Universitetseksamen etter tema
Øv på ett tema om gangen med oppgavene fra universitetseksamenene vi har lagt ut, foreløpig NTNU Matematikk 1, NTNU Matematikk 3, OsloMet Matte 2000 og OsloMet Matte 3000. Velg område og tema, så henter vi oppgavene fra alle settene. Prøv selv først – løsningen ligger under oppgaven når du står fast.
Område
Emne
optimering
Velger du flere tema, får du oppgavene som har alle sammen.
1 oppgave i OsloMet Matte 2000 om optimering
Oppgavene
Oppgave 5
- Flere oppgaver om optimering,
- Flere oppgaver om partielle deriverte,
- Flere oppgaver om topp- og bunnpunkter
Det fiktive bilutleieselskapet SIVA har, i beste fall, dårlige rutiner for å kontrollere informasjonen de sender til kundene sine. Feilinformasjon påfører kundene ekstrautgifter – og gir selskapet ekstra-inntekter.
I forbindelse med en planlagt reklamekampanje med slagordet “vi prøver hardere når det gjelder kundebehandling” har de kommet fram til denne matematiske modellen for inntjeninga de venter seg i nær framtid:
Her er prosent-andelen av kundene som får feilinformasjon, og er hvor mange millioner kroner de vil investere i kampanjen. (Sammenhengen er ikke gyldig for alle verdier av og men vi kan legge til grunn at den er gyldig for moderate, positive verdier av variablene.) I modellen har de forsøkt å ta høyde for at informasjons-praksisen deres ikke kommuniserer så godt med budskapet i reklamen. Funksjonen er visualisert under – for både positive og negative og
Oppgave 5a)
Vis, ved regning, hvordan vi kan komme fram til at de partielle deriverte av første orden for er
og at Hesse-matrisen er
Vis løsningSkjul løsning på oppgave 5a
Svar
De partielle deriverte av første orden er:
Når vi deriverer med hensyn på \( x\text{,} \) er \( y \) en konstant, og omvendt. Leddet \( {(x - y)^2} \) deriverer vi med kjerneregelen. Hesse-matrisen samler de fire andrederiverte.
1. Deriver med hensyn på x
Når vi deriverer med hensyn på \( x\text{,} \) behandler vi \( y \) som en konstant, som i videoen Partiell derivasjon, intro med eksempler. Da blir \( {29y - y^3} \) borte, og \( {46x - x^3} \) derivert blir \( {46 - 3x^2}\text{.} \)
Leddet \( {(\textcolor{green}{x - y})^2} \) deriverer vi med kjerneregelen, med kjernen \( {\textcolor{green}{x - y}}\text{.} \) Vi deriverer kvadratet og ganger med den deriverte av kjernen, som i videoen Kjerneregelen:
\[ \dfrac{\partial}{\partial x}(\textcolor{green}{x - y})^2 = 2(\textcolor{green}{x - y}) \cdot \textcolor{green}{1} \]
Det gir oss:
\[ \dfrac{\partial f}{\partial x}(x, y) = 46 - 3x^2 + 2(x - y) \]
2. Deriver med hensyn på y
Nå er \( x \) konstant, så \( {46x - x^3} \) blir borte, og \( {29y - y^3} \) derivert blir \( {29 - 3y^2}\text{.} \) Den deriverte av kjernen \( {\textcolor{green}{x - y}} \) med hensyn på \( y \) er \( {\textcolor{green}{-1}}\text{:} \)
\[ \dfrac{\partial}{\partial y}(\textcolor{green}{x - y})^2 = 2(\textcolor{green}{x - y}) \cdot (\textcolor{green}{-1}) \]
Det gir oss:
\[ \dfrac{\partial f}{\partial y}(x, y) = 29 - 3y^2 - 2(x - y) \]
3. Finn de andrederiverte
Vi skriver \( f_x \) for \( \dfrac{\partial f}{\partial x} \) og ganger ut parentesene:
\[ \begin{aligned} f_x &= 46 - 3x^2 + 2x - 2y \\ f_y &= 29 - 3y^2 - 2x + 2y \end{aligned} \]
Hesse-matrisen har de andrederiverte som elementer:
\[ H = \begin{pmatrix} \textcolor{blue}{f_{xx}} & \textcolor{green}{f_{xy}} \\ \textcolor{green}{f_{yx}} & \textcolor{red}{f_{yy}} \end{pmatrix} \]
Vi deriverer \( f_x \) og \( f_y \) en gang til, med hensyn på hver av variablene, som i videoen Dobbel partiell derivert:
\[ \begin{aligned} \textcolor{blue}{f_{xx}} &= \textcolor{blue}{-6x + 2} & \textcolor{green}{f_{xy}} &= \textcolor{green}{-2} \\ \textcolor{green}{f_{yx}} &= \textcolor{green}{-2} & \textcolor{red}{f_{yy}} &= \textcolor{red}{-6y + 2} \end{aligned} \]
Plugger vi dette inn, får vi:
\[ H = \begin{pmatrix} \textcolor{blue}{-6x + 2} & \textcolor{green}{-2} \\ \textcolor{green}{-2} & \textcolor{red}{-6y + 2} \end{pmatrix} \]
Oppgave 5b)
Selskapet finner ut at de, om modellen er rett, bør sikte seg inn på og om de vil tjene mest mulig penger. Hvorfor det? Eller, sagt på en annen måte: Vis ved regning at dette er et (lokalt) maksimum for
Vi ber deg ikke vise hvordan vi kan komme fram til punktet
Vis løsningSkjul løsning på oppgave 5b
Svar
er et kritisk punkt, og dobbelt derivertes test gir:
Selv om du ikke fikk til a), kan du løse denne: de partielle deriverte og Hesse-matrisen står i oppgaveteksten i a).
Et lokalt maksimum er et kritisk punkt der dobbelt derivertes test gir \( {K > 0} \) og \( {f_{xx} < 0}\text{.} \) Vi sjekker begge deler i \( (4, 3)\text{.} \)
1. Sjekk at punktet er kritisk
Et kritisk punkt er der begge de partielle deriverte er \( 0\text{,} \) som i videoen Hva er et kritisk punkt. I oppgaveteksten til a) står det at:
\[ \begin{aligned} \dfrac{\partial f}{\partial x}(x, y) &= 46 - 3x^2 + 2(x - y) \\ \dfrac{\partial f}{\partial y}(x, y) &= 29 - 3y^2 - 2(x - y) \end{aligned} \]
Vi setter inn \( {x = 4} \) og \( {y = 3}\text{:} \)
\[ \begin{aligned} \dfrac{\partial f}{\partial x}(4, 3) &= 46 - 3 \cdot 4^2 + 2(4 - 3) \\ &= 46 - 48 + 2 = 0 \\ \dfrac{\partial f}{\partial y}(4, 3) &= 29 - 3 \cdot 3^2 - 2(4 - 3) \\ &= 29 - 27 - 2 = 0 \end{aligned} \]
2. Bruk dobbelt derivertes test
Dobbelt derivertes test forteller oss at vi regner ut:
\[ K = \textcolor{blue}{f_{xx}} \cdot \textcolor{red}{f_{yy}} - \textcolor{green}{f_{xy}} \cdot \textcolor{green}{f_{yx}} \]Er \( {K > 0} \) og \( {\textcolor{blue}{f_{xx}} < 0}\text{,} \) er punktet et lokalt maksimum. Du ser testen i videoen Dobbelt derivertes test, og hvordan vi skiller maksimum fra minimum i Dobbelt derivertes test.
Her er, fra Hesse-matrisen i a):
\[ \begin{aligned} \textcolor{blue}{f_{xx}(4, 3)} &= -6 \cdot 4 + 2 = \textcolor{blue}{-22} \\ \textcolor{red}{f_{yy}(4, 3)} &= -6 \cdot 3 + 2 = \textcolor{red}{-16} \\ \textcolor{green}{f_{xy}} &= \textcolor{green}{f_{yx}} = \textcolor{green}{-2} \end{aligned} \]
Plugger vi dette inn, får vi:
\[ \begin{aligned} K &= (\textcolor{blue}{-22}) \cdot (\textcolor{red}{-16}) - (\textcolor{green}{-2}) \cdot (\textcolor{green}{-2}) \\ &= 352 - 4 = 348 \end{aligned} \]
\( {K > 0} \) og \( {\textcolor{blue}{f_{xx}} < 0}\text{,} \) så \( (4, 3) \) er et lokalt maksimum. Der tjener selskapet mest, i alle fall sammenliknet med verdier i nærheten.
Oppgave 5c)
Vi lar nå og også ta negative verdier for funksjonen og ser bort fra tolkninga over. Videre tenker vi oss at vi, med utgangspunktet oppdaterer punktet etter disse kopla differens-likningene:
Her er parameteren et lite, positivt tall. Dersom verdien av denne parameteren er satt lavt nok, vil nærme seg et bestemt punkt når blir stor. Bruk figuren til å estimere hvilket punkt dette er.
Her krever vi ikke et veldig nøyaktig svar. Men husk å grunngi svaret.
Vis løsningSkjul løsning på oppgave 5c
Svar
Stegene ender i bunnen av dalen inne i nivåkurven
Selv om du ikke fikk til a), kan du løse denne: de partielle deriverte står i oppgaveteksten i a).
Hvert steg går motsatt vei av gradienten, altså nedover. Vi følger stegene fra origo til bunnen av dalen.
1. Se hvor stegene går
Gradienten samler de partielle deriverte:
\[ \textcolor{blue}{\nabla f} = \left(\dfrac{\partial f}{\partial x}, \dfrac{\partial f}{\partial y}\right) \]Du ser hva gradienten er i videoen Hva er en gradient?. Den peker dit \( f \) vokser raskest.
Skriver vi punktet som \( {\mathbf{x}_n = (x_n, y_n)}\text{,} \) trekker de kopla differenslikningene fra \( \gamma \) ganger gradienten:
\[ \mathbf{x}_{n+1} = \mathbf{x}_n - \gamma\textcolor{blue}{\nabla f(\mathbf{x}_n)} \]
Hvert steg går derfor nedover, og med lav nok \( \gamma \) blir \( f \) mindre for hvert steg. Punktet står bare stille der \( {\textcolor{blue}{\nabla f} = (0, 0)}\text{.} \) Det kan ikke ende i et toppunkt, siden \( f \) synker, og i et sadelpunkt bare fra helt spesielle startpunkter. Derfor ender det i bunnen av en dal, i et lokalt minimum.
2. Følg stegene fra origo
I oppgaveteksten til a) står det at:
\[ \begin{aligned} \dfrac{\partial f}{\partial x}(x, y) &= 46 - 3x^2 + 2(x - y) \\ \dfrac{\partial f}{\partial y}(x, y) &= 29 - 3y^2 - 2(x - y) \end{aligned} \]
I \( (0, 0) \) blir alle leddene med \( x \) og \( y \) lik \( 0\text{:} \)
\[ \textcolor{blue}{\nabla f(0, 0)} = \textcolor{blue}{(46, 29)} \]
Første steg går altså mot \( {-\textcolor{blue}{(46, 29)}}\text{,} \) ned og til venstre. I figuren går vi fra nivåkurven \( 0 \) gjennom origo mot \( {-75} \) og \( {-150}\text{.} \)
3. Les av bunnen av dalen
Nede til venstre er nivåkurvene \( {-75} \) og \( {-150} \) lukkede ringer, den ene inni den andre. Inne i ringen \( {-150} \) er \( f \) altså lavere enn \( {-150}\text{,} \) og det er ingen kurve for \( {-225} \) der. Når punktet først er innenfor ringen \( {-75}\text{,} \) kommer det ikke ut igjen, siden \( f \) bare synker. Bunnen av dalen ligger derfor inne i ringen \( {-150}\text{,} \) omtrent midt i:
\[ (x, y) \approx (-4, -3) \]
Kontroll: \( {\textcolor{blue}{\nabla f(-4, -3)} = \textcolor{blue}{(-4, 4)}} \) er mye kortere enn i origo. Der er \( {K = 26 \cdot 20 - (-2)^2 = 516} \) og \( {f_{xx} = 26}\text{,} \) begge positive, som i et minimum.