Kapittel 1 og 2: eksempel og simpleksmetoden

Størrelse: px
Begynne med side:

Download "Kapittel 1 og 2: eksempel og simpleksmetoden"

Transkript

1 LP. Leksjon 1 Kapittel 1 og 2: eksempel og simpleksmetoden et eksempel fra produksjonsplanlegging simpleksalgoritmen, noen begreper algoritmen LP. Leksjon 1: #1 of 14

2 Eksempel: produksjonsplanlegging Produkter: glassdør vindu Produksjonsanlegg: Anlegg 1: alum. ramme produksjon Anlegg 2: treramme produksjon Anlegg 3: glassproduksjon og montering Produksjon (av hvert produkt) foregår i serier på 200 stk. Data: Timer/serie Timer disp. dør vindu Anlegg Anlegg Anlegg Fortjeneste/serie Problem: Hvor mye bør vi produsere av hvert produkt for å maksimere fortjenesten? LP. Leksjon 1: #2 of 14

3 Produksjonsplan som LP problem maksimer 3x 1 + 5x 2 forutsatt at x 1 4 2x x 1 + 2x 2 18 x 1 0, x 2 0. Vi vil finne en optimal løsning, dvs. en vektor (x 1,x 2 ) som oppfyller alle begrensningene og som har maksimal verdi på funksjonen 3x 1 + 5x 2. En vektor som oppfyller alle begrensningene kalles en tillatt løsning. Funksjonen vil ønsker å maksimere kalles objektivfunksjonen. Simpleksmetoden: metode for å løse alle LP problemer. Skal etterhvert skille mellom simpleksmetoden og simpleksalgoritmen, men behøver ikke tenke på dette nå. Metoden ble utviklet av George B. Dantzig rundt 1947 i forbindelse med transportproblemer i U.S. Air Force. Arbeidet ble publisert i LP. Leksjon 1: #3 of 14

4 Simpleksalgoritmen, eksempel Andre tidlige bidragsytere var T.J.Koopmans og L.V.Kantorovich, og disse to fikk Nobel prisen i økonomi for dette arbeidet i Eksempel: Vil løse maksimer 5x 1 + 4x 2 + 3x 3 forutsatt at (i) 2x 1 + 3x 2 + x 3 5 (ii) 4x 1 + x 2 + 2x 3 11 (iii) 3x 1 + 4x 2 + 2x 3 8 x 1,x 2,x 3 0. Konverterer til likninger ved å innføre slakkvariable for hver -ulikhet: f.eks. erstattes (i) av w 1 = 5 2x 1 3x 2 x 3 og w 1 0. LP. Leksjon 1: #4 of 14

5 Simpleksalgoritmen, eksempel Får da problemet på basislisteform (dictionary): maksimer η = 5x 1 + 4x 2 + 3x 3 forutsatt at (i) w 1 = 5 2x 1 3x 2 x 3 (ii) w 2 = 11 4x 1 x 2 2x 3 (iii) w 3 = 8 3x 1 4x 2 2x 3 x 1,x 2,x 3,w 1,w 2,w 3 0. Venstre side: avhengige variable = basisvariable. Høyre side: uavhengige variable = ikkebasisvariable. Startløsning: Lar x 1 = x 2 = x 3 = 0ogdermedfår vi w 1 = 5,w 2 =11,w 3 =8. Vi lar alltid ikkebasisvariable være 0. Basisvariablene blir bestemt entydig, nemlig lik konstantene på høyre side. LP. Leksjon 1: #5 of 14

6 Simpleksalgoritmen, eksempel Har vi optimal løsning? Nei!! Vi kan f.eks. øke x 1 mens vi fortsatt lar x 2 = x 3 = 0. Da vil η øke vi får nye verdier på basisvariablene som blir bestemt fra x 1 jo mer vi øker x 1 jo mer øker η! men pass på: w j -ene nærmer seg null! Maksimal økning av x 1 : vil unngå at basisvariable blir negative. Fra w 1 = 5 2x 1, w 2 = 11 4x 1 og w 3 = 8 3x 1 får vi at x 1 5/2, x 1 11/4, x 1 8/3 så vi kan øke x 1 til den minste verdien, nemlig 5/2. Dette gir den nye løsningen x 1 = 5/2, x 2 = x 3 = 0 og dermed w 1 = 0,w 2 =1,w 3 =1/2. Og nå er η=25/2. Altså: en mye bedre løsning!! Hvordan komme videre? Basislisteform er fin for å teste optimalitet, så vi vil komme over i neste basisliste! LP. Leksjon 1: #6 of 14

7 Simpleksalgoritmen, eksempel Vi ønsker at x 1 og w 1 skal bytte side. Altså: x 1 skal gå inn i basis, mens w 1 går ut av basis. Dette kan gjøres ved åbrukew 1 -likningen til å eliminere x 1 fra alle andre likninger. Ekvivalent: bruker elementære radoperasjoner på systemet for å eliminere x 1 : (i) løser for x 1 : x 1 = 5/2 (1/2)w 1 (3/2)x 2 (1/2)x 3, og (ii) adderer passende multippel av denne likningen til de andre slik at x 1 forsvinner og erstattes av ledd med w 1. Husk: elementære radoperasjoner endrer ikke løsningsmengden. Resultat: η = w 1 3.5x x 3 x 1 = w 1 1.5x 2 0.5x 3 w 2 = 1 + 2w 1 + 5x 2 w 3 = w x 2 0.5x 3 Vi har nå gjennomført en pivotering: bruk av elem. radoperasjoner for å bytte to variable (en inn og en ut av basis). LP. Leksjon 1: #7 of 14

8 Simpleksalgoritmen, eksempel Gjentar prosessen! Optimal? Nei: kan øke η ved åøkex 3 fra null! Kan øke til x 3 = 1 for da blir w 3 = 0 (mens de andre basisvariablene er ikkenegative). Gjennomfører en ny pivotering: x 3 inn i basis, og w 3 ut av basis. Får den nye basislisten: η = 13 w 1 3x 2 w 3 x 1 = 2 2w 1 2x 2 + w 3 w 2 = 1 + 2w 1 + 5x 2 x 3 = 1 + 3w 1 + x 2 2w 3 Her ser vi at alle koeffisientene foran ikkebasisvariable er ikkepositive (faktisk negative) i likningen for η. Da vil enhver økning av en eller flere ikkebasisvariable gi en løsning med η 13. Men enhver tillatt løsning kan finnes ved passende verdier på ikkebasisvariablene! Hvorfor? Konklusjon: vi har funnet en optimal løsning! Den er w 1 = x 2 = w 3 = 0ogx 1 =2,w 2 =1,x 3 =1. Verdien på η er da 13, og dette kalles optimal verdi. LP. Leksjon 1: #8 of 14

9 Simpleksmetoden, generelt maksimer n j=1 c jx j forutsatt at n j=1 a i,j x j b i for i = 1,...,m x j 0 for j = 1,...,n. der vi antar at b i 0 for alle i. Innfører slakkvariable: η w i = n j=1 c j x j = b i n j=1 a i,j x j for i = 1,...,m Behøver ikke skille slakkvariable og opprinnelige variable og får basislisten: η x n+i = n j=1 c j x j = b i n j=1 a i,j x j for i = 1,...,m der vi har erstattet w i med x n+i.såx IR n+m. LP. Leksjon 1: #9 of 14

10 Simpleksmetoden, generelt Algoritmen starter med basislisten foran der x n+1,...,x n+m er basisvariable og x 1,...,x n er ikkebasisvariable. La B være indeksmengden til basisvariablene N være indeksmengden til ikkebasisvariablene. Så, i starten er B ={n+1,...,n+m}, N ={1,...,n}. Initiell tillatt løsning er x j = 0 for j = 1,...,n x n+i = b i for i = 1,...,m og tilhørende verdi er η = 0. En slik løsning kalles en basisløsning. Hver iterasjon er en pivotering (eller basisskifte) der en indeks k flyttes fra N til B (x k er inngående variabel; ny basisvariabel fordi den øker η), en annen indeks l flyttes fra B til N (x l er utgående variabel; variabel går ut av basis fordi den blir 0) og vi finner en ny basisliste fra den gamle vha. radoperasjoner til den nye basislisten hører en ny tillatt basisløsning. LP. Leksjon 1: #10 of 14

11 Simpleksmetoden, generelt Ved starten av hver pivotering har vi basislisten (med b i 0): η = η + j N c j x j x i = b i j N ā i,j x j for i B. Valg av inngående variabel: velg en k N med c k > 0. Hvis ingen slik fins, er nåværende løsning optimal og vi stopper. Ofte er mange c j er positive. Da finnes flere prinsipper for valg, men et enkelt, mye brukt prinsipp er å velge k = j med c j størst mulig. Hvorfor? Valg av utgående variabel: Også her kan vi ha valgmuligheter. Må først bestemme maksimal økning av inngående variabel x k.fra x i =b i ā i,k x k for i B ser vi at hvis ā i,k 0, vil x i øke når x k økes. Slike basisvariable vil altså ikke kunne bli null (vi antar foreløpig at b i > 0) hvis derimot ā i,k > 0, vil x i avta og blir null når x k = b i /ā i,k. LP. Leksjon 1: #11 of 14

12 Simpleksmetoden, generelt Valg av utgående variabel, forts. Altså: vi kan øke x k til verdien θ := min{b i /ā i,k : ā i,k > 0}. Hva skjer når x k = θ? Jo, alle variable er stadig ikkenegative. Bra! Og minst en basisvariabel er blitt 0, faktisk blir x i = 0 for alle i B som oppfyller b i /ā i,k = θ. Konklusjon: Utgående variabel x l velges slik at b l /ā l,k = min{b i /ā i,k : ā i,k > 0}. Pivotregel: en regel som sier hvilken inngående variabel og hvilken utgående variabel som skal velges når det fins valgmuligheter. Dette gir en lang rekke varianter av simpleksmetoden. LP. Leksjon 1: #12 of 14

13 Simpleksmetoden, generelt Pivoteringen avsluttes med radoperasjonene: anta at x k er inngående og x l er utgående variabel. Da er altså x l på venstre side i likning nr. l : x l = b l j N ā l,j x j For hver likning i l adderer vi ā i,k /ā l,k ganger likning l til likning i. Videre brukes likning l til å uttrykke x k som funksjon av de andre variablene. Resultat: et ekvivalent likningssystem (samme løsninger) med koeffisient 0 foran x k i hver likning i l. Videre er nye basisbariable på venstre side! Dette er den nye basislisten. LP. Leksjon 1: #13 of 14

14 Avsluttende kommentarer Noen spørsmål som gjenstår: hvordan finne en tillatt startløsning hvis det finnes negative b i er? i en basisliste: hva skjer hvis noen b i er 0? Ødelegger dette for pivoteringen? er det sikkert at algoritmen terminerer? og, hvis ikke, hvordan kan vi eventuelt reparere dette? Skal se på dette i Leksjon 2! LP. Leksjon 1: #14 of 14

LP. Leksjon 1. Kapittel 1 og 2: eksempel og simpleksmetoden

LP. Leksjon 1. Kapittel 1 og 2: eksempel og simpleksmetoden LP. Leksjon 1. Kapittel 1 og 2: eksempel og simpleksmetoden Dette emnet gir en innføring i lineær optimering og tilgrensende felt. hva er LP (lin.opt.=lin.programmering) mer generelt: matematisk optimering

Detaljer

LP. Leksjon 2. Kapittel 2: simpleksmetoden, forts. initialisering to faser ubegrenset løsning geometri

LP. Leksjon 2. Kapittel 2: simpleksmetoden, forts. initialisering to faser ubegrenset løsning geometri LP. Leksjon 2. Kapittel 2: simpleksmetoden, forts. initialisering to faser ubegrenset løsning geometri 1 / 16 Repetisjon LP problem tillatt løsning, optimal løsning basisliste basis, basisvariable og ikkebasisvariable

Detaljer

Kapittel 2: simpleksmetoden, forts.

Kapittel 2: simpleksmetoden, forts. LP. Leksjon 2 Kapittel 2: simpleksmetoden, forts. initialisering to faser ubegrenset løsning geometri LP. Leksjon 2: #1 of 14 Repetisjon LP problem tillatt løsning, optimal løsning basisliste basis, basisvariable

Detaljer

LP. Leksjon 6: Kap. 6: simpleksmetoden i matriseform, og Seksjon 7.1: følsomhetsanalyse

LP. Leksjon 6: Kap. 6: simpleksmetoden i matriseform, og Seksjon 7.1: følsomhetsanalyse LP. Leksjon 6: Kap. 6: simpleksmetoden i matriseform, og Seksjon 7.1: følsomhetsanalyse matrisenotasjon simpleksalgoritmen i matrisenotasjon eksempel negativ transponert egenskap: bevis følsomhetsanalyse

Detaljer

LP. Leksjon 3. Kapittel 3: degenerasjon.

LP. Leksjon 3. Kapittel 3: degenerasjon. LP. Leksjon 3. Kapittel 3: degenerasjon. degenerasjon eksempel på sirkling den leksikografiske metoden andre pivoteringsregler fundamentaleoremet i LP 1 / 23 Repetisjon simpleksalgoritmen: sekvens av pivoteringer

Detaljer

Kapittel 5: dualitetsteori

Kapittel 5: dualitetsteori LP Leksjon 5 Kapittel 5: dualitetsteori motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former LP Leksjon 5: #1 of 17 Motivasjon Til ethvert LP problem (P) er

Detaljer

Kapittel 3: degenerasjon.

Kapittel 3: degenerasjon. LP. Leksjon 3 Kapittel 3: degenerasjon. degenerasjon eksempel på sirkling den leksikografiske metoden andre pivoteringsregler fundamentaleoremet i LP LP. Leksjon 3: #1 of 15 Repetisjon simpleksalgoritmen:

Detaljer

LP. Leksjon 5. Kapittel 5: dualitetsteori. motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former

LP. Leksjon 5. Kapittel 5: dualitetsteori. motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former LP. Leksjon 5 Kapittel 5: dualitetsteori motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former 1 / 26 Motivasjon Til ethvert LP problem (P) er det knyttet et

Detaljer

Moderne optimering mer enn å derivere!!

Moderne optimering mer enn å derivere!! Faglig pedagogisk dag 2000, 4. januar Moderne optimering mer enn å derivere!! Geir Dahl, Prof. matematikk, Matematisk inst. og Inst. for informatikk aksjer - eksempel på LP (lineær programmering) noen

Detaljer

LP. Leksjon 9: Kapittel 13: Nettverk strøm problemer, forts.2

LP. Leksjon 9: Kapittel 13: Nettverk strøm problemer, forts.2 LP. Leksjon 9: Kapittel 13: Nettverk strøm problemer, forts.2 Vi tar siste runde om (MKS): minimum kost nettverk strøm problemet. Skal oppsummere algoritmen. Se på noen detaljer. Noen kombinatorisk anvendelser

Detaljer

LP. Leksjon 4. Kapittel 4: effektivitet av simpleksmetoden

LP. Leksjon 4. Kapittel 4: effektivitet av simpleksmetoden LP. Leksjon 4 Kapittel 4: effektivitet av simpleksmetoden hvordan måle effektivitet? verste tilfelle analyse, Klee-Minty kuben gjennomsnittsanalyse og i praksis 1 / 18 Status Hvor langt er vi kommet i

Detaljer

η = 2x 1 + x 2 + x 3 x 1 + x 2 + x 3 + 2x 4 3 x x 3 4 2x 1 + x 3 + 5x 4 1 w 1 =3 x 1 x 2 x 3 2x 4 w 2 =4 x 1 x 3 w 3 =1 2x 1 x 3 5x 4

η = 2x 1 + x 2 + x 3 x 1 + x 2 + x 3 + 2x 4 3 x x 3 4 2x 1 + x 3 + 5x 4 1 w 1 =3 x 1 x 2 x 3 2x 4 w 2 =4 x 1 x 3 w 3 =1 2x 1 x 3 5x 4 UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MA-IN-ST 233 Konveksitet og optimering Eksamensdag: 31. mai 2000 Tid for eksamen: 9.00 13.00 Oppgavesettet er på 5 sider. Vedlegg:

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i Eksamensdag: 2. juni 2006 Tid for eksamen: 09.00 12.00 Oppgavesettet er på 5 sider. Vedlegg: INF-MAT 3370/INF-MAT 4370 Lineær

Detaljer

Kapittel 4: effektivitet av simpleksmetoden

Kapittel 4: effektivitet av simpleksmetoden LP. Leksjon 4 Kapittel 4: effektivitet av simpleksmetoden hvordan måle effektivitet? verste tilfelle analyse, Klee-Minty kuben gjennomsnittsanalyse og i praksis LP. Leksjon 4: #1 of 14 Status Hvor langt

Detaljer

LP. Leksjon 8: Kapittel 13: Nettverk strøm problemer, forts.1

LP. Leksjon 8: Kapittel 13: Nettverk strøm problemer, forts.1 LP. Leksjon 8: Kapittel 13: Nettverk strøm problemer, forts.1 Vi fortsetter studiet av (MKS): minimum kost nettverk strøm problemet. Har nå en algoritme for beregning av x for gitt spenntre T Skal forklare

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF-MAT 3370 Lineær optimering Eksamensdag: 1. juni 2010 Tid for eksamen: 09.00 12.00 Oppgavesettet er på 5 sider. Vedlegg: Ingen

Detaljer

LP. Leksjon 7. Kapittel 13: Nettverk strøm problemer

LP. Leksjon 7. Kapittel 13: Nettverk strøm problemer LP. Leksjon 7. Kapittel 13: Nettverk strøm problemer Skal studere matematiske modeller for strøm i nettverk. Dette har anvendelser av typen fysiske nettverk: internet, vei, jernbane, fly, telekommunikasjon,

Detaljer

Lineære likningssystemer og matriser

Lineære likningssystemer og matriser Kapittel 3 Lineære likningssystemer og matriser I dette kapittelet skal vi sette sammen Kapittel 1 og 2. 3.1 Den utvidede matrisen til et likningssystem Vi starter med et lineært likningssystem med m likninger

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF-MAT 3370 Lineær optimering Eksamensdag: 3. juni 2008 Tid for eksamen: 14.30 17.30 Oppgavesettet er på 5 sider. Vedlegg: Ingen

Detaljer

LP. Kap. 17: indrepunktsmetoder

LP. Kap. 17: indrepunktsmetoder LP. Kap. 17: indrepunktsmetoder simpleksalgoritmen går langs randen av polyedret P av tillatte løsninger et alternativ er indrepunktsmetoder de finner en vei i det indre av P fram til en optimal løsning

Detaljer

Lineære ligningssystemer. Forelesning, TMA4110 Torsdag 17/9. Lineære ligningssystemer (forts.) Eksempler

Lineære ligningssystemer. Forelesning, TMA4110 Torsdag 17/9. Lineære ligningssystemer (forts.) Eksempler Lineære ligningssystemer Generell form; m ligninger i n ukjente, m n-system: Forelesning, TMA4110 Torsdag 17/9 Martin Wanvik, IMF MartinWanvik@mathntnuno a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1

Detaljer

Lineære ligningssystemer og gausseliminasjon

Lineære ligningssystemer og gausseliminasjon Kapittel Lineære ligningssystemer og gausseliminasjon Vi skal lære en metode for å finne og beskrive alle løsninger av systemer av m lineære ligninger med n ukjente Oppvarming Her er et eksempel på et

Detaljer

Innhold og forelesningsplan Eksempler på LP Begreper Løsning av enkelt eksempel Praktisk relevans Leksjon 2: Simpleksmetoden for løsning av LP

Innhold og forelesningsplan Eksempler på LP Begreper Løsning av enkelt eksempel Praktisk relevans Leksjon 2: Simpleksmetoden for løsning av LP Lekso 2 Mål for kurset teoretisk forståelse, gruleggede optimerig løsigsmetoder LP og utvidelser algoritmisk forståelse avedelser LP og utvidelser modellerig og løsig v.h.a. verktøy Ihold og forelesigspla

Detaljer

Lineære ligningssystemer og gausseliminasjon

Lineære ligningssystemer og gausseliminasjon Kapittel Lineære ligningssystemer og gausseliminasjon Vi skal lære en metode for å finne og beskrive alle løsninger av systemer av m lineære ligninger med n ukjente. Oppvarming Her er et eksempel på et

Detaljer

MAT1120 Repetisjon Kap. 1

MAT1120 Repetisjon Kap. 1 MAT1120 Repetisjon Kap. 1 Kap. 1, avsn. 2.1-2.3 og kap. 3 i Lays bok er for det meste kjent fra MAT1100 og MAT1110. Idag skal vi repetere fra kap. 1 i Lays bok. Det handler bl.a. om : Matriser Vektorer

Detaljer

LØSNINGSFORSLAG EKSAMEN HØST 2012 I TIØ4120 OPERASJONSANALYSE, GRUNNKURS

LØSNINGSFORSLAG EKSAMEN HØST 2012 I TIØ4120 OPERASJONSANALYSE, GRUNNKURS LØSNINGSFORSLAG EKSAMEN HØST 2012 I TIØ4120 OPERASJONSANALYSE, GRUNNKURS Oppgave 1 a) La x 1, x 2 og x 3 være antall enheter produsert av henholdsvis lenestoler, skamler og kjøkkenstoler. Modellen blir

Detaljer

Gauss-Jordan eliminasjon; redusert echelonform. Forelesning, TMA4110 Fredag 18/9. Reduserte echelonmatriser. Reduserte echelonmatriser (forts.

Gauss-Jordan eliminasjon; redusert echelonform. Forelesning, TMA4110 Fredag 18/9. Reduserte echelonmatriser. Reduserte echelonmatriser (forts. Gauss-Jordan eliminasjon; redusert echelonform Forelesning, TMA4110 Fredag 18/9 Martin Wanvik, IMF MartinWanvik@mathntnuno En matrise vil normalt være radekvivalent med flere echelonmatriser; med andre

Detaljer

4.4 Koordinatsystemer

4.4 Koordinatsystemer 4.4 Koordinatsystemer Minner om at B = { b 1, b 2,..., b n } V kalles en basis for et vektorrom V dersom B er lineært uavhengig og B utspenner V. I samme vektorrom kan vi innføre ulike koordinatsystemer

Detaljer

Lineære likningssett.

Lineære likningssett. Lineære likningssett. Forelesningsnotater i matematikk. Lineære likningssystemer. Side 1. 1. Innledning. La x 1, x, x n være n ukjente størrelser. La disse størrelsene være forbundet med m lineære likninger,

Detaljer

TMA4122/TMA4130 Matematikk 4M/4N Høsten 2010

TMA4122/TMA4130 Matematikk 4M/4N Høsten 2010 Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag TMA4122/TMA410 Matematikk 4M/4N Høsten 2010 1 Oppgave: Løs følgende ligningssystemer ved hjelp av Gauss-eliminasjon med delvis

Detaljer

ingen Fase I nødvendig konvergerer dersom LP er begrenset og konsistent skifter mellom primal og dual pivotering MoD233 - Geir Hasle - Leksjon 8 2

ingen Fase I nødvendig konvergerer dersom LP er begrenset og konsistent skifter mellom primal og dual pivotering MoD233 - Geir Hasle - Leksjon 8 2 Leksjon 8 Ofte behov for å løse mange relaterte LP Regnetid kan spares ved å bruke informasjon fra tidligere løsninger Parametrisk analyse homotopi-metoden Den Parametriske Selv-duale Simpleksmetoden ingen

Detaljer

Lineære ligningssystem og matriser

Lineære ligningssystem og matriser Lineære ligningssystem og matriser E.Malinnikova, NTNU, Institutt for matematiske fag September 15, 2009 Lineære ligningssystem Vi har et ligningssystem av m ligninger med n ukjente x 1,..., x n som kan

Detaljer

Lineære likningssystemer

Lineære likningssystemer Lineære likningssystemer Mange fysiske problemer kan formuleres som lineære likningssystemer i vektorrommet, 1/19 Lu = f Lineær: betyr at virkningen av L på u + v er L(u + v) = Lu + Lv, og skaleres som

Detaljer

Lineære ligningssystem; Gauss-eliminasjon, Redusert echelonmatrise

Lineære ligningssystem; Gauss-eliminasjon, Redusert echelonmatrise Lineære ligningssystem; Gauss-eliminasjon, Redusert echelonmatrise E.Malinnikova, NTNU, Institutt for matematiske fag 19. september 2011 Lineære ligningssystem Vi har et ligningssystem av m ligninger med

Detaljer

Forelesning i Matte 3

Forelesning i Matte 3 Forelesning i Matte 3 Determinanter H. J. Rivertz Institutt for matematiske fag 1. februar 008 Innhold 1. time 1 Determinanter og elementære radoperasjoner Innhold 1. time 1 Determinanter og elementære

Detaljer

Spesialisering i økonomistyring og investeringsanalyse DST 9530

Spesialisering i økonomistyring og investeringsanalyse DST 9530 Spesialisering i økonomistyring og investeringsanalyse DST 950 Disposisjon Bruk av LP i økonomiske problemer Et LP-problem Begreper og noen grunnleggende sammenhenger Lineær programmering og bedriftsøkonomiske

Detaljer

LP. Leksjon Spillteori

LP. Leksjon Spillteori LP. Leksjon Spillteori Kapittel 11: spillteori matrisespill optimale strategier von Neumann s minmax teorem forbindelse til LP nyttig LP modellering av (visse) minmax and maxmin problemer 1 / 11 Eksempel:

Detaljer

Svar til. EKSAMEN I EMNE TIØ4120 OPERASJONSANALYSE, GK Onsdag 10. august 2011 Tid: kl. 0900-1300 Bokmål

Svar til. EKSAMEN I EMNE TIØ4120 OPERASJONSANALYSE, GK Onsdag 10. august 2011 Tid: kl. 0900-1300 Bokmål Side 1 av 10 NTNU Institutt for industriell økonomi og teknologiledelse Faggruppe for bedriftsøkonomi og optimering Faglig kontakt under eksamen: Navn: Lars Magnus Hvattum Oppgave settet laget av: Navn:

Detaljer

Lineærtransformasjoner

Lineærtransformasjoner Kapittel 8 Lineærtransformasjoner I forrige kapittel begynte vi å formulere lineær algebra på en generell måte, ved å gi en abstrakt definisjon av vektorrom For å beskrive sammenhenger mellom forskjellige

Detaljer

Repetisjon: Om avsn og kap. 3 i Lay

Repetisjon: Om avsn og kap. 3 i Lay Repetisjon: Om avsn. 2.1-2.4 og kap. 3 i Lay Matrisemultiplikasjon. La A = [a ij ] være en m n matrise og B = [b kl ] være en n p matrise. ] Skriv B = [b 1 b 2 b p. Produktet AB er m p matrisen definert

Detaljer

3.9 Teori og praksis for Minste kvadraters metode.

3.9 Teori og praksis for Minste kvadraters metode. 3.9 Teori og praksis for Minste kvadraters metode. Vi fortsetter med minste kvadraters problem. Nå skal vi se nærmere på noen teoretiske spørsmål, bl.a. hvordan normallikningene utledes. Minner om MK problemstillingen:

Detaljer

ECON3610 Samfunnsøkonomisk lønnsomhet og økonomisk politikk Forelesning 5

ECON3610 Samfunnsøkonomisk lønnsomhet og økonomisk politikk Forelesning 5 ECON3610 Samfunnsøkonomisk lønnsomhet og økonomisk politikk Forelesning 5 Diderik Lund Økonomisk institutt Universitetet i Oslo 23. september 2011 Vil først se nærmere på de siste sidene fra forelesning

Detaljer

Elementære eliminasjonsmatriser

Elementære eliminasjonsmatriser Elementære eliminasjonsmatriser Gitt en vektor a = [a 1,..., a n ] T, en matrise 1 0 0 0.......... M k = 0 1 0 0 0 a k+1 a k 1 0, a k 0,.......... 0 an a k 0 1 kalles elementære eliminasjonsmatriser eller

Detaljer

Hvorfor er lineær algebra viktig? Linear

Hvorfor er lineær algebra viktig? Linear Lineær Algebra Hvorfor er lineær algebra viktig? Linear y = ax + b linje y = f(x) funksjon Taylor utvikling f(x) =f(x 0 )+f 0 (x 0 )(x x 0 )+ 1 2 f 00 (x 0 )(x x 0 ) 2 + f(x) f(x 0 )+f 0 (x 0 )(x x 0 )

Detaljer

Løsningsforslag for obligatorisk øving 1

Løsningsforslag for obligatorisk øving 1 TFY4185 Måleteknikk Institutt for fysikk Løsningsforslag for obligatorisk øving 1 Oppgave 1 a Vi starter med å angi strømmen i alle grener For Wheatstone-brua trenger vi 6 ukjente strømmer I 1 I 6, som

Detaljer

MAT1120 Repetisjon Kap. 1, 2 og 3

MAT1120 Repetisjon Kap. 1, 2 og 3 MAT1120 Repetisjon Kap. 1, 2 og 3 Kap. 1, avsn. 2.1-2.3 og kap. 3 i Lays bok er for det meste kjent fra MAT1100 og MAT1110. Fra kap. 1 repeterer vi: Matriser Vektorer og lineære kombinasjoner Lineæravbildninger

Detaljer

6 Determinanter TMA4110 høsten 2018

6 Determinanter TMA4110 høsten 2018 6 Determinanter TMA4110 høsten 2018 En matrise inneholder mange tall og dermed mye informasjon så mye at det kan være litt overveldende Vi kan kondensere ned all informasjonen i en kvadratisk matrise til

Detaljer

Side 1 av 13. Svar til. EKSAMEN I EMNE TIØ4120 OPERASJONSANALYSE, GK Torsdag 2. desember 2010 Tid: kl Bokmål

Side 1 av 13. Svar til. EKSAMEN I EMNE TIØ4120 OPERASJONSANALYSE, GK Torsdag 2. desember 2010 Tid: kl Bokmål Side av 3 NTNU Institutt for industriell økonomi og teknologiledelse Faggruppe for bedriftsøkonomi og optimering Faglig kontakt under eksamen: Navn: Bjørn Nygreen Tlf.: 958 55 997 / 93607) Svar til EKSAMEN

Detaljer

4.9 Anvendelser: Markovkjeder

4.9 Anvendelser: Markovkjeder 4.9 Anvendelser: Markovkjeder Markov kjeder er en spesiell type diskret dynamisk system. Stokastisk modell: grunnleggende i sannsynlighetsregning. Vinner av Abelprisen 2007, S. Varadhan, jobber i dette

Detaljer

MAT Onsdag 7. april Lineær uavhengighet (forts. 1.8 Underrom av R n, nullrom, basis MAT Våren UiO. 7.

MAT Onsdag 7. april Lineær uavhengighet (forts. 1.8 Underrom av R n, nullrom, basis MAT Våren UiO. 7. MAT 2 april 2.7 Lineær.8 Underrom MAT 2 Våren 2 UiO 7. april 2 / 23 MAT 2 april 2.7 Lineær.8 Underrom Minner om:.7 Lineær (fortsettelse) Definisjon. To vektorer u og v i R n kalles lineært avhengige dersom

Detaljer

Egenverdier og egenvektorer

Egenverdier og egenvektorer Kapittel 9 Egenverdier og egenvektorer Det er ofte hensiktsmessig å tenke på en matrise ikke bare som en tabell med tall, men som en transformasjon av vektorer Hvis A er en m n-matrise, så gir A en transformasjon

Detaljer

System av likninger. Den andre likningen løses og gir x=1, hvis man setter x=1 i første likning får man

System av likninger. Den andre likningen løses og gir x=1, hvis man setter x=1 i første likning får man System av likninger System av likninger er en mengde likninger med flere ukjente. I økonomiske sammenheng er disse svært vanlige ved optimering. Ofte må vi kreve deriverte lik null for å optimere. I kurset

Detaljer

Repetisjon: om avsn og kap. 3 i Lay

Repetisjon: om avsn og kap. 3 i Lay Repetisjon: om avsn. 2.1-2.4 og kap. 3 i Lay Matrisemultiplikasjon La A = [a ij ] være en m n matrise og B = [b kl ] være en n p matrise. ] Skriv B = [b 1 b 2 b p der b j -ene er i R n for hver j. Produktet

Detaljer

Lineær algebra-oppsummering

Lineær algebra-oppsummering Kapittel 9 Lineær algebra-oppsummering Matriser 1 Matriser er et rektangulært sett av elementer ordnet i rekker og kolonner: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij m n a m1 a n2 a mn 2 Kvadratisk matrise:

Detaljer

TMA4110 Eksamen høsten 2018 EKSEMPEL 1 Løsning Side 1 av 8. Løsningsforslag. Vi setter opp totalmatrisen og gausseliminerer: x 1 7x 4 = 0

TMA4110 Eksamen høsten 2018 EKSEMPEL 1 Løsning Side 1 av 8. Løsningsforslag. Vi setter opp totalmatrisen og gausseliminerer: x 1 7x 4 = 0 TMA4 Eksamen høsten 28 EKSEMPEL Løsning Side av 8 Løsningsforslag Oppgave Vi setter opp totalmatrisen og gausseliminerer: 2 2 2 4 2 6 2 4 2 6 2 2 Dette gir likningene og 2 2 4 2 6 7 2. x 7x 4 = x 2 + 2x

Detaljer

Til enhver m n matrise A kan vi knytte et tall, rangen til A, som gir viktig informasjon.

Til enhver m n matrise A kan vi knytte et tall, rangen til A, som gir viktig informasjon. 4.6 Rang Til enhver m n matrise A kan vi knytte et tall, rangen til A, som gir viktig informasjon. Definisjon: Rangen til en m n matrise A betegnes med rank A og er definert som dimensjonen til kolonnerommet

Detaljer

Inverse matriser. E.Malinnikova, NTNU, Institutt for matematiske fag. September, 2009

Inverse matriser. E.Malinnikova, NTNU, Institutt for matematiske fag. September, 2009 Inverse matriser E.Malinnikova, NTNU, Institutt for matematiske fag September, 2009 Inverse 2 2 matriser En 2 2 matrise [ ] a b A = c d er inverterbar hvis og bare hvis ad bc 0, og da er [ ] A 1 1 d b

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: ST 202 Statistiske slutninger for den eksponentielle fordelingsklasse. Eksamensdag: Fredag 15. desember 1995. Tid for eksamen:

Detaljer

Lineær Algebra og Vektorrom. Eivind Eriksen. Høgskolen i Oslo, Avdeling for Ingeniørutdanning

Lineær Algebra og Vektorrom. Eivind Eriksen. Høgskolen i Oslo, Avdeling for Ingeniørutdanning Lineær Algebra og Vektorrom Eivind Eriksen Høgskolen i Oslo, Avdeling for Ingeniørutdanning c Eivind Eriksen 2005. Innhold Kapittel 1. Lineære likningssystemer 1 1.1. Lineære likningssystemer i to variable

Detaljer

PXT: Det regner mat! Introduksjon. Steg 1: Grunnlag. Sjekkliste. Skrevet av: Helene Isnes

PXT: Det regner mat! Introduksjon. Steg 1: Grunnlag. Sjekkliste. Skrevet av: Helene Isnes PXT: Det regner mat! Skrevet av: Helene Isnes Kurs: Microbit Tema: Elektronikk, Blokkbasert, Spill Fag: Matematikk, Programmering Klassetrinn: 5.-7. klasse, 8.-10. klasse, Videregående skole Introduksjon

Detaljer

10 Radrommet, kolonnerommet og nullrommet

10 Radrommet, kolonnerommet og nullrommet Radrommet kolonnerommet og nullrommet La A være en m n matrise Vi kan beskrive matrisen ved hjelp av dens rader r A r r i R n r m eller dens kolonner A [ c c c n ci R m Definisjon (se Def 7 i boka) For

Detaljer

TMA4110 Matematikk 3 Eksamen høsten 2018 Løsning Side 1 av 9. Løsningsforslag. Vi setter opp totalmatrisen og gausseliminerer:

TMA4110 Matematikk 3 Eksamen høsten 2018 Løsning Side 1 av 9. Løsningsforslag. Vi setter opp totalmatrisen og gausseliminerer: TMA4 Matematikk 3 Eksamen høsten 8 Løsning Side av 9 Løsningsforslag Oppgave Vi setter opp totalmatrisen og gausseliminerer: 8 5 4 8 3 36 8 4 8 8 8 Den siste matrisen her er på redusert trappeform, og

Detaljer

Løsningsforslag Øving 5 TMA4140 Diskret matematikk Høsten 2010

Løsningsforslag Øving 5 TMA4140 Diskret matematikk Høsten 2010 Løsningsforslag Øving 5 TMA4140 Diskret matematikk Høsten 2010 1. a) Ingen andre tall enn en deler en, og en deler fire, så (1, 4) = 1 b) 1 c) 7 er et primtall og 7 er ikke en faktor i 41, så største felles

Detaljer

Forelesning 29: Kompleksitetsteori

Forelesning 29: Kompleksitetsteori MAT1030 Diskret Matematikk Forelesning 29: Kompleksitetsteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo Forelesning 29: Kompleksitetsteori 13. mai 2009 (Sist oppdatert: 2009-05-17

Detaljer

MAT1030 Diskret Matematikk

MAT1030 Diskret Matematikk MAT1030 Diskret Matematikk Forelesning 29: Kompleksitetsteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo 13. mai 2009 (Sist oppdatert: 2009-05-17 22:38) Forelesning 29: Kompleksitetsteori

Detaljer

Tallfølger er noe av det første vi treffer i matematikken, for eksempel når vi lærer å telle.

Tallfølger er noe av det første vi treffer i matematikken, for eksempel når vi lærer å telle. Kapittel 1 Tallfølger 1, 2, 3, 4, 5, 6, 7, 8,... Det andre temaet i kurset MAT1001 er differenslikninger. I en differenslikning er den ukjente en tallfølge. I dette kapittelet skal vi legge grunnlaget

Detaljer

3x + 2y 8, 2x + 4y 8.

3x + 2y 8, 2x + 4y 8. Oppgave En møbelfabrikk produserer bord og stoler Produksjonen av møbler skjer i to avdelinger, avdeling I og avdeling II Alle møbler må innom både avdeling I og avdeling II Det å produsere et bord tar

Detaljer

4 Matriser TMA4110 høsten 2018

4 Matriser TMA4110 høsten 2018 Matriser TMA høsten 8 Nå har vi fått erfaring med å bruke matriser i et par forskjellige sammenhenger Vi har lært å løse et lineært likningssystem ved å sette opp totalmatrisen til systemet og gausseliminere

Detaljer

Matematikk 1000. Øvingsoppgaver i numerikk leksjon 11 Eulers metode. Løsningsforslag

Matematikk 1000. Øvingsoppgaver i numerikk leksjon 11 Eulers metode. Løsningsforslag Matematikk 1000 Øvingsoppgaver i numerikk leksjon 11 Eulers metode Løsningsforslag Oppgave 1 Samanlikning med analytisk løsning y = 3 2 x y, y(0) = 1. a) Kandidat til løsning: y = e x3/2. Vi deriverer

Detaljer

Alle hele tall g > 1 kan være grunntall i et tallsystem.

Alle hele tall g > 1 kan være grunntall i et tallsystem. Tallsystemer Heltall oppgis vanligvis i det desimale tallsystemet, også kalt 10-tallssystemet. Eksempel. Gitt tallet 3794. Dette kan skrives slik: 3 1000 + 7 100 + 9 10 + 4 = 3 10 3 + 7 10 2 + 9 10 1 +

Detaljer

MAT1120. Obligatorisk oppgave 1 av 2. Torsdag 20. september 2018, klokken 14:30 i Devilry (devilry.ifi.uio.no).

MAT1120. Obligatorisk oppgave 1 av 2. Torsdag 20. september 2018, klokken 14:30 i Devilry (devilry.ifi.uio.no). Innleveringsfrist MAT20 Obligatorisk oppgave av 2 Torsdag 20. september 208, klokken 4:30 i Devilry (devilry.ifi.uio.no). Instruksjoner Du velger selv om du skriver besvarelsen for hånd og scanner besvarelsen

Detaljer

Steg 1: Streken. Steg 2: En hoppende helt. Sjekkliste. Sjekkliste. Introduksjon. Hei der! Hoppehelt

Steg 1: Streken. Steg 2: En hoppende helt. Sjekkliste. Sjekkliste. Introduksjon. Hei der! Hoppehelt Hei der! Hoppehelt Ser ut som dette er ditt første besøk, vil du ha en omvisning? Ekspert Scratch PDF Introduksjon Hoppehelt er litt inspirert av musikkspillet Guitar Hero. I Hoppehelt skal man kontrollere

Detaljer

7 Egenverdier og egenvektorer TMA4110 høsten 2018

7 Egenverdier og egenvektorer TMA4110 høsten 2018 7 Egenverdier og egenvektorer TMA4 høsten 8 Det er ofte hensiktsmessig å tenke på en matrise ikke bare som en tabell med tall, men som en transformasjon av vektorer. Hvis A er en m n-matrise, så gir A

Detaljer

Ma Linær Algebra og Geometri Øving 1

Ma Linær Algebra og Geometri Øving 1 Ma0 - Linær Algebra og Geometri Øving Øistein Søvik 0. september 0 Excercise Set. = 4 x6 x x = x 6 4 x x = x 4 4 4 x x. In each part, determine whether the equation is linear in x, x and x Før vi begynner

Detaljer

Eksamen - INF 283 Maskinlæring

Eksamen - INF 283 Maskinlæring Eksamen - INF 283 Maskinlæring 23 feb. 2016 Tid: 3 timer Eksamen inneholder 15 oppgaver, som vil bli vektet likt ved evaluering. 1 Table 1 attributt antall personer forsørget av låntaker månedlig inntekt

Detaljer

6.4 Gram-Schmidt prosessen

6.4 Gram-Schmidt prosessen 6.4 Gram-Schmidt prosessen La W {0} være et endeligdimensjonalt underrom av R n. (Senere skal vi mer generelt betrakte indreprodukt rom; se seksjon 6.7). Vi skal se hvordan vi kan starte med en vanlig

Detaljer

Determinanter til 2 2 og 3 3 matriser

Determinanter til 2 2 og 3 3 matriser Determinanter til 2 2 og 3 3 matriser [ ] a b Determinanten til en 2 2-matrise A = er c d det(a) = a b c d = ad bc. 1 Determinanter til 2 2 og 3 3 matriser [ ] a b Determinanten til en 2 2-matrise A =

Detaljer

b) Lag to likninger med ulik vanskegrad (en ganske lett og en vanskelig), der svaret i begge skal bli x = -3. Løs også likningene.

b) Lag to likninger med ulik vanskegrad (en ganske lett og en vanskelig), der svaret i begge skal bli x = -3. Løs også likningene. Oppgave I Likninger og ulikheter a) Løs likningen: x + 2 a. + (3x + 4) 3 6 2 ( x + 2)6 6 6 + (3x + 4) 3 6 2 2x + 4 + 9x + 2 2x 9x 2 5 x b) Lag to likninger med ulik vanskegrad (en ganske lett og en vanskelig),

Detaljer

MAT-1004 Vårsemester 2017 Obligatorisk øving 2

MAT-1004 Vårsemester 2017 Obligatorisk øving 2 MAT-1004 Vårsemester 2017 Obligatorisk øving 2 Contents 1 OPPGAVE 2 2 OPPGAVE 2 Eksempler 4.1 Oppgave 1............................... 4.2 Oppgave 2............................... 5 4 Formatering av svarene

Detaljer

Matematikk Øvingsoppgaver i numerikk leksjon 5 for-løkker

Matematikk Øvingsoppgaver i numerikk leksjon 5 for-løkker Matematikk 1000 Øvingsoppgaver i numerikk leksjon 5 for-løkker I dette settet skal vi introdusere for-løkker. Først vil vi bruke for-løkker til å regne ut summer. Vi skal også se på hvordan vi kan implementere

Detaljer

Oversikt over det kinesiske restteoremet

Oversikt over det kinesiske restteoremet Oversikt over det kinesiske restteoremet Richard Williamson 3. desember 2014 Oppgave 1 Finn et heltall x slik at: (1) x 2 (mod 6); (2) x 3 (mod 11). Hvordan vet jeg at vi bør benytte det kinesiske restteoremet?

Detaljer

Husk at minustegn foran et tall eller en variabel er å tenke på som tallet multiplisert med det som kommer etter:

Husk at minustegn foran et tall eller en variabel er å tenke på som tallet multiplisert med det som kommer etter: Økonomisk Institutt, november 2006 Robert G. Hansen, rom 1207 ECON 1210: Noen regneregler og løsningsprosedyrer som brukes i kurset (A) Faktorisering og brøkregning (1) Vi kan sette en felles faktor utenfor

Detaljer

Hoppehelt. Introduksjon. Steg 1: Streken. Sjekkliste. Skrevet av: Geir Arne Hjelle

Hoppehelt. Introduksjon. Steg 1: Streken. Sjekkliste. Skrevet av: Geir Arne Hjelle Hoppehelt Skrevet av: Geir Arne Hjelle Kurs: Scratch Tema: Blokkbasert, Spill Fag: Matematikk, Programmering, Kunst og håndverk Klassetrinn: 5.-7. klasse, 8.-10. klasse Introduksjon Hoppehelt er litt inspirert

Detaljer

Obligatorisk oppgave 1 MAT1120 H15

Obligatorisk oppgave 1 MAT1120 H15 Obligatorisk oppgave MAT20 H5 Innleveringsfrist: torsdag 24/09-205, innen kl 4.30. Besvarelsen leveres på Matematisk institutt, 7. etasje i N.H. Abels hus. Husk å bruke forsiden som du finner via hjemmesiden.

Detaljer

Eksamen i ELE Matematikk valgfag Torsdag 18. mai Oppgave 1

Eksamen i ELE Matematikk valgfag Torsdag 18. mai Oppgave 1 Eksamen i ELE79 - Matematikk valgfag Torsdag 8. mai 07 LØSNINGFORSLAG Oppgave (a) Den utvidede matrisen til likningssystemet er 6 Gausseliminasjon: ganger rad I legges til rad II: 0 0 Rad I trekkes fra

Detaljer

Øving 3 Determinanter

Øving 3 Determinanter Øving Determinanter Determinanten til en x matrise er definert som Clear@a, b, c, dd K a b OF c d ad -bc Determinanten til en matrise er derfor et tall. Du skal se at det viktige for oss er om tallet er

Detaljer

LØSNINGSFORSLAG KONTINUASJONSEKSAMEN VÅR 2013 I TIØ4120 OPERASJONSANALYSE, GK

LØSNINGSFORSLAG KONTINUASJONSEKSAMEN VÅR 2013 I TIØ4120 OPERASJONSANALYSE, GK LØSNINGSFORSLAG KONTINUASJONSEKSAMEN VÅR 2013 I TIØ4120 OPERASJONSANALYSE, GK Oppgave 1 a) Målfunksjonen (1) summerer profitten ved å produsere x 1 bord og x 2 stoler. Restriksjon (2) sier at antall enheter

Detaljer

Løsning, funksjoner av flere variable.

Løsning, funksjoner av flere variable. Ukeoppgaver, uke 3 Matematikk 3, funksjoner av flere variable 1 Løsning, funksjoner av flere variable Oppgave 1 a) = +=, b) =, =y3 d ) e ) = 3+= 3 Selv om ikke x er med kan det betraktes som funksjon av

Detaljer

Tryll bort heksa. Introduksjon. Sjekkliste Følg instruksjonene på lista. Huk av etter hvert. Test. Lagre 2/8

Tryll bort heksa. Introduksjon. Sjekkliste Følg instruksjonene på lista. Huk av etter hvert. Test. Lagre 2/8 Innhold Innhold Tryll bort heksa Introduksjon Steg 1: Lag en flyvende heks Steg 2: Få heksa til å dukke opp og forsvinne Steg 3: Tryll bort heksa med et klikk! Steg 4: Legg til tid og poeng En ekstra utfordring:

Detaljer

Løsningsforslag øving 7

Løsningsforslag øving 7 Løsningsforslag øving 7 8 Husk at en funksjon er injektiv dersom x y gir f(x) f(y), men her ser vi at f(3) 9 f( 3), eller generelt at f(z) z f( z) for alle z C, som betyr at f ikke er injektiv Vi ser også

Detaljer

Numerisk lineær algebra

Numerisk lineær algebra Numerisk lineær algebra Arne Morten Kvarving Department of Mathematical Sciences Norwegian University of Science and Technology 29. Oktober 2007 Problem og framgangsmåte Vi vil løse A x = b, b, x R N,

Detaljer

Biseksjonsmetoden. biseksjonsmetode. Den første og enkleste iterativ metode for ikke lineære likninger er den så kalt

Biseksjonsmetoden. biseksjonsmetode. Den første og enkleste iterativ metode for ikke lineære likninger er den så kalt Biseksjonsmetoden Den første og enkleste iterativ metode for ikke lineære likninger er den så kalt biseksjonsmetode. Gitt en intervall [a, b] hvor f skifter fortegn, vi halverer [a, b] = [a, b + a 2 ]

Detaljer

Matematikk Øvingsoppgaver i numerikk leksjon 7 Løsningsforslag

Matematikk Øvingsoppgaver i numerikk leksjon 7 Løsningsforslag Matematikk 1000 Øvingsoppgaver i numerikk leksjon 7 Løsningsforslag Oppgave 1 Halveringsmetoden igjen a) I skriptet vårt fra leksjon 6 skal altså linje 16 erstattes med while abs(b-a)>1e-3. Når vi gjør

Detaljer

EKSAMEN I EMNE TIØ4120 OPERASJONSANALYSE, GK. Torsdag 2. desember 2010 Tid: kl

EKSAMEN I EMNE TIØ4120 OPERASJONSANALYSE, GK. Torsdag 2. desember 2010 Tid: kl Side 1 av 5 NTNU Institutt for industriell økonomi og teknologiledelse Faggruppe for bedriftsøkonomi og optimering Faglig kontakt under eksamen: Navn: Bjørn Nygreen Tlf.: 958 55 997 / (93607) EKSAMEN I

Detaljer

Kapittel 8. Inntekter og kostnader. Løsninger

Kapittel 8. Inntekter og kostnader. Løsninger Kapittel 8 Inntekter og kostnader Løsninger Oppgave 8.1 (a) Endring i bedriftens inntekt ved en liten (marginal) endring i produsert og solgt mengde. En marginal endring følger av at begrepet defineres

Detaljer

Lineære likningssystemer

Lineære likningssystemer Kapittel 1 Lineære likningssystemer Jeg tenker på et tall slik at π ganger tallet er 12. 1.1 Lineære likninger Matematikk dreier seg om å løse problemer. Problemene gjøres ofte om til likninger som så

Detaljer

Elementær Matriseteori

Elementær Matriseteori Elementær Matriseteori Magnus B. Botnan NTNU 3. august, 2015 Kursinfo - Foreleser: Magnus B. Botnan http://www.math.ntnu.no/~botnan/ - Hjemmeside: https: //wiki.math.ntnu.no/tma4110/2015h/forkurs/start

Detaljer

Emne 9. Egenverdier og egenvektorer

Emne 9. Egenverdier og egenvektorer Emne 9. Egenverdier og egenvektorer Definisjon: Vi starter med en lineær transformasjon fra til, hvor Dersom, hvor, sier vi at: er egenverdiene til A er tilhørende egenvektorer. betyr at er et reelt eller

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: MAT Kalkulus og lineær algebra Eksamensdag: Lørdag 25. Mai 29. Tid for eksamen: :5 4:5. Oppgavesettet er på 7 sider. Vedlegg:

Detaljer

8 Vektorrom TMA4110 høsten 2018

8 Vektorrom TMA4110 høsten 2018 8 Vektorrom TMA4 høsten 8 I de foregående kapitlene har vi tatt en lang vandring gjennom den lineære algebraens jungel. Nå skal vi gå opp på en fjelltopp og skue ut over landskapet vi har vandret gjennom.

Detaljer