Matriisit ja optimointi kauppatieteilijöille P
|
|
- Karoliina Kinnunen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Matriisit ja optimointi kauppatieteilijöille P Luentomoniste Kari Myllylä Niina Korteslahti Topi Törmä Oulun yliopisto Matemaattisten tieteiden laitos Kevät 2017
2 Sisältö 1 Matriisialgebra 3 11 Määritelmä 3 12 Matriisien laskutoimituksia Matriisien yhteen- ja vähennyslasku Skalaarilla kertominen Matriisien kertolasku: 5 13 Erikoistyyppisiä matriiseja Diagonaalimatriisi Identtinen matriisi (Yksikkömatriisi) Nollamatriisi 7 14 Transponoitu matriisi 7 15 Matriisin determinantti Determinantin määrääminen: Determinantin ominaisuuksia: Käänteismatriisi Menetelmiä käänteismatriisin ratkaisemiseksi: Käänteismatriisin ominaisuuksia: Lineaarisen yhtälöryhmän matriisimuoto ja sen ratkaiseminen Panos-tuotos malli 17 2 Yhden muuttujan funktion optimointi Funktion f(x) ääriarvo Paikallisten ääriarvokohtien löytäminen Paikallisten ääriarvokohtien laatu 23 3 Kahden muuttujan funktion ääriarvoista Normaalit ääriarvot (ei sidotut) Kahden muuttujan funktion absoluuttiset ja paikalliset ääriarvot Kahden muuttujan funktion paikalliset ääriarvokohdat Kahden muuttujan funktion ääriarvon laatu Sidotut ääriarvot Sidotut ääriarvot yhtälörajoitteen tapauksessa Sidotut ääriarvot epäyhtälörajoitteen tapauksessa Absoluuttiset ääriarvot ehtoalueessa Hyötyfunktion maksimi 31 1
3 4 Usean muuttujan funktion ääriarvoista Normaali ääriarvo (ei sidottu) Usean muuttujan funktion ääriarvokohta Usean muuttujan funktion ääriarvon laatu Sidotut ääriarvot n muuttujan ja m yhtälörajoitteen tapaus, missä m < n n muuttujan ja yhden epäyhtälörajoitteen tapaus 38 5 Lineaarinen optimointi Geometrinen ratkaisu Kantaratkaisu menetelmä 41 2
4 1 Matriisialgebra Matriisien avulla voidaan - käsitellä yhtälöitä tehokkaasti - ratkaista yhtälöryhmiä - ratkaista optimointitehtäviä - laatia erilaisia malleja esim panos-tuotos malli 11 Määritelmä Matriisi on taulukko a 11 a 12 a 1n a 21 a 22 a 2n A = a m1 a m2 a mn m n = A m n = (a ij ) = (a ij ) m n, missä luvut a ij ovat reaalilukuja Lukuja a ij sanotaan matriisin A alkioiksi Alkio a ij on matriisin A i:nnellä vaakarivillä ja j:nnellä pystyrivillä oleva alkio Matriisi, jossa on m vaakariviä ja n pystyriviä, on m n matriisi; merkitään A m n Jos m = n, niin A on neliömatriisi Kaksi matriisia a 11 a 1n A = a m1 a mn m n b 11 b 1s ja B = b r1 b rs r s ovat samat eli A = B, jos ja vain jos (i) m = r ja n = s (ii) a ij = b ij i, j Jos matriisissa n = ( 1 eli se on m 1-matriisi, niin kysymyksessä on m ulotteinen u1 ), missä u i on vektorin ū i komponentti pystyvektori ū = u m Vastaavasti v = (v 1,, v n ) on n-ulotteinen vaakavektori eli 1 n matriisi ja v i on vektorin v i komponentti 3
5 12 Matriisien laskutoimituksia 121 Matriisien yhteen- ja vähennyslasku Matriisit A ja B voidaan laskea yhteen (vähentää toisistaan) jos ja vain jos ne ovat molemmat m n matriiseja Olkoot A ja B m n matriiseja, ts a 11 a 1n A = a m1 a mn m n b 11 b 1n B = b m1 b mn m n Tällöin Vastaavasti Matriisien yhteenlasku on a 11 + b 11 a 1n + b 1n A + B = a m1 + b m1 a mn + b mn a 11 b 11 a 1n b 1n A B = a m1 b m1 a mn b mn 1 vaihdannainen: A + B = B + A 2 liitännäinen: A + (B + C) = (A + B) + C Esimerkki 11 ( ) ( ) ( ) = m n m n 122 Skalaarilla kertominen Matriisilaskennassa reaalilukua kutsutaan skalaariksi Olkoon nyt A = (a ij ) m n ja k R Tällöin a 11 a 1n ka 11 ka 1n ka = k = a m1 a mn ka m1 ka mn m n m n = (ka ij ) m n = Ak 4
6 Esimerkki 12 3 ( ) = Huomautus A B = A + ( B) = A + ( 1) B 123 Matriisien kertolasku: Matriisien A = (a ij ) m n ja B = (b ij ) r s tulo AB on mahdollinen jos ja vain jos n = r Siis matriisin A pystyrivien lukumäärä = matriisin B vaakarivien lukumäärä Matriisi A on tulon AB edellinen tekijä ja B jälkimmäinen tekijä Olkoon A = (a ij ) m n ja B = (b ij ) n s Tällöin A m n B n s = (AB) m s = (c ij ) m s, missä c ij = n a ik b kj eli alkio c ij saadaan matriisin A i:nnen vaakarivin ja matriisin B j:nnen pystyrivin pistetulona Siis k=1 a 11 a 1n b 11 b 1s AB = a m1 a mn b m n n1 b ns n n a 1k b k1 a 1k b ks k=1 k=1 = n n a mk b k1 a mk b ks k=1 k=1 Esimerkki 13 ( ) A =, B = Laske AB, BA ja AC 3 2 m s ja C = n s ( )
7 Matriisien kertolasku on 1 liitännäinen: A(BC) = (AB)C 2 ei vaihdannainen: siis yleensä AB BA Esimerkki 14 0 (2, 1, 0) 1 = 2 ( ) ( ) 0 1 = (2, 1, 0) = 2 ( ) ( ) 1 1 = Erikoistyyppisiä matriiseja 131 Diagonaalimatriisi Olkoon A = (a ij ) n n neliömatriisi Matriisin A päälävistäjän muodostavat alkiot a 11, a 22,, a nn Matriisi A on diagonaalimatriisi, jos matriisin A muut alkiot paitsi mahdollisesti päälävistäjän alkiot ovat nollia Eli a 11 a 1n A = a n1 a nn on diagonaalimatriisi, jos a ij = 0, kun i j n n 132 Identtinen matriisi (Yksikkömatriisi) Identtinen matriisi on diagonaalimatriisi, jonka kaikki päälävistäjän alkiot ovat ykkösiä Siis A = (a ij ) n n on identtinen matriisi, jos { aij = 0, i j a ii = 1, i = 1, 2,, n 6
8 Identtistä matriisia merkitään symbolilla I n (= I n n ) Siis esimerkiksi ( ) I 1 = (1), I 2 =, I 3 = Lause 11 Olkoon A m n matriisi Tällöin A m n I n = I m A m n = A m n 133 Nollamatriisi Matriisi A = (a ij ) m n on nollamatriisi, jos a ij = 0 i, j Nollamatriisia merkitään Ōm n Siis esimerkiksi Ō 2 3 = ( ) Lause 12 Olkoon A m n matriisi Tällöin A m n + Ōm n = Ōm n + A m n = A m n ja A m n Ō n k = Ōm k sekä Ō k m A m n = Ōk n 14 Transponoitu matriisi Olkoon A m n matriisi Matriisin A transponoitu matriisi A T on n m matriisi, jonka i vaakarivi on matriisin A i pystyrivi (ja j pystyrivi on matriisin A j vaakarivi) Jos a 11 a 12 a 1n a 21 a 22 a 2n A = a m1 a m2 a mn m n a 11 a 21 a m1, niin A T a 12 a 22 a m2 = a 1n a 2n a mn n m Huomautus (u 1,, u n ) T = u 1 ja v 1 T = (v 1,, v n ) u n v n 7
9 Huomautus Diagonaalimatriisin D transponoitu matriisi D T on aina alkuperäinen diagonaalimatriisi, eli D T = D Esimerkki A = A T = Neliömatriisi A = (a ij ) n n on symmetrinen, jos a ij = a ji i, j Tällöin A = A T Huomautus Olkoot A = (a ij ) m n, B = (b ij ) m n ja C = (c ij ) n r Tällöin (A + B) T = A T + B T ja (BC) T = C T B T 15 Matriisin determinantti Determinantti on yksikäsitteinen reaaliluku ja määritellään vain neliömatriiseille Matriisin A determinanttia merkitään det A ja A 151 Determinantin määrääminen: 2 2 matriisin determinantti ( ) a11 a Kun A = 12, niin det A = A = a 11 a 22 a 12 a 21 a 21 a matriisin determinantti Kun A = ( a 11 )1 1, niin det A = A = a 11 Esimerkki = 8
10 Determinantin määrittäminen yleisesti: Jos n > 2, niin matriisin A n n determinantti palautuu 2 2 matriisin tapaukseen seuraavasti: M ij on sellainen (n 1) (n 1) matriisi, joka saadaan matriisista A poistamalla siitä i vaakarivi ja j pystyrivi M ij on matriisin A (alkioon a ij tai paikkaan ij liittyvä) alimatriisi Determinantti det M ij = M ij on matriisin A (alkioon a ij tai paikkaan ij liittyvä) alideterminantti Skalaari A ij = ( 1) i+j M ij on matriisin A (alkioon a ij tai paikkaan ij liittyvä) kofaktori Tällöin matriisin A determinantti n det A = A = a ij ( 1) (i+j) M ij j=1 i {1,, n} Tällöin det A on kehitetty i vaakarivin mukaan Samoin n det A = A = a ij ( 1) (i+j) M ij i=1 jolloin det A on kehitetty j pystyrivin mukaan j {1,, n}, Siis n n matriisin determinantti määrätään sen tiettyjen (n 1) (n 1) alimatriisien determinanttien avulla Toistamalla yo menettelyä jokaisen n n matriisin A determinantti voidaan palauttaa sen tiettyjen 2 2 alimatriisien determinanteiksi Esimerkki 17 Olkoon Määrää A A =
11 152 Determinantin ominaisuuksia: Olkoon A n n-matriisi 1) Jos matriisin A jokin vaakarivi (tai pystyrivi) kerrotaan vakiolla c R, determinantti muuttuu c kertaiseksi Esimerkki = 2) Jos matriisin A johonkin riviin lisätään jokin muu samansuuntainen rivi vakiolla kerrottuna, determinantin arvo ei muutu Tavoite: Paljon 0:ia riville, jonka suhteen determinantti kehitetään Esimerkki = 3) Jos A = (a ij ) on yläkolmiomatriisi (tällöin kaikki alkiot päälävistäjän alapuolella nollia) tai alakolmiomatriisi (kaikki alkiot päälävistäjän yläpuolella nollia), niin det A = A = a 11 a 22 a nn 4) Jos A = (a ij ) on diagonaalimatriisi, niin A = a 11 a 22 a nn 5) Jos matriisin A jokin vaakarivi (tai pystyrivi) koostuu pelkästään nollista, niin A = 0 (Kehitetään determinantti ko rivin suhteen) 6) Jos matriisin A kaksi samansuuntaista riviä ovat samat, niin A = 0 7) A = A T 8) Olkoot A ja B n n matriiseja Tällöin AB = BA = A B Esimerkki 110 Olkoon A = Määritetään A käyttämällä ominaisuutta 3) 10
12 16 Käänteismatriisi Olkoon A n n neliömatriisi Sellaista n n matriisia B, joka toteuttaa ehdon AB = BA = I n sanotaan matriisin A käänteismatriisiksi ja merkitään B = A 1 Kaikilla neliömatriiseilla ei ole käänteismatriisia Matriisi, jolla on käänteismatriisi, on säännöllinen Lause 13 Matriisilla A on käänteismatriisi olemassa jos ja vain jos det A 0 Huomautus Käänteismatriisi on yksikäsitteinen Jos AB = I n, niin myös BA = I n 161 Menetelmiä käänteismatriisin ratkaisemiseksi: 1) Käänteismatriisi kofaktorien ja determinantin avulla Olkoon A n n matriisi, jolle det A 0 Olkoon K seuraava matriisin A kofaktorien A ij muodostama matriisi: A 11 A 12 A 1n A 21 A 22 A 2n K =, A n1 A n2 A nn missä A ij = ( 1) i+j M ij Tällöin (siis paikan ij kofaktori) A 1 = 1 det A KT Esimerkki 111 Määritä matriisin A = käänteismatriisi 11
13 2) Gaussin eliminoimismenetelmä Olkoon a 11 a 1n A = a n1 a nn n n Muodostetaan matriisi a 11 a 12 a 1n ( ) a 21 a 22 a 2n A In = a n1 a n2 a nn n 2n Tässä matriisissa voidaan i) vaakarivi kertoa millä tahansa vakiolla, ii) jokin vaakarivi lisätä vakiolla kerrottuna toiseen vaakariviin, iii) vaihtaa vaakarivit keskenään Näillä operaatioilla pyritään muuttamaan matriisi ( A ( ) I B, jolloin matriisi B = A 1 I ) muotoon Esimerkki 112 Määritä matriisin A = käänteismatriisi 162 Käänteismatriisin ominaisuuksia: Olkoon A n n matriisi, jolle det A 0 eli A 1 1) (A 1 ) 1 = A 2) (A 1 ) T = (A T ) 1 3) (AB) 1 = B 1 A 1, jos B 1 ja AB ovat olemassa 4) det (A 1 ) = 1 det A on olemassa Tällöin 12
14 17 Lineaarisen yhtälöryhmän matriisimuoto ja sen ratkaiseminen 1) Tarkastellaan yhtälöryhmää, jossa muuttujien lukumäärä on sama kuin yhtälöiden lukumäärä: a 11 x 1 + a 12 x a 1n x n = c 1 a 21 x 1 + a 22 x a 2n x n = c 2 (1) a n1 x 1 + a n2 x a nn x n = c n missä kertoimet a ij ja vakiot c i ovat tunnettuja Tämä on n:n muuttujan x 1,, x n vakiokertoiminen lineaarinen n:n yhtälön ryhmä (Siis muuttujien lkm = yhtälöiden lkm) Yhtälöryhmä (1) voidaan esittää matriisimuodossa: a 11 a 12 a 1n x 1 c 1 a 21 a 22 a 2n x 2 c 2 = (2) a n1 a n2 a nn x n c n eli muodossa n n n 1 n 1 A X = C (3) Jos kerroinmatriisilla A on käänteismatriisi, kerrotaan yhtälö (3) puolittain vasemmalta käänteismatriisilla A 1 ja saadaan: A 1 (A X) = A 1 C (A 1 A) X = A 1 C I X = A 1 C X = A 1 C (4) Lause 14 Jos matriisi A on säännöllinen eli A 1 on olemassa (det A 0), niin yhtälöryhmän (1) yksikäsitteinen ratkaisu on X = A 1 C (Yhtälöryhmällä yksikäsitteinen ratkaisu A säännöllinen) Esimerkki 113 Ratkaise yhtälöryhmä 2y 3z = 1 x + 3y + 3z = 2 x 2y 2z = 1 13
15 Lause 15 (Cramerin sääntö) Oletetaan, että yhtälöryhmässä (1) on n tuntematonta ja n yhtälöä sekä det A 0 eli yhtälöryhmällä on yksikäsitteinen ratkaisu X = A 1 C Cramerin sääntö yhtälöryhmän ratkaisemiseksi ilman käänteismatriisin A 1 laskemista on seuraava: x 1 = 1 A c 1 a 12 a 1n c 2 a 22 a 2n c n a n2 a nn, x n = 1 A, x 2 = 1 A a 11 a 1(n 1) c 1 a 21 a 2(n 1) c 2 a n1 a n(n 1) c n a 11 c 1 a 13 a 1n a 21 c 2 a 23 a 2n, a n1 c n a n3 a nn Esimerkki 114 Ratkaise yhtälöryhmä 3x + y z = 2 x 2y + z = 9 4x + 3y + 2z = 1 2) Tarkastellaan yhtälöryhmää a 11 x 1 + a 12 x a 1n x n = c 1 a 21 x 1 + a 22 x a 2n x n = c 2 a m1 x 1 + a m2 x a mn x n = c m (5) eli n:n muuttujan x 1,, x n ja m:n yhtälön ryhmää 14
16 Tämä yhtälöryhmä voidaan esittää matriisimuodossa a 11 a 12 a 1n a 21 a 22 a 2n a m1 a m2 a mn m n x 1 x 2 c 1 c 2 = x n c n 1 m m 1 (6) Matriisiesitys on tällöin muotoa: A X = C, missä A = (a ij ) m n (7) Tapauksessa m n käänteismatriisi A 1 ei ole olemassa ja det A ei ole olemassa, joten menetelmät X = A 1 C ja Cramer eivät toimi Samoin, jos m = n, mutta A = 0, niin menetelmät X = A 1 C ja Cramer eivät toimi Lause 16 (Gaussin eliminoimismenetelmä) Gaussin eliminoimismenetelmää voidaan soveltaa myös tapauksissa, joissa kerroinmatriisilla A ei ole käänteismatriisia, det A = 0, ja silloinkin, kun yhtälöryhmän yhtälöiden ja tuntemattomien muuttujien lukumäärä ei ole sama Menetelmä perustuu siihen, että yhtälöryhmään (5) voidaan soveltaa seuraavia alkeismuunnoksia sen ratkaisun muuttumatta: (a) yhtälöiden järjestyksen vaihto (b) yhden tai useamman yhtälön kertominen vakiolla ( 0) (c) yhden tai useamman yhtälön kerrannaisen lisääminen muihin yhtälöihin Yhtälöryhmän asemasta tarkastelemme täydennettyä kerroinmatriisia (A C) = a 11 a 12 a 1n c 1 a 21 a 22 a 2n c 2 a m1 a m2 a mn c m (8) m (n+1) 15
17 Nyt yhtälöryhmän (5) alkeismuunnoksia (a), (b) ja (c) vastaa täydennettyyn kerroinmatriisiin (8) kohdistuvat muunnokset: (a) vaakarivien järjestyksen vaihto (b) yhden tai useamman vaakarivin kertominen nollasta eroavalla vakiolla (c) vaakarivin kertominen vakiolla ja sen lisääminen toiseen vaakariviin Näillä muunnoksilla matriisi (8) pyritään saamaan muotoon X = ( I ) ( A 1 C = I ) X, (9) josta saadaan ratkaisu X (Tapaus m = n ja yksikäsitteinen ratkaisu) Tai muotoon B, (10) joka avataan takaisin yhtälöryhmäksi (Tapaukset m n tai ei yksikäsitteistä ratkaisua) Esimerkki 115 Esimerkki 116 x + 3y z = 1 x 2y + z = 2 2x y + z = 3 x + 2y z = 10 2x + 4y 2z = 20 x + y + z = 6 16
18 18 Panos-tuotos malli Tunnetaan eräs panos-tuotos taulu: x i1 x i2 x i3 x in y i x 1 x 11 x 12 x 13 x 1n y 1 x 2 x 21 x 22 x 23 x 2n y 2 x 3 x 31 x 32 x 33 x 3n y 3 x n x n1 x n2 x n3 x nn y n Vaakarivillä toimialan i kokonaistuotannon x i käyttö välituotteina x ij toimialoilla j ja lopputuotteena y i Muodostetaan malli, joka kertoo yleisesti lopputuotteiden kysynnän perusteella toimialojen kokonaistuotannon: x i1 x i2 x i3 x in y i x 1 x 11 x 12 x 13 x 1n y 1 x 2 x 21 x 22 x 23 x 2n y 2 x 3 x 31 x 32 x 33 x 3n y 3 x n x n1 x n2 x n3 x nn y n Mallin muodostaminen tapahtuu vaakarivien perusteella: x i = n x ij + y i, missä n on toimialojen lukumäärä (11) j=1 Mallin kiinteät kertoimet lasketaan eräästä tunnetusta panos-tuotos taulusta seuraavasti: a ij = x ij x j x ij = a ij x j, missä 0 a ij 1 (12) 17
19 Panoskerroin a ij ilmaisee kuinka paljon toimialalla j tarvitaan toimialan i tuotantoa yhden tuoteyksikön tuottamiseen Sijoittamalla yhtälö (12) yhtälöön (11) saadaan: x i = n a ij x j + y i, missä i = 1,, n j=1 Eli x 1 = a 11 x 1 + a 12 x a 1n x n + y 1 x 2 = a 21 x 1 + a 22 x a 2n x n + y 2 x n = a n1 x 1 + a n2 x a nn x n + y n Matriisi muoto: eli x 1 x 2 x n n 1 a 11 a 12 a 1n a 21 a 22 a 2n = a n1 a n2 a nn n n x 1 x 2 y 1 y 2 + x n y n 1 n n 1 X = A X + Ȳ, missä Ȳ = loppukysyntä X = kokonaistuotanto A = nk teknillinen matriisi Tästä saadaan ratkaistua toimialojen kokonaistuotannot x i, kun tunnetaan kertoimet a ij ja lopputuotteiden kysynnät y i, eli tiedetään halutut lopputuotemäärät ja suhde kuinka paljon toimiala tarvitsee toisten toimialojen tuotantoa välituotteina 18
20 Siis X = A X + Ȳ X A X = Ȳ I X A X = Ȳ (I A) X = Ȳ X = (I A) 1 Ȳ Näin johdettu yhtälö X = (I A) 1 Ȳ on panos-tuotos malli, joka ilmaisee toimialojen kokonaistuotannon riippuvuuden lopputuotteiden kysynnästä Esimerkki 117 Kahden teollisuudenalan tuotantoa kuvaa seuraava taulukko Muodosta sen avulla panos-tuotos malli (luvut milj euroa) kokonais- välikäyttö lopputuotanto A B kysyntä tuottaja A B
21 2 Yhden muuttujan funktion optimointi 21 Funktion f(x) ääriarvo Funktiolla f(x) on kohdassa x 0 D f suurin arvo, jos f(x) f(x 0 ) kaikilla x D f Vastaavasti funktiolla f(x) on kohdassa x 0 D f pienin arvo, jos f(x) f(x 0 ) kaikilla x D f Suurinta arvoa sanotaan myös absoluuttiseksi maksimiksi ja pienintä arvoa absoluuttiseksi minimiksi Piste x 0 D f on funktion f paikallinen maksimikohta, jos on olemassa sellainen r > 0, että f(x) f(x 0 ) aina, kun x D f ja x ]x 0 r, x 0 + r[ Tällöin f(x 0 ) on funktion f paikallinen maksimiarvo Vastaavasti kohta x 0 D f on funktion f paikallinen minimikohta, jos on olemassa sellainen r > 0, että f(x) f(x 0 ) aina, kun x D f ja x ]x 0 r, x 0 + r[ Tällöin f(x 0 ) on funktion f paikallinen minimiarvo Paikallisia ääriarvoja kutsutaan myös lokaaleiksi ääriarvoiksi 20
22 22 Paikallisten ääriarvokohtien löytäminen Lause 21 Derivoituvan funktion f(x) mahdolliset paikalliset ääriarvokohdat löytyvät derivaatan f (x) nollakohdista Derivaatan nollakohtia kutsutaan kriittisiksi pisteiksi Geometrisesti: f (x 0 ) = 0 jos ja vain jos käyrän pisteeseen x 0 piirretyn tangenttisuoran kulmakerroin on nolla eli kyseinen tangentti on x-akselin suuntainen suora Lause 21 ei kuitenkaan päde kääntäen: Jos f (x 0 ) = 0, niin kriittinen piste x 0 ei ole välttämättä funktion f ääriarvokohta, vaan se voi olla myös ns satulapiste 21
23 Lause 22 Jatkuvan funktion f(x) mahdolliset paikalliset ääriarvokohdat löydetään tutkimalla 1) derivaatan f (x) nollakohdat eli kohdat, joissa f (x) = 0 2) epäderivoituvuuskohdat eli kohdat, joissa derivaattaa f (x) ei ole olemassa Esimerkki 21 Etsi funktion f(x) = x 5 + 5x 3 + 8x + 1 mahdolliset paikalliset ääriarvokohdat Lause 23 Jos funktion f(x) määrittelyjoukko on suljettu tai puoliavoin väli, niin paikallinen ääriarvo voi esiintyä myös välin päätepisteissä 22
24 Lause 24 Funktion f(x) mahdolliset paikalliset ääriarvokohdat löydetään tutkimalla 1) funktion f(x) epäjatkuvuuskohdat 2) funktion f(x) epäderivoituvuuskohdat 3) funktion f(x) derivaatan f (x) nollakohdat 4) välin päätepisteet, mikäli funktio f(x) on määritelty suljetulla tai puoliavoimella välillä 23 Paikallisten ääriarvokohtien laatu Lause 25 (Ääriarvon olemassaolo ja laatu, derivaatan merkkikaavion käyttö) Olkoon funktio f(x) jatkuva ja olkoon lisäksi f (x 0 ) = 0 tai x 0 epäderivoituvuuskohta eli x 0 on mahdollinen paikallinen ääriarvokohta Jos funktion f(x) derivaatta f (x) muuttuu kohdassa x 0 (i) positiivisesta negatiiviseksi, niin x 0 on paikallinen maksimikohta (funktio f muuttuu aidosti kasvavasta aidosti väheneväksi) (ii) negatiivisesta positiiviseksi, niin x 0 on paikallinen minimikohta (funktio f muuttuu aidosti vähenevästä aidosti kasvavaksi) (iii) Jos funktion f(x) derivaatta f (x) ei muuta merkkiään kohdassa x 0, niin funktiolla f(x) ei ole ääriarvokohtaa kohdassa x 0 23
25 Huomautus Lause 25 ei päde epäjatkuvuuskohdissa, vaan ne on tutkittava tarkemmin Huomautus Etsittäessä funktion absoluuttisia ääriarvoja on vertailtava paikallisia ääriarvoja keskenään ja lisäksi tarvittaessa tutkittava raja-arvot lim f(x) ja lim f(x) x x Esimerkki 22 Määritä funktion f(x) = { x 3 + x, kun 2 x < 0 x, kun 0 x 3 ääriarvot Esimerkki 23 Määritä funktion f(x) = x 4 2x 2 ääriarvot välillä [0, 3] Esimerkki 24 Etsi funktion f(x) = x 3 paikalliset ja absoluuttiset ääriarvot Esimerkki 25 Määritä funktion f(x) = x 4 8x ääriarvot Esimerkki 26 Määritä seuraavan funktion paikalliset ja absoluuttiset ääriarvot f(x) = { x 2 + x, kun x < 0 x 2, kun x 0 Lause 26 Olkoon funktio f(x) derivoituva ja oletetaan, että x 0 on kriittinen piste eli että f (x 0 ) = 0 Tällöin 1) jos f (x 0 ) < 0, niin x 0 on paikallinen maksimikohta (funktio f ylöspäin kupera kohdassa x 0 ) 2) jos f (x 0 ) > 0, niin x 0 on paikallinen minimikohta (funktio f alaspäin kupera kohdassa x 0 ) 3) jos f (x 0 ) = 0, niin x 0 voi olla maksimikohta, minimikohta tai satulapiste eli ei voi päätellä mitään (ks derivaatan merkkikaavio Lause 25 tai Lause 27) 24
26 Esimerkki 27 Määrää funktion f(x) = 3x 4 4x 3 36x ääriarvokohdat Lause 27 Olkoon f(x) jatkuva funktio, joka on n kertaa derivoituva pisteessä x 0 Tällöin f(x 0 ) on paikallinen ääriarvo jos ja vain jos on olemassa sellainen parillinen kokonaisluku n, että f (k) (x 0 ) = 0 kaikilla k = 1, 2,, n 1 ja f (n) (x 0 ) 0 Kyseessä on lisäksi paikallinen minimi, jos f (n) (x 0 ) > 0 ja paikallinen maksimi, jos f (n) (x 0 ) < 0 Esimerkki 28 Määrää funktion f(x) = x 3 paikalliset ääriarvot Esimerkki 29 Määrää funktion f(x) = x 4 paikalliset ääriarvot 25
27 3 Kahden muuttujan funktion ääriarvoista 31 Normaalit ääriarvot (ei sidotut) 311 Kahden muuttujan funktion absoluuttiset ja paikalliset ääriarvot Funktiolla f(x, y) on pisteessä (x 0, y 0 ) D f suurin arvo (absoluuttinen maksimi), jos f(x, y) f(x 0, y 0 ) kaikilla (x, y) D f Vastaavasti funktiolla f(x, y) on pisteessä (x 0, y 0 ) D f pienin arvo (absoluuttinen minimi), jos f(x, y) f(x 0, y 0 ) kaikilla (x, y) D f Esimerkki 31 Olkoon z = f(x, y) = x + y Funktion kuvaaja on taso eikä sillä siksi ole suurinta eikä pienintä arvoa Esimerkki 32 Olkoon z = f(x, y) = x 2 +y 2 1 Funktion kuvaaja on paraboloidi Suurinta arvoa ei ole, mutta pienin arvo on f(0, 0) = 1 Piste (x 0, y 0 ) D f on funktion f(x, y) paikallinen maksimikohta, jos f(x, y) f(x 0, y 0 ) eräässä pisteen (x 0, y 0 ) ympäristössä Tällöin f(x 0, y 0 ) on funktion f(x, y) paikallinen maksimiarvo Vastaavasti (x 0, y 0 ) D f on funktion f(x, y) paikallinen minimikohta ja f(x 0, y 0 ) paikallinen minimiarvo, jos f(x, y) f(x 0, y 0 ) eräässä pisteen (x 0, y 0 ) ympäristössä 312 Kahden muuttujan funktion paikalliset ääriarvokohdat Lause 31 (KRP:n etsiminen) Olkoon funktio f(x, y) jatkuva ja derivoituva Funktion f(x, y) mahdolliset paikalliset ääriarvokohdat löydetään osittaisderivaattojen nollakohtana eli ratkaisemalla yhtälöpari { fx = 0 f y = 0 Huomautus KRP, joka ei ole ääriarvokohta, on satulapiste Esimerkki 33 Määrää kriittiset pisteet funktiolle f(x, y) = x 2 y 2 26
28 313 Kahden muuttujan funktion ääriarvon laatu Lause 32 Olkoon funktio f(x, y) jatkuva ja derivoituva Tällöin funktio f(x, y) on ylöspäin kupera täsmälleen silloin, kun f xx 0, f yy 0 ja f xx f yy (f xy ) 2 0 Vastaavasti funktio f(x, y) on alaspäin kupera täsmälleen silloin, kun f xx 0, f yy 0 ja f xx f yy (f xy ) 2 0 Lause 33 Olkoon funktio f(x, y) jatkuva ja derivoituva ja olkoon piste (x 0, y 0 ) funktion kriittinen piste Tällöin kriittinen piste (x 0, y 0 ) on (i) paikallinen minimikohta, jos pisteessä (x 0, y 0 ) = f xx f yy (f xy ) 2 > 0, f xx > 0, f yy > 0 (ii) paikallinen maksimikohta, jos pisteessä (x 0, y 0 ) = f xx f yy (f xy ) 2 > 0, f xx < 0, f yy < 0 (iii) satulapiste, jos pisteessä (x 0, y 0 ) = f xx f yy (f xy ) 2 < 0 (iv) Testi ei kerro mitään, jos jos pisteessä (x 0, y 0 ) = f xx f yy (f xy ) 2 00 Tutki tarkemmin Huomautus Etsittäessä funktion absoluuttisia ääriarvoja on vertailtava paikallisia ääriarvoja keskenään ja lisäksi tarvittaessa tutkittava raja-arvoja Esimerkki 34 Määrää funktion f(x, y) = x 3 y 3 + 3xy paikalliset ääriarvot 27
29 32 Sidotut ääriarvot 321 Sidotut ääriarvot yhtälörajoitteen tapauksessa Oletetaan, että funktiot f(x, y) ja g(x, y) ovat jatkuvia ja derivoituvia Määrättävä funktion f(x, y) paikalliset ääriarvot ehdolla g(x, y) = 0 Sijoitusmenetelmä Ratkaistaan muuttuja x tai y ehtoyhtälöstä g(x, y) = 0 (jos mahdollista) ja sijoitetaan se optimoitavaan funktioon f(x, y), jolloin saadaan yhden muuttujan funktio, jolle lasketaan ääriarvot normaalisti Esimerkki 35 Etsi funktion f(x, y) = 5x 2 +6y 2 xy ääriarvot ehdolla x+2y = 24 Lagrangen menetelmä Muodostetaan kohdefunktio F (x, y, λ) = f(x, y) λg(x, y) Määritetään kohdefunktion F (x, y, λ) kriittiset pisteet eli mahdolliset ääriarvokohdat ratkaisemalla yhtälöryhmä F x = f x λ g x = 0 F y = f y λ g y = 0 F λ = g(x, y) = 0 g(x, y) = 0 Ääriarvon laadun testaaminen kriittisessä pisteessä: Paikallinen maksimikohta, jos = F xx F yy (F xy ) 2 > 0, F xx < 0 ja F yy < 0 Paikallinen minimikohta, jos = F xx F yy (F xy ) 2 > 0, F xx > 0 ja F yy > 0 Testi ei anna tulosta, jos (tutkittava funktioita tarkemmin) = F xx F yy (F xy ) 2 0 Esimerkki 36 Etsi funktion f(x, y) = 5x 2 +6y 2 xy ääriarvot ehdolla x+2y = 24 28
30 322 Sidotut ääriarvot epäyhtälörajoitteen tapauksessa Etsittävä ääriarvot funktiolle f(x, y) ehdolla g(x, y) 0 Menetelmä on seuraava: 1 Ääriarvotetaan funktio f(x, y) ilman ehtoa g(x, y) 0 Ratkaistaan kuten normaali ääriarvotehtävä Tällöin mahdollinen paikallinen ääriarvokohta (x 0, y 0 ) löytyy funktion f(x, y) osittaisderivaattojen nollakohtana Suoritetaan normaali laatutarkastelu kriittiselle pisteelle (x 0, y 0 ) Jos kriittinen piste toteuttaa ehdon g(x, y) 0, niin se on myös tämän ehdon mukainen sidottu paikallinen ääriarvokohta (Ääriarvokohta löytyy alueen sisältä, g(x, y) 0) 2 Tarkastellaan epäyhtälörajoitteen g(x, y) 0 sijaan yhtälörajoitetta g(x, y) = 0 Ratkaistaan kuten normaali sidottu ääriarvotehtävä Lagrangen menetelmällä, missä kohdefunktio on nyt muotoa F (x, y, λ) = f(x, y) λg(x, y) Tällöin mahdollinen paikallinen ääriarvokohta (x 0, y 0 ) löytyy kohdefunktion F (x, y, λ) osittaisderivaattojen nollakohtana Suoritetaan Lagrangen menetelmän laatutarkastelu löydetylle kriittiselle pisteelle (x 0, y 0 ) (Ääriarvokohta löytyy alueen reunalta, g(x, y) = 0) 3 Lopullinen päättely kohtiin 1 ja 2 perustuen Esimerkki 37 Maksimoi/minimoi f(x, y) = 5x 2 + 6y 2 xy ehdolla x + 2y 24 Esimerkki 38 Maksimoi/minimoi f(x, y) = 5x 2 + 6y 2 xy ehdolla x + 2y 24 29
31 323 Absoluuttiset ääriarvot ehtoalueessa Maksimoi/minimoi funktio f(x, y) usean ehdon määräämässä ehtoalueessa E = {(x, y) g i (x, y) 0, i = 1,, m} Ehdot toteuttavat absoluuttiset ääriarvot löytyvät joko paikallisista ääriarvokohdista ehtoalueen E sisältä, (g i (x, y) < 0), tai sidotuista ääriarvokohdista ehtoalueen E reunalta, (g i (x, y) = 0) Lause 34 Derivoituvan funktion f(x, y) mahdolliset ääriarvokohdat löydetään tutkimalla: 1 Osittaisderivaattojen 0 kohdat 2 Määrittely-/tarkastelujoukon E reunat (ja nurkat) Jos funktio on jatkuva ja derivoituva suljetussa joukossa E, niin mahdolliset ääriarvokohdat löytyvät kohtien 1 ja 2 avulla Näistä valitaan pienin ja suurin Esimerkki 39 Etsi funktion f(x, y) = 5x 2 + 6y 2 xy ääriarvot joukossa E = {(x, y) x 0, y 0, x + 2y 24} 30
32 324 Hyötyfunktion maksimi Kuluttajan oletetaan valitsevan hyödykkeitä siten, että niiden käytöstä saatava tyytyväisyys maksimoituu Oletetaan, että kuluttajan ostot rajoittuvat kahteen hyödykkeeseen Q 1 ja Q 2 Hyötyfunktio on U = f(q 1, q 2 ), missä q 1 ja q 2 ovat hyödykkeiden kulutusmäärät Siis hyötyfunktio U = f(q 1, q 2 ) kuvaa hyödykkeiden kulutusmääristä aiheutuvaa tyytyväisyyttä Oletetaan, että hyötyfunktiolla U = f(q 1, q 2 ) on jatkuvat 1 ja 2 kertaluvun osittaisderivaatat olemassa Nämä osittaisderivaatat ovat hyödykkeiden rajahyötyjä Tyytyväisyys kasvaa kulutuksen kasvaessa eli U q 1 > 0 ja U q 2 > 0 Kuluttaja haluaa maksimoida hyötynsä, mutta kulutusta rajoittaa budjettirajoite y 0 = p 1 q 1 + p 2 q 2, missä y 0 on ostamiseen käytettävissä oleva rahamäärä ja p 1 ja p 2 ovat hyödykkeiden Q 1 ja Q 2 yksikköhintoja Maksimoidaan siis hyötyfunktio U = f(q 1, q 2 ) budjettirajoitteella y 0 = p 1 q 1 +p 2 q 2 Budjettirajoitteesta saadaan Näin ollen hyötyfunktio on yhden muuttujan q 1 funktio U = f q 2 = y 0 p 1 q 1 p 2 ( q 1, y ) 0 p 1 q 1 p 2 31
33 Maksimoidaan hyötyfunktio U muuttujan q 1 suhteen Asetetaan ensin U q 1 = 0 (Etsitään siis KRP) Tämä ehto on välttämätön, muttei riittävä Toisen derivaatan negatiivisuus takaa maksimin olemassaolon Täytyy siis vielä olla 2 U q 2 1 < 0 Esimerkki 310 Maksimoi hyötyfunktio U = q 1 q 2, kun p 1 = 15, p 2 = 5 ja kuluttajan tulot y 0 = 150 Ratkaisu: Budjettirajoite on 15q 1 + 5q 2 = 150 5q 2 = q 1 q 2 = 30 3q 1 Tällöin saadaan hyötyfunktio Etsitään kriittinen piste: U = q 1 q 2 = q 1 (30 3q 1 ) = 30q 1 3q 2 1 6q 1 = 30 q 1 = 5 U q 1 = 30 6q 1 = 0 q 2 = 30 3q 1 = = 15 Koska kriittisessä pisteessä niin q 1 = 5 on maksimikohta 2 U q 2 1 = 6 < 0, Vastaava hyötyfunktion maksimiarvo on U max = q 1 q 2 = 5 15 = 75 32
34 4 Usean muuttujan funktion ääriarvoista 41 Normaali ääriarvo (ei sidottu) Funktiolla f(x 1,, x n ) on pisteessä (a 1,, a n ) D f suurin arvo (absoluuttinen maksimi), jos f(x 1,, x n ) f(a 1,, a n ) kaikilla (x 1,, x n ) D f Vastaavasti funktiolla f(x 1,, x n ) on pisteessä (a 1,, a n ) D f pienin arvo (absoluuttinen minimi), jos f(x 1,, x n ) f(a 1,, a n ) kaikilla (x 1,, x n ) D f Piste (a 1,, a n ) D f on funktion f paikallinen maksimikohta, jos f(x 1,, x n ) f(a 1,, a n ) eräässä pisteen (a 1,, a n ) ympäristössä Tällöin f(a 1,, a n ) on funktion paikallinen maksimiarvo Vastaavasti (a 1,, a n ) D f on funktion f paikallinen minimikohta ja f(a 1,, a n ) paikallinen minimiarvo, jos f(x 1,, x n ) f(a 1,, a n ) eräässä pisteen (a 1,, a n ) ympäristössä 411 Usean muuttujan funktion ääriarvokohta Lause 41 (KRP:n etsiminen) Olkoon funktio f( X) = f(x 1,, x n ) jatkuva ja derivoituva Funktion f(x 1,, x n ) mahdolliset paikalliset ääriarvokohdat löydetään osittaisderivaattojen nollakohtana eli saadaan ratkaisemalla yhtälöryhmä f x1 = 0 f x2 = 0 f xn = 0 Huomautus Kriittinen piste, joka ei ole ääriarvokohta, on satulapiste Esimerkki 41 Määrää kriittiset pisteet funktiolle f(x 1,, x n ) = x x 2 n 33
35 412 Usean muuttujan funktion ääriarvon laatu Olkoon f(x 1,, x n ) n muuttujan funktio Funktion f Hessin matriisi muodostetaan seuraavasti: f 11 f 12 f 1n f 21 f 22 f 2n H = f xx = f n1 f n2 f nn n n, missä f ij = ( ) f x i x j Olkoon a 11 a 1n A = a n1 a nn n n Matriisi A on positiividefiniitti, jos sen alideterminantit A1 = a11, An = A A2 a = 11 a 12 a 21 a 22, a 11 a 12 a 13 A3 = a 21 a 22 a 23 a 31 a 32 a, 33 ovat kaikki arvoltaan positiivia Vastaavasti matriisi A on negatiividefiniitti, jos A1 < 0, A2 > 0, A3 < 0, eli kaikilla i = 1,, n ( 1) i A i > 0 34
36 Lause 42 Olkoon löydetty kriittinen piste X0 = (a 1, a 2,, a n ) ja olkoon H = H( X 0 ) funktion f( X) Hessin matriisi kriittisessä pisteessä X 0 Tällöin 1) Kriittinen piste X 0 on funktion f( X) paikallinen maksimikohta, jos funktion f( X) Hessin matriisin alideterminanteille H i ( X 0 ) pätee ( 1) i H i ( X 0 ) > 0 kaikilla i = 1,, n eli Hessin matriisi H on negatiividefiniitti 2) Kriittinen piste X 0 on funktion f( X) paikallinen minimikohta, jos funktion f( X) Hessin matriisin alideterminanteille H i ( X 0 ) pätee H i ( X 0 ) > 0 kaikilla i = 1,, n eli Hessin matriisi H on positiividefiniitti 3) Kriittinen piste X 0 ei ole paikallinen ääriarvokohta, jos H i ( X 0 ) 0 kaikilla i = 1,, n, mutta ehdot 1) tai 2) ei toteudu 4) Jos H i ( X 0 ) = 0 jollakin i = 1,, n, niin testi ei kerro mitään, joten tutki tarkemmin Esimerkki 42 Etsi paikalliset ääriarvot funktiolle f(x, y) = x 2 y + y 3 y 35
37 42 Sidotut ääriarvot 421 n muuttujan ja m yhtälörajoitteen tapaus, missä m < n Maksimoi/minimoi funktio f(x 1,, x n ) ehdoilla g i (x 1,, x n ) = 0, missä i = 1,, m Muodostetaan Lagrange funktio: L(x 1,, x n, λ 1,, λ m ) = f(x 1,, x n ) missä λ j :t ovat Lagrange-kertoimia m λ j g j (x 1,, x n ), j=1 1 o Ääriarvon mahdollinen olemassaolo: (KRP) L = 0 x { i Lxi = 0, kaikilla i = 1,, n eli L g j = 0, kaikilla j = 1,, m = 0 λ j Näin saadaan mahdollinen paikallinen ääriarvokohta X 0 2 o Ääriarvon olemassaolo ja laatu: Määritellään laajennettu Hessin matriisi H = g 1 g m x 1 x 1 g 1 x n g m x n g 1 g 1 x n x 1 g m x 1 g m x n L x1 x 1 L x1 x n L xnx1 L xnxn (m+n) (m+n) ) ( 0 = m m J m n J T n m H n n (n+m) (n+m) 36
38 Laajennetun Hessin matriisin tarvittavat alideterminantit H i ovat H i ( X 0 ) = g 1 g m x 1 x 1 g 1 x i g m x i g 1 g 1 x i x 1 g m x 1 g m x i L x1 x 1 L x1 x i L xi x 1 L xi x i, missä i = m + 1,, n Eli determinantti H i on vasemmasta yläkulmasta i:nteen muuttujaan asti otettu alideterminantti Siis nollamatriisin lisäksi otetaan mukaan i kappaletta pystyja vaakarivejä Nyt ääriarvon laatu mahdollisessa paikallisessa ääriarvokohdassa X 0 määräytyy seuraavasti: 1) Jos ( 1) i H i > 0, kaikilla i = m+1,, n, niin KRP on paikallinen sidottu maksimikohta 2) Jos ( 1) m H i > 0, kaikilla i = m + 1,, n, niin KRP on paikallinen sidottu minimikohta 3) Jos kumpikaan ei toteudu, testi ei kerro mitään, joten tutki tarkemmin Esimerkki 43 Määritä funktion f(x, y, z) = x 2 7y 10z 3 paikalliset ääriarvot ehdoilla x + y + z = 0 ja x + 2y + 3z = 0 37
39 422 n muuttujan ja yhden epäyhtälörajoitteen tapaus Ääriarvot funktiolle f(x 1,, x n ) ehdolla g(x 1,, x n ) 0 Menetelmä on seuraava: 1) Ääriarvotetaan funktio f(x 1,, x n ) ilman epäyhtälöehtoa g(x 1,, x n ) 0 Mahdollinen paikallinen ääriarvokohta X 0 löytyy siis funktion f( X) osittaisderivaattojen nollakohtana Suoritetaan normaali laatutarkastelu kriittiselle pisteelle X 0 Hessin matriisin avulla Jos kriittinen piste toteuttaa ehdon g(x 1,, x n ) 0, niin se on myös epäyhtälöehdon mukainen sidottu paikallinen ääriarvokohta (Ääriarvokohta löytyy siis ehtoalueen sisältä, g(x 1,, x n ) 0) 2) Tarkastellaan epäyhtälörajoitteen g(x 1,, x n ) 0 sijaan yhtälörajoitetta g(x 1,, x n ) = 0 Ratkaistaan kuten normaali sidottu ääriarvotehtävä, missä Lagrange-funktio on nyt muotoa L(x 1,, x n, λ) = f(x 1,, x n ) λg(x 1,, x n ) Mahdollinen paikallinen ääriarvokohta X 0 löytyy siis Lagrange-funktion L( X, λ) osittaisderivaattojen nollakohtana Suoritetaan Lagrangen mukainen laatutarkastelu kriittiselle pisteelle X 0 laajennetun Hessin matriisin avulla (Ääriarvokohta löytyy siis ehtoalueen reunalta, g(x 1,, x n ) = 0) 3) Kohtiin 1) ja 2) perustuva päättely Esimerkki 44 Maksimoi/minimoi f(x, y) = 5x 2 + 6y 2 xy ehdolla x + 2y 24 Esimerkki 45 Maksimoi/minimoi f(x, y) = 5x 2 + 6y 2 xy ehdolla x + 2y 24 38
40 5 Lineaarinen optimointi Tehtävä: Maksimoi/minimoi kohdefunktio f(x 1, x 2,, x n ) = c 1 x 1 + c 2 x c n x n + c 0 (Lineaarinen!!!) rajoitteilla a 11 x 1 + a 12 x a 1n x n b 1 a 21 x 1 + a 22 x a 2n x n b 2 (Lineaariset!!!) a m1 x 1 + a m2 x a mn x n b m x j 0 j = 1,, n 51 Geometrinen ratkaisu Kahden päämuuttujan tapaus: Max/min f(x 1, x 2 ) = c 1 x 1 + c 2 x 2 + c 0 rajoitteilla a 11 x 1 + a 12 x 2 b 1 a 21 x 1 + a 22 x 2 b 2 a m1 x 1 + a m2 x 2 b m x 1, x 2 0, tämä ehto ei pakollinen Muodostetaan ratkaisumonikulmio eli etsitään ehtoalue, jossa rajoitteet toteutuvat Lause 51 Jos ratkaisumonikulmio on suljettu, niin optimointitehtävän yksikäsitteinen ratkaisu löytyy ratkaisumonikulmion kärjistä Jos ratkaisuja on useita, niin ainakin kaksi niistä löytyy ratkaisumonikulmion kärkipisteistä Jos ratkaisumonikulmio on avoin alue, tutki tarkemmin 39
41 Esimerkki 51 Max/min f(x 1, x 2 ) = 2x x 2 rajoitteilla 2x 1 + x 2 6 5x 1 + 4x 2 20 x 1, x 2 0 Huomautus Ratkaisumonikulmio ei välttämättä ole suljettu rajoitteilla Esimerkiksi: { { 2x1 + x 2 6 2x1 + x 2 6 5x 1 + 4x x 1 + 4x 2 40 Esimerkki 52 Min/max f(x, y) = 2x + 10y rajoitteilla 2x + y 6 5x + 4y 20 x, y 0 Esimerkki 53 Min/max f(x, y) = 2x + 10y rajoitteilla 2x + y 6 5x + 4y 20 x, y 0 40
42 52 Kantaratkaisu menetelmä Tehtävä: Maksimoi/minimoi kohdefunktio f(x 1, x 2,, x n ) = c 1 x 1 + c 2 x c n x n + c 0 rajoitteilla a 11 x 1 + a 12 x a 1n x n b 1 a 21 x 1 + a 22 x a 2n x n b 2 a m1 x 1 + a m2 x a mn x n b m x j 0 j = 1,, n Rajoite-epäyhtälöt muutetaan lisämuuttujien (x n+1,, x n+m ) avulla yhtälöiksi: a 11 x 1 + a 12 x a 1n x n + x n+1 = b 1 a 21 x 1 + a 22 x a 2n x n x n+2 = b 2 a m1 x 1 + a m2 x a mn x n + x n+m = b m x j 0 j = 1,, n + m Kantaratkaisu on eo yhtälöryhmän sellainen ratkaisu, jossa muuttujista x 1,, x n+m on n kappaletta arvoltaan nollia ja lisäksi positiivisuusehtoa ei huomioida Kantamuuttujat ovat ne m muuttujaa, joita ei aseteta nolliksi Hyväksyttävä kantaratkaisu on kantaratkaisu, joka toteuttaa myös positiivisuusehdon Optimaalinen kantaratkaisu on hyväksyttävä kantaratkaisu, joka antaa kohdefunktion optimiarvon 41
43 Lause 52 Jos kohdefunktiolla on äärellinen optimi, niin ainakin yksi optimaalinen ratkaisu löytyy hyväksyttävänä kantaratkaisuna Optimointi: 1) haetaan kantaratkaisut 2) valitaan hyväksyttävät kantaratkaisut 3) lasketaan funktion arvot kohdan 2) pisteissä 4) valitaan näistä haettu optimiarvo Esimerkki 54 Min/max f(x 1, x 2 ) = 2x x 2 rajoitteilla 2x 1 + x 2 6 5x 1 + 4x 2 20 x 1, x 2 0 Huomautus Kantaratkaisu menetelmä ei toimi avoimessa alueessa Pienellä varovaisuudella kylläkin 42
Matriisit ja optimointi kauppatieteilijöille P
Matriisit ja optimointi kauppatieteilijöille 802160P Luentomoniste Kari Myllylä Niina Korteslahti Topi Törmä Oulun yliopisto Matemaattisten tieteiden laitos Kevät 2018 Sisältö 1 Matriisialgebra 3 11 Määritelmä
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila
LisätiedotMatematiikan 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
Lisätiedot1.1. Määritelmiä ja nimityksiä
1.1. Määritelmiä ja nimityksiä Luku joko reaali- tai kompleksiluku. R = {reaaliluvut}, C = {kompleksiluvut} R n = {(x 1, x 2,..., x n ) x 1, x 2,..., x n R} C n = {(x 1, x 2,..., x n ) x 1, x 2,..., x
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu
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
LisätiedotBM20A0700, Matematiikka KoTiB2
BM20A0700, Matematiikka KoTiB2 Luennot: Matti Alatalo, Harjoitukset: Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luku 7. 1 Kurssin sisältö Matriiseihin
LisätiedotMatriisit ja optimointi kauppatieteilijöille
Matriisit ja optimointi kauppatieteilijöille Harjoitus 4, kevät 2019 1. a) f(x) = x 3 6x 2 + 9x + 1, 3 x 3 Funktio f(x) on jatkuva ja derivoituva. Funktio f(x) saavuttaa suurimman ja pienimmän arvonsa
LisätiedotMatematiikka B2 - TUDI
Matematiikka B2 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
LisätiedotMaksimit ja minimit 1/5 Sisältö ESITIEDOT: reaalifunktiot, derivaatta
Maksimit ja minimit 1/5 Sisältö Funktion kasvavuus ja vähenevyys; paikalliset ääriarvot Jos derivoituvan reaalifunktion f derivaatta tietyssä pisteessä on positiivinen, f (x 0 ) > 0, niin funktion tangentti
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
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotMatematiikkaa kauppatieteilijöille
Matematiikkaa kauppatieteilijöille Harjoitus 7, syksy 2016 1. Funktio f(x) = x 2x 2 + 4 on jatkuva ja derivoituva kaikilla x R. Nyt funktio f(x) on aidosti alaspäin kupera kun f (x) > 0 ja aidosti ylöspäin
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a
LisätiedotTalousmatematiikan 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:
LisätiedotKäänteismatriisin ominaisuuksia
Käänteismatriisin ominaisuuksia Lause 1.4. Jos A ja B ovat säännöllisiä ja luku λ 0, niin 1) (A 1 ) 1 = A 2) (λa) 1 = 1 λ A 1 3) (AB) 1 = B 1 A 1 4) (A T ) 1 = (A 1 ) T. Tod.... Ortogonaaliset matriisit
LisätiedotMatriisien tulo. Matriisit ja lineaarinen yhtälöryhmä
Matriisien tulo Lause Olkoot A, B ja C matriiseja ja R Tällöin (a) A(B + C) =AB + AC, (b) (A + B)C = AC + BC, (c) A(BC) =(AB)C, (d) ( A)B = A( B) = (AB), aina, kun kyseiset laskutoimitukset on määritelty
Lisätiedot1 Matriisit ja lineaariset yhtälöryhmät
1 Matriisit ja lineaariset yhtälöryhmät 11 Yhtälöryhmä matriisimuodossa m n-matriisi sisältää mn kpl reaali- tai kompleksilukuja, jotka on asetetettu suorakaiteen muotoiseksi kaavioksi: a 11 a 12 a 1n
LisätiedotKäänteismatriisi 1 / 14
1 / 14 Jokaisella nollasta eroavalla reaaliluvulla on käänteisluku, jolla kerrottaessa tuloksena on 1. Seuraavaksi tarkastellaan vastaavaa ominaisuutta matriiseille ja määritellään käänteismatriisi. Jokaisella
LisätiedotEnnakkotehtävän 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
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 5. luento.2.27 Lineaarialgebraa - Miksi? Neuroverkon parametreihin liittyvät kaavat annetaan monesti
LisätiedotMatematiikka B2 - Avoin yliopisto
6. elokuuta 2012 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
LisätiedotTalousmatematiikan 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
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Luentokalvot 5 1
LisätiedotTalousmatematiikan perusteet: Luento 9. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo
Talousmatematiikan perusteet: Luento 9 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Transponointi Matriisitulo Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
LisätiedotMatikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/81
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/81 Lineaarialgebra (muut ko) p. 2/81 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2 )
LisätiedotMatematiikan perusteet taloustieteilijöille II Harjoituksia kevät ja B = Olkoon A = a) A + B b) AB c) BA d) A 2 e) A T f) A T B g) 3A
Matematiikan perusteet taloustieteilijöille II Harjoituksia kevät 28 1. Olkoon A = Määrää ( 2 1 ) 3 4 1 a) A + B b) AB BA d) A 2 e) A T f) A T B g) 3A ja B = 2 1 6 3 1 2. Laske seuraavat determinantit
LisätiedotTalousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 14 Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu Luennolla 6 Tarkastelimme yhden muuttujan funktion f(x) rajoittamatonta optimointia
Lisätiedot1 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, on säännöllinen 2-ulotteinen pinta. Määrää T x0 pisteessä x 0 = (0, 1, 1).
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 017 Harjoitus 4 Ratkaisuehdotukset 4.1. Osoita, että tasa-arvojoukko S F (0), F : R 3 R, F (x) = 3x 1 x 3 + e x + x e x 3, on säännöllinen
Lisätiedotja B = 2 1 a) A + B, b) AB, c) BA, d) A 2, e) A T, f) A T B, g) 3A (e) A =
Matematiikan perusteet taloustieteilijöille II Harjoituksia kevät 211 1. Olkoon A = Määrää ( 2 1 ) 3 4 1 ja B = 2 1 6 3 1 a) A + B, b) AB, c) BA, d) A 2, e) A T, f) A T B, g) 3A. 2. Laske seuraavat determinantit
Lisätiedot802118P 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
LisätiedotMAA7 Kurssikoe Jussi Tyni Tee B-osion konseptiin pisteytysruudukko! Kaikkiin tehtäviin välivaiheet näkyviin! Laske huolellisesti!
A-osio: ilman laskinta. MAOLia saa käyttää. Laske kaikki tehtävistä 1-. 1. a) Derivoi funktio f(x) = x (4x x) b) Osoita välivaiheiden avulla, että seuraava raja-arvo -lauseke on tosi tai epätosi: x lim
LisätiedotHelsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 10.6.2013 klo 10-13 Ratkaisut ja pisteytysohjeet
Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe.6. klo - Ratkaisut ja pisteytysohjeet. Ratkaise seuraavat epäyhtälöt ja yhtälö: a) x+ x +9, b) log (x) 7,
Lisätiedot= 2±i2 7. x 2 = 0, 1 x 2 = 0, 1+x 2 = 0.
HARJOITUS 1, RATKAISUEHDOTUKSET, YLE11 2017. 1. Ratkaise (a.) 2x 2 16x 40 = 0 (b.) 4x 2 2x+2 = 0 (c.) x 2 (1 x 2 )(1+x 2 ) = 0 (d.) lnx a = b. (a.) Toisen asteen yhtälön ratkaisukaavalla: x = ( 16)± (
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
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
LisätiedotLineaariset 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
LisätiedotHelsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo 10-13
Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe.6. klo -. Ratkaise seuraavat epäyhtälöt ja yhtälö: a) x +9, b) log (x) 7, c) x + x 4 =.. Määrää kaikki ne
LisätiedotMatriisilaskenta. Harjoitusten 3 ratkaisut (Kevät 2019) 1. Olkoot AB = ja 2. Osoitetaan, että matriisi B on matriisin A käänteismatriisi.
Matriisilaskenta Harjoitusten ratkaisut (Kevät 9). Olkoot ja A = B = 5. Osoitetaan, että matriisi B on matriisin A käänteismatriisi. Tapa Käänteismatriisin määritelmän nojalla riittää osoittaa, että AB
LisätiedotKuva 1: Funktion f tasa-arvokäyriä. Ratkaisu. Suurin kasvunopeus on gradientin suuntaan. 6x 0,2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 018 Harjoitus Ratkaisuehdotukset Tehtävä 1. Olkoon f : R R f(x 1, x ) = x 1 + x Olkoon C R. Määritä tasa-arvojoukko Sf(C) = {(x 1, x
LisätiedotMatikkapaja keskiviikkoisin klo Lineaarialgebra (muut ko) p. 1/210
Matikkapaja keskiviikkoisin klo 14-16 Lineaarialgebra (muut ko) p. 1/210 Lineaarialgebra (muut ko) p. 2/210 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v 2
LisätiedotDifferentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40
Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40 Alkuviikolla harjoitustehtäviä lasketaan harjoitustilaisuudessa. Loppuviikolla näiden harjoitustehtävien tulee olla ratkaistuina harjoituksiin
Lisätiedotja B = 2 1 a) A + B, b) AB, c) BA, d) A 2, e) A T, f) A T B, g) 3A (e)
Matematiikan perusteet taloustieteilijöille II Harjoituksia kevät 214 1. Tutki seuraavia jonoja a) (a n )=(3n 1) ( ) 2 b) (a n )= 3 n ( ) 1 c) (a n )= (n + 1)(n +2) 2. Tutki seuraavia sarjoja a) (3k 1)
Lisätiedotf(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0.
Ääriarvon laatu Jatkuvasti derivoituvan funktion f lokaali ääriarvokohta (x 0, y 0 ) on aina kriittinen piste (ts. f x (x, y) = f y (x, y) = 0, kun x = x 0 ja y = y 0 ), mutta kriittinen piste ei ole aina
LisätiedotKaksirivisen 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.
LisätiedotTalousmatematiikan perusteet: Luento 10. Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti
Talousmatematiikan perusteet: Luento 1 Matriisien peruskäsitteet Yksinkertaiset laskutoimitukset Matriisitulo Determinantti Viime luennolta Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta,
LisätiedotLineaarinen 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.
LisätiedotRatkaisuehdotus 2. kurssikokeeseen
Ratkaisuehdotus 2. kurssikokeeseen 4.2.202 (ratkaisuehdotus päivitetty 23.0.207) Huomioitavaa: - Tässä ratkaisuehdotuksessa olen pyrkinyt mainitsemaan lauseen, johon kulloinenkin päätelmä vetoaa. Näin
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
LisätiedotDerivaatan sovellukset (ääriarvotehtävät ym.)
Derivaatan sovellukset (ääriarvotehtävät ym.) Tehtävät: 1. Tutki derivaatan avulla funktion f kulkua. a) f(x) = x 4x b) f(x) = x + 6x + 11 c) f(x) = x4 4 x3 + 4 d) f(x) = x 3 6x + 1x + 3. Määritä rationaalifunktion
Lisätiedot2.5. 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
LisätiedotRatkaisuehdotus 2. kurssikoe
Ratkaisuehdotus 2. kurssikoe 4.2.202 Huomioitavaa: - Tässä ratkaisuehdotuksessa olen pyrkinyt mainitsemaan lauseen, johon kulloinenkin päätelmä vetoaa. Näin opiskelijan on helpompi jäljittää teoreettinen
Lisätiedotf(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:
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
LisätiedotLineaarialgebra 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
LisätiedotFunktion suurin ja pienin arvo DERIVAATTA,
Funktion suurin ja pienin arvo DERIVAATTA, MAA6 1. Suurin ja pienin arvo suljetulla välillä Lause, jatkuvan funktion ääriarvolause: Suljetulla välillä a, b jatkuva funktio f saa aina pienimmän ja suurimman
LisätiedotLineaariset kongruenssiyhtälöryhmät
Lineaariset kongruenssiyhtälöryhmät LuK-tutkielma Jesse Salo 2309369 Matemaattisten tieteiden laitos Oulun yliopisto Sisältö Johdanto 2 1 Kongruensseista 3 1.1 Kongruenssin ominaisuuksia...................
LisätiedotAalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos. MS-A0203 Differentiaali- ja integraalilaskenta 2, kevät 2016
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Ojalammi MS-A0203 Differentiaali- ja integraalilaskenta 2, kevät 2016 Laskuharjoitus 5A Vastaukset alkuviikolla
LisätiedotLineaarialgebra (muut ko)
Lineaarialgebra (muut ko) p. 1/103 Lineaarialgebra (muut ko) Tero Laihonen Lineaarialgebra (muut ko) p. 2/103 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Lokaalit ääriarvot Yhden muuttujan funktion f (x) lokaali maksimi on piste x 0, jossa f (x) on suurempi kuin muualle pisteen x 0 ympäristössä, eli kun f (x 0 )
LisätiedotMikäli funktio on koko ajan kasvava/vähenevä jollain välillä, on se tällä välillä monotoninen.
4.1 Polynomifunktion kulun tutkiminen s. 100 digijohdanto Funktio f on kasvava jollain välillä, jos ehdosta a < b seuraa ehto f(a) < f(b). Funktio f on vähenevä jollain välillä, jos ehdosta a < b seuraa
LisätiedotOrtogonaalinen ja ortonormaali kanta
Ortogonaalinen ja ortonormaali kanta Määritelmä Kantaa ( w 1,..., w k ) kutsutaan ortogonaaliseksi, jos sen vektorit ovat kohtisuorassa toisiaan vastaan eli w i w j = 0 kaikilla i, j {1, 2,..., k}, missä
Lisätiedot3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset
32 Idea: Lineaarikuvausten laskutoimitusten avulla määritellään vastaavat matriisien laskutoimitukset Vakiolla kertominen ja summa Olkoon t R ja A, B R n m Silloin ta, A + B R n m ja määritellään ta ta
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2018 1. (a) Tunnemme vektorit a = [ 5 1 1 ] ja b = [ 2 0 1 ]. Laske (i) kummankin vektorin pituus (eli itseisarvo, eli normi); (ii) vektorien
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotJuuri 6 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Vastaus: Määrittelyehto on x 1 ja nollakohta x = 1.
Juuri 6 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 4..6 Kokoavia tehtäviä ILMAN TEKNISIÄ APUVÄLINEITÄ. a) Funktion f( ) = määrittelyehto on +, eli. + Ratkaistaan funktion nollakohdat. f(
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
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Funktion monotonisuus Derivoituva funktio f on aidosti kasvava, jos sen derivaatta on positiivinen eli jos f (x) > 0. Funktio on aidosti vähenevä jos sen derivaatta
LisätiedotOsittaistuenta 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
LisätiedotKurssin 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
Lisätiedot1. LINEAARISET YHTÄLÖRYHMÄT JA MATRIISIT. 1.1 Lineaariset yhtälöryhmät
1 1 LINEAARISET YHTÄLÖRYHMÄT JA MATRIISIT Muotoa 11 Lineaariset yhtälöryhmät (1) a 1 x 1 + a x + + a n x n b oleva yhtälö on tuntemattomien x 1,, x n lineaarinen yhtälö, jonka kertoimet ovat luvut a 1,,
LisätiedotDifferentiaalilaskenta 1.
Differentiaalilaskenta. a) Mikä on tangentti? Mikä on sekantti? b) Määrittele funktion monotonisuuteen liittyvät käsitteet: kasvava, aidosti kasvava, vähenevä ja aidosti vähenevä. Anna esimerkit. c) Selitä,
LisätiedotSeuraava luento ti on salissa XXII. Lineaarialgebra (muut ko) p. 1/117
Seuraava luento ti 31.10 on salissa XXII Lineaarialgebra (muut ko) p. 1/117 Lineaarialgebra (muut ko) p. 2/117 Operaatiot Vektoreille u = (u 1,u 2 ) ja v = (v 1,v 2 ) Yhteenlasku: u+v = (u 1 +v 1,u 2 +v
LisätiedotDeterminantti 1 / 30
1 / 30 on reaaliluku, joka on määritelty neliömatriiseille Determinantin avulla voidaan esimerkiksi selvittää, onko matriisi kääntyvä a voidaan käyttää käänteismatriisin määräämisessä ja siten lineaarisen
LisätiedotNeliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja
7 NELIÖMATRIISIN DIAGONALISOINTI. Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T () Muistutus: Kokoa n olevien vektorien
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 Väliarvolause Oletetaan, että funktio f on jatkuva jollain reaalilukuvälillä [a, b] ja derivoituva avoimella välillä (a, b). Funktion muutos tällä välillä on luonnollisesti
Lisätiedotb 1. b m ) + ( 2b Ax) + (b b)
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-9 Optimointioppi Kimmo Berg 5 harjoitus - ratkaisut min Ax b (vertaa PNS-tehtävät) a x + + a n x n a) Ax b = a m x + + a mn x n = x a a m }{{}
LisätiedotMatematiikka B1 - avoin yliopisto
28. elokuuta 2012 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Nettitehtävät Kurssin sisältö 1/2 Osittaisderivointi Usean muuttujan funktiot Raja-arvot Osittaisderivaatta Pinnan
LisätiedotMS-A0102 Differentiaali- ja integraalilaskenta 1
MS-A0102 Differentiaali- ja integraalilaskenta 1 Riikka Korte (Pekka Alestalon kalvojen pohjalta) Aalto-yliopisto 24.10.2016 Sisältö Derivaatta 1.1 Derivaatta Erilaisia lähestymistapoja: I geometrinen
LisätiedotLU-hajotelma. Esimerkki 1 Matriisi on yläkolmiomatriisi ja matriisi. on alakolmiomatriisi. 3 / 24
LU-hajotelma 1 / 24 LU-hajotelma Seuravassa tarkastellaan kuinka neliömatriisi voidaan esittää kahden kolmiomatriisin tulona. Käytämme alkeismatriiseja tälläisen esityksen löytämiseen. Edellä mainittua
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
Lisätiedotmin 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
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 29.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/26 Kertausta: Kanta Määritelmä Oletetaan, että w 1, w 2,..., w k W. Vektorijono ( w 1, w 2,..., w k ) on aliavaruuden
LisätiedotDifferentiaali- ja integraalilaskenta 2 (CHEM) MS-A0207 Hakula/Vuojamo Kurssitentti, 12.2, 2018, arvosteluperusteet
ifferentiaali- ja integraalilaskenta 2 (CHEM) MS-A27 Hakula/Vuojamo Kurssitentti, 2.2, 28, arvosteluperusteet T Moniosaisten tehtävien osien painoarvo on sama ellei muuta ole erikseen osoitettu. Kokeessa
LisätiedotNäihin harjoitustehtäviin liittyvä teoria löytyy Adamsista: Ad6, Ad5, 4: 12.8, ; Ad3: 13.8,
TKK, Matematiikan laitos Gripenberg/Harhanen Mat-1.432 Matematiikan peruskurssi K2 Harjoitus 4, (A=alku-, L=loppuviikko, T= taulutehtävä, P= palautettava tehtävä, W= verkkotehtävä ) 12 16.2.2007, viikko
LisätiedotLineaarikuvauksen R n R m matriisi
Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:
LisätiedotHarjoitus 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.
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
LisätiedotKERTAUSHARJOITUKSIA. 1. Rationaalifunktio a) ( ) 2 ( ) Vastaus: a) = = 267. a) a b) a. Vastaus: a) a a a a 268.
KERTAUSHARJOITUKSIA. Rationaalifunktio 66. a) b) + + + = + + = 9 9 5) ( ) ( ) 9 5 9 5 9 5 5 9 5 = = ( ) = 6 + 9 5 6 5 5 Vastaus: a) 67. a) b) a a) a 9 b) a+ a a = = a + a + a a + a a + a a ( a ) + = a
LisätiedotOletetaan, että funktio f on määritelty jollakin välillä ]x 0 δ, x 0 + δ[. Sen derivaatta pisteessä x 0 on
Derivaatta Erilaisia lähestymistapoja: geometrinen (käyrän tangentti sekanttien raja-asentona) fysikaalinen (ajasta riippuvan funktion hetkellinen muutosnopeus) 1 / 19 Derivaatan määritelmä Määritelmä
LisätiedotMapu 1. Laskuharjoitus 3, Tehtävä 1
Mapu. Laskuharjoitus 3, Tehtävä Lineaarisessa approksimaatiossa funktion arvoa lähtöpisteen x 0 ympäristössä arvioidaan liikkumalla lähtöpisteeseen sovitetun tangentin kulmakertoimen mukaisesti: f(x 0
LisätiedotKäänteismatriisin. 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
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotTekijä Pitkä matematiikka a) Ratkaistaan nimittäjien nollakohdat. ja x = 0. x 1= Funktion f määrittelyehto on x 1 ja x 0.
Tekijä Pitkä matematiikka 6 9.5.017 K1 a) Ratkaistaan nimittäjien nollakohdat. x 1= 0 x = 1 ja x = 0 Funktion f määrittelyehto on x 1 ja x 0. Funktion f määrittelyjoukko on R \ {0, 1}. b) ( 1) ( 1) f (
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
LisätiedotMatemaattisen analyysin tukikurssi
Matemaattisen analyysin tukikurssi 10. Kurssikerta Petrus Mikkola 22.11.2016 Tämän kerran asiat Globaali ääriarvo Konveksisuus Käännepiste L Hôpitalin sääntö Newtonin menetelmä Derivaatta ja monotonisuus
LisätiedotOptimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0
Optimaalisuusehdot Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0 i = 1,..., m j = 1,..., l missä f : R n R, g i : R n R kaikilla i = 1,..., m, ja h j : R n R kaikilla j = 1,..., l
Lisätiedot