Sensitivitet og kondisjonering

Save this PDF as:
 WORD  PNG  TXT  JPG

Størrelse: px
Begynne med side:

Download "Sensitivitet og kondisjonering"

Transkript

1 Sensitivitet og kondisjonering Gitt en lineær likningssystem Ax = b vi skal studere effekten av perturbasjoner av input data: 1/19 på output data: Man kan A, b x perturbere bare b perturbere b og A samtidig. Slike perturbasjoner studeres ved hjelp av normer.

2 Vektor normer En norm er en funksjon som, gitt et vektor, returnerer et reelt tall slik at: x 0 for all x. I tillegg, x = 0 bare hvis x = 0 γx = γ x, γ et skalar tall x + y x + y, (trekant ulikhet) 2/19 En viktig konsekvens av trekant ulikhet er at x y x y

3 Vi er kjent med Euclidsk norm eller 2-norm x 2 = ( x x x n 2) 1 2 = ( n i=1 x i 2 ) 1 2 uendelig norm: x = max{ x 1, x 2,..., x n } = max 1 i n x i 3/19 1-norm: x 1 = x 1 + x x n = n x i i=1 Alle tre normene er spesielle tilfeller av en generisk norm, kalt p-norm, p > 0, positivt heltall: x p = ( n i=1 x i p ) 1 p

4 For en vilkålig x: x x 2 x 1 I tillegg: p-normer er ekvivalente x 1 n x 2 x 2 n x x 1 n x 4/19 I 2-dimensjonale rom, unit sirkel: x p = 1 2 norm 1 norm 8 norm

5 Matrise normer Husk definisjonen av normer: A 0 for all A. I tillegg, A = 0 bare hvis A = 0 γa = γ A, γ et skalar tall A + B A + B (trekant ulikning) 5/19 Man kan indusere matrise-normer fra vektor normer: Gitt A m n matrise og gitt ett vektor norm, A def Ax = max x 0 x, x Rn, x 1 = n i=1 x i A 1 = max 1 j n x = max 1 i n x i A = max 1 i m m a i,j i=1 n a i,j j=1

6 Matrise 2-normen er ikke like lett å beregne ut av A, ( n ) 1/2 x 2 = x i 2 A 2 = max{σ : eigenverdi av AA T } i=1 6/19

7 I tillegg til de fundamentale norm-egenskaper: A 0 for all A. I tillegg, A = 0 bare hvis A = 0 γa = γ A, γ et skalar tall A + B A + B (trekant uliknking) 7/19 for noe matriser man har AB A B, (submultiplikasjons egenskap) Ax A x, (konsistens) Alle p-normer er submultiplikative og konsistente. [ ] [ ] [ Eks: A =, x = og B = ]. Vi har: I tillegg: A = 2.6, x = 1, B = 2.5 AB = = A B Ax = = A x

8 Kondisjonering og feil skranker Som oftest, vi regner med at matrisen A er gitt, eksakt, mens ˆb b kommer f.eks. fra måling. 8/19 Hva er den relativ feil for x? Kall for ˆx den vektor slik at Aˆx = ˆb og skriv x = ˆx x, b = ˆb b. Vi tar normer: Ax = b Aˆx = ˆb A x = b, x = A 1 b Derfor x x x A 1 b b = Ax A x, 1 x A b A 1 b A b = A 1 A b b Tallet cond(a) = A A 1 kalles kondisjonstall av matrisen A. = cond(a) b b

9 Husk problemets kondisjonering: Kond = rel. output feil rel. input feil = ˆx x / ˆb b x b Da Kond = x / b x b = A A 1 9/19 Kondisjonstallet av singulære matriser er definert som cond(a) =, A singulær Egenskaper: 1. cond(a) 1 for alle matriser A 2. cond(i) = 1 3. Kondisjonstallet er invariant under skalering, cond(γa) = cond(a) 4. Hvis D er en diagonal matrise, D = (d i ), da cond(d) = max d i min d i.

10 Hvordan beregner vi cond(a)? A er relativt lett (1-norm, uendelig-norm) For å estimere A 1, tar vi to vilkålige vektorern y, z slik at Az = y, z = A 1 y. Vi tar normer, z = A 1 y A 1 y = z y A 1 10/19 Triksen er å finne en optimale y slik at z y er størst mulig.

11 Vi har sett x x Hva er effekten av variasjoner av A over x? cond(a) b b (A + E)ˆx = b = Ax x = ˆx x = A 1 E ˆx x A 1 E ˆx 11/19 Derfor x ˆx cond(a) E A Hvis vi antar x x x ˆx og at feilkilder for A, b er uavhenging av hverandre, x x ( b cond(a) b + E ). A Det samme finnes hvis vi definerer A(t) = A + te, x(t) = x + t x, og b(t) = b + t b, og A(t)x(t) = b(t).

12 Til slutt, hvis input data er korrekt til maskinpresisjon, en fornuftig skranke for den relativ output feil er ˆx x cond(a)ɛ mach. x Eller, man kan si at den beregnet løsning mister cirka log 10 (cond(a)) 12/19 desimale siffer i forhold til presisjonen til input data b Eks: cond(a) = b har 7 korrekte signifikante siffer (relativ input feil 10 7 ˆx x x = 10 3 vi forventer 3 korrekte signifikante siffer for x. Hvis b har mindre enn 4 signifikante siffer, forventer vi ikke noe signifikante siffer av x.

13 Iterative metoder Vi ønsker å løse Ax = b Opp til nå har vi sett direkte metoder det betyr at algoritmer finner de ukjente x etter en fikset antall steger. 13/19 Iterative metoder begynner med en initiell løsning og modifiserer denne i hvert steg til konvergens er nådd. For store lineære systemer som inneholder tusenvis av ligninger, har de iterative metodene ofte store forderler i forhold til direktemetoder med hensyn på antall flyttallsoperasjoner og krav til minne: de er spesielt attraktive der matrisen A er glissen element ulik null i A kan lagres i et spesielt format slik at man sparer en del lagringsplass.

14 Basisideen med iterative metoder er å konstruere en følge av vektorer {x (k) } slik at hvor x er løsningen av Ax = b. lim k x(k) = x, I praksis stopper man ved en minimum verdi av k slik at 14/19 x (k) x < ε, hvor ε er en bestemt toleranse. Siden eksakt løsning er vanligvis ikke tilgjengelig, er det nødvendig å introdusere et passende stoppkriterium Stasjonære metoder De enkleste iterative metoder har formen nå er initialløsning x (0) gitt. G kalles iterasjonsmatrise x (k+1) = Gx (k) + c, k = 0, 1,..., G, c må være slik at den fikset punkt x = Gx + c er også løsningen til Ax = b. Hvis G, c er konstante, metoder kalles stasjonære

15 x (k+1) = Gx (k) + c, k = 0, 1,..., x (0) gitt Hvordan finner vi G, c? En generell teknikk brukt i mange iterative metoder, tar utgangspunkt i en splitting av matrisen A i A = M N hvorav M er ikkesingulær. 15/19 Gitt en initiell løsning x (0), kan vi regne ut x (k+1), for k 0, ved å løse systemet Mx (k+1) = Nx (k) + b Iterasjonsmatrisen er G = M 1 N Vektoren c = M 1 b Vektoren kalles residualvektoren i iterasjon k. r (k) = b Ax (k)

16 Om konvergens x (k+1) = Gx (k) + c, k = 0, 1,..., x (0) gitt Vi subtrahere x (k) = Gx (k 1) + c, x (k+1) x (k) = G(x (k) x (k 1) ), = G 2 (x (k 1) x (k 2) ) = = G k (x (1) x (0) ) 16/19 For at x (k) skal konvergere til x for alle initielle x (0), må x (k+1) x (k) konvergere til 0, og denne skjeer bare hvis lim k Gk = O ρ(g) < 1, ρ(g) = max{ λ : λ eigenverdi av G} ρ(g) kalles spektral radius av G, for alle mulige matrisenormer. ρ(g) G For raskest konvergens, ønsker man ρ(g) = ρ(m 1 N) minst mulig, men den må balanseres med kostnade av å løse likningssystemet Mx (k+1) = Nx (k) + c.

17 Jacobis metode Vi splitter matrisen A = M N som 17/19 A = L + D + U, M = D, N = (L + U) Iterasjoner x (k+1) = M 1 (Nx (k) + b) blir x (k+1) = D 1 ( (L + U)x (k) + b) Obs! a i,i 0 og komponentvis ( x (k+1) i = 1 b i ) a i,j x (k) j, i = 1, 2,..., n a i,i j i trenger dobbelt lagringsplass for de ukjente (for x (k+1), x (k) ) kan løses i vilkålig rekkefølge (ideelt på parallele maskiner) konvergerer som oftest (konvergens er garantert for PD matriser) kan være litt treg...

18 Gauss Seidels metode Vi splitter matrisen A = M N som 18/19 Iterasjoner x (k+1) = M 1 (Nx (k) + b) blir og komponentvis x (k+1) i = 1 a i,i ( A = L + D + U, M = D + L, N = U x (k+1) = (D + L) 1 ( Ux (k) + b) b i j<i a i,j x (k+1) j j>i a i,j x (k) j ), i = 1, 2,..., n trenger ikke dobbelt lagringsplass for de ukjente (for x (k+1), kan skrives over x (k) ) må løses en bestemt rekkefølge konvergens egenskaper er litt bedre enn for Jakobi (konvergens er garantert for PD matriser) konvergerer fortere enn Jacobi, men det er fortsatt treg i praksis...

19 Suksessiv overrelaksasjonsmetode (SOR) 19/19

Ikke lineære likninger

Ikke lineære likninger Ikke lineære likninger Opp til nå har vi studert lineære likninger og lineære likningsystemer. 1/19 Ax = b Ax b = 0. I en dimensjon, lineære likninger kan alltid løses ved hjelp av formler: ax + b = 0

Detaljer

MA2501 Numeriske metoder

MA2501 Numeriske metoder MA2501 Numeriske metoder Løsningsforslag, øving 7 Oppgave 1 a) Vi vet at r = Ae e = A 1 r. La være en vektornorm på R n med en tilhørende avledet (subordinat) matrisenorm på R n n. Siden blir Ax A = sup

Detaljer

MA2501 Numeriske metoder

MA2501 Numeriske metoder MA250 Numeriske metoder Oppgave Løsningsforslag, øving 7 a) Vi vet at r = Ae e = A r. La være en vektornorm på R n med en tilhørende avledet (subordinat) matrisenorm på R n n. Siden blir Ax A = sup Ax

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

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

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

Forelesning 1 I162A-I162. Antonella Zanna. Institutt for informatikk (rom 4143)

Forelesning 1 I162A-I162. Antonella Zanna.  Institutt for informatikk (rom 4143) I162A-I162 http://realfag.uib.no/fag/2002v/i162 1/18 Forelesning 1 Antonella Zanna Institutt for informatikk (rom 4143) email: anto@ii.uib.no Beregningsvitenskap 2/18 Beregningsvitenskap Vårt hverdagsliv

Detaljer

Forelesning 1 I162A-I162. Antonella Zanna. Institutt for informatikk (rom 4143)

Forelesning 1 I162A-I162. Antonella Zanna.  Institutt for informatikk (rom 4143) I162A-I162 http://realfag.uib.no/fag/2002v/i162 1/18 Forelesning 1 Antonella Zanna Institutt for informatikk (rom 4143) email: anto@ii.uib.no Beregningsvitenskap Vårt hverdagsliv er blitt veldig teknologisk:

Detaljer

Flyttalls aritmetikk. I datamaskinen er alle tall representert i flyttalls aritmetikk.

Flyttalls aritmetikk. I datamaskinen er alle tall representert i flyttalls aritmetikk. Flyttalls aritmetikk I datamaskinen er alle tall representert i flyttalls aritmetikk. 1/21 Det betyr at desimal punktet ( float, floating point arithmetic på engelsk) beveger seg slik at store og små tall

Detaljer

Opp til nå har problemstilling vart: Gitt en funksjon f, finn for hvilket verdier av de variabler f tar en bestemt verdi. Ax = b, f(x) = 0.

Opp til nå har problemstilling vart: Gitt en funksjon f, finn for hvilket verdier av de variabler f tar en bestemt verdi. Ax = b, f(x) = 0. Interpolasjon Opp til nå har problemstilling vart: Gitt en funksjon f, finn for hvilket verdier av de variabler f tar en bestemt verdi. 1/9 Ax = b, f(x) = 0. Ved interpolasjon, er problemet det motsatte:

Detaljer

a) Matrisen I uv T har egenverdier 1, med multiplisitet n 1 og 1 v T u, med multiplisitet 1. Derfor er matrisen inverterbar når v T u 1.

a) Matrisen I uv T har egenverdier 1, med multiplisitet n 1 og 1 v T u, med multiplisitet 1. Derfor er matrisen inverterbar når v T u 1. Norges teknisknaturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Oppgave 1 a) Matrisen I uv T har egenverdier 1, med multiplisitet n 1 og 1 v T u, med multiplisitet 1. Derfor er

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

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

EKSAMEN I EMNET MAT160 Beregningsalgoritmer 1 Mandag 12 februar 2007 LØSNINGSFORSLAG

EKSAMEN I EMNET MAT160 Beregningsalgoritmer 1 Mandag 12 februar 2007 LØSNINGSFORSLAG Universitetet i Bergen Det matematisk naturvitenskapelige fakultet Matematisk institutt Side 1 av 5 BOKMÅL EKSAMEN I EMNET MAT160 Beregningsalgoritmer 1 Mandag 12 februar 2007 LØSNINGSFORSLAG Tillatte

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MAT-INF 11 Modellering og beregninger. Eksamensdag: Torsdag 12. oktober 26. Tid for eksamen: 9: 11:. Oppgavesettet er på 8 sider.

Detaljer

Kvadratur. I(f) = f(x)dx.

Kvadratur. I(f) = f(x)dx. Kvdrtur Når mn snkker om numerisk kvdrtur er mn interessert i pproksimere integrler v funksjoner (som representerer reler, volumer, densiteter, o.s.v.) I(f) = f(x)dx. Det klles for kvdrtur fordi i gmle

Detaljer

7.4 Singulærverdi dekomposisjonen

7.4 Singulærverdi dekomposisjonen 7.4 Singulærverdi dekomposisjonen Singulærverdi dekomposisjon til en matrise A er en av de viktigste faktoriseringene av A (dvs. A skrives som et produkt av matriser). Den inneholder nyttig informasjon

Detaljer

Taylorpolynom (4.8) f en funksjon a et punkt i definisjonsmengden til f f (minst) n ganger deriverbar i a Da er Taylorpolynomet til f om a

Taylorpolynom (4.8) f en funksjon a et punkt i definisjonsmengden til f f (minst) n ganger deriverbar i a Da er Taylorpolynomet til f om a Taylorpolynom (4.8) f en funksjon a et punkt i definisjonsmengden til f f (minst) n ganger deriverbar i a Da er Taylorpolynomet til f om a P n (x) = f (a) + f (a)(x a) + f (a) 2 (x a)2 + + f (n) (a) (x

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

6.5 Minste kvadraters problemer

6.5 Minste kvadraters problemer 6.5 Minste kvadraters problemer I mange anvendte situasjoner møter man lineære likningssystemer som er inkonsistente, dvs. uten løsninger, samtidig som man gjerne skulle ha funnet en løsning. Hva gjør

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

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

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

Generell informasjon om faget er tilgjengelig fra It s learning. 1 En kort oppsummering Adaptiv filtrering 2. 3 Prediksjon 4

Generell informasjon om faget er tilgjengelig fra It s learning. 1 En kort oppsummering Adaptiv filtrering 2. 3 Prediksjon 4 Stavanger, 13. august 2013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 2013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 1 En kort oppsummering. 1 2 Adaptiv

Detaljer

Representasjon av tall på datamaskin Kort innføring for MAT-INF1100L

Representasjon av tall på datamaskin Kort innføring for MAT-INF1100L Representasjon av tall på datamaskin Kort innføring for MAT-INF00L Knut Mørken 3. desember 204 Det er noen få prinsipper fra den første delen av MAT-INF00 om tall som studentene i MAT-INF00L bør kjenne

Detaljer

Newtons metode. Gitt f(x) slik at f(a)f(b) < 0, Newtons metode genererer en følge {x k }, hvor. (Newton Raphson) x k+1 = x k f(x k) f (x k )

Newtons metode. Gitt f(x) slik at f(a)f(b) < 0, Newtons metode genererer en følge {x k }, hvor. (Newton Raphson) x k+1 = x k f(x k) f (x k ) Newtons metode 1/15 Gitt f(x) slik at f(a)f(b) < 0, Newtons metode genererer en følge {x k }, hvor x k+1 = x k f(x k) f (x k ) x 0 [a, b] gitt. (Newton Raphson) y=f(x) x k+1 x k Konvergens: Iterasjons

Detaljer

Vær OBS på at svarene på mange av oppgavene kan skrives på flere ulike måter!

Vær OBS på at svarene på mange av oppgavene kan skrives på flere ulike måter! Vær OBS på at svarene på mange av oppgavene kan skrives på flere ulike måter! Oppgave.. a x y = x + y = r r r +r r x y = y fri x y = y fri Vi får én fri variabel, og løsningens har følgelig dimensjon.

Detaljer

Løsning ved iterasjon

Løsning ved iterasjon Løsning ved iterasjon Arne Morten Kvarving Department of Mathematical Sciences Norwegian University of Science and Technology 17. September 2009 Problem Gitt problemet f (x) = 0 for en eller annen funksjon

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

Homogene lineære ligningssystem, Matriseoperasjoner

Homogene lineære ligningssystem, Matriseoperasjoner Homogene lineære ligningssystem, Matriseoperasjoner E.Malinnikova, NTNU, Institutt for matematiske fag September 22, 2010 Antall løsninger til et lineær ligningssystem Teorem Et lineært ligningssytem har

Detaljer

Obligatorisk innleveringsoppgave, løsning Lineær algebra, Våren 2006

Obligatorisk innleveringsoppgave, løsning Lineær algebra, Våren 2006 Obligatorisk innleveringsoppgave, løsning Lineær algebra, Våren 006 Oppgave I hele oppgaven bruker vi I = 0 0 0 0. 0 0 a) Matrisen A har størrelse og B har størrelse slik at matriseproduktet A B er en

Detaljer

EKSAMEN I NUMERISK MATEMATIKK(TMA4215) Lørdag 20. desember 2003 Tid: 09:00 14:00, Sensur:

EKSAMEN I NUMERISK MATEMATIKK(TMA4215) Lørdag 20. desember 2003 Tid: 09:00 14:00, Sensur: Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 6 Faglig kontakt under eksamen: Navn: Brynjulf Owren (9264) EKSAMEN I NUMERISK MATEMATIKK(TMA425) Lørdag 2. desember

Detaljer

Et forsøk på et oppslagsverk for TMA4145 Lineære metoder

Et forsøk på et oppslagsverk for TMA4145 Lineære metoder Et forsøk på et oppslagsverk for TMA4145 Lineære metoder Ruben Spaans May 21, 2009 1 Oppslagsverk Adjungert Ball, la (X, d) være et metrisk rom og la ɛ > 0. Da er for x 0 X: 1. B(x 0 ; ɛ) = {x x X d(x,

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

x n+1 rx n = 0. (2.2)

x n+1 rx n = 0. (2.2) Kapittel 2 Første ordens lineære differenslikninger 2.1 Homogene likninger Et av de enkleste eksemplene på en følge fås ved å starte med et tall og for hvert nytt ledd multiplisere det forrige leddet med

Detaljer

Pensum i lineæralgebra inneholder disse punktene.

Pensum i lineæralgebra inneholder disse punktene. Pensum i lineæralgebra inneholder disse punktene. 1) Løsning av lineære ligningssystem. Finne løsning hvis den fins og også avgjøre om løsning ikke fins. Entydig, flertydig løsning. 2) Overføre en matrise

Detaljer

Egenverdier for 2 2 matriser

Egenverdier for 2 2 matriser Egenverdier for matriser (Bearbeidet versjon av tidligere notat på nett-sidene til MA101 - Lineær algebra og geometri Versjon oppdatert med referanser til 10utg av læreboken) Egenvektorer og egenverdier

Detaljer

Numerisk lineær algebra for Poissons ligning

Numerisk lineær algebra for Poissons ligning Numerisk lineær algebra for Poissons ligning NTNU Brynjulf Owren Institutt for matematiske fag November 24, 2008 1 / 30 Innhold 1 Motivasjon, generelt om ligningsløsning 2 Poisson s ligning i 2 dimensjoner

Detaljer

Oppgave 14 til 9. desember: I polynomiringen K[x, y] i de to variable x og y over kroppen K definerer vi undermengdene:

Oppgave 14 til 9. desember: I polynomiringen K[x, y] i de to variable x og y over kroppen K definerer vi undermengdene: HJEMMEOPPGAVER utgave av 8-12-2002): Oppgave 15 til 16 desember: La H være mengden av alle matriser på formen A = a 1 a 12 a 13 a 1n 0 a 2 0 0 0 0 a 3 0 0 0 a n der a 1 a 2 a n 0 Videre la SH være matrisene

Detaljer

UNIVERSITET I BERGEN

UNIVERSITET I BERGEN UNIVERSITET I BERGEN Det matematisk-naturvitenskapelige fakultet BOKMÅL Løsningsforslag eksamen MAT - Lineær algebra H Med forbehold om skrivefeil. Oppgave. Betrakt A = 6 5, b = 6 b (a) (b) Finn den reduserte

Detaljer

Eksamensoppgave i TMA4135 Matematikk 4D

Eksamensoppgave i TMA4135 Matematikk 4D Institutt for matematiske fag Eksamensoppgave i TMA435 Matematikk 4D Faglig kontakt under eksamen: Helge Holden a, Gard Spreemann b Tlf: a 92038625, b 93838503 Eksamensdato: 2. desember 204 Eksamenstid

Detaljer

MAT Grublegruppen Uke 37

MAT Grublegruppen Uke 37 MAT00 - Grublegruppen Uke 37 Jørgen O. Lye Bemerkning: Mye av stoffet i dette notatet er å finne i Kalkulus, kapittel. Dette kapittelet er leselig etter man vet hva følger er, men er ikke pensum før i

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Ny/utsatt eksamen i Eksamensdag: 9. august 2. Tid for eksamen: 9 2. Oppgavesettet er på 8 sider. Vedlegg: Tillatte hjelpemidler: MAT Kalkulus

Detaljer

Øving 2 Matrisealgebra

Øving 2 Matrisealgebra Øving Matrisealgebra Gå til menyen Edit Preferences... og sett Format type of new output cells til TraditionalForm hvis det ikke allerede er gjort. Start med to eksempelmatriser med samme dimensjon: In[]:=

Detaljer

A 2 = PDP 1 PDP 1 = PD 2 P 1. og ved induksjon får vi. A k = PD k P 1. Kommentarer:

A 2 = PDP 1 PDP 1 = PD 2 P 1. og ved induksjon får vi. A k = PD k P 1. Kommentarer: 5.3 Diagonalisering Det ville være fint om en matrise A var similær med en diagonalmatrise D: da har vi funnet egenverdiene, og kan f.eks. lett beregne A k. Når er dette tilfelle? Det er tema i denne seksjonen.

Detaljer

Newtons interpolasjon og dividerte differanser

Newtons interpolasjon og dividerte differanser Newtons interpolasjon og dividerte differanser Gitt (x i, y i ), for i = 0, 1,..., n, Newtons basis funksjoner er definert som 1/16 j 1 π j (x) = (x x 0 )(x x 1 ) (x x j 1 ) = (x x k ) for j = 1,..., n

Detaljer

Løsningsforslag til prøveeksamen i MAT 1110, våren 2006

Løsningsforslag til prøveeksamen i MAT 1110, våren 2006 Løsningsforslag til prøveeksamen i MAT, våren 6 Oppgave : a) Vi har C 5 3 II+( )I a + 3a 3a III+I 3 II 3 3 3 3 a + 3a 3a 3 a + 3a 3a III+II I+( ))II 3 3 3 a + 3a 3a 3 3 3 a + 3a 4 3 3a a + 3a 4 3 3a b)

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

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 UiO. 10. mai Våren 2010 MAT 1012

MAT UiO. 10. mai Våren 2010 MAT 1012 MAT Våren UiO. / 7 Betrakt et system x = A x der A M n (R) er diagonaliserbar. Vi har sett at systemet kan løses ved frakoblingsmetoden: Vi finner da P = [v v n ] (inverterbar) og D (diagonal) som diagonaliserer

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

Obligatorisk oppgavesett 1 MAT1120 H16

Obligatorisk oppgavesett 1 MAT1120 H16 Obligatorisk oppgavesett MAT0 H6 Innleveringsfrist: torsdag /09 06, 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

16 Ortogonal diagonalisering

16 Ortogonal diagonalisering Ortogonal diagonalisering Ortogonale matriser Definisjon (Def 7) En n n matrise A kalles ortogonal dersom den er invertibel og A A T Denne betingelsen er ekvivalent til at der I n er n n identitesmatrisen

Detaljer

Løsningsforslag. Oppgave 1 Gitt matrisene ] [ og C = A = 4 1 B = 2 1 3

Løsningsforslag. Oppgave 1 Gitt matrisene ] [ og C = A = 4 1 B = 2 1 3 Prøve i Matematikk BYFE DAFE Dato: 27. mai 26 Hjelpemiddel: Kalkulator og formelark Alle svar skal grunngis. Alle deloppgaver har lik vekt. Løsningsforslag Oppgave Gitt matrisene [ 2 A 4 B [ 2 og C [ 2

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MAT-INF 1100 Modellering og beregninger Eksamensdag: 15. oktober 004 Tid for eksamen: 11:00 13:00 Oppgavesettet er på 8 sider.

Detaljer

Tiden går og alt forandres, selv om vi stopper klokka. Stoffet i dette kapittelet vil være en utømmelig kilde med tanke på eksamensoppgaver.

Tiden går og alt forandres, selv om vi stopper klokka. Stoffet i dette kapittelet vil være en utømmelig kilde med tanke på eksamensoppgaver. Kapittel 4 Anvendelser av lineære likningssystemer Tiden går og alt forandres, selv om vi stopper klokka Stoffet i dette kapittelet vil være en utømmelig kilde med tanke på eksamensoppgaver 4 Populasjonsdynamikk

Detaljer

MAT Oblig 1. Halvard Sutterud. 22. september 2016

MAT Oblig 1. Halvard Sutterud. 22. september 2016 MAT1110 - Oblig 1 Halvard Sutterud 22. september 2016 Sammendrag I dette prosjektet skal vi se på anvendelsen av lineær algebra til å generere rangeringer av nettsider i et web basert på antall hyperlinker

Detaljer

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

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

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

MAT 1120: Obligatorisk oppgave 1, H-09

MAT 1120: Obligatorisk oppgave 1, H-09 MAT 110: Obligatorisk oppgave 1, H-09 Innlevering: Senest fredag 5. september, 009, kl.14.30, på Ekspedisjonskontoret til Matematisk institutt (7. etasje NHA). Du kan skrive for hånd eller med datamaskin,

Detaljer

Ikke-separable problemer

Ikke-separable problemer Feilrettingsmetoder Ikke-separable problemer Feilrettingsmetodene konvergerer under gitte betingelser til løsningsvektorer for lineært separable problemer, men kan også gi gode resultater på ikke-separable

Detaljer

MAT UiO mai Våren 2010 MAT 1012

MAT UiO mai Våren 2010 MAT 1012 200 MAT 02 Våren 200 UiO 0-2. 200 / 48 200 Betrakt et system x = A x der A M n (R) er diagonaliserbar. Vi har sett at systemet kan løses ved frakoblingsmetoden: Vi finner da P = [v v n ] (inverterbar)

Detaljer

Kortfattet løsningsforslag til ekstra prøveeksamen i MAT1100, høsten 2014

Kortfattet løsningsforslag til ekstra prøveeksamen i MAT1100, høsten 2014 Kortfattet løsningsforslag til ekstra prøveeksamen i MAT, høsten 4 DEL Oppgave. 3 poeng Hvis f, y = ye y, er f y lik: A y 3 e y B y e y C e y ye y D e y y e y E e y ye y Riktig svar: D e y y e y Oppgave.

Detaljer

Rang og Vektorrom. Magnus B. Botnan NTNU. 4. august, 2015

Rang og Vektorrom. Magnus B. Botnan NTNU. 4. august, 2015 Rang og Vektorrom Magnus B. Botnan NTNU 4. august, 2015 Lineær Uavhengighet La v (1),..., v (m) være vektorer av samme størrelse. Vi sier at vektorene er lineært avhengige hvis det finnes konstanter c

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

1 Gauss-Jordan metode

1 Gauss-Jordan metode Merknad I dette Kompendiet er det gitt referanser både til læreboka og til selve Kompendiet Hvordan å gjenkjenne dem? Referansene til boka er 3- tallede, som Eks 3 Vi kan også referere til 22, kap 22 eller

Detaljer

Numerisk løsning av PDL

Numerisk løsning av PDL Numerisk løsning av PDL Arne Morten Kvarving Department of Mathematical Sciences Norwegian University of Science and Technology 6. November 2007 Problem og framgangsmåte Fram til nå har vi sett på ordinære

Detaljer

Reelle tall på datamaskin

Reelle tall på datamaskin Reelle tall på datamaskin Knut Mørken 5. september 2007 1 Innledning Tirsdag 4/9 var tema for forelesningen hvordan reelle tall representeres på datamaskin og noen konsekvenser av dette, særlig med tanke

Detaljer

EKSAMEN I TMA4180 OPTIMERINGSTEORI

EKSAMEN I TMA4180 OPTIMERINGSTEORI Norges teknisknaturvitenskapelige universitet Institutt for matematiske fag Side av 4 Faglig kontakt under eksamen: Marte Pernille Hatlo 7359698 / 97537854 EKSAMEN I TMA48 OPTIMERINGSTEORI Fredag 2. juni

Detaljer

Bioberegninger, ST1301 Onsdag 1. juni 2005 Løsningsforslag

Bioberegninger, ST1301 Onsdag 1. juni 2005 Løsningsforslag Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Bioberegninger, ST1301 Onsdag 1. juni 2005 Løsningsforslag Oppgave 1 a) Verdien av uttrykkene blir som følger: >

Detaljer

Seminaroppgave 10. (a) Definisjon: En estimator θ. = θ, der n er et endelig antall. observasjoner. Forventningsretthet for β: Xi X ) Z i.

Seminaroppgave 10. (a) Definisjon: En estimator θ. = θ, der n er et endelig antall. observasjoner. Forventningsretthet for β: Xi X ) Z i. Seminaroppgave 0 a Definisjon: En estimator θ n er forventningsrett hvis E θn observasjoner. Forventningsretthet for β: θ, der n er et endelig antall β Xi X Y i Xi X Xi X α 0 + βx i + n Xi X Xi X β + Xi

Detaljer

Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. 1 Adaptiv filtrering 2.

Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. 1 Adaptiv filtrering 2. Stavanger, 23. juni 2017 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2017. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. Innhold

Detaljer

Diskret matematikk tirsdag 13. oktober 2015

Diskret matematikk tirsdag 13. oktober 2015 Eksempler på praktisk bruk av modulo-regning. Tverrsum Tverrsummen til et heltall er summen av tallets sifre. a = 7358. Tverrsummen til a er lik 7 + 3 + 5 + 8 = 23. Setning. La sum(a) stå for tverrsummen

Detaljer

Oppgave 1 (25 %) - Flervalgsoppgaver

Oppgave 1 (25 %) - Flervalgsoppgaver Oppgaver og løsningsforslag for 4t eksamen 10.mai 006 i LO510D Lineær algebra med grafiske anvendelser. Fra og med oppgave skal alle svar begrunnes. Oppgave 1 (5 %) - Flervalgsoppgaver Denne oppgaven består

Detaljer

Eksamen i TMA4122 Matematikk 4M

Eksamen i TMA4122 Matematikk 4M Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 6 Faglig kontakt under eksamen: Yura Lyubarskii: mobil 9647362 Anne Kværnø: mobil 92663824 Eksamen i TMA422 Matematikk

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

Sortering i Lineær Tid

Sortering i Lineær Tid Sortering i Lineær Tid Lars Vidar Magnusson 5.2.2014 Kapittel 8 Counting Sort Radix Sort Bucket Sort Sammenligningsbasert Sortering Sorteringsalgoritmene vi har sett på så langt har alle vært sammenligningsbaserte

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

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

SIF5030/75047 Optimeringsteori, 5 timer. Ingen hjelpemidler.

SIF5030/75047 Optimeringsteori, 5 timer. Ingen hjelpemidler. Oppgave1: SIF5/757 Optimeringsteori, 5 timer Ingen hjelpemidler. (a) Forklar hva som menes med en konveks funksjon, og argumentér for at alle minima til en konveks funksjon på en konveks mengde er globale

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MoD200 Eksamensdag: 15. desember 2003 Tid for eksamen: 14.30 17.30 Oppgavesettet er på 5 sider. Vedlegg: Tillatte hjelpemidler:

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

Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag. Side 1 av 6. Faglig kontakt under eksamen: Navn: Brynjulf Owren (93518)

Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag. Side 1 av 6. Faglig kontakt under eksamen: Navn: Brynjulf Owren (93518) Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 6 Faglig kontakt under eksamen: Navn: Brynjulf Owren (93518) EKSAMEN I NUMERISK LØSNING AV DIFFERENISALLIGNINGER (75316)

Detaljer

(3/2)R 2+R 3 R 1 +R 2,( 2)R 1 +R 3 ( 2)R 1 +R 4 6/5R 3 +R 4 1/5R 3

(3/2)R 2+R 3 R 1 +R 2,( 2)R 1 +R 3 ( 2)R 1 +R 4 6/5R 3 +R 4 1/5R 3 NTNU Institutt for matematiske fag TMA4115 Matematikk 3 våren 2009 Løsningsforslag - Øving 10 Fra Edwards & Penney, avsnitt 4.4 5 Vi bruker Algoritme 1 og 2 i EP på sidene 190 og 193 for å finne en basis

Detaljer

Eksamen i TMA4123/TMA4125 Matematikk 4M/N

Eksamen i TMA4123/TMA4125 Matematikk 4M/N Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 7 Faglig kontakt under eksamen: Anne Kværnø: mobil 92663824 Eksamen i TMA423/TMA425 Matematikk 4M/N Bokmål Mandag 2.

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

x 1 x 2 x = x n b 1 b 2 b = b m Det kan være vanskelig (beregningsmessig) og bearbeide utrykk som inneholder

x 1 x 2 x = x n b 1 b 2 b = b m Det kan være vanskelig (beregningsmessig) og bearbeide utrykk som inneholder 4 Noen merknader 4. Lineære systemer Ax = b Gitt systemet Ax = b, A = [a i,j ] i=,,...,m, j=,,...,n x = b = Det kan være vanskelig (beregningsmessig) og bearbeide utrykk som inneholder b i. Med det finnes

Detaljer

Ortogonale polynom og Gauss kvadratur

Ortogonale polynom og Gauss kvadratur Ortogonale polynom og Gauss kvadratur Hans Munthe-Kaas 1. jaunar 2002 Sammendrag Dette notatet tar for seg minste kvadrat approksimasjoner, ortogonale polynom og Gauss kvadratur. Notatet er ment som et

Detaljer

Analysedrypp III: ɛ-δ og alt det der

Analysedrypp III: ɛ-δ og alt det der Analysedrypp III: ɛ-δ og alt det der Mange strever med ɛ-δ-argumenter. Det er flere grunner til dette: Noen har problemer med å forstå den underliggende tankegangen, mens andre sliter med de grunnleggende

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

FYS1120 Elektromagnetisme

FYS1120 Elektromagnetisme Det matematisk-naturvitenskapelige fakultet Universitetet i Oslo FYS112 Elektromagnetisme Løsningsforslag til ukesoppgave 2 Oppgave 1 a) Gauss lov sier at den elektriske fluksen Φ er lik den totale ladningen

Detaljer

Del 1 - Uten hjelpemidler

Del 1 - Uten hjelpemidler Del 1 - Uten hjelpemidler Oppgaveteksten til del 1 ligger i: http://www.ulven.biz/r1/heldag/r1_hd_100516.docx (Oppgaveteksten til del er inkludert i dette dokumentet.) Oppgave 1 f x 3x 1 x 1 x (Husk: x

Detaljer

Vi skal koble diagonalisering av matriser sammen med ortogonalitet. Skal bl.a. se på

Vi skal koble diagonalisering av matriser sammen med ortogonalitet. Skal bl.a. se på Kap. 7 Innledning Vi skal koble diagonalisering av matriser sammen med ortogonalitet. Skal bl.a. se på Symmetriske matriser. Disse matrisene har uvanlig pene egenskaper mht. diagonalisering. Kvadratiske

Detaljer

Kap. 6 Ortogonalitet og minste kvadraters problemer

Kap. 6 Ortogonalitet og minste kvadraters problemer Kap. 6 Ortogonalitet og minste kvadraters problemer vanlig indreprodukt (prikkprod.) i IR n, egenskaper. ortogonalitet i IR n Pythagoras teorem: u og v i IR n er ortogonale hvis og bare hvis u + v 2 =

Detaljer

Høgskolen i Oslo og Akershus. = 2xe 2x + x 2 e 2x (2x) = 2xe 2x + 2x 2 e 2x = 2xe 2x (1 + x) e 2x + x 2 ( e 2x) 1 sin x (sin x) + 2x = cos x

Høgskolen i Oslo og Akershus. = 2xe 2x + x 2 e 2x (2x) = 2xe 2x + 2x 2 e 2x = 2xe 2x (1 + x) e 2x + x 2 ( e 2x) 1 sin x (sin x) + 2x = cos x Oppgåve a) i) ii) f(x) x e x f (x) ( x ) e x + x ( e x) xe x + x e x (x) xe x + x e x xe x ( + x) g(x) ln(sin x) + x g (x) sin x (sin x) + x cos x sin x + x tan x + x b) i) ( x + ) dx x x dx+ x dx x +

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

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

(s + 1) s(s 2 +2s+2) : 1 2 s s + 2 = 1 2. s 2 + 2s cos(t π) e (t π) sin(t π) e (t π)) u(t π)

(s + 1) s(s 2 +2s+2) : 1 2 s s + 2 = 1 2. s 2 + 2s cos(t π) e (t π) sin(t π) e (t π)) u(t π) NTNU Institutt for matematiske fag Eksamen i TMA4 Matematikk 4K og MA5 Kompl. f.teori med diff.likninger.8.4 Løsningsforslag Laplace-transformasjon av initialverdiproblemet gir y + y + y ut π), y), y )

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