointi
Yhden muuttujan funktion minimointi Aloitetaan yhden muuttujan tapauksesta Tarpeellinen myös useamman muuttujan tapauksessa Tehtävä on muotoa min kun f(x) x S R 1 Sallittu alue on muotoa S = [a, b] tai
LisätiedotJos siis ohjausrajoitusta ei olisi, olisi ratkaisu triviaalisti x(s) = y(s). Hamiltonin funktio on. p(0) = p(s) = 0.
Mat-.148 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 1 1. Olkoon maaston korkeus y(s) derivoituva funktio ja etsitään tien profiilia x(s). Päätösmuuttuja on tien jyrkkyys
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto DY-teoriaa DY-teoriaa Käsitellään seuraavaksi
LisätiedotReuna-arvotehtävien ratkaisumenetelmät
Reuna-arvotehtävien ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Malliprobleema Kahden pisteen reuna-arvotehtävä u (x) = f (x) (1) u() = u(1) = Jos u C ([,1]) ratkaisu, niin missä x u(x)
LisätiedotKonjugaattigradienttimenetelmä
Konjugaattigradienttimenetelmä Keijo Ruotsalainen Division of Mathematics Konjugaattigradienttimenetelmä Oletukset Matriisi A on symmetrinen: A T = A Positiivisesti definiitti: x T Ax > 0 kaikille x 0
LisätiedotInversio-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