Szakdolgozat. Függvényminimalizálás a Wolfram Mathematica-ban. Matematika BSc. Szerz: : Végh László. Témavezet: : Dr. Vajda Róbert
|
|
- Elemér Bakos
- 5 évvel ezelőtt
- Látták:
Átírás
1 Szakdolgozat Matematika BSc Függvényminimalizálás a Wolfram Mathematica-ban Szerz: : Végh László émavezet: : Dr. Vajda Róbert Szegedi udományegyetem Bolyai Intézet Analízis anszék 3
2 artalomjegyzék
3 . Bevezetés Dolgozatom célja, Rn R képez: függvényeken keresztül bemutatni különböz: minimalizálási módszereket a Wolfram Mathematica program segítségével. (Elég minimalizálással foglalkozni, hiszen a maximalizáláshoz, csupán a függvény --szeresét kell minimalizálni.) A dolgozatban csak kényszerfeltétel nélküli módszerekkel foglalkozunk. Gyakorlatban nagyon hasznos a matematika ezen ága. Különböz: gazdaságtani problémák, mint a hasznosság maximalizása, illetve a kiadás minimalizálása is többváltozós függvény optimalizálási feladatok. A mérnöki tudományokban több tervezési probléma is kifejezhet: optimalizációs feladatként. Ezt az alkalmazást tervezési optimalizációnak nevezzük. Azért választottam e témát, mert egyrészt mindig érdekelt a matematika ezen ága, másrészt a gyakorlatban nagyon fontos szerepe van. A számítógépek fejl: désével, már sokkal hatékonyabban dolgozhatunk hasonló problémákon. A dolgozat els: részében az alapvet: tételeken és definíciókon keresztül felépítjük a lejt: módszerek általános alakját, majd pedig a kés: bbiekben vizsgált gradiens és módosított Newton-Raphson módszert. A harmadik fejezetben egy gazdaságos vonalmenti minimumkeresési stratégiát valósítunk meg a Wolfram Mathematica program segítségével. Ezek után különböz: példákon keresztül mutatjuk be a gradiens és módosított Newton-Raphson módszer m> ködését, illetve azok konvergenciájának gyorsaságát. Foglalkozunk a Mathematica erre a célra beépített funkcióival is, majd pedig összehasonlítjuk az általunk definiált módszerekkel. Alkalmazásként A.x = b alakú lineáris egyenletrendszerek megoldásával foglalkozunk a gradiens módszer segítségével. Az A mátrixról kikötjük, hogy szimmetrikus és pozitív definit. Definiáljuk a QHxL = x Ax -x b kvadratikus alakot, amelyet minimalizálva nyerjük az egyenletrendszer megoldásait. A dolgozat végén a függelékben olvashatóak a használt utasítások leírásai. 3
4 . Lejt: módszerek.. Alapfeladat Feladat: Legyen adott egy g HxL : D R folytonos függvény, ahol D egy korlátos zárt halmaz Rn -ben. Meg szeretnénk határozni e függvény lokális (vagy totális) minimumhelyét. Az x* Î D minimumhelyre a g HxL ³ g Hx* L egyenl: tlenség teljesül x* valamely környezetében (vagy " x Î D-re)... Definíciók, tételek Definíció: Egy f : R R függvény folytonos az a Ε R pontban, ha n H" Ε > L H$ > L H" x Î RL H x - a < f HxL - f HaL < ΕL. Definícó: Egy H Ì R halmaz korlátos és zárt, ha komplementere nyílt és " a Î H-ra, $ M > úgy, hogy a n < M. Definíció: Egy p vektort a g HxL függvény lejt: jének nevezünk x-ben, ha p ¹ és $ >, hogy " < h < ra Ekkor g HxL lokálisan csökken a p irányában. g Hx + hpl < g HxL. Definíció: Egy g HxL parciálisan differenciálható függvény gradiens vektorán a következ: t értjük: grad g HxL := g HxL x g HxL x... g HxL xn étel: Ha a g H xl függvény parciálisan differenciálható x-ben, illetve grad g H xl p <, akkor p lejt: x-ben. (Elegend: feltétel lejt: létezésére.) Definíció:. vektornorma elliptikus, ha p := Ip A pm, ahol p Î Rn és az A n n-es mátrix szimmetrikus és pozitív definit. Definíció: Egy g HxL függvény legmeredekebb lejt: je az x helyen az. elliptikus vektornormára nézve az a p ¹ vektor, melyre grad g HxL p p = min lokálisan a p irányában csökken maximálisan g HxL. q¹ grad g HxL q q étel: Legyen g HxL parciálisan differenciálható az x helyen, illetve A az elliptikus vektornormához választott szimmetrikus, pozitív definit mátrix. Ekkor a 4
5 étel: Legyen g HxL parciálisan differenciálható az x helyen, illetve A az elliptikus vektornormához választott szimmetrikus, pozitív definit mátrix. Ekkor a p : = -A - grad g HxL vektor legmeredekebb lejt: x-ben az. elliptikus vektornormára nézve. Definíció: Legyen g HxL legalább kétszer parciálisan differenciálható függvény. Ekkor g HxL Hessemátrixát az alábbi módon definiáljuk: Hg HxL := B g HxL F x j xk H j, k =,,..., nl. Definíció: Legyen g HxL differenciálható függvény. Ekkor g HxL Jacobi-mátrixán a következ: t értjük: Jg HxL := B g HxL F x j H j =,,..., nl. Megjegyzés: Ha g HxL második parciális deriváltjai léteznek az x egy környezetében és folytonosak is xben, akkor a Hg HxL egy szimmetrikus mátrix. A Hesse-mátrixra igaz a következ: : Hg HxL = Jg Hgrad g HxLL, vagyis egy függvény Hesse-mátrixa megegyezik a gradiensének Jacobi-mátrixával..3. Lejt: módszer általános alakja Miután megismerkedtünk az alapvet: definíciókkal illetve tételekkel, a minimum keresésre bevezethetjük a lejt: módszerek általános alakját leíró iterációt. Legyen x Î D tetsz: leges kiinduló pont. Az x lényegében egy általunk választott kezd: közelítés a minimumhelyre, tehát a keresést lerövidítheti egy jól megválasztott kezd: pont. Legyen HL - m xm+ := xm - Αm A grad g Hxm L ahol a Λ = Αm -et a következ: feltétel alapján határozzuk meg: HL g Hxm+ L := min g Ixm - Λ A Λ> Ez a vonalmenti minimum biztosan létezik, és g Hxm+ L < g Hxm L Hm =,,,...L, - m grad g Hxm LM. Hm =,,,...L. Ezzel definiáltuk a lejt: módszerek általános alakját, azonban a gyakorlati alkalmazás el: tt meg kell határoznunk az A m mátrixot. A dolgozatban a két leggyakoribb esetetet vizsgáljuk. Ezek a gradiens és módosított Newton-Raphson módszerek..4. Gradiens és módosított Newton-Raphson módszer A gradiens módszer alkalmazásakor az A m -et xm+ := xm - Αm grad g H xm L az I egységmátrixnak választjuk. Ekkor az Hm =,,,...L, képlettel kapjuk az iteráció lépéseit. Αm -et pedig a () feltételb: l nyerjük. A módosított Newton-Raphson módszer használatakor az A m := Hg Hxm L választandó feltéve, hogy a Hesse-mátrix létezik és nem szinguláris. Ekkor xm+ := xm - Hxm LD- grad g Hxm L Ha az Αm = -et választjuk, akkor ez a grad g HxL = Hm =,,,...L. nem lineáris egyenletrendszerre alkalmazott Newton-Raphson módszer. Ebben az esetben a NewtonRaphson módszer gyakran túll: a célon. Amikor Αm -et a () feltétel alapján választjuk, akkor a 5
6 nem lineáris egyenletrendszerre alkalmazott Newton-Raphson módszer. Ebben az esetben a NewtonRaphson módszer gyakran túll: a célon. Amikor Αm -et a () feltétel alapján választjuk, akkor a g Hxm+ L < g Hxm L Hm =,,,...L egyenl: tlenség garantáltan teljesül. A következ: fejezetben a vonalmenti minimum meghatározására keresünk gazdaságos stratégiát. 6
7 3. Vonalmenti minimum keresés 3.. Alapfeladat Legyen EHxL egy hibafunkcionál, ekkor keressük EHxL minimumhelyét a v, v,... vektorok által meghatározott irányokban. Kiindulásként tekintsük az Hm =,,...; x adottl xm+ := xm - Αm vm iterációt, ahol a Λ = Αm -et az EHxm+ L = min EHxm + Λv m L ΛÎR feltételb: l határozzuk meg. ehát a feladatunk, egyváltozós függvények minimumhelyének közelítése. Definíció: Ha a ΦHΛL : R Hvagy R+ L R függvény konvex és létezik egy véges Λ minimumhelye, akkor Φ unimodális függvény. Mivel minden unimodális függvények pontosan egy minimumhelye van, ezért feladatunk már csak az, hogy véges számú lépésben megadjunk egy Λ -t tartalmazó, Ε > számnál kisebb hosszúságú intervallumot. Kihasználva az unimodális függvények tulajddonságait, ha Λ Î Ha, bl, a < Λ < Λ < b és ha ΦHΛ L ΦHΛ L, akkor Λ Î Ha, Λ L; ha ΦHΛ L > ΦHΛ L, akkor Λ Î HΛ, bl. 3.. Minimum keres: stratégia Legyen adott Λ Î Ha, bl, ΦHaL, ΦHbL és Ε >. Rögzítsük a < ` Ε számot. A közelítés a következ: képpen m> ködik: a+b a+b ΦI Ha a ΦI Ha a a+b a+b - M > ΦI - M ΦI Λ Î Ia, a+b + M; a+b Λ Î I -, bm. + M, akkor + M, akkor A fed: intervallumok hossza az b-a. lépésben:. lépésben: k. lépésben: b-a k + J + I b-a +, + M + = k- N= b-a 4 b-a k + I + M, + J - k- N» b-a k +, Mivel a ` Ε, ezért a k-adik fed: intervallum hossza megközelít: leg Hb - al -k. Legyen k a következ: feltételb: l: b-a k <Ε b-a k -. Ekkor b-a < k, Ε b-a k := Alog E +, Ε k - ahol [Α] az Α valós szám egészrészét jelöli. A lépések száma k, azonban minden egyes lépésben két függvényértéket kell kiszámolni. 7
8 ahol [Α] az Α valós szám egészrészét jelöli. A lépések száma k, azonban minden egyes lépésben két függvényértéket kell kiszámolni Megvalósítás Wolfram Mathematica-ban El: ször is feltesszük, hogy Λ pozitív. Els: lépésben definiáljuk a Mini függvényt, amely meghatározza a fed: intervallumokat a fent meghatározott k lépésben. A függyvény hívásához öt paramétert kell megadnunk. El: ször azt a függvényt, melynek minimum helyét szeretnénk közelíteni, majd annak változóját. A harmadik paraméter egy Ε > szám, amellyel a kívánt pontosságot tudjuk meghatározni az el: z: alfejezetben tárgyalt k definíciója szerint. Utolsó két paraméterként a kezd: intervallum két végpontját kell megadnunk. (Megjegyzés: -t el: re definiáltuk a mini függvényen belül.) Miután a függvény sikeresen hívódott, visszatér a fed: intervallumok sorozatával. Mini@expr_, var_, Ε_, a_, b_d := ModuleB8 = ^ - 8, k = Floor@Log@, Hb - al ΕDD + <, min@8a_, b_<d := IfB expr. var -> F :a, b + a + >, : b + a b + a -, b>f; N@NestList@min, 8a, b<, kd, D + ³ expr. var -> b + a -, A következ: függvényen keresztül bemutatjuk a Mini m> ködését Λ Λ Λ3 + 6 Λ4 7 Ábrázolva jól látható, hogy a Λ pozitív, azonban nem könny> meghatározni a pontos értékét. ΦHΛL= Λ 64 Λ + -3 Λ3 +6 Λ y x - - A Mini meghívása a [,3] kezd: intervalummal lesz> kíti a minimum lehetséges helyét intervallumra. Persze az Ε változtatásával a pontosság növelhet:. 8
9 Itt azonban egy problémába ütközhetünk. Nem tudhatjuk el: re, hogy a kezd: intervallumnak milyen végpontot adjunk meg. Mivel nem ismerjük a minimum pontos helyét elképzelhet:, hogy a kezd: intervallum nem is tartalmazza azt. Kihasználva, hogy a minimalizálandó függvényünk unimodális, definiáljuk a következ: SelectREPoint@expr_, var_d := Module@8r =, f = expr. var <, While@Hexpr. var rl <= f, r ++D; rd segédfüggvényt. A SelectREPoint egy olyan pontot keres, ahol a függvényérték már nagyobb vagy egyenl: mint a kezd: fed: intervallum bal végpontjában. Addig, amíg nem talál ilyen pontot egyessével megy végig a számegyenesen. Az els: olyan pontot adja vissza, ahol már nagyobb a függvény értéke, mint a kezd: pontban. Mivel függvényünk unimodális és feltettük, hogy Λ >, ezért az Λ = és a talált pont között kell lennie a minimumnak. Paraméterként a minimalizálandó kifejezést és annak változóját kapja meg. Bemutatjuk hívását ΦHΛL-ra. SelectREPoint@Φ@ΛD, ΛD Ezzel lesz> kítettük Λ lehetséges helyét D intervallumra Ezek után a Mini utasítást kiegészítve a SelectRePoint-tal egy gyorsabb közelítést kapunk, hiszen kezd: intervallumunk finomabban választott. Jelen esetben azért kapunk mégis hosszabb iterációt, mert Ε-t kisebbnek választottuk, ezáltal pontosabb A következ: ábrán szemléltetjük a vonalmenti minimum keresés stratégiájának m> ködését. 9
10 Lépések száma ávolság Vonalmenti minimum keresés
11 4. Példák a gradiens és módosított NewtonRaphson módszerekre 4.. Gradiens módszer Ebben a fejezetben a gradiens módszer gyakorlati alkalmazásával fogunk megismerkedni. Vizsgáljuk, hogyan lehet megvalósítani a Wolfram Mathematica-ban, illetve milyen lehet: ségeket biztosít számunkra a program. f@8x_, y_<d = y4 - y + x + x y + x + y + ; 3 A következ: kben a fenti példán keresztül szemléltetjük a gradiens módszert. A példákat megoldjuk a Wolfram Mathematica beépített funkcióival, illetve összehasonlítjuk az általunk definiált módszer viselkedésével. Ábrázoljuk a függvényt az x 3D, y D tartományon szintvonalakkal y - x - Szépen kirajzolódik az ábrán a két lokális minimumhely, azonban széls: érték kereséshez optimálisabb az alábbi síkábrázolás.
12 y x A továbbiakhoz meg kell határoznunk a függvény gradiens vektorát. Ezt egyszer> en megadhatjuk. gf@8x_, y_<d = D@f@8x, y<d, 88x, y<<d; MatrixForm@gf@8x, y<dd + x 3 +y + x - 4 y + 4 y3 Már definiálhatjuk az It eljárást, ami lényegében a gradiens módszer megvalósítása. Miután Λ-ra ad egy jó közelítést a mini segítségével, visszatér az x - Λ grad ghxl értékkel. Emlékeztet: ül, itt az A m = I egységmátrix. Paraméterként egy kezd: pont megadása szükséges. It@8x_, y_<d := Module@8Λ, list<, list = Mini@f@8x, y< - Λ gf@8x, y<dd, Λ,,, SelectREPoint@f@8x, y< - Λ gf@8x, y<dd, ΛDD; Λ = Last@listD@@DD; 8x, y< - Λ gf@8x, y<dd Egy pontokból álló listát ad vissza, amely közelíti f Hx, yl lokális minimumhelyét. Használatára mutatunk egy példát. Legyen a kezd: pontunk a 8-, <. 8-.,.< 8-3.7,.< 8-3.6, < , < Legyen > kicsi. Összevetve az el: z: ábrával, a kapott pont sugarú környezetében valóban van minimumhely. Ezek után szemléltetjük a módszer m> ködését különböz: kezd: pontokból.
13 list<, list = NestList@It, ic, 4D; list = NestList@It, ic, 4D; ContourPlot@f@8x, y<d, 8x, - 5, 3<, 8y, -, <, Contours 8,,,, 5, 3,, 7<, PlotPoints, ContourShading False, Epilog 8Point@listD, Point@listD, Red, Line@listD, Line@listD, Blue, PointSize@.3D, Point@ `, `<D, Point@ `, `<D<, ImageSize 83, 3<D D, 88ic, 8.5, <<, Locator<, 88ic, , - <<, Locator<, SaveDefinitions rue, rackedsymbols 8ic, ic<, FrameLabel Style@"Gradiens módszer", Red, 6D D Gradiens módszer Most vizsgáljuk példánkat a Mathematica által kínált lehet: ségekkel. Az egyik hasznos utasítás a FindMinimum, amely függvények minimalizálását végzi. Kett: paraméter szükséges a hívásához. Els: a minimalizálandó kifejezés, majd a változók. Illetve kezd: pontot is megadhatunk neki, így segítve bizonyos lokális minimumok keresését. FindMinimum@f@8x, y<d, 8x, y<d , 8x , y.566<< Eredményül egy listát ad, amelynek els: eleme a minimum értéke, a második elem pedig a helye. A FindMinimum egy opciója a metódus kiválasztása, esetünkben a gradiens módszer. Nekünk csak a pont helye kell, erre azonban könnyen hivatkozhatunk DD paranccsal. Így definiálhatjuk az It iterációt: 3
14 b_<d := y<d, 88x, a<, 8y, b<<, Gradient y<d, Method "Gradient", StepMonitor DD Az 8, < pontból való meghívása után látható, hogy egy olyan pontsorozattal tért vissza amely valóban egy lokális minimumhoz konvergál ,-.584< ,-.3< ,-.4< ,-.4< ,-.49< Hasonló módon prezentáljuk a m> ködését. 4
15 list<, list = Reap@FindMinimum@f@8x, y<d, 88x, ic@@dd<, 8y, ic@@dd<<, Gradient gf@8x, y<d, Method "Gradient", StepMonitor Sow@8x, y<ddd@@, DD; list = Join@8ic<, listd; list = Reap@FindMinimum@f@8x, y<d, 88x, ic@@dd<, 8y, ic@@dd<<, Gradient gf@8x, y<d, Method "Gradient", StepMonitor Sow@8x, y<ddd@@, DD; list = Join@8ic<, listd; ContourPlot@f@8x, y<d, 8x, - 5, 3<, 8y, -, <, Contours 8,,,, 5, 3,, 7<, PlotPoints, ContourShading False, Epilog 8Point@listD, Point@listD, Red, Line@listD, Line@listD, Blue, PointSize@.3D, Point@ `, `<D, Point@ `, `<D<, ImageSize 83, 3<D D, 88ic, 8.5, <<, Locator<, 88ic, , - <<, Locator<, rackedsymbols 8ic, ic<, SaveDefinitions rue, FrameLabel Style@"A Mathematica által beépített gradiens módszer", Red, 6D D A Mathematica által beépített gradiens módszer Könnyen észrevehet: a két eredmény közötti különbség, legf: képpen a konvergencia sebességének külünbsége szembeötl:. Nyilván az általunk definiált módszer is jó, csupán a Mathematica által kínált funkció nem a hagyományos gradiens módszer megvalósítása. 4.. Módosított Newton-Raphson módszer A módosított Newton-Raphson módszert a Rosenbrock függvényen keresztül mutatjuk be. A függvényünk minimuma egy parabolikus völgyben helyezkedik el. Általában, ha egy módszer eléri a völgyet ott oszcillálni kezd. Egy nem optimális minimumkeres: stratégiát használva, a völgyben a konvergencia lelassul. Gyakran a Rosenbrock függvényen szokták vizsgálni, hogy egy stratégia men5 nyire hatékony.
16 A módosított Newton-Raphson módszert a Rosenbrock függvényen keresztül mutatjuk be. A függvényünk minimuma egy parabolikus völgyben helyezkedik el. Általában, ha egy módszer eléri a völgyet ott oszcillálni kezd. Egy nem optimális minimumkeres: stratégiát használva, a völgyben a konvergencia lelassul. Gyakran a Rosenbrock függvényen szokták vizsgálni, hogy egy stratégia mennyire hatékony. g@8x_, y_<d = H - xl + Iy - x M ; Könnyen látható, hogy az g H, L = globális minimum helye a függvényünknek. Más lokális minimumhelye nem létezik. y x.5. A kétdimenziós szintvonalas ábrán valóban kirajzolódik a parabolikus völgy. y x Jelen esetben az A mátrixot is. m = Hg Hxm L. ehát meg kell határoznunk a gradiens vektort és a Hesse- 6
17 y_<d = D@g@8x, y<d, 88x, y<<d Expand; MatrixForm@gg@8x, y<dd - + x + 4 x3-4 x y - x + y A Hesse-mátrix pedig: hg@8x_, y_<d = D@g@8x, y<d, 88x, y<<, 88x, y<<d; MatrixForm@hg@8x, y<dd + 8 x - 4 H- x + yl - 4 x - 4 x A gradiens módszerhez hasonlóan definiáljuk a módosított Newton-Raphson iteráció egy lépését. NIt@8x_, y_<d := Module@8Λ, list<, list = Mini@g@8x, y< - Λ Inverse@hg@8x, y<dd.gg@8x, y<dd, Λ,,, SelectREPoint@g@8x, y< - Λ Inverse@hg@8x, y<dd. gg@8x, y<dd, ΛDD; Λ = Last@listD@@DD; 8x, y< - Λ Inverse@hg@8x, y<dd. gg@8x, y<d D Meghívjuk a 8-, -< kezd: pontból. 8-.,-.< ,.99847< ,.89733< , < , < Ezek után szemléltetjük a módszer m> ködését 4 lépéssel hívva NIt-t Módosított Newton-Raphson módszer Látható, hogy amint eléri a völgyet az iteráció lelassul és oszcillálni kezd. (Megjegyzés: A gradiens módszer is hasonlóképpen beragad.) A beépített módosított Newton-Raphson módszerrel sokkal hatékonyabban lehet közelíteni a minimumhelyet. Definiálhatjuk a módosított Newton-Raphson módszer következ: megvalósítását. Legyen 7
18 Látható, hogy amint eléri a völgyet az iteráció lelassul és oszcillálni kezd. (Megjegyzés: A gradiens módszer is hasonlóképpen beragad.) A beépített módosított Newton-Raphson módszerrel sokkal hatékonyabban lehet közelíteni a minimumhelyet. Definiálhatjuk a módosított Newton-Raphson módszer következ: megvalósítását. Legyen NIt@8a_, b_<d := Reap@FindMinimum@g@8x, y<d, 88x, a<, 8y, b<<, Gradient gg@8x, y<d, Method 8"Newton", "Hessian" hg@8x, y<d<, StepMonitor Sow@8x, y<ddd@@, DD a szükséges iteráció. Meghívásához egy kezd: pont megadása szükséges. Lássunk erre egy példát a 8, < pontból , < ,3.959< ,.957< ,.678< ,.< ,.8597< ,.5456< 8.89,.398< ,.674< 8.55,.4< 8.84,.435< 8.5,.5< 8.,.3< 8.,.< 8.,.< Az ábrán látható, hogy sokkal gyorsabban konvergál a minimumhoz az általunk definiált módszernél Beépített Newton-Raphson módszer Könnyen lehet, hogy olyan problémával kerülünk szembe, amelyekre a bemutatott két módszer nem elég hatékony. Ha globális minimumot keresünk célszer> bb más módszereket választani. A gradiens és módosított Newton-Raphson módszer nem teljes eljárások, azaz lehetséges, hogy nem a globális minimumhoz konvergálnak. Léteznek egzakt eljárások, amelyek biztosan eljutnak a globális 8 mindig kell valami plusz információ a feladatról, minimumhoz. Azonban ezekhez a módszerekhez általános esetre nem létezik algoritmus. Az ilyen egzakt eljárásokhoz tartoznak a Lipschitz tulajdonságon alapuló módszerek. Err: l a [3]-al jelölt szakirodalomban részletesebben lehet olvasni. A dolgozat-
19 Könnyen lehet, hogy olyan problémával kerülünk szembe, amelyekre a bemutatott két módszer nem elég hatékony. Ha globális minimumot keresünk célszer> bb más módszereket választani. A gradiens és módosított Newton-Raphson módszer nem teljes eljárások, azaz lehetséges, hogy nem a globális minimumhoz konvergálnak. Léteznek egzakt eljárások, amelyek biztosan eljutnak a globális minimumhoz. Azonban ezekhez a módszerekhez mindig kell valami plusz információ a feladatról, általános esetre nem létezik algoritmus. Az ilyen egzakt eljárásokhoz tartoznak a Lipschitz tulajdonságon alapuló módszerek. Err: l a [3]-al jelölt szakirodalomban részletesebben lehet olvasni. A dolgozatban azonban ezekkel az eljárásokkal már nem célunk foglalkozni. 9
20 5. Lineáris egyenletrendszerek megoldása gradiens módszerrel 5.. Minimalizálandó kvadratikus alak Vegyünk egy A x = b alakú lineáris egyenletrendszert, ahol A egy n n-es mátrix. Ahhoz, hogy egyenletrendszerünk egyértelm> en megoldható legyen fel tesszük, hogy A szimmetrikus és pozitív definit. Ezek után definiáljuk a QHxL := x A x - x b kvadratikus alakot. ovábbá kihasználva azt, hogy x A v = v A x, igaz a következ: összefüggés (3) QHx + Λ vl - QHxL = Λ v A x + Λ x A v + Λ v A v - Λ v b = Λ v A v - Λ v r, ahol r := b - A x maradékvektor. Lemma: A QHxL kvadratikus alak akkor és csakis akkor veszi fel minimumát x* -ban, ha az A x = b lineráris egyenletrendszernek megoldása x*. Bizonyítás: Legyen h ¹ tetsz: leges vektor. Ekkor a (3) összefüggés szerint QHx* + hl - QHx* L = h A h - h Hb - A x* L = h A h >, mivel A x* = b, és az A mátrix pozitív definit. à Ezzel elértük, hogy egy lineáris egyenletrendszert nem lineáris módszerekkel oldjunk meg. 5.. Általános iteráció Definíció: Legyen xm egy közelítés x* -ra és legyen vm ¹ egy vektor. Értelmezzük az Hm =,,,...L xm+ := xm + Α vm iterációt, ahol a Λ := Αm -et a következ: feltételb: l határozzuk meg QHxm+ L = min QHxm + Λ vm L. ΛÎR étel: Igazak a következ: tulajdonságok (i) (ii) (iii) Αm = vm rm vm A vm, Q Hxm+ L -Q Hxm L = vm rm+ = Bizonyítás: (i) A (3) összefüggésb: l ahol rm := b - A xm ; Ivm rm M vm A vm, Hm =,,,...L. ΦHΛL := QHxm + Λ vm L = Λ vm A vm - Λ vm rm + QHxm L, Φ egy másodfokú polinom Λ-ban. A minimumhely ott van, ahol a derivált elt> nik: Φ HΛL = Λ vm A vm - vm rm =, Λ= vm rm vm A vm = : Αm.
21 Φ HΛL = Λ vm A vm - vm rm =, Λ= vm rm vm A vm = : Αm. A nevez: nem lehet nulla, hiszen az A mátrix pozitív definit. (ii) Szintén a (3)-ból adódik: QHxm+ L - QHxm L = Ivm rm M vm A vm Αm vm A vm - Αm vm rm = Ivm rm M - vm A vm Ivm rm M vm A vm =- (iii) Felhasználva, hogy rm+ := b - A xm+ = b - AHxm + Αm vm L = rm - Αm A vm, kapjuk (i)-b: l vm rm+ = vm rm - Αm vm A vm = vm rm - vm rm =. Ezzel bebizonyítottuk mindhárom állítást. à 5.3. A gradiens módszer képletei Ha a QHxL kvadratikus alakot gradiens módszerrel szeretnénk minimalizálni, akkor a v vektort a következ: képpen kell választani: v := -grad QHxL. Meg kell határoznunk QHxL-et. Ezt egyszer> en megtehetjük, mivel QHxL := x A x - x b = Ezek után kapjuk QHxL xp tehát Ú Ú a j k x j xk - Ú b j x j. n n j= k= = Ú a p k xk - b p n k= n j= Hp =,,,..., nl, grad QHxL = A x - b = -r. Definiálhatjuk a gradiens módszer képleteit: vm := -grad QHxm L = rm, xm+ := xm + Αm rm. Az 5.. fejezetben taglalt összefüggések a következ: módon változnak: (i ) Αm := rm rm rm A rm, rm+ := rm - Αm A rm, (ii ) (iii ) Q Hxm+ L -Q Hxm L = rm rm+ = Irm rm M rm A rm, Hm =,,,...L Példák lineáris egyenletrendszerek megoldására Az el: z: alfejezetben tárgyalt képletek alapján definiáljuk LIt magfüggvényt, amit iterálva minimalizálhatjuk a QHxL kvadratikus alakot.
22 8y_<<D := = Hb - A.88x<, 8y<<L<, N@H88x<, 8y<< + r.hranspose@rd.r Hranspose@rD.A.rLLLD D Az els: példánk a következ: két egyenletb: l álló két változós egyenletrendszer x+y =3 x+5y = Jelen esetben az A=K O; 5 3 b = K O; Definiáljuk a feladathoz tartozó kvadratikus alakot. Q@8x_, y_<d = :- 3 x + x 8x, y<.a.8x, y< - 8x, y<.b Expand 5 y -y+xy+ > Majd pedig a hozzá tartozó gradiens vektort. K -3 + x + y O - + x + 5 y A LinearSolve-ot használva, megoldhatunk lineáris egyenletrendszereket. LinearSolve@88, <, 8, 5<<, 83, <D 83, - 5< A láthatjuk, hogy QHxL-nak az x = 3 és y = -5 pontban kell, hogy legyen a minimuma. A gradiens módszerrel valóban erre az eredményre jutunk. Az ábrán jól látható ahogyan a szintvonalak egy pontra, a gradiens módszer által talált minimumra húzódnak.
23 list = Map@ð. 88x_<, 8y_<< 8x, y< &, NestList@LIt, 884<, 8-4<<, 5DD; Labeled@ContourPlot@Q@8x, y<d, 8x,, 5<, 8y, - 7, - 3<, Contours 8-5, - 6.6, - 6.8, - 6.9, <, ContourShading False, Epilog 8Point@listD, Red, Line@listD, Blue, PointSize@.3D, Point@83, - 5<D<, FrameLabel 8x, y<, ImageSize 83, 3<D, "QHxL minimalizálása", Bottom, LabelStyle 86, Red<D -3 y x QHxL minimalizálása Ezzel megoldottunk egy kétdimenziós lineáris egyenletrendszert nem lineáris eszközökkel. A következ: kben már egy 3 dimenziós példával foglalkozunk. Legyen x+y +z= x+5y +z=9 x + y + 4 z = - A = 5 ; 4 b = 9 ; - Ehhez konstruáljuk a kvadratikus alakot. (Megjegyzés: Az Expand utasítás csupán leegyszer> síti kifejezésünket.) y_, z_<d = :- x + x -9y+xy+ 8x, y, z<.a.8x, y, z< - 8x, y, z<.b Expand 5 y + z + x z + y z + z > Módosítjuk az LIt-t 3 változóra. 3
24 8y_<, 8z_<<D := = Hb - A.88x<, 8y<, 8z<<L<, N@H88x<, 8y<, 8z<< + r.hranspose@rd.r Hranspose@rD.A.rLLLD D LinearSolve-al megoldva az egyenletrendszert látjuk, hogy a minimum az x = -7, y = 5, z = - pontban van. MatrixForm@LinearSolve@A, b DD LIt-t 5-szer iterálva is, még elég messze vagyunk a minimumtól. Nest@LIt, 88-5<, 8- <, 8<<, 5D <, <, 8-.98<< Most szintfelületekkel szemléltetjük a talált minimumhely helyességét. Függvényérték 8 y 6 4 z x -5 Az ábrán látható, ahogyan a szintfelületek a minimumpontra húzódnak, a függvényértékkel közelítve a minimumértékéhez. 4
25 6. Függelék Ebben a részben a témához tartozó, a Wolfram Mathematica által biztosított legfontosabb utasításokat gy> jtjük ki és mutatjuk be. Nest[f, kif, n] Iteráció megvalósítására szolgál. Az f függvényt alkalmazza kif-re n-szer. f@x_d = x ; Nest@f, x, 5D x3 NestList[f, kif, n] Hasonlóan m> ködik mint a Nest, azonban egy listát ad vissza, amelyben az iterációs sorozat els: n db eleme látható. NestList@f, x, 5D 9x, x, x4, x8, x6, x3 = NestWhileList[f, kif, teszt] Végrehajtja kif-re f-et mindaddig, amíg a teszt teljesül, aztán megáll. NestWhileList@Sqrt, 3 ^ 5, ð > 3 &D :43, 9 3, 3 3 4, 35 8 > N[kif, n] A paraméterként kapott kifejezés numerikus értékét adja vissza n db tizedesjegyig. N@Pi 5, D FindMinimum[f, {{x, x}, {y, y},...}] Lokális minimumkeresésre szolgál. Numerikusan keresi f minimumát az {x, y,...}-ból indulva. Megadja a függvény minimumát, majd pedig annak helyét. A továbbiakban az alább definiált f függvénnyel dolgozunk. f@8x_, y_<d = y4 - y + x + x y + x + y + ; 3 FindMinimum@f@8x, y<d, 88x, <, 8y, <<D , 8x , y.566<< A FindMinimum-nak vannak opciói, egy ilyen például a Method amellyel a kívánt módszer adható meg. A válsztható módszerek: Newton, PrincipalAxis, Gradient, ConjugateGradien, LevenbergMarquardt, QuasiNewton, InteriorPoint, LinearProgramming. Azonban ezen eljárások mindegyikével már nem foglalkozunk. Az alábbi módon használható. gf@8x_, y_<d = D@f@8x, y<d, 88x, y<<d : + x 3 + y, + x - 4 y + 4 y3 > 5
26 y<d, 88x, <, 8y, <<, Method "Gradient", Gradient y<dd , 8x.8689, y -.49<< Másik lokális minimumot talál a gradiens módszerrel, mert az alapértelmezett módszerként Automatic opciót használ. A kapott kifejezéshez automatikusan választja az opciót. Minimize[f, {x, y,...}] Szintén minimalizálásra alkalmas. Ha f lineáris vagy polinom, akkor mindig a globális minimummal tér vissza. Ha olyan kifejezést adunk meg, amiben közelített értékek vannak, automatikusan hívja az NMinimize-t. Minimize@f@8x, y<d, 8x, y<d 9 + RootA ð ð ð3 &, E, 9x RootA ð ð ð3 &, ð - ð - ð + 4 ð4 &, - 3 ð + 3 ð - 6 ð + 3 ð4 + 3 ð3 + 3 ð ð3 + ð3 &=, 8,, <E, y RootA ð ð ð3 &, ð - ð - ð + 4 ð4 &=, 8, <E== Az NMinimize mindig numerikusan keresi a minimumot. NMinimize@f@8x, y<d, 8x, y<d , 8x.8689, y -.49<< MinValue[f, {x, y,...}], NMinValue[f, {x, y,...}] Az f minimumával tér vissza. Ekvivalens a First[Minimize[...] ] utasítással. MinValue@f@8x, y<d, 8x, y<d + RootA ð ð ð3 &, E NMinValue@f@8x, y<d, 8x, y<d LinearSolve[A, b] Egy A.x = b alakú lineáris egyenletrendszer megoldására szolgál. Legyenek A= -3 ; - 4 b= 5 ; 7 MatrixForm@LinearSolve@A, bdd ArgMin[f, {x, y,...}], NArgMin[f, {x, y,...}] Az ArgMin szimbolikusan keresi f minimumhelyét. Ha f lineáris vagy polinom, akkor mindig a globális minimumhellyel tér vissza. Illetve, ha f nem szimbolikus, akkor automatikusan hívja NArgMin-t, amely numerikusan keresi a minimumhelyet. Valójában ekvivalens a {x, y,...} /. Last[Minimize[...]] utasítással. 6
27 ArgMin[f, {x, y,...}], NArgMin[f, {x, y,...}] Az ArgMin szimbolikusan keresi f minimumhelyét. Ha f lineáris vagy polinom, akkor mindig a globális minimumhellyel tér vissza. Illetve, ha f nem szimbolikus, akkor automatikusan hívja NArgMin-t, amely numerikusan keresi a minimumhelyet. Valójában ekvivalens a {x, y,...} /. Last[Minimize[...]] utasítással. ArgMin@f@8x, y<d, 8x, y<d 9RootA ð ð ð3 &, ð - ð - ð + 4 ð4 &, - 3 ð + 3 ð - 6 ð + 3 ð4 + 3 ð3 + 3 ð ð3 + ð3 &=, 8,, <E, RootA ð ð ð3 &, ð - ð - ð + 4 ð4 &=, 8, <E= NArgMin@f@8x, y<d, 8x, y<d , -.49< 7
28 7. Irodalomjegyzék [] [] [3] [4] Móricz Ferenc, Numerikus módszerek az algebrában és analízisben, Polygon Jegyzettár (Szeged, 997), o. Wolfram Research, Inc., Mathematica, Version 9., Champaign, Illinois,. 8
29 8. Köszönetnyilvánítás Ezúton szeretnék köszönetet mondani témavezet: mnek, Dr. Vajda Róbertnek, aki hasznos tanácsaival és kérdéseimre adott válaszaival, valamint érdekes felvetéseivel nagyon sokat segített dolgozatom megírásában. Ajánlott szakirodalmakkal pedig nagyban könnyítette munkámat. Valamint szeretném megköszönni Megyeri Istvánnak a sok türelmet, illetve támogatást. Végül, de nem utolsó sorban hálásan köszönöm családomnak, hogy mindvégig mellettem álltak és támogattak tanulmányaim alatt. 9
30 9. Nyilatkozat Alulírott... kijelentem, hogy a szakdolgozatban foglaltak saját munkám eredményei, és csak a hivatkozott forrásokat (szakirodalom, eszközök, stb.) használtam fel. udomásul veszem, hogy a szakdolgozatomat a Szegedi udományegyetem könyvtárában a kölcsönözhet: könyvek között helyezik el, és az interneten is nyilvánosságra hozhatják. 3
Konjugált gradiens módszer
Közelítő és szimbolikus számítások 12. gyakorlat Konjugált gradiens módszer Készítette: Gelle Kitti Csendes Tibor Vinkó Tamás Faragó István Horváth Róbert jegyzetei alapján 1 LINEÁRIS EGYENLETRENDSZEREK
Részletesebben2. SZÉLSŽÉRTÉKSZÁMÍTÁS. 2.1 A széls érték fogalma, létezése
2 SZÉLSŽÉRTÉKSZÁMÍTÁS DEFINÍCIÓ 21 A széls érték fogalma, létezése Azt mondjuk, hogy az f : D R k R függvénynek lokális (helyi) maximuma (minimuma) van az x 0 D pontban, ha van olyan ε > 0 hogy f(x 0 )
RészletesebbenA legjobb közeĺıtés itt most azt jelentette, hogy a lineáris
Többváltozós függvények differenciálhatósága f(x) f(x Az egyváltozós függvények differenciálhatóságát a lim 0 ) x x0 x x 0 függvényhatárértékkel definiáltuk, s szemléletes jelentése abban mutatkozott meg,
Részletesebben10. Előadás. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai
Optimalizálási eljárások MSc hallgatók számára 10. Előadás Előadó: Hajnal Péter Jegyzetelő: T. Szabó Tamás 2011. április 20. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai A feltétel nélküli optimalizálásnál
RészletesebbenMegoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1
Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =
RészletesebbenSzámítógépes Modellezés. Egyváltozós függvénydiszkusszió
Számítógépes Modellezés Egyváltozós függvénydiszkusszió Függvédiszkusszió számítógéppel (ÉT, zéróhelyek, limeszek (lokális/globális/aszimpt viselkedés), monotonitás, szimb+num+viz) f@x_d = Hx ^ 6 - x ^
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenLagrange-féle multiplikátor módszer és alkalmazása
Eötvös Loránd Tudományegyetem Természettudományi Kar Nemesné Jónás Nikolett Lagrange-féle multiplikátor módszer és alkalmazása Matematika BSc, Matematikai elemz szakirány Témavezet : Szekeres Béla János,
RészletesebbenA Newton-Raphson iteráció kezdeti értéktől való érzékenysége
Szénási Eszter SZTE TTIK Matematika BSc, Numerikus matematika projekt 2015. november 30. A Newton-Raphson iteráció kezdeti értéktől való érzékenysége Medencék (attraktorok) színezése 2 Newton_project-szenasi.nb
RészletesebbenBoros Zoltán február
Többváltozós függvények differenciál- és integrálszámítása (2 3. előadás) Boros Zoltán 209. február 9 26.. Vektorváltozós függvények differenciálhatósága és iránymenti deriváltjai A továbbiakban D R n
RészletesebbenP 2 P 1. 4.1 ábra Az f(x) függvény globális minimuma (P 1 ) és egy lokális minimuma (P 2 ).
Paláncz Béla - Numerikus Módszerek - 211-4. Optimalizálás 4 Optimalizálás Bevezetés Az optimalizáció, egy függvény szélsőértéke helyének meghatározása, talán a legfontosabb numerikus eljárások közé tartozik.
RészletesebbenMatematika III előadás
Matematika III. - 3. előadás Vinczéné Varga Adrienn Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Előadáskövető fóliák Vinczéné Varga Adrienn (DE-MK) Matematika III. 2016/2017/I 1 / 19 Skalármezők
Részletesebben1. Parciális függvény, parciális derivált (ismétlés)
Operációkutatás NYME Gazdaságinformatikus mesterképzés El adó: Kalmár János (kalmar[kukac]inf.nyme.hu) Többváltozós széls érték számítás Parciális függvény, parciális derivált Széls érték korlátos zárt
RészletesebbenNumerikus módszerek beugró kérdések
1. Definiálja a gépi számok halmazát (a tanult modellnek megfelelően)! Adja meg a normalizált lebegőpontos szám alakját. (4 pont) Az alakú számot normalizált lebegőpontos számnak nevezik, ha Ahol,,,. Jelöl:
RészletesebbenKétváltozós függvények differenciálszámítása
Kétváltozós függvények differenciálszámítása 13. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Kétváltozós függvények p. 1/1 Definíció, szemléltetés Definíció. Az f : R R R függvényt
RészletesebbenGépi tanulás a gyakorlatban. Lineáris regresszió
Gépi tanulás a gyakorlatban Lineáris regresszió Lineáris Regresszió Legyen adott egy tanuló adatbázis: Rendelkezésünkre áll egy olyan előfeldolgozott adathalmaz, aminek sorai az egyes ingatlanokat írják
RészletesebbenA lineáris programozás alapjai
A lineáris programozás alapjai A konvex analízis alapjai: konvexitás, konvex kombináció, hipersíkok, félterek, extrém pontok, Poliéderek, a Minkowski-Weyl tétel (a poliéderek reprezentációs tétele) Lineáris
RészletesebbenMATEMATIKA 2. dolgozat megoldása (A csoport)
MATEMATIKA. dolgozat megoldása (A csoport). Definiálja az alábbi fogalmakat: (egyváltozós) függvény folytonossága, differenciálhatósága, (többváltozós függvény) iránymenti deriváltja. (3x8 pont). Az f
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 10. előadás: Nemlineáris egyenletek numerikus megoldása Lócsi Levente ELTE IK 2013. november 18. Tartalomjegyzék 1 Bolzano-tétel, intervallumfelezés 2 Fixponttételek, egyszerű iterációk
RészletesebbenFirst Prev Next Last Go Back Full Screen Close Quit
Valós függvények (2) (Határérték) 1. A a R szám δ > 0 sugarú környezete az (a δ, a + δ) nyílt intervallum. Ezután a valós számokat, a számegyenesen való ábrázolhatóságuk miatt, pontoknak is fogjuk hívni.
RészletesebbenFirst Prev Next Last Go Back Full Screen Close Quit
Többváltozós függvények (2) First Prev Next Last Go Back Full Screen Close Quit 1. Egyváltozós függvények esetén a differenciálhatóságból következett a folytonosság. Fontos tudni, hogy abból, hogy egy
RészletesebbenUtolsó el adás. Wettl Ferenc BME Algebra Tanszék, Wettl Ferenc (BME) Utolsó el adás / 20
Utolsó el adás Wettl Ferenc BME Algebra Tanszék, http://www.math.bme.hu/~wettl 2013-12-09 Wettl Ferenc (BME) Utolsó el adás 2013-12-09 1 / 20 1 Dierenciálegyenletek megoldhatóságának elmélete 2 Parciális
RészletesebbenANALÍZIS III. ELMÉLETI KÉRDÉSEK
ANALÍZIS III. ELMÉLETI KÉRDÉSEK Szerkesztette: Balogh Tamás 2014. május 15. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenNemlineáris programozás 2.
Optimumszámítás Nemlineáris programozás 2. Többváltozós optimalizálás feltételek mellett. Lagrange-feladatok. Nemlineáris programozás. A Kuhn-Tucker feltételek. Konvex programozás. Sydsaeter-Hammond: 18.1-5,
RészletesebbenGauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei
A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.
Részletesebbenminden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének.
Függvények határértéke és folytonossága Egy f: D R R függvényt korlátosnak nevezünk, ha a függvényértékek halmaza korlátos. Ha f(x) f(x 0 ) teljesül minden x D esetén, akkor x 0 -at a függvény maximumhelyének
RészletesebbenTöbbváltozós, valós értékű függvények
TÖ Többváltozós, valós értékű függvények TÖ Definíció: többváltozós függvények Azokat a függvényeket, melyeknek az értelmezési tartománya R n egy részhalmaza, n változós függvényeknek nevezzük. TÖ Példák:.
RészletesebbenTaylor-polinomok. 1. Alapfeladatok. 2015. április 11. 1. Feladat: Írjuk fel az f(x) = e 2x függvény másodfokú Maclaurinpolinomját!
Taylor-polinomok 205. április.. Alapfeladatok. Feladat: Írjuk fel az fx) = e 2x függvény másodfokú Maclaurinpolinomját! Megoldás: A feladatot kétféle úton is megoldjuk. Az els megoldásban induljunk el
RészletesebbenLosonczi László. Debreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar
Szélsőértékszámítás Losonczi László Debreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar Losonczi László (DE) Szélsőértékszámítás 1 / 21 2. SZÉLSOÉRTÉKSZÁMÍTÁS 2.1 A szélsőérték fogalma, létezése Azt
RészletesebbenOptimalizálási eljárások GYAKORLAT, MSc hallgatók számára. Analízis R d -ben
Optimalizálási eljárások GYAKORLAT, MSc hallgatók számára Analízis R d -ben Gyakorlatvezetõ: Hajnal Péter 2012. február 8 1. Konvex függvények Definíció. f : D R konvex, ha dom(f) := D R n konvex és tetszőleges
Részletesebben1/1. Házi feladat. 1. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy
/. Házi feladat. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy mindig igaz. (p (( p) q)) (( p) ( q)). Igazoljuk, hogy minden A, B és C halmazra A \ (B C) = (A \ B) (A \ C) teljesül.
Részletesebbenf(x) vagy f(x) a (x x 0 )-t használjuk. lim melyekre Mivel itt ɛ > 0 tetszőlegesen kicsi, így a a = 0, a = a, ami ellentmondás, bizonyítva
6. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 6.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási
RészletesebbenA derivált alkalmazásai
A derivált alkalmazásai Összeállította: Wettl Ferenc 2014. november 17. Wettl Ferenc A derivált alkalmazásai 2014. november 17. 1 / 57 Tartalom 1 Függvény széls értékei Abszolút széls értékek Lokális széls
RészletesebbenNév: RV 1. ZH. Számítógépes Modellezés (Mathematica) A csoport Okt. 15. csütörtök
Név: RV 1. ZH. Számítógépes Modellezés (Mathematica) A csoport Okt. 15. csütörtök Oldjuk meg az alábbi problémákat. Ügyeljünk a mukafüzet struktúrájára, használjunk szöveges cellát a megjegyzésekhez, vagy
Részletesebben1. dolgozat Számítógéppel segített matematikai modellezés "A" változat 2009 október 20, kedd
Név:. dolgozat Számítógéppel segített matematikai modellezés "A" változat 9 október, kedd Oldd meg a következ: feladatokat. Készíts szép notebook-ot, figyelj a korrekt strukturált megoldásokra.. feladat
RészletesebbenFüggvények július 13. f(x) = 1 x+x 2 f() = 1 ()+() 2 f(f(x)) = 1 (1 x+x 2 )+(1 x+x 2 ) 2 Rendezés után kapjuk, hogy:
Függvények 015. július 1. 1. Feladat: Határozza meg a következ összetett függvényeket! f(x) = cos x + x g(x) = x f(g(x)) =? g(f(x)) =? Megoldás: Összetett függvény el állításához a küls függvényben a független
RészletesebbenMatematika A1a Analízis
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Matematika A1a Analízis BMETE90AX00 A derivált alkalmazásai H607, EIC 2019-04-03 Wettl
RészletesebbenTöbbváltozós, valós értékű függvények
Többváltozós függvények Többváltozós, valós értékű függvények Többváltozós függvények Definíció: többváltozós függvények Azokat a függvényeket, melyeknek az értelmezési tartománya R n egy részhalmaza,
RészletesebbenFraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk
Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér
RészletesebbenGauss-Seidel iteráció
Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS
Részletesebben9. TÖBBVÁLTOZÓS FÜGGVÉNYEK DIFFERENCIÁLSZÁMITÁSA. 9.1 Metrika és topológia R k -ban
9. TÖBBVÁLTOZÓS FÜGGVÉNYEK DIFFERENCIÁLSZÁMITÁSA 9.1 Metrika és topológia R k -ban Definíció. A k-dimenziós euklideszi térnek nevezzük és R k val jelöljük a valós számokból alkotott k-tagú x = (x 1, x
RészletesebbenRekurzív sorozatok. SZTE Bolyai Intézet nemeth. Rekurzív sorozatok p.1/26
Rekurzív sorozatok Németh Zoltán SZTE Bolyai Intézet www.math.u-szeged.hu/ nemeth Rekurzív sorozatok p.1/26 Miért van szükség közelítő módszerekre? Rekurzív sorozatok p.2/26 Miért van szükség közelítő
Részletesebben1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0
I. Legyen f : R R, f(x) = 1 1 + x 2, valamint 1. Házi feladat d : R + 0 R+ 0 R (x, y) f(x) f(y). 1. Igazoljuk, hogy (R + 0, d) metrikus tér. 2. Adjuk meg az x {0, 3} pontok és r {1, 2} esetén a B r (x)
Részletesebben1.9. B - SPLINEOK B - SPLINEOK EGZISZTENCIÁJA. numerikus analízis ii. 34. [ a, b] - n legfeljebb n darab gyöke lehet. = r (m 1) n = r m + n 1
numerikus analízis ii 34 Ezért [ a, b] - n legfeljebb n darab gyöke lehet = r (m 1) n = r m + n 1 19 B - SPLINEOK VOLT: Ω n véges felosztás S n (Ω n ) véges dimenziós altér A bázis az úgynevezett egyoldalú
RészletesebbenGAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN
GAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN ELTE TáTK Közgazdaságtudományi Tanszék Gazdaságmatematika középhaladó szinten MÁSODFOKÚ EGYENLETEK ÉS EGYENLŽTLENSÉGEK Készítette: Gábor Szakmai felel s: Gábor
RészletesebbenOpkut deníciók és tételek
Opkut deníciók és tételek Készítette: Bán József Deníciók 1. Deníció (Lineáris programozási feladat). Keressük meg adott lineáris, R n értelmezési tartományú függvény, az ún. célfüggvény széls értékét
RészletesebbenSZÉLSŐÉRTÉKKEL KAPCSOLATOS TÉTELEK, PÉLDÁK, SZAKDOLGOZAT ELLENPÉLDÁK. TÉMAVEZETŐ: Gémes Margit. Matematika Bsc, tanári szakirány
SZÉLSŐÉRTÉKKEL KAPCSOLATOS TÉTELEK, PÉLDÁK, ELLENPÉLDÁK SZAKDOLGOZAT KÉSZÍTETTE: Kovács Dorottya Matematika Bsc, tanári szakirány TÉMAVEZETŐ: Gémes Margit Műszaki gazdasági tanár Analízis tanszék Eötvös
RészletesebbenFelügyelt önálló tanulás - Analízis III.
Felügyelt önálló tanulás - Analízis III Kormos Máté Differenciálható sokaságok Sokaságok Röviden, sokaságoknak nevezzük azokat az objektumokat, amelyek egy n dimenziós térben lokálisan k dimenziósak Definíció:
Részletesebben11. Előadás. 1. Lineáris egyenlőség feltételek melletti minimalizálás
Optimalizálási eljárások MSc hallgatók számára 11. Előadás Előadó: Hajnal Péter Jegyzetelő: Hajnal Péter 2011. április 27. 1. Lineáris egyenlőség feltételek melletti minimalizálás Múlt héten nem szerepeltek
RészletesebbenFeladatok a Gazdasági matematika II. tárgy gyakorlataihoz
Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb
RészletesebbenA szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
Részletesebben11. Előadás. 11. előadás Bevezetés a lineáris programozásba
11. Előadás Gondolkodnivalók Sajátérték, Kvadratikus alak 1. Gondolkodnivaló Adjuk meg, hogy az alábbi A mátrixnak mely α értékekre lesz sajátértéke a 5. Ezen α-ák esetén határozzuk meg a 5 sajátértékhez
Részletesebben2012. október 2 és 4. Dr. Vincze Szilvia
2012. október 2 és 4. Dr. Vincze Szilvia Tartalomjegyzék 1.) Az egyváltozós valós függvény fogalma, műveletek 2.) Zérushely, polinomok zérushelye 3.) Korlátosság 4.) Monotonitás 5.) Szélsőérték 6.) Konvex
RészletesebbenLineáris algebra 2. Filip Ferdinánd december 7. siva.banki.hu/jegyzetek
Lineáris algebra 2 Filip Ferdinánd filipferdinand@bgkuni-obudahu sivabankihu/jegyzetek 2015 december 7 Filip Ferdinánd 2016 februar 9 Lineáris algebra 2 1 / 37 Az el adás vázlata Determináns Determináns
RészletesebbenA L Hospital-szabály, elaszticitás, monotonitás, konvexitás
A L Hospital-szabály, elaszticitás, monotonitás, konvexitás 9. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék A L Hospital-szabály, elaszticitás, monotonitás, konvexitás p. / A L
Részletesebbenvalós számot tartalmaz, mert az ilyen részhalmazon nem azonosság.
2. Közönséges differenciálegyenlet megoldása, megoldhatósága Definíció: Az y függvényt a valós számok H halmazán a közönséges differenciálegyenlet megoldásának nevezzük, ha az y = y(x) helyettesítést elvégezve
RészletesebbenDifferenciálegyenlet rendszerek
Differenciálegyenlet rendszerek (A kezdeti érték probléma. Lineáris differenciálegyenlet rendszerek, magasabb rendű lineáris egyenletek.) Szili László: Modellek és algoritmusok ea+gyak jegyzet alapján
Részletesebben6. Függvények. 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban?
6. Függvények I. Nulladik ZH-ban láttuk: 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban? f x g x cos x h x x ( ) sin x (A) Az f és a h. (B) Mindhárom. (C) Csak az f.
RészletesebbenChomsky-féle hierarchia
http://www.cs.ubbcluj.ro/~kasa/formalis.html Chomsky-féle hierarchia G = (N, T, P, S) nyelvtan: 0-s típusú (általános vagy mondatszerkezet ), ha semmilyen megkötést nem teszünk a helyettesítési szabályaira.
RészletesebbenNumerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások
Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások 1. Feladat. (6p) Jelöljön. egy tetszőleges vektornormát, ill. a hozzá tartozó indukált mátrixnormát! Igazoljuk, hogy ha A
RészletesebbenMatematika A2 vizsga mgeoldása június 4.
Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont
RészletesebbenMatematika III előadás
Matematika III. - 2. előadás Vinczéné Varga Adrienn Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Előadáskövető fóliák Vinczéné Varga Adrienn (DE-MK) Matematika III. 2016/2017/I 1 / 23 paramétervonalak,
RészletesebbenGyakorló feladatok. Agbeko Kwami Nutefe és Nagy Noémi
Gyakorló feladatok Agbeko Kwami Nutefe és Nagy Noémi 25 Tartalomjegyzék. Klasszikus hibaszámítás 3 2. Lineáris egyenletrendszerek 3 3. Interpoláció 4 4. Sajátérték, sajátvektor 6 5. Lineáris és nemlineáris
RészletesebbenAz egyenlőtlenség mindkét oldalát szorozzuk meg 4 16-al:
Bevezető matematika kémikusoknak., 04. ősz. feladatlap. Ábrázoljuk számegyenesen a következő egyenlőtlenségek megoldáshalmazát! (a) x 5 < 3 5 x < 3 x 5 < (d) 5 x
RészletesebbenGibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén
Matematikai modellek, I. kisprojekt Gibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén Unger amás István B.Sc. szakos matematikus hallgató ungert@maxwell.sze.hu, http://maxwell.sze.hu/~ungert
RészletesebbenA fontosabb definíciók
A legfontosabb definíciókat jelöli. A fontosabb definíciók [Descartes szorzat] Az A és B halmazok Descartes szorzatán az A és B elemeiből képezett összes (a, b) a A, b B rendezett párok halmazát értjük,
Részletesebben3. Fuzzy aritmetika. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI
3. Fuzzy aritmetika Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Intervallum-aritmetika 2 Fuzzy intervallumok és fuzzy számok Fuzzy intervallumok LR fuzzy intervallumok
RészletesebbenMatematika szigorlat június 17. Neptun kód:
Név Matematika szigorlat 014. június 17. Neptun kód: 1.. 3. 4. 5. Elm. Fel. Össz. Oszt. Az eredményes szigorlat feltétele elméletből legalább 0 pont, feladatokból pedig legalább 30 pont elérése. A szigorlat
Részletesebben12. Mikor nevezünk egy részhalmazt nyíltnak, illetve zártnak a valós számok körében?
Ellenörző Kérdések 1. Mit jelent az, hogy egy f : A B függvény injektív, szürjektív, illetve bijektív? 2. Mikor nevezünk egy függvényt invertálhatónak? 3. Definiálja a komplex szám és műveleteinek fogalmát!
RészletesebbenGPK M1 (BME) Interpoláció / 16
Interpoláció Matematika M1 gépészmérnököknek 2017. március 13. GPK M1 (BME) Interpoláció 2017 1 / 16 Az interpoláció alapfeladata - Példa Tegyük fel, hogy egy ipari termék - pl. autó - előzetes konstrukciójának
RészletesebbenFüggvények folytonosságával kapcsolatos tételek és ellenpéldák
Eötvös Loránd Tudományegyetem Természettudományi Kar Függvények folytonosságával kapcsolatos tételek és ellenpéldák BSc Szakdolgozat Készítette: Nagy-Lutz Zsaklin Matematika BSc, Matematikai elemz szakirány
Részletesebben1. A k-szerver probléma
1. A k-szerver probléma Az egyik legismertebb on-line probléma a k-szerver probléma. A probléma általános deníciójának megadásához szükség van a metrikus tér fogalmára. Egy (M, d) párost, ahol M a metrikus
RészletesebbenKalkulus I. gyakorlat Fizika BSc I/1.
. Ábrázoljuk a következő halmazokat a síkon! {, y) R 2 : + y < }, b) {, y) R 2 : 2 + y 2 < 4}, c) {, y) R 2 : 2 + y 2 < 4, + y < }, {, y) R 2 : + y < }. Kalkulus I. gyakorlat Fizika BSc I/.. gyakorlat
Részletesebben25 i, = i, z 1. (x y) + 2i xy 6.1
6 Komplex számok megoldások Lásd ábra z = + i, z = + i, z = i, z = i z = 7i, z = + 5i, z = 5i, z = i, z 5 = 9, z 6 = 0 Teljes indukcióval 5 Teljes indukcióval 6 Az el z feladatból következik z = z = =
Részletesebben1. Példa. A gamma függvény és a Fubini-tétel.
. Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +
RészletesebbenKvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla
Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,
RészletesebbenMatematika II. 1 sin xdx =, 1 cos xdx =, 1 + x 2 dx =
Matematika előadás elméleti kérdéseinél kérdezhető képletek Matematika II Határozatlan Integrálszámítás d) Adja meg az alábbi alapintegrálokat! x n 1 dx =, sin 2 x dx = d) Adja meg az alábbi alapintegrálokat!
RészletesebbenLINEÁRIS EGYENLETRENDSZEREK október 12. Irodalom A fogalmakat, definíciókat illetően két forrásra támaszkodhatnak: ezek egyrészt elhangzanak
LINEÁRIS EGYENLETRENDSZEREK 004. október. Irodalom A fogalmakat, definíciókat illetően két forrásra támaszkodhatnak: ezek egyrészt elhangzanak az előadáson, másrészt megtalálják a jegyzetben: Szabó László:
RészletesebbenEgyváltozós függvények 1.
Egyváltozós függvények 1. Filip Ferdinánd filip.ferdinand@bgk.uni-obuda.hu siva.banki.hu/jegyzetek 015 szeptember 1. Filip Ferdinánd 015 szeptember 1. Egyváltozós függvények 1. 1 / 5 Az el adás vázlata
Részletesebbensin x = cos x =? sin x = dx =? dx = cos x =? g) Adja meg a helyettesítéses integrálás szabályát határozott integrálokra vonatkozóan!
Matematika előadás elméleti kérdéseinél kérdezhető képletek Analízis II Határozatlan integrálszámítás g) t = tg x 2 helyettesítés esetén mivel egyenlő sin x = cos x =? g) t = tg x 2 helyettesítés esetén
Részletesebben3. el adás: Determinánsok
3. el adás: Determinánsok Wettl Ferenc 2015. február 27. Wettl Ferenc 3. el adás: Determinánsok 2015. február 27. 1 / 19 Tartalom 1 Motiváció 2 A determináns mint sorvektorainak függvénye 3 A determináns
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 9. előadás: Paraméteres iterációk, relaxációs módszerek Lócsi Levente ELTE IK Tartalomjegyzék 1 A Richardson-iteráció 2 Relaxált Jacobi-iteráció 3 Relaxált Gauss Seidel-iteráció
RészletesebbenSorozatok és Sorozatok és / 18
Sorozatok 2015.11.30. és 2015.12.02. Sorozatok 2015.11.30. és 2015.12.02. 1 / 18 Tartalom 1 Sorozatok alapfogalmai 2 Sorozatok jellemz i 3 Sorozatok határértéke 4 Konvergencia és korlátosság 5 Cauchy-féle
RészletesebbenSorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
RészletesebbenDifferenciálegyenletek numerikus megoldása
a Matematika mérnököknek II. című tárgyhoz Differenciálegyenletek numerikus megoldása Fokozatos közeĺıtés módszere (1) (2) x (t) = f (t, x(t)), x I, x(ξ) = η. Az (1)-(2) kezdeti érték probléma ekvivalens
RészletesebbenA sorozat fogalma. függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet. az értékkészlet a komplex számok halmaza, akkor komplex
A sorozat fogalma Definíció. A természetes számok N halmazán értelmezett függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet a valós számok halmaza, valós számsorozatról beszélünk, mígha az
RészletesebbenMODELLEK ÉS ALGORITMUSOK ELŐADÁS
MODELLEK ÉS ALGORITMUSOK ELŐADÁS Szerkesztette: Balogh Tamás 214. december 7. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenHódmezővásárhelyi Városi Matematikaverseny április 14. A osztályosok feladatainak javítókulcsa
Hódmezővásárhelyi Városi Matematikaverseny 2003. április 14. A 11-12. osztályosok feladatainak javítókulcsa 1. feladat Egy számtani sorozatot az első eleme és különbsége egyértelműen meghatározza, azt
RészletesebbenMatematika. 4. konzultáció: Kétváltozós függvények szélsőértéke. Parciális függvény, parciális derivált
Matematika 1 NYME KTK, Egyetemi kiegészítő alapképzés 2004/2005. tanév, I. évf. I.félév Budapest Előadó: Dr. Takách Géza NyME FMK Informatikai Intézet 9400 Sopron, Bajcsy Zs. u. 9. GT fszt. 3. (99) 518
RészletesebbenMatematika alapjai; Feladatok
Matematika alapjai; Feladatok 1. Hét 1. Tekintsük a,, \ műveleteket. Melyek lesznek a.) kommutativok b.) asszociativak c.) disztributívak-e a, műveletek? Melyik melyikre? 2. Fejezzük ki a műveletet a \
Részletesebbenrank(a) == rank([a b])
Lineáris algebrai egyenletrendszerek megoldása a Matlabban Lineáris algebrai egyenletrendszerek a Matlabban igen egyszer en oldhatók meg. Legyen A az egyenletrendszer m-szer n-es együtthatómátrixa, és
RészletesebbenKerényi Péter. Gyökkeresés iterációval
Eötvös Loránd Tudományegyetem Természettudományi Kar Kerényi Péter Gyökkeresés iterációval BSc. szakdolgozat Témavezet : Sigray István Analízis tanszék Budapest, Tartalomjegyzék. Bevezetés 4. Newton-módszer
RészletesebbenNumerikus integrálás
Közelítő és szimbolikus számítások 11. gyakorlat Numerikus integrálás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján 1. Határozatlan integrál
Részletesebben1. Számsorok, hatványsorok, Taylor-sor, Fourier-sor
. Számsorok, hatványsorok, Taylor-sor, Fourier-sor Vizsgálja meg a következő végtelen sorokat konvergencia szempontjából. Tétel. (Cauchy-féle belső konvergenciakritérium) A a n végtelen sor akkor és csakis
RészletesebbenVéletlen bolyongás. Márkus László március 17. Márkus László Véletlen bolyongás március / 31
Márkus László Véletlen bolyongás 2015. március 17. 1 / 31 Véletlen bolyongás Márkus László 2015. március 17. Modell Deníció Márkus László Véletlen bolyongás 2015. március 17. 2 / 31 Modell: Egy egyenesen
RészletesebbenArany Dániel Matematikai Tanulóverseny 2017/2018-as tanév 2. forduló Haladók II. kategória
Bolyai János Matematikai Társulat Arany Dániel Matematikai Tanulóverseny 017/018-as tanév. forduló Haladók II. kategória Megoldások és javítási útmutató 1. Egy tanár kijavította egy 1 f s csoport dolgozatait.
Részletesebben2. sillabusz a Többváltozós függvények kurzushoz
Az implicitfüggvény-tétel 2. sillabusz a Többváltozós függvények kurzushoz Mi az hogy sillabusz? Ez egy olyan iromány ami segédanyagnak készült. Vázlatos pontatlan (szándékoltan) hiányos. Segíti a tanulást
RészletesebbenMódszerek széls érték feladatok vizsgálatára
Módszerek széls érték feladatok vizsgálatára Szakdolgozat Írta: Muhari Ágnes Matematika BSc, elemz szakirány Témavezet : Dr. Kós Géza egyetemi adjunktus Analízis Tanszék Eötvös Loránd Tudományegyetem Természettudományi
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 6. előadás: Vektor- és mátrixnormák Lócsi Levente ELTE IK 2013. október 14. Tartalomjegyzék 1 Vektornormák 2 Mátrixnormák 3 Természetes mátrixnormák, avagy indukált normák 4 Mátrixnormák
Részletesebben