MATEMATIIKAN JAOS NUMEERISET MENETELMÄT

Samankaltaiset tiedostot
Epälineaaristen yhtälöiden ratkaisumenetelmät

Epälineaaristen yhtälöiden ratkaisumenetelmät

Iteratiiviset ratkaisumenetelmät

Teknillinen tiedekunta, matematiikan jaos Numeeriset menetelmät

Numeeriset menetelmät

Konjugaattigradienttimenetelmä

Numeeriset menetelmät TIEA381. Luento 4. Kirsi Valjus. Jyväskylän yliopisto. Luento 4 () Numeeriset menetelmät / 44

f[x i ] = f i, f[x i,..., x j ] = f[x i+1,..., x j ] f[x i,..., x j 1 ] x j x i T n+1 (x) = 2xT n (x) T n 1 (x), T 0 (x) = 1, T 1 (x) = x.

5.1. Normi ja suppeneminen Vektoriavaruus V on normiavaruus, jos siinä on määritelty normi : V R + = [0, ) jolla on ominaisuudet:

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

Numeeriset Menetelmät, P. Keijo Ruotsalainen Teknillinen tiedekunta matematiikan jaos

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

Numeeriset Menetelmät, P. Keijo Ruotsalainen Teknillinen tiedekunta matematiikan jaos

Numeeriset menetelmät

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Luento 5: Suurten lineaaristen yhtälöryhmien ratkaiseminen iteratiivisilla menetelmillä

Numeeriset menetelmät

(0 desimaalia, 2 merkitsevää numeroa).

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

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

Numeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28

Numeeriset menetelmät

Numeeriset menetelmät

ja 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 ja B = Olkoon A = a) A + B b) AB c) BA d) A 2 e) A T f) A T B g) 3A

Luento 9: Newtonin iteraation sovellus: optimointiongelma

Kuva 1: Funktion f tasa-arvokäyriä. Ratkaisu. Suurin kasvunopeus on gradientin suuntaan. 6x 0,2

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

ja B = 2 1 a) A + B, b) AB, c) BA, d) A 2, e) A T, f) A T B, g) 3A (e)

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 8: Newtonin iteraatio. Taso- ja avaruusintegraalit

Numeeriset menetelmät

mlnonlinequ, Epälineaariset yhtälöt

Harjoitus 7 -- Ratkaisut

MS-C1340 Lineaarialgebra ja

MATRIISIALGEBRA. Harjoitustehtäviä syksy Olkoot A =, B =

MS-A0104 Differentiaali- ja integraalilaskenta 1 (ELEC2) MS-A0106 Differentiaali- ja integraalilaskenta 1 (ENG2)

Lineaarinen toisen kertaluvun yhtälö

Vektorianalyysi II (MAT21020), syksy 2018

Likimääräisratkaisut ja regularisaatio

ja F =

Matriisilaskenta Luento 8: LU-hajotelma

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

n. asteen polynomilla on enintään n nollakohtaa ja enintään n - 1 ääriarvokohtaa.

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS

ax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.

Matriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?

Oletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Funktioiden approksimointi ja interpolointi

tyyppi metalli puu lasi työ I II III metalli puu lasi työ

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

Matriisi-vektori-kertolasku, lineaariset yhtälöryhmät

Pienimmän neliösumman menetelmä

3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =

Mat Matematiikan peruskurssi K2

Numeeriset menetelmät Pekka Vienonen

12. Hessen matriisi. Ääriarvoteoriaa

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ Merkitään f(x) =x 3 x. Laske a) f( 2), b) f (3) ja c) YLIOPPILASTUTKINTO- LAUTAKUNTA

Luento 8: Epälineaarinen optimointi

Insinöörimatematiikka D

Kun yhtälöä ei voi ratkaista tarkasti (esim yhtälölle x-sinx = 1 ei ole tarkkaa ratkaisua), voidaan sille etsiä likiarvo.

(1.1) Ae j = a k,j e k.

Inversio-ongelmien laskennallinen peruskurssi Luento 7 8

Numeeriset menetelmät

LU-hajotelma. Esimerkki 1 Matriisi on yläkolmiomatriisi ja matriisi. on alakolmiomatriisi. 3 / 24

Mapu 1. Laskuharjoitus 3, Tehtävä 1

BM20A1501 Numeeriset menetelmät 1 - AIMO

Matematiikka B2 - TUDI

Juuri 12 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja

Luento 8: Epälineaarinen optimointi

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

y (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

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ

5 Differentiaaliyhtälöryhmät

x = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );

saadaan kvanttorien järjestystä vaihtamalla ehto Tarkoittaako tämä ehto mitään järkevää ja jos, niin mitä?

BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018

Vastaa kaikkiin kysymyksiin (kokeessa ei saa käyttää laskinta)

Matematiikan tukikurssi

Paikannuksen matematiikka MAT

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Esimerkki 4.4. Esimerkki jatkoa. Määrää matriisin ominaisarvot ja -vektorit. Ratk. Nyt

5 OMINAISARVOT JA OMINAISVEKTORIT

Differentiaali- ja integraalilaskenta

Ratkaisuehdotukset LH 10 / vko 48

Matematiikan tukikurssi

Numeeriset menetelmät

Vektorilaskenta, tentti

. 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

a) on lokaali käänteisfunktio, b) ei ole. Piirrä näiden pisteiden ympäristöön asetetun neliöruudukon kuva. VASTAUS:

Talousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

y = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

Transkriptio:

MATEMATIIKAN JAOS NUMEERISET MENETELMÄT Harjoitustehtäviä, kevät 2012 1. Tarkastellaan summaa S = 1+0.4+0.3+0.2+0.04+0.03+0.02+0.01. a) Laske summa laskukoneella vasemmalta oikealle käyttäen liukulukuaritmetiikkaa, jossa käytetään kahta merkitsevää desimaalilukua. b) Mikä on summa, kun lasketaan summa oikealta vasemmalle? 2. Määrää matriisin 2 2 3 4 7 7 2 4 5 LU-hajotelma. 3. Ratkaise Gaussin menetelmällä yhtälöryhmä 11x+12y +16z = 39 10x+11y +12z = 33 1.2x+0.1y +0.1z = 1.4 ensin ilman pivotisointia ja sitten käyttäen osittaista pivotisointia 2-desimaalin liukulukuaritmetiikassa. Vertaa tuloksia tarkkaan ratkaisuun x = y = z = 1. 4. Määrää alakolmiomatriisien L 1 1 = 1 0 0 a 1 1 0, L 1 a 2 0 1 käänteismatriisit ja laske matriisitulo L 1 L 2. 2 = 1 0 0 0 1 0 0 a 3 1 5. Osoita, että yhtälöryhmällä Ax = b on yksikäsitteinen ratkaisu, missä ( ) ( ) 1.2969 0.8648 0.8642 A =, b =. 0.2161 0.1441 0.1440 Laske ratkaisu osittaisella pivot-strategialla käyttäen 7-desimaalin liukulukuaritmetiikkaa. 6. (Kotitehtävä) Ratkaise 4-merkitsevän numeron liukulukuaritmetiikassa yhtälöryhmä [ ][ ] [ ] 0.003 1.556 x1 1.559 = 0.3454 2.346 1.108 käyttäen yksinkertaista ja osittaista Pivot-strategiaa. Kummalla Pivot-strategialla saat tarkemman tuloksen? (Palautus Ti 24.1 2012 klo 16.00 mennessä). x 2

MATEMATIIKAN JAOS NUMEERISET MENETELMÄT Harjoitustehtäviä, kevät 2012 7. Arvioi yhtälöryhmän [ 2.01 1.08 5.11 4.17 ][ x1 x 2 ] = [ ] 0.19 2.66 ratkaisun suhteellista virhettä, kun oikean puolen vektori korvataan vektorilla [ ] 0.21 b+δb =. 2.64 8. Laske matriisin [ ] λ 3 1, λ R, 3 λ ehtoluku normin suhteen. Milläλ:n arvolla ehtolukuk (A) on mahdollisimman pieni. 9. Totea, että tridiagonaalisen n n-matriisin 2 1 0 0 0 1 2 1 0 0 0 1 2 1 0 A n = diag( 1,2 1) =............ 0 0......... 1 0 0 0 1 2 ominaisarvot ovat λ k = 2 2cos( πk ). Osoita, että matriisin ehtoluku kasvaa verrannollisesti n 2 n+1 :een. 10. Ratkaise konjugaattigradienttimenetelmällä yhtälöryhmä ( )( ) ( ) 6 2 x1 4 =. 2 6 4 11. Ratkaise konjugaattigradienttimenetelmällä matriisiyhtälö 3 1 1 x 1 5 1 4 1 x 2 = 6. 1 1 3 x 3 5 x 2

12. (Kotitehtävä) Olkoon 10 8 1 1 A = 1 2 1. 1 1 1 a) Määrää matriisin ehtoluku käyttämällä matriisinormia A. b) Yhtälö Ax = b korvataan helpommalla yhtälöllä Ã x = b, missä Ã saadaan matriisista A korvaamalla 10 8 luvulla nolla. Arvioi virhettä x x ja vertaa saatua virhettä todelliseen virheeseen, kun b = [221]. (Palautus Ti 31.1 2012 klo 16.00 mennessä Optimaan sähköisessä muodossa).

MATEMATIIKAN JAOS NUMEERISET MENETELMÄT Harjoitustehtäviä, kevät 2012 13. Ratkaise yhtälöryhmä 6x 1 5x 2 +x 3 = 1 2x 1 +8x 2 3x 3 = 2 x 1 +3x 2 +7x 3 = 3 Jacobin menetelmällä. Suorita kolme iteraatiota lähtien arvoista x (0) 1 = x (0) 2 = x (0) 3 = 1 ja tutki menetelmän suppenevuutta. 14. Ratkaise Jacobin ja Gauss-Seidelin menetelmällä lineaarinen yhtälöryhmä 10 1 0 x 1 9 1 10 2 x 2 = 7. 0 2 10 x 3 6 Arvioi kummassakin tapauksessa neljännen iteraatin virhettä x x (4). Arvioi a priori-arvion nojalla, kuinka montaiteraatiota tarvitaan ko. menetelmillä miljoonasosan tarkkuuteen. 15. Yhtälöryhmä 1 2 1 1 1 4 1 x = 3 1 1 1 7 8 ratkaistaan Jacobin ja Gauss-Seidelin menetelmällä. Kumpi menetelmistä suppenee nopeammin? 16. Ratkaise yhtälöryhmä x 1 8x 2 2x 3 = 1 x 1 +x 2 +5x 3 = 4 3x 1 x 2 +x 3 = 2 Gauss-Seidelinmenetelmällä. Millä tavalla saat yhtälönsiihen muotoon, että Gauss- Seidelin iteraatiot suppenevat? Määrää ratkaisun likiarvo kymmenestuhannesosan tarkkuudella lähtien arvoista x (0) 1 = x (0) 2 = x (0) 3 = 0 ja suorita virhe-arvio.

17. (Kotitehtävä) Tarkastellaan yhtälöryhmää Ax = b, missä kerroinmatriisi A on tridiagonaalinen n n-matriisi: 3 1 0 0 0 1 3 1 0 0 0 1 3 1 0 A = diag( 1,3, 1) =.............. 0 0........ 1 0 0 0 1 3 a) Laske Jacobin iteraatiomenetelmälle spektraalisäde ρ(b), missä B on menetelmän iteraatiomatriisi. Jos n = 100000, niin arvioi a priori arvion perusteella, kuinka monta iteraatiota tarvitaan miljoonasosan tarkkuuteen -normin suhteen. b) Määrää yhtälöryhmän ratkaisun approksimaatio x (10) Jacobin menetelmällä ja arvioi ratkaisun virhettä. kun yhtälöryhmän oikean puolen vektori onb = [2112] T. (Tehtävän palautus Optimaan ti 7.2.2012 klo 16.00 mennessä)

MATEMATIIKAN JAOS NUMEERISET MENETELMÄT Harjoitustehtäviä, kevät 2012 18. Ratkaise funktion f(x) = e x +10x 2 nollakohta välillä I = [0, 1] kiintopisteiteraatiolla x n+1 = 2 exn, x 0 = 0 10 tuhannesosan tarkkudella. 19. Polynomin f(x) = x 2 x 2 nollakohtia approksimoidaan kiintopisteiteraatiolla x k+1 = φ(x k ). Tutki kiintopisteiteraation suppenemista seuraaville iteraatiofunktioille a) φ(x) = x 2 2, b) φ(x) = ± 2+x, c) φ(x) = 1+ 2 x 20. Ratkaise Newtonin menetelmällä funktion f(x) = x 3 2x 2 5 nollakohdat välillä [1, 4]. 21. Ideaalikaasun (yhdelle moolille) tilayhtälö PV = RT, missä P on kaasun paine ([Pa]), V tilavuus ([m 3 J ]) ja T lämpötila ([K]). Luku R = 8.31447215 on universaali kaasuvakio. Reaalisille kaasuille on otettava huomioon kaasumolekyylien välinen K mol vuorovaikutus ja molekyylien tilavuus [Sla63]. Esimerkiksi van der Waals n kaasumallissa reaaliselle kaasulle tarvitaan kaksi kaasuvakiota α ja β kuvaamaan kaasun ominaisuuksia. Esimerkiksi hiilidioksidille (CO 2 ) ko. kaasuvakiot ovat α = 0.35648[ J m3 mol 2], β = 4.273105 10 5 [m 3 /mol]. Tällöin van der Waalsin mallissa hiilidioksidin tilayhtälö on (P + α v2)(v β) = RT. LaskeNewtonin menetelmällä 10 ilmakehänpaineessa (=1013250[Pa]) ja 300 K lämpötilassa olevan hiilidioksidin moolitilavuus v. Huom! Iteraatioiden lukumäärä voi olla aika suuri, jos alkuarvo on valittu huonosti. Kokeile alkuarvaukseksi ideaalikaasun tilayhtälöstä saatua arvoa. Viitteet [Sla63] Slater J. (1963), Introduction to Chemical Physics, McGraw-Hill Book Co.

22. (Kotitehtävä) Kuvion 1 biasointipiiri koostuu vastuksesta R, jännitelähteestä E ja tunnelidiodista D. Tunnelidiodin läpi kulkee virta j ja jännite-ero komponentin yli on v. Tunnelidiodin jännite-virta-ominaiskäyrä on g(v) = a(e bv 1) µv(v γ). Sovelluksissatavallisesti parametrit R ja E valitaan siten, että jännite v on ominaiskäyrän vähenevällä osalla so. g (v) < 0. Tehtävänä on määrittää biasointipiirin toimintapiste v, kun E ja R on annettu. Kirchhoffin jännitelain nojalla päädytään yhtälöön g(v) E v R = 0. Määrää toimintapiste v, kun a = 10 12 [A], b = 40[V 1 ], µ = 10 3 [AV 2 ], γ = 0.4[V], E = 0.4[V], R = 1/3 10 4 [Ω]. 5 x 10 4 4 3 2 1 0 1 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 Tehtävän palautus ti 14.2.2012 klo 16.00 mennessä

MATEMATIIKAN JAOS NUMEERISET MENETELMÄT Harjoitustehtäviä, kevät 2012 23. Määrää funktion 1 12 (x2 2 +2e x 3 ) Φ(x 1,x 2,x 3 ) = 1 (1 x 6 1 +sin(x 3 )) 1 6 (x2 1 +x 2 2 +x 2 3) kiintopiste joukossa R = {x 0 x 1, x 2, x 3 1}. Totea, että kiintopistelauseen ehdot ovat myös voimassa. 24. Ratkaise yhtälöryhmän approksimaatio e x 1x 2 +x 2 1 +x 2 1.2 = 0 x 2 1 +x 2 2 +x 1 0.55 = 0. a) Newtonin menetelmällä käyttäen alkuarvausta (0.6, 0.5). b) yksinkertaistetulla Newtonin menetelmällä, kun alkuarvaus on x 1,0 = 0.4 ja x 2,0 = 0. 25. Määrää yhtälöryhmän ratkaisu kahden desimaalin tarkkuudella. x 1 1 2 cos(x 2) = 0 1 2 sin(x 1)+x 2 = 0 26. Tavallisesti epälineaaristen yhtälöryhmien ratkaisemiseen päädytään optimointiongelmien yhteydessä. Optimointiongelmat voidaan yleisesti esittää muodossa min x R nj( x) missä J : R n R on riittävän sileä reaaliarvoinen funktio. Funktion lokaalissa minimikohdassa sen gradientti häviää, ts. J( x) x 1 0 J( x) J( x) = x 2. = 0.. 0 J( x) x n Joten funktion lokaali minimikohta on epälineaarisen yhtälöryhmän nollakohta. Funktiolla J(x 1,x 2 ) = 2x 3 1 +4x 1 x 3 2 10x 1 x 2 +x 2 2 on lokaali minimikohta pisteen x 0 = [2 1] ympäristössä. Ratkaise Newtonin menetelmällä minimikohdan approksimaatio.

27. (Kotitehtävä) Tutki hyökkäys-puolustus-mallin mukaisesti seuraavien Englannin valioliigajoukkuiden keskinäistä luokitusta seuraavien ottelutulosten perusteella: Manchester City Arsenal 1-0 Manchester City Chelsea 1-2 Manchester C Liverpool 3-0 Manchester City Manchester U 2-3 Arsenal Chelsea 5-3 Arsenal Liverpool 2-0 Arsenal Manchester U 1-2 Chelsea Manchester U 3-3 Chelsea Liverpool 2-1 Liverpool Manchester U 2-1 Valitse ǫ riittävän pieneksi ja laske joukkuiden luokitukset. Mikä joukkueista näyttäisi olevan vahvin mestarikandidaatti? (Palautus ti 21.2 klo 16.00 mennessä)

Hyökkäys-puolustus-malli joukkueiden arvioimiseen Palloilupeleissä, miksei myös esim. pikajuoksussa, kohteen (=joukkueen) ranki l. sijoitus kertoo kvantitatiivisesti joukkueen suhteellisen aaseman muihin joukkueihin verrattuna. Rankeeraus-malli on menetelmä, milläjoukkueet asetetaan arvojärjestykseen. Tavallisesti malleissa jokaiselle kohteelle l. joukkueelle lasketaan rating l. luokitus. Kohteet järjestetään sijoituksensa mukaiseen järjestykseen luokituksen perusteella. Näitä voidaan sitten käyttää esimerkiksi ennustamaan otteluiden tuloksia. Hyökkäys-puolustus-malli on kehitetty erityisesti palloilulajeja silmällä pitäen. Siinä jokaiselle joukkueelle lasketaan kaksi luokitusarvoa: yksi hyökkäykselle ja toinen puolustukselle. Mitä suurempi hyökkäysluokitus joukkueella on sitä suurempi kyky joukkueella on tehdä maaleja. Kun taas korkea puolustusluokitus mittaa puolustuksen haavoittuvuutta. Tarkastellaan joukkueita {i,...,n}. Jokaiselle joukkueelle j lasketaan hyökkäysluokitus (offence ranking) o j ja puolustusluokitus (defence ranking) d j. Tarkoitusta varten muodostetaan maalimatriisi A = [a ij ], missä { Joukkueen j tekemä maalimäärä joukkuetta i vastaan a ij =. (1) 0, jos joukkueet eivät ole kohdanneet Voidaan ajatella, että maalimatriisi ilmoittaa samalla joukkueen j hyökkäysvoiman; mutta samalla joukkueen i puolustuksellisen tason. Tämä mielessä määritellään joukkueen j hyökkäysluokitus suhteessa muihin joukkueisiin summalla o j = a 1j ( 1 d 1 )+a 2j ( 1 d 2 )+ +a nj ( 1 d n ), missä d i joukkueen i puolustusluokitus, joka määritellään summalla d i = a i1 ( 1 o 1 )+a i2 ( 1 o 2 )+ +a in ( 1 o n ). Koska luokitukset o j ja d j riippuvat toisistaan, ne täytyy määrittää iteratiivisesti. Sitä varten määritellään vektorit d (k) = [d (k) 1 d (k) 2 d (k) n ] ] ja o (k) = [o (k) 1 o (k) 2 o (k) n ]. Käytämme jatkossa sopimusta, että vektori 1 = [ 1 1 d d 1 d 2 1 d n ], vastaavasti vektorille 1. o Olkoon sitten d (0) joku aloitusvektori, esim. d (0) = [11 1], niin hyökkäys- ja puolustusluokitukset lasketaan seuraavalla iteraatiolla (kiintopisteiteraatio): o (k) = A 1 ( d (k 1)) (2) d (k) = A 1 o (k). (3) Menetelmä ei välttämättä aina suppene. Jotta menetelmä suppenisi matriisilla A olisi oltava totaalinen tuki. Emme puutu tähän matriisalgebran yksityiskohtaan tässä. Mutta ongelma voidaan muuntaa suppenevaksi vaihtamalla maalimatriisi A kaavoissa (2) ja (3) matriisilla à = A+ǫee, missä e = [11 1] ja ǫ on pieni positiivinen vakio.