Koodaa tehtävän ratkaisu Matlab-ohjelmaa hyväksi käyttäen. Ratkaisumenetelminä käytä Newtonin menetelmää ja sekanttimenetelmää.
|
|
- Tauno Niemelä
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Ohjelmointi ja Matlab syksy 010 Kotitehtävä palautettava mennessä Methyl alcohol can be synthesized by passing a mixture of CO and H over a suitable catalyst. For a feed mixture containing moles of hydrogen to 1 mole of carbon monoxide, x, the number of moles of hydrogen converted at 300 o C and 40 bar, is indicated by the following equation: 3 x x 49 = 0 x x (1) The solution to the problem corresponds to that value x at which to zero. 3 x x 49 x x reduces Koodaa tehtävän ratkaisu Matlab-ohjelmaa hyväksi käyttäen. Ratkaisumenetelminä käytä Newtonin menetelmää ja sekanttimenetelmää. Ongelmanratkaisu: Menetelmät: Newtonin menetelmä funktion nollakohdan etsimistä varten on seuraavanlainen x f ( xk ) '( x ) = k 1 x + k f () k Menetelmän käyttöön tarvitaan funktio, sen derivaatta (jonka laskeminen voi olla työlästä) sekä sopiva alkuarvaus x 0. Newtonin menetelmä voi divergoitua, jos alkuarvaus on kovin kaukana todellisesta nollakohdasta. Sekanttimenetelmä funktion nollakohdan etsimistä varten on seuraavanlainen x k+ 1 = x k ( k)( k k 1 ) ( ) ( ) f x x x f x f x k k 1 Menetelmän käyttöön tarvitaan funktio sekä kaksi alkuarvausta x 0 ja x 1. Derivaattaa ei tarvita. Molempia menetelmiä käytettäessä on syytä huomata, että (1) ei ole määritelty pisteessä x =. Funktiomme on seuraavanlainen Tarvittavat tiedot: 3 x x f ( x) = 49 x x (4) Funktion derivaatan laskemista varten muokataan funktio seuraavaan muotoon (vakion voimme jättää pois, koska sen derivaatta on nolla...) (3)
2 ( ) g x = x ( ) ( 3 x 3 ) x Tulon derivointisääntöä soveltamalla saamme ja edelleen (5) x x g' ( x) = ( 3 x) D 3 + D 3 ( 3 x) ( x) ( x) ( ) 3 ( ) ( 1) 3( ) ( 1) x x x x g' ( x) = ( 3 x) ( 3 x)( 1) ( x) ( x) ( x ) ( x) 3 ( x) ( x) ( ) ( ) x 3 3 g' ( x) = 1+ x x (8) Muoto (8) on tehtävän laskennan suhteen riittävän yksinkertaisessa muodossa, mutta (8) voidaan vielä sieventää muotoon g' ( x) 18 6x = ( x) 4 Nyt meillä on käytössämme funktio ja sen derivaatta. Vielä tarvitaan sopiva aloituspiste. Funktion arvot vaihtelevat rajusti ja funktiolla on epäjatkuvuuskohta. Eli tarvitsemme jonkinlaisen käsityksen funktion käyttäytymisestä. Matlabissa on sopiva mokkula tähän käyttötarkoitukseen eli fplotkomento. Haarukoimalla fplot-komennolla päädymme esim. seuraavanlaiseen tilanteeseen: (6) (7) (9) >> fplot ( '((3-x)/(-x))^ * (x/(-x)) - 49', [ ]) ; grid ;
3 Nollakohdan summittaisen paikan haarukointiin voi tietysti käyttää myös Excel-taulukkolaskentaohjelmaa. Nyt meillä on tiedossamme kaikki tarpeellinen koodausta varten. % K1_010_MetO.m % Hougen, Watson & Ragatz s. 1- % Matlab-koodi: % Laskee funktion arvot. fun = inline ( '((3-x)/(-x))^ * (x/(-x)) - 49', 'x') ; % Laskee derivaatan arvot. dfun = inline ( '(*(3-x)/((-x)^3))*(((3-x)/(-x))*(1+x)-x)', 'x') ; % Kuvaajan piirto. fplot ( fun, [ ]) ; grid ; % Newtonin menetelmä. % Tarvitsee KÄSIN lasketun derivaatan. disp ('Lasketaan Newtonin menetelmän avulla:') ; x = 1.8 ; % Aloituspiste. f = fun (x) ; % Funktion arvo aloituspisteessä. f_old = realmax ; disp ( [ x f ] ) ; while ( abs(f_old-f) > 1e-3 ), x = x - fun(x)/dfun(x) ; % Lasketaan uusi piste. f_old = f ; f = fun (x) ; % Funktion arvo uudessa pisteessä. disp ( [ x f ] ) ; end nollakohta = x % Sekanttimenetelmä. % Ei tarvitse derivaattaa. disp ('Lasketaan sekanttimenetelmän avulla:') ; x0 = 1.8 ; x1 = 1.85 ; % Aloituspisteet. f0 = fun (x0) ; f1 = fun (x1) ; % Funktion arvot aloituspisteissä. disp ( [ x0 f0 x1 f1 ] ) ; while ( abs(f0-f1) > 1e-3 ), t = (x1-x0)/(f1-f0) ; x = x - t * f1 ; % Lasketaan uusi piste. x0 = x1 ; x1 = x ; f0 = fun (x0) ; f1 = fun (x1) ; % Funktion arvot uusissa pisteissä. disp ( [ x0 f0 x1 f1 ] ) ; end nollakohta = x % Nollakohdan etsintä FZERO-funktion avulla. % ei toimi, jos aloituspiste on 0 tai disp ('Lasketaan FZERO-funktion avulla:') ; nollakohta = fzero ( ' (((3-x)/(-x))^ * (x/(-x) ) -49)', 1.9)
4 >> K1_010_MetO Lasketaan Newtonin menetelmän avulla: nollakohta = Lasketaan sekanttimenetelmän avulla: nollakohta = Lasketaan FZERO-funktion avulla: nollakohta = Eli : Methyl alcohol can be synthesized by passing a mixture of CO and H over a suitable catalyst. For a feed mixture containing moles of hydrogen to 1 mole of carbon monoxide, the number of moles of hydrogen converted at 300 o C and 40 bar is 1.8. Mikä on konversio? Tehtävän määrittelystä myös näemme, että 0< x <. Miksi? Menetelmien toiminnan vertailu: Newtonin menetelmä: Erittäin nopea, jos aloituspiste on lähellä todellista nollakohtaa Taipumus divergoitua eli ei löydä nollakohtaa, jos aloituspiste x 0 on huonosti valittu Tarvitsee derivaatan, jonka laskeminen käsin on työlästä ja virhealtista Numeerisen derivaatan käyttö on mahdollista (ks. opintojakso Numeeriset menetelmät ) Sekanttimenetelmä: Hitaampi kuin Newtonin menetelmä Ei tarvitse derivaattaa Aloituspisteiden ( x 0 ja x 1 ) valinta voi olla ongelmallista Matlabin fzero-funktio: testattu menetelmä yleensä on syytä käyttää testattuja menetelmiä idioottivarmaa numeerista nollakohdan hakumenetelmää ei olekaan... Lisää tietoa aiheesta: Oheinen moniste. Brent, R., Algorithms for Minimization Without Derivatives, Prentice-Hall, Forsythe, G. E., M. A. Malcolm, and C. B. Moler, Computer Methods for Mathematical Computations, Prentice-Hall, 1976.
5 1 Ohjelmointi ja Matlab syksy 010 Kotitehtävä palautettava mennessä In analyzing the equilibrium developed in the outgoing gas when a feed mixture of HO and CO in a molal ratio of 5 to 1 is passed though a bed of coke maintained at 1100 K and 10 bar, the following two independent equations are obtained: ( x y) x = (a) 1 x+ y 5 x ( )( ) ( 1 x+ y) ( x y)( 6 + y) = 1.01 x = moles of HO converted, per 6 moles of feed, according to the water-gas reaction, HO+ CO CO H + y = moles of CO converted, per 6 moles of feed, according to the reaction, C+ CO CO If the numerical values of x and y can be determined, the equilibrium gas composition may be calculated. Koodaa tehtävän ratkaisu Matlab-ohjelmaa hyväksi käyttäen. Ratkaisumenetelminä käytä Newtonin menetelmää (joka tässä tapauksessa tarkoittaa eri menetelmää kuin kotitehtävässä 1) ja Broydenin menetelmää. Menetelmien kuvaukset oheisessa paperissa. Menetelmät: Menetelmien kuvaukset ja ongelmanratkaisun problematiikka on kuvattu monisteessa (Systems_of_nonlinear_equations.pdf). (b) Tarvittavat tiedot: Sekä Newtonin menetelmässä että Broydenin menetelmässä tarvitaan Jacobin matriisia (esim. f1 f1 x1 x n J = fm fm x 1 xn Seuraavaksi on laskettava tarvittavat osittaisderivaatat. Nyt derivoitavat funktiot ovat (c) ( x y) ( x y) x ( 1 x+ y)( 5 x) f1, = 0.944
6 f ( x y) ( 1 x+ y) ( x y)( 6 + y), = 1.01 Nyt saamme ensimmäisestä funktiosta ja edelleen ( ) ( 1 )( 5 ) x y x x+ y x ( 1 x+ y)( 5 x) ( x y) x f 1 x = x x ( 1 x+ y)( 5 x) ( ) ( 1 )( 5 ) x y x x+ y x ( 1 x+ y)( 5 x) ( x y) x f 1 y y = y ( 1 x+ y)( 5 x) ( 1 x + y)( 5 x) ( x y) ( x y) x ( 6+ x y) ( 1 )( 5 ) = x x+ y x f1 ( 1 x + y)( 5 x) ( x) ( x y) x ( 10 x) ( 1 )( 5 ) = y x+ y x f1 Toisesta funktiosta saamme ja edelleen ( ) ( ) ( )( 6 ) 1 x+ y ( x y)( 6 + y) ( x y)( 6+ y) 1 x+ y f x = x x x y + y ( ) 1 x+ y ( x y)( 6 + y) ( x y)( 6+ y) ( 1 x+ y) f y y = y ( x y)( 6 + y) ( x y)( 6+ y) ( )( 1 x+ y) ( 1 x+ y) ( 6+ y) f = ( )( 6 ) x x y + y ( x y)( 6+ y) 4( 1 x+ y) ( 1 x+ y) ( x 6 y) f = ( )( 6 ) y x y + y Eo. yhtälöt voisi vielä sievennellä, mutta laskennan kannalta katsottuna se ei ole tarpeen (ks. miten Jacobin matriisi on koodattu Matlab-koodiksi).
7 3 Aloituspisteen valinta: Alkuperäisistä yhtälöistä näemme, että aloitusarvoina x ja y eivät voi olla samoja eikä x voi olla 5. Aloitusarvoiksi soveltunevat pienet kokonaisluvut, esim. x = 4 ja y = 3. Voisimme myös ratkaista sekä a:sta että b:stä y:t ja katsoa miten saadut funktiot käyttäytyvät, mutta tämä tapa on suhteellisen työläs. Matlab koodit: Ensiksi Newtonin menetelmä: % K_010_MetO_a.m % Newton's method. % , & Juha Jaako format compact ; clear all ; hold on ; disp ( 'Newtonin menetelmä' ) ; x = [ 4 3 ]' ; plot (x(1), x(), 'k*') ; axis ( [ ] ) ; % Määritellään funktiot (inline). f1 = inline ( '(((x-y)*x)/((1-x+*y)*(5-x))) ', 'x', 'y' ) ; f = inline ( '((1-x+*y)^/((x-y)*(6+y))) ', 'x', 'y' ) ; % Määritellään Jacobin matriisi (inline). % Ensimmäinen funktio. t1 = [ '((1-x+*y)*(5-x))' ] ; t = [ '((x-y)*x)' ] ; t3 = [ '(' t1 '^)' ] ; t4 = [ '(' t1 '*(*x-y)-' t '*(*x-*y-6))/' t3 ] ; J11 = inline ( t4, 'x', 'y' ) ; t5 = [ '(' t1 '*(-x)-' t '*(10-*x))/' t3 ] ; J1 = inline ( t5, 'x', 'y' ) ; % Toinen funktio. t1 = [ '((x-y)*(6+y))' ] ; t = [ '((1-x+*y)^)' ] ; t3 = [ '(' t1 '^)' ] ; t4 = [ '(' t1 '*((-)*(1-x+*y))-' t '*(6+y))/' t3 ] ; J1 = inline ( t4, 'x', 'y' ) ; t5 = [ '(' t1 '*(4*(1-x+*y))-' t '*((x-6-*y)))/' t3 ] ; J = inline ( t5, 'x', 'y' ) ; % Asetaan suppenemisparametrit. erosuure = realmax ; % Testisuureen alkuarvo. laskuri = 0 ; % Nollataan kierroslaskuri. TOLERANSSI = 1e-6 ; % Laskentatoleranssi. MAKSIMIKIERROKSET = 10 ; % Asetaan maksikierrosten määrä disp ( [ x' ] ) ; % Aloitetaan laskenta. while ( (erosuure > TOLERANSSI) & (laskuri < MAKSIMIKIERROKSET) ), %for i = 1 : 10, laskuri = laskuri + 1 ; % Kasvatetaan kierroslaskuria. f = [ f1(x(1),x()) ; f(x(1),x()) ] ;
8 4 J = [ J11(x(1),x()), J1(x(1),x()) ;... J1(x(1),x()), J(x(1),x()) ] ; sk = J \ (-f) ; % Lasketaan Newton-askel. s. 39 x = x + sk ; % Uuden pisteen päivityskaava. plot (x(1), x(), 'k*') ; text (x(1), x(), [ '\leftarrow' numstr(laskuri) ' ']) ; line ( [x(1), x(1)-sk(1)], [x(), x()-sk()] ) ; % Lasketaan uuden testisuureen arvo. erosuure = max (abs ([ f1(x(1),x()); f(x(1),x()) ] - f)) ; disp ( [ x' erosuure ] ) ; end % Tulostetaan ratkaisu. disp ( [ 'Ratkaisu:' ] ) ; disp ( x' ) ; disp ( [ 'Kierroksia:' ] ) ; disp (laskuri) ; hold off ; Kun ohjelma ajetaan komentoikkunasta, saamme >> K_010_MetO_a Newtonin menetelmä 4 3 (erosuure) Ratkaisu: Kierroksia: Ratkaisu löytyy vähin laskentakierroksin, joka johtuu siitä, että alkuarvauksemme oli hyvä. Ks. seuraava kuvio: Seuraavaksi Broydenin menetelmä: % K_010_MetO_b.m % Broyden's method.
9 5 % Juha Jaako format compact ; clear all ; disp ( 'Broydenin menetelmä' ) ; tol = ; xk = [ 4 3 ]' ; % Define functions. f1 = inline ( '(((x-y)*x)/((1-x+*y)*(5-x))) ', 'x', 'y' ) ; f = inline ( '((1-x+*y)^/((x-y)*(6+y))) ', 'x', 'y' ) ; % Define Jacobian. % First function. t1 = [ '((1-x+*y)*(5-x))' ] ; t = [ '((x-y)*x)' ] ; t3 = [ '(' t1 '^)' ] ; t4 = [ '(' t1 '*(*x-y)-' t '*(*x-*y-6))/' t3 ] ; J11 = inline ( t4, 'x', 'y' ) ; t5 = [ '(' t1 '*(-x)-' t '*(10-*x))/' t3 ] ; J1 = inline ( t5, 'x', 'y' ) ; % Second function. t1 = [ '((x-y)*(6+y))' ] ; t = [ '((1-x+*y)^)' ] ; t3 = [ '(' t1 '^)' ] ; t4 = [ '(' t1 '*((-)*(1-x+*y))-' t '*(6+y))/' t3 ] ; J1 = inline ( t4, 'x', 'y' ) ; t5 = [ '(' t1 '*(4*(1-x+*y))-' t '*((x-6-*y)))/' t3 ] ; J = inline ( t5, 'x', 'y' ) ; a = xk(1) ; b = xk() ; disp ( 'Initial Jacobian:' ) ; % Compute initial Jacobian. - Vaihtoehto 1. Bk = [ J11(a,b), J1(a,b) ; J1(a,b), J(a,b) ] % Initial Jacobian = identity matrix. - Vaihtoehto. %Bk = eye () disp (' ') ; test = realmax ; disp ( [ a b ] ) ; k = 0 ; % Iteration counter while (test > tol), %for i = 1 : 10, f = [ f1(a,b); f(a,b) ] ; sk = Bk \ (-f) ; xk = xk + sk ; a = xk(1) ; b = xk() ; yk = ([ f1(a,b); f(a,b) ] - f ) ; test = max(abs(yk)) ; disp ( [ a b test ] ) ; % Update Jacobian. Bk = Bk + ( (yk-bk*sk)*(sk') ) / ((sk')*sk) ; k = k + 1 ; end disp ( 'Vastaus:' ) ; disp (xk') ;
10 6 disp (k) ; Ajetaan Broydenin menetelmä ensin siten, että käytetään Jacobin matriisia aloituspisteessä [4, 3] ensimmäisenä arvona: >> K_010_MetO_b Broydenin menetelmä Initial Jacobian: Bk = Vastaus: Suppeneminen on hitaampaa kuin Newtonin menetelmässä. Ajetaan Broydenin menetelmää myös siten, että emme käytä Jacobin matriisia ollenkaan, Bk = eye () : >> K_010_MetO_b Broydenin menetelmä Initial Jacobian: Bk = Vastaus: Laskenta vie entistä enemmän kierroksia eli 1, kun käytämme samaa lopetusehtoa. Vastaus: The equilibrium gas composition: x : moles of HO converted = 3.85 y : moles of CO converted =.98
11 7 Mitä menetelmää sitten pitäisi käyttää epälineaarisen yhtälöryhmän ratkaisussa? (vrt. moniste Systems_of_nonlinear_equations.pdf). Yksikäsitteistä vastausta kysymykseen ei ole olemassa. Newton-tyyppiset menetelmät ovat epäluotettavia, jos aloituspiste on kaukana haetusta. Käyttämämme menetelmän tulisi olla luotettava ja helppokäyttöinen. Yksi vaihtoehto on seuraava koodi (Broydenin menetelmä): % K_010_MetO_b1.m % Broyden's method. % & Juha Jaako format compact ; clear all ; % Aloituspiste. x = [ 4 3 ]' ; % Määritellään funktiot. f1 = inline ( '(((x-y)*x)/((1-x+*y)*(5-x))) ', 'x', 'y' ) ; f = inline ( '((1-x+*y)^/((x-y)*(6+y))) ', 'x', 'y' ) ; % Aloitusmatriisina yksikkömatriisi. B = eye () ; % Suppenemisen vartiointi. test = realmax ; k = 0 ; maksimikierrokset = 50 ; tol = 1e-6 ; % Suppenemiskriteerin alkuarvo. % Kierroslaskuri. % Laskentakierrosten yläraja. % Lopetustoleranssi. while ((test > tol) & (k < maksimikierrokset)), f = [ f1(x(1),x()) ; f(x(1),x()) ] ; % Funktion arvo. s = B \ (-f) ; % Ratkaistaan lineaarinen yhtälöryhmä. x = x + s ; % Päivitetään ratkaisu. y = ([ f1(x(1),x()); f(x(1),x()) ] - f ) ; test = max(abs(y)) ; % Päivitetään suppenemiskriteeri. % Päivitä kerroimatriisi. B = B + ( (y-b*s)*(s') ) / ((s')*s) ; k = k + 1 ; % Päivitetään kierroslaskuri. end disp ( [ 'Vastaus: x = ' numstr(x(1)) ', y = ' numstr(x())] ) ; disp ([ 'Laskentakierroksia: ' numstr(k) ]) ; Tuloste: >> K_010_MetO_b1 Vastaus: x = , y =.9718 Laskentakierroksia: 1
12 Ohjelmointi ja Matlab syksy 010 Kotitehtävä palautettava Ohessa on pdf-tiedosto (Cubic_Spline_Interpolation.pdf), jossa on kuvattu, millaisia ovat kuutiolliset splinit. Seuraava data t = [ 1964 : 1 : 009 ] ; y = [, 8, 1, 10, 6, 1, 1, 13, 19, 35, 5, 34, 1, 8, 37,... 33, 4, 3, 33, 30, 5, 14,, 8, 5, 7, 34, 38, 44, 64,... 47, 44, 6, 41, 46, 53, 51, 60, 7, 85, 79, 79, 85, 83, 105, 78 ] ; kuvaa osastolta valmistuneiden diplomi-insinöörien määriä vuosina Kun sovitamme datan kuutiollisen splinin avulla, saamme seuraavan kuvaajan: Data points Cubic spline Kuvaaja syntyy seuraavan koodin avulla (K3_010_MetO_S.m): clear all;format compact;hold on;t=[1964:1:009]; y=[,8,1,10,6,1,1,13,19,35,5,34,1,8,37,... 33,4,3,33,30,5,14,,8,5,7,34,38,44,64,... 47,44,6,41,46,53,51,60,7,85,79,79,85,83,105,78 ] ; plot(t,y,'ko');s=length(t);b=[4,1,zeros(1,s-4)]; for i=:s-3,temp=[zeros(1,i-),1,4,1,zeros(1,s-4)];b=[b;temp(1:s-)]; end;b=[b;zeros(1,s-4),1,4];b=sparse(b);h=t()-t(1);k=6/(h^); for i=1:s-,z(i)=k*(y(i)-*y(i+1)+y(i+));end;z=z';m=b\z;m=[0;m;0]; for i=1:s-1,a(i)=(m(i+1)-m(i))/(6*h);b(i)=((m(i))/); c(i)=((y(i+1)-y(i))/h)-((m(i+1)+*m(i))/6)*h;d(i)=y(i); as=['(' numstr(a(i)) ')'];bs=['(' numstr(b(i)) ')']; cs= ['(' numstr(c(i)) ')'];ds=['(' numstr(d(i)) ')']; xi=numstr(t(i)); guns=[ as '*(x-' xi ')^3+' bs '*(x-' xi ')^+' cs '*(x-' xi ')+' ds ]; gun=inline( guns, 'x');fplot(gun,[ t(i) t(i+1) ],'k-'); end;axis([ ]);legend('Data points', 'Cubic spline') ; grid;hold off; Koodi on kuitenkin jätetty kommentoimatta ja se on ulkoasultaan sekä luettavuudeltaan huono. Tehtäväsi on kommentoida koodi (vihje: etsi pdf-tiedostosta se menetelmä, jota on käytetty koodauksen pohjana) sekä parantaa sen ulkoasua ja luettavuutta. Keksi parannuksia koodiin!
13 :34 C:\Users\Juha Jaako\AppData\Local\Microsoft\Windo...\K3_korjattu.m 1 of % Matlab-kurssi 010 % clear all ; format compact ; hold on ; % Maaritellaan t eli aika välille t = [1964 : 1 : 009] ; % Valmistuneiden maarat em. vuosina y = [, 8, 1, 10, 6, 1, 1, 13, 19, 35, 5, 34, 1, 8, 37,... 33, 4, 3, 33, 30, 5, 14,, 8, 5, 7, 34, 38, 44, 64,... 47, 44, 6, 41, 46, 53, 51, 60, 7, 85, 79, 79, 85, 83, 105, 78 ] ; % Piirretaan kuvaajaan aluksi valmistuneiden maarat mustina palloina ajan % ollessa x-akselilla plot (t, y, 'ko') ; % Lähdetaan muodostamaan annetuille tiedoille käyrää luonnollisten splinien % menetelmällä. Määritellaan muuttuja s muuttujan t pituuden mukaan eli % tästä saadaan alkuarvo pisteiden määrälle. Splinien muodostamiseen % tarkoitettujen matriisien koko tullaan määrittämään tämän mukaan. s = length(t) ; % Matriisin ensimmainen rivi, muotoa [ ] B = [4,1,zeros(1,s-4)] ; for i = :s-3, end ; % Matriisin "sisaosa" jossa 1,4,1-osa liukuu vasemmasta laidasta % oikeaan laitaan kierros kierrokselta. temp = [ zeros(1,i-),1,4,1,zeros(1,s-4) ] ; B = [B;temp(1:s-)]; % Matriisin viimeinen rivi, muotoa [ ] B = [ B;zeros(1,s-4),1,4 ] ; % Poistetaan turhat 0-elementit B=sparse(B) ; % Selvitetaan kahden edellisen arvon välinen ero, muuttuja h, % tässä tapauksessa kaikki arvot ovat vuoden ts. tasaisin valein % eli niiden valinen ero on aina 1. Ainakaan kaavan % mukaan, % jossa h = x(i) - x(i-1). Siis tällä koodilla ei pystytä laskemaan % epatasaisesti x-akselille sijoittuneita pisteita. (Nyt siis lasketaan % vain laiskasti vuosien 1965 ja 1964 erotus.) h = t() - t(1) ; k = 6/(h^) ; for i=1:s-, end ; % Rakennetaan matriisi z, joka sisaltaa yhdella rivilla kaikkien % menetelmassa kaytettyjen yi - *y - y3 - arvot. z(i) = k*(y(i) - *y(i+1) + y(i+)) ; z = z' ; % Transpoosi matriisista z M = B\z ; % Ratkaistaan M. M = [ 0 ; M ; 0 ] ; % Lisätään nollat alkuun ja loppuun. for i=1:s-1, % Ratkaistaan kierroksen splinin funktion kertoimien arvot a(i) = (M(i+1)-M(i))/(6*h) ; b(i) = ((M(i))/) ; c(i) = ((y(i+1)-y(i))/h)-((m(i+1)+*m(i))/6)*h ; d(i) = y(i) ; % Muutetaan luvut merkkijonoiksi. as = ['(' numstr(a(i)) ')'] ; bs = ['(' numstr(b(i)) ')'] ; cs = ['(' numstr(c(i)) ')'] ; ds = ['(' numstr(d(i)) ')'] ; % Muodostetaan kertoimista funktio josta voidaan jokaisella
14 :34 C:\Users\Juha Jaako\AppData\Local\Microsoft\Windo...\K3_korjattu.m of end ; % kierroksella ja t:n arvolla ratkaista y. xi = numstr (t(i)) ; guns=[ as '*(x-' xi ')^3+' bs '*(x-' xi ')^+' cs '*(x-' xi ')+' ds ] ; gun = inline( guns, 'x') ; % Piirretaan jokaisella kierroksella palanen splinia, edellisestä % pisteestä seuraavaan pisteeseen. fplot (gun, [ t(i) t(i+1) ], 'r-') ; % Määritetään akselit axis ([ ]) ; % Selvennetään kaavion merkit legend ('Data points', 'Cubic spline') ; % Selvennetään akselit ylabel ('Valmistuneiden maara') xlabel ('Vuosiluku') grid ; hold off ;
15 1 Ohjelmointi ja Matlab syksy 010 Kotitehtävä 4 Annettu Palautettava klo 3:59 mennessä (H 3.1) For n = 0, 1,..., 5, fit a polynomial of degree n by least squares to the following data: t y Make a plot of the original data points along with each resulting polynomial curve (you may make separate graphs for each curve or a single graph containing all of the curves). Which polynomial would you say captures the general trend of the data better? Obviously, this is a subjective question, and its answer depends on both the nature of the given data (e.g., the uncertainty of the data values) and the purpose of the fit. Explain your assumptions in answering. Use Matlab. Ratkaisu: Piirretään ensin datapisteet koordinaatistoon: >> clear all >> t = [ ] ; >> y = [ ] ; >> plot (t, y, 'ko') ; axis ( [ ] ) ; grid on ; Kuvion perusteella näyttää siltä, että polynomimalli sopii hyvin käyttötarkoitukseemme. On vain valittava sopivin pienimmän neliösumman mielessä.
16 Pienimmän neliösumman menetelmän (PNS, method of least squares, least squares, esim: käyttöä olitte jo harjoitelleet tehdyn harjoitteen puitteissa, jolloin havaittiin, että Matlabia käyttäen ongelman ratkaisu (parametrien suhteen lineaarisessa tapauksessa) ei ole kovin vaikeaa. Koodataan seuraava koodi, joka piirtää kaikki sovitukset samaan kuvioon (voi myös käyttää subplot -komentoja ja piirtää kuusi erillistä pikkukuviota tai piirtää kuusi erillistä isoa kuviota): % K4_010_MetO.m % Pienimmän neliösumman menetelmä. % & (c) Juha Jaako format compact ; clear all ; % Pito päälle (sallii kuvaa kohti useita piirtokomentoja). hold on ; % Mittaustiedot. t = [ ] ; y = [ ] ; % Piirretään mittaustiedot koordinaatistoon. plot (t, y, 'ko') ; % Datapisteet kuvioon. grid on ; % Ruudukko kuvioon. % Lisätään akselitiedot. axis ( [ ] ) ; % Määritellään akselit: t ; y xlabel ( '\it t' ) ; % Teksti x-akselille. ylabel ( '\it y' ) ; % Teksti y-akselille. title ( 'Polynomisovitus: n = 0, 1,..., 5') ; % Kuvion otsikko. %%% Polynomit : n = 0, 1,, 3, 4, 5 % Tähän voisi tehdä for... end -silmukan. % n = 0 : y = a0 A = [ones(length(t),1)] ; b = y' ; x = A \ b ; a0 = x ; yp = [ '(' numstr(a0) ')' ] ; yf = inline (yp, 't') ; disp (yf) ; fplot (yf, [ 0 7], 'k--' ) ; % Neliösumman arvo. temp = [ yf(t(1)), yf(t()), yf(t(3)), yf(t(4)), yf(t(5)), yf(t(6)) ] ; neliosumma0 = sum ((y - temp).^) % n = 1 : y = a1*t + a0 % PNS-matriisi : A x = b A = [t', ones(length(t),1)] ; b = y' ; x = A \ b ; a1 = x(1) ; a0 = x() ; yp = [ '(' numstr(a1) ')*t+(' numstr(a0) ')' ] ; yf = inline (yp, 't') ; disp (yf) ; fplot (yf, [ 0 7], 'b--' ) ; % Neliösumman arvo. temp = [ yf(t(1)), yf(t()), yf(t(3)), yf(t(4)), yf(t(5)), yf(t(6)) ] ; neliosumma1 = sum ((y - temp).^)
17 3 % n = : y = a*t^ + a1*t + a0 % PNS-matriisi : A x = b A = [(t.^)', t', ones(length(t),1)] ; b = y' ; x = A \ b ; a = x(1) ; a1 = x() ; a0 = x(3) ; yp = [ '(' numstr(a) ')*t^+(' numstr(a1) ')*t+(' numstr(a0) ')' ] ; yf = inline (yp, 't') ; disp (yf) ; fplot (yf, [ 0 7], 'r--' ) ; % Neliösumman arvo. temp = [ yf(t(1)), yf(t()), yf(t(3)), yf(t(4)), yf(t(5)), yf(t(6)) ] ; neliosumma = sum ((y - temp).^) % n = 3 : y = a3*t^3 + a*t^ + a1*t + a0 % PNS-matriisi : A x = b A = [(t.^3)', (t.^)', t', ones(length(t),1)] ; b = y' ; x = A \ b ; a3 = x(1) ; a = x() ; a1 = x(3) ; a0 = x(4) ; yp = [ '(' numstr(a3) ')*t^3+(' numstr(a) ')*t^+('... numstr(a1) ')*t+(' numstr(a0) ')' ] ; yf = inline (yp, 't') ; disp (yf) ; fplot (yf, [ 0 7], 'k.-' ) ; % Neliösumman arvo. temp = [ yf(t(1)), yf(t()), yf(t(3)), yf(t(4)), yf(t(5)), yf(t(6)) ] ; neliosumma3 = sum ((y - temp).^) % n = 4 : y = a4*t^4 + a3*t^3 + a*t^ + a1*t + a0 % PNS-matriisi : A x = b A = [(t.^4)', (t.^3)', (t.^)', t', ones(length(t),1)] ; b = y' ; x = A \ b ; a4 = x(1) ; a3 = x() ; a = x(3) ; a1 = x(4) ; a0 = x(5) ; yp = [ '(' numstr(a4) ')*t^4+(' numstr(a3) ')*t^3+(' numstr(a)... ')*t^+(' numstr(a1) ')*t+(' numstr(a0) ')' ] ; yf = inline (yp, 't') ; disp (yf) ; fplot (yf, [ 0 7], 'b.-' ) ; % Neliösumman arvo. temp = [ yf(t(1)), yf(t()), yf(t(3)), yf(t(4)), yf(t(5)), yf(t(6)) ] ; neliosumma4 = sum ((y - temp).^) % n = 5 : y = a5*t^5 + a4*t^4 + a3*t^3 + a*t^ + a1*t + a0 % PNS-matriisi : A x = b A = [(t.^5)', (t.^4)', (t.^3)', (t.^)', t', ones(length(t),1)] ; b = y' ; x = A \ b ; a5 = x(1) ; a4 = x() ; a3 = x(3) ; a = x(4) ; a1 = x(5) ; a0 = x(6) ; yp = [ '(' numstr(a5) ')*t^5+(' numstr(a4) ')*t^4+(' numstr(a3)... ')*t^3+(' numstr(a) ')*t^+(' numstr(a1) ')*t+(' numstr(a0) ')' ] ; yf = inline (yp, 't') ; disp (yf) ; fplot (yf, [ 0 7], 'r.-' ) ; % Neliösumman arvo. temp = [ yf(t(1)), yf(t()), yf(t(3)), yf(t(4)), yf(t(5)), yf(t(6)) ] ; neliosumma5 = sum ((y - temp).^) % Selitteet. legend ( 'datapisteet', 'n=0', 'n=1', 'n=', 'n=3', 'n=4', 'n=5', ) ; % Pito pois. hold off ;
18 4 Saamme seuraavan kuvion datapisteet n=0 n=1 n= n=3 n=4 n=5 Polynomisovitus: n = 0, 1,..., 5 y t ja tulosteen, josta näkyvät myös lasketut malliparametrit ja neliösummat (ulkoasua muokattu): >> K4_010_MetO Inline function: yf(t) = (5.5833) neliosumma0 = Inline function: yf(t) = (1.7057)*t+(1.319) neliosumma1 = Inline function: yf(t) = ( )*t^+(.1789)*t+(1.0036) neliosumma = Inline function: yf(t) = ( )*t^3+( )*t^+(3.1557)*t+( ) neliosumma3 = Inline function: yf(t) = (0.1065)*t^4+(-0.991)*t^3+(.634)*t^+( )*t+( ) neliosumma4 = Inline function: yf(t) = ( )*t^5+( )*t^4+(-4.15)*t^3+(8.304)*t^+( )*t+(1) neliosumma5 = e-006 Yleensä sopivimman mallin valinta tapahtuu silmämääräisesti sekä laskemalla tunnuslukuja. Yleisin tunnusluku on selitysaste R tai neliösumman arvo. Selitysaste ilmoittaa, kuinka suuri murto-osa y:n arvoissa todetusta vaihtelusta voidaan selittää t:n arvoissa tapahtuneilla muutoksilla. Selitysasteet eri malleille ovat (miten lasketaan?): n R Neliösumma 0 << e-006 ~ 0
19 5 Yleensä mallia pidetään hyvänä, jos selitysaste on parempi kuin 0.9 (tai neliösumma ei ole kovin suuri). Nyt tilanne on malleilla n > 0 tämä. Lisäksi mallien selityaste kasvaa polynomin asteen kasvaessa. Arvolla n = 5 selitysaste on jopa 1 (miksi?). Katsotaan nyt mallien n = tilannetta. malli n = 0 : Kuvaajasta näemme, että malli kuvaa erittäin huonosti dataa (neliösumma suuri). Poistamme tilanteen n = 0 ja saamme seuraavan kuvion datapisteet n=1 n= n=3 n=4 n=5 Polynomisovitus: n = 1,..., 5 y t mallit n = 4 ja n = 5 : Kuvaajista näemme, että mallit kuvaavat dataa hyvin datapisteissä, kohtalaisesti datapisteiden välillä (interpolaatio) mutta erittäin huonosti välillä t > 5 (ekstrapolointi). Poistamme tilanteet n = 4 ja n = 5 ja saamme kuvion datapisteet n=1 n= n=3 Polynomisovitus: n = 1,..., 3 8 y t
20 6 mallit n = 1, n = ja n = 3 : Mallit kuvaavat hyvin dataa sekä datapisteiden välillä että välillä x > 5. Periaatteessa kaikki mallit käyvät, mutta koska yleensä pyritään käyttämään mahdollisimman yksinkertaista mallia, poistetaan tilanne n = 3 tarkastelusta. Saamme 14 1 datapisteet n=1 n= Polynomisovitus: n = 1, 10 8 y t Nyt on aika tavalla makuasia, käyttääkö mallia n = 1 vai n =. Kummallakin valinnalla on puolensa. y(t) = *t y(t) = *t^ *t n R Neliösumma
21 1 Ohjelmointi ja Matlab syksy 010 Kotitehtävä 5 palautettava klo 3:59 mennessä Suppose that in a certain city, the pollution level is measured at two-hour intervals, beginning at midnight. These measurements were recorded for a one-week period and stored in a Matlab matrix, the first line of which contains the pollution levels for day 1, the second line for day, and so on. For example, suppose the pollution matrix for a certain week contains the following data: A = [ 30, 30, 31, 3, 35, 40, 43, 44, 47, 45, 40, 38 ;... 33, 3, 30, 34, 40, 48, 46, 49, 53, 49, 45, 40 ;... 38, 35, 34, 37, 44, 50, 51, 54, 60, 58, 51, 49 ;... 49, 48, 47, 53, 60, 70, 73, 75, 80, 75, 73, 60 ;... 55, 54, 53, 65, 70, 80, 90, 93, 95, 94, 88, 6 ;... 73, 70, 65, 66, 71, 78, 74, 78, 83, 75, 66, 58 ;... 50, 47, 43, 35, 30, 33, 37, 43, 45, 5, 39, 31 ] ; A Matlab program (or programs) is (are) to be written to produce a weekly report displaying the pollution levels. Ongelman ratkaisu: Ensimmäinen ongelma mittausdataa käsiteltäessä on, että onko viikon ensimmäinen päivä maanantai (kuten Suomessa) vai sunnuntai (kuten Yhdysvalloissa). Tässä käsittelyssä on oletettu, että viikon ensimmäinen päivä on sunnuntai. Mikäli käytämme viikon ensimmäisenä päivänä maanantaita, niin koodeihin on tehtävä vastaavat muutokset. Millaisia raportteja mittausdatasta voi sitten tehdä? Tarjolla on useita vaihtoehtoja: erilaisia taulukoita, kuvaajia tai edellisten yhdistelmiä. Tässä esityksessä tehdään yksi taulukko ja neljä erilaista kuvaajaa: kellonaika vs. saastetaso eri päivinä (time of day vs. pollution level) viikonpäivä vs. saastetaso eri kellonaikoina (day of week vs. pollution level) koko viikko vs. saastetaso (whole week vs. pollution level) saastetason luokka vs. lukumäärä (values range vs. number of occurrences) Teemme ensiksi ohjelman (pollution_data.m), joka tallettaa datan (vektorin t ja matriisin A) datatiedostoon pollution_data.mat. % pollution_data.m % & (c) Juha Jaako clear all ; % Mittausajakohdat. t = [ 0,, 4, 6, 8, 10, 1, 14, 16, 18, 0, ] ; % Saastetaso. A = [ 30, 30, 31, 3, 35, 40, 43, 44, 47, 45, 40, 38 ; 33, 3, 30, 34, 40, 48, 46, 49, 53, 49, 45, 40 ; 38, 35, 34, 37, 44, 50, 51, 54, 60, 58, 51, 49 ; 49, 48, 47, 53, 60, 70, 73, 75, 80, 75, 73, 60 ; 55, 54, 53, 65, 70, 80, 90, 93, 95, 94, 88, 6 ; 73, 70, 65, 66, 71, 78, 74, 78, 83, 75, 66, 58 ; 50, 47, 43, 35, 30, 33, 37, 43, 45, 5, 39, 31 ] ; save pollution_data t A ; disp ( 'Tietojen tallennus tapahtui' ) ; Nyt voimme ladata mittausdatan aina tarvittaessa ohjelmaan load -komennolla.
22 Voimme esittää datan yksinkertaisessa taulukkomuodossa seuraavasti (esim. siirrettäväksi Wordtekstinkäsittelyohjelmaan): % pollution_table.m % & (c) Juha Jaako clear all ; format compact ; % Ladataan datatiedosto. load pollution_data t A ; % Matriisin koko. [rows, colunms ] = size (A) ; % Viikonpäivät. names = ( [ 'Sunday : ' ; 'Monday : ' ; 'Tuesday : ' ;... 'Wednesday : ' ; 'Thursday : ' ; 'Friday : ' ;... 'Saturday : ' ] ) ; % Tehdään taulukko näytölle; taulukon voi kirjoittaa myös tiedostoon. % Lasketaan taulukkoon myös kunkin päivän keskiarvot. disp ( ' ' ) ; disp ( 'Pollution Data for Week X' ) ; disp ( ' Time of Day' ) ; disp ( [ 'Day : ' sprintf('%3d', t) ' Mean' ]) ; disp ( ' ' ) ; for i = 1 : rows, disp([names(i,:) sprintf('%3d',a(i,:)) sprintf('%6.1f', mean(a(i,:)))]) ; end Tulosteena saamme: >> pollution_table Pollution Data for Week X Time of Day Day : Mean Sunday : Monday : Tuesday : Wednesday : Thursday : Friday : Saturday :
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotHarjoitus 7 -- Ratkaisut
Harjoitus 7 -- Ratkaisut 1 Solve osaa ratkaista polynomiyhtälöitä, ainakin astelukuun 4 asti. Erikoistapauksissa korkeammankin asteen yhtälöt ratkeavat. Clear a, b, c, d, e, x ; Solve a x 3 b x 2 c 0,
LisätiedotTeknillinen tiedekunta, matematiikan jaos Numeeriset menetelmät
Numeeriset menetelmät 1. välikoe, 14.2.2009 1. Määrää matriisin 1 1 a 1 3 a a 4 a a 2 1 LU-hajotelma kaikille a R. Ratkaise LU-hajotelmaa käyttäen yhtälöryhmä Ax = b, missä b = [ 1 3 2a 2 a + 3] T. 2.
LisätiedotHarjoitus 1: Matlab. Harjoitus 1: Matlab. Mat Sovelletun matematiikan tietokonetyöt 1. Syksy 2006
Harjoitus 1: Matlab Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen Matlab-ohjelmistoon Laskutoimitusten
LisätiedotTässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa.
Laskuharjoitus 1A Mallit Tässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa. 1. tehtävä %% 1. % (i) % Vektorit luodaan
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 5 Ti 20.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 5 Ti 20.9.2011 p. 1/40 p. 1/40 Choleskyn menetelmä Positiivisesti definiiteillä matriiseilla kolmiohajotelma
LisätiedotFUNKTION KUVAAJAN PIIRTÄMINEN
FUNKTION KUVAAJAN PIIRTÄMINEN Saat kuvapohjan painamalla @-näppäintä tai Insert/Graph/X-Y-POT. Kuvapohjassa on kuusi paikanvaraaja: vaaka-akselin keskellä muuttuja ja päissä minimi- ja maksimiarvot pystyakselin
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. marraskuuta 2007 Antti Rasila () TodB 30. marraskuuta 2007 1 / 19 1 Lineaarinen regressiomalli ja suurimman uskottavuuden menetelmä Minimin löytäminen
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
LisätiedotMatriisit ovat matlabin perustietotyyppejä. Yksinkertaisimmillaan voimme esitellä ja tallentaa 1x1 vektorin seuraavasti: >> a = 9.81 a = 9.
Python linkit: Python tutoriaali: http://docs.python.org/2/tutorial/ Numpy&Scipy ohjeet: http://docs.scipy.org/doc/ Matlabin alkeet (Pääasiassa Deni Seitzin tekstiä) Matriisit ovat matlabin perustietotyyppejä.
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan
Lisätiedotmlnonlinequ, Epälineaariset yhtälöt
Aalto-yliopisto, Matematiikan ja Systeemianalyysin laitos -e mlnonlinequ, Epälineaariset yhtälöt 1. Historiallisesti mielenkiintoinen yhtälö on x 3 2x 5 = 0, jota Wallis-niminen matemaatikko käsitteli,
LisätiedotKevään 2011 pitkän matematiikan ylioppilastehtävien ratkaisut Mathematicalla Simo K. Kivelä /
Kevään 0 pitkän matematiikan ylioppilastehtävien ratkaisut Mathematicalla Simo K. Kivelä / 8.7.0 a) b) c) a) Tehtävä Yhtälö ratkaistaan yleensä Solve-funktiolla: Solve x 3 x, x x 4 Joissakin tapauksissa
Lisätiedotn. asteen polynomilla on enintään n nollakohtaa ja enintään n - 1 ääriarvokohtaa.
MAA 12 kertaus Funktion kuvaaja n. asteen polynomilla on enintään n nollakohtaa ja enintään n - 1 ääriarvokohtaa. Funktion nollakohta on piste, jossa f () = 0, eli kuvaaja leikkaa -akselin. Kuvaajan avulla
LisätiedotMatlabin perusteita Grafiikka
BL40A0000 SSKMO KH 1 Seuraavassa esityksessä oletuksena on, että Matlabia käytetään jossakin ikkunoivassa käyttöjärjestelmässä (PC/Win, Mac, X-Window System). Käytettäessä Matlabia verkon yli joko tekstipäätteeltä,
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 2 To 8.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 2 To 8.9.2011 p. 1/33 p. 1/33 Lukujen tallennus Kiintoluvut (integer) tarkka esitys aritmeettiset operaatiot
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 3 Ti 13.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 3 Ti 13.9.2011 p. 1/37 p. 1/37 Epälineaariset yhtälöt Newtonin menetelmä: x n+1 = x n f(x n) f (x n ) Sekanttimenetelmä:
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 2 Lisää osamurtoja Tutkitaan jälleen rationaalifunktion P(x)/Q(x) integrointia. Aiemmin käsittelimme tapauksen, jossa nimittäjä voidaan esittää muodossa Q(x) = a(x x
Lisätiedotmlvektori 1. Muista, että Jacobin matriisi koostuu vektori- tai skalaariarvoisen funktion F ensimmäisistä
Aalto-yliopisto, Matematiikan ja Systeemianalyysin laitos mlvektori 1. Muista, että Jacobin matriisi koostuu vektori- tai skalaariarvoisen funktion F ensimmäisistä osittaisderivaatoista: y 1... J F =.
LisätiedotZeon PDF Driver Trial
Matlab-harjoitus 2: Kuvaajien piirto, skriptit ja funktiot. Matlabohjelmoinnin perusteita Numeerinen integrointi trapezoidaalimenetelmällä voidaan tehdä komennolla trapz. Esimerkki: Vaimenevan eksponentiaalin
LisätiedotSIMULINK S-funktiot. SIMULINK S-funktiot
S-funktio on ohjelmointikielellä (Matlab, C, Fortran) laadittu oma algoritmi tai dynaamisen järjestelmän kuvaus, jota voidaan käyttää Simulink-malleissa kuin mitä tahansa valmista lohkoa. S-funktion rakenne
LisätiedotRatkaisuehdotukset LH 8 / vko 47
Ratkaisuehdotukset LH 8 / vko 47 Tehtävä 1: Olkoot A R n n matriisi, jonka singulaariarvohajotelma on A [ ] [ ] Σ U 1 U r 0 [V1 ] T 2 V 0 0 2 Jossa Σ r on kääntyvä matriisi, [ U 1 U 2 ] ja [ V1 V 2 ] ovat
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2018 1. (a) Tunnemme vektorit a = [ 5 1 1 ] ja b = [ 2 0 1 ]. Laske (i) kummankin vektorin pituus (eli itseisarvo, eli normi); (ii) vektorien
LisätiedotFunktioiden approksimointi ja interpolointi
Funktioiden approksimointi ja interpolointi Keijo Ruotsalainen Division of Mathematics interpolaatio-ongelma 8 Eksponenttifunktion exp(x) interpolointi 3.5 Funktion e^{0.25x} \sin(x) interpolointi 7 3
LisätiedotRatkaisuehdotukset LH 7 / vko 47
MS-C34 Lineaarialgebra, II/7 Ratkaisuehdotukset LH 7 / vko 47 Tehtävä : Olkoot M R symmetrinen ja positiividefiniitti matriisi (i) Näytä, että m > ja m > (ii) Etsi Eliminaatiomatriisi E R siten, että [
LisätiedotMapu 1. Laskuharjoitus 3, Tehtävä 1
Mapu. Laskuharjoitus 3, Tehtävä Lineaarisessa approksimaatiossa funktion arvoa lähtöpisteen x 0 ympäristössä arvioidaan liikkumalla lähtöpisteeseen sovitetun tangentin kulmakertoimen mukaisesti: f(x 0
LisätiedotTilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä
Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi Esimerkit laskettu JMP:llä Antti Hyttinen Tampereen teknillinen yliopisto 29.12.2003 ii Ohjelmien
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta
LisätiedotFUNKTION KUVAAJAN PIIRTÄMINEN
FUNKTION KUVAAJAN PIIRTÄMINEN Saat kuvapohjan Plots/Insert Plot/XY plot Huomaa - ja y-akselin paikanvaraajat (ja näissä valmiina yksikön syöttöruutu). Siirrä - akselia ylös/alas. Palauta origo perinteiseen
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 8: Newtonin iteraatio. Taso- ja avaruusintegraalit
MS-A25/MS-A26 ifferentiaali- ja integraalilaskenta 2 Luento 8: Newtonin iteraatio. Taso- ja avaruusintegraalit Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 216 1 Perustuu
LisätiedotMATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ
MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 4.9.09 HYVÄN VASTAUKSEN PIIRTEITÄ Alustavat hyvän vastauksen piirteet on suuntaa-antava kuvaus kokeen tehtäviin odotetuista vastauksista ja tarkoitettu ensisijaisesti
Lisätiedotläheisyydessä. Piirrä funktio f ja nämä approksimaatiot samaan kuvaan. Näyttääkö järkeenkäyvältä?
BM20A5840 - Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2017 1. Tunnemme vektorit a = [ 1 2 3 ] ja b = [ 2 1 2 ]. Laske (i) kummankin vektorin pituus (eli itseisarvo, eli normi); (ii) vektorien
Lisätiedotorigo III neljännes D
Sijoita pisteet A(1,4) ja B(4,5;5) sekä C(-3,4) ja D(-4,--5) y II neljännes C A I neljännes B x origo III neljännes D IV neljännes KOTIT. Sijoita ja nimeä koordinaatistoon pisteitä niin, että pisteet yhdistettäessä
LisätiedotNumeeriset menetelmät Pekka Vienonen
Numeeriset menetelmät Pekka Vienonen 1. Funktion nollakohta Newtonin menetelmällä 2. Määrätty integraali puolisuunnikassäännöllä 3. Määrätty integraali Simpsonin menetelmällä Newtonin menetelmä Newtonin
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 7 Ti 27.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 7 Ti 27.9.2011 p. 1/39 p. 1/39 Interpolointi Ei tunneta funktion f : R R lauseketta, mutta tiedetään funktion
LisätiedotLue tehtävänannot huolella. Tee pisteytysruudukko 1. konseptin yläreunaan. ILMAN LASKINTA -OSIO! LASKE KAIKKI SEURAAVAT TEHTÄVÄT:
MAA Koe 8.1.014 Arto Hekkanen ja Jussi Tyni Lue tehtävänannot huolella. Tee pisteytysruudukko 1. konseptin yläreunaan. ILMAN LASKINTA -OSIO! LASKE KAIKKI SEURAAVAT TEHTÄVÄT: 1. a) Laske polynomien x x
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45
MS-A0003/A0005 Matriisilaskenta Laskuharjoitus / vko 5 Tehtävä 1 (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 3 =, b) z + 3 i < 3, c) 1/z >. Yleisesti: ehto z = R, z C muodostaa kompleksitasoon
LisätiedotSelvitä, mitä koodi tekee sekä kommentoi ja täydennä koodi. Työn arvostelussa kiinnitän erityistä huomiota työn raportoinnin kattavuuteen.
Ohjelmointi ja Matlab : syksy 0 : 5.9.-9.0.0 Kotitehtävä : Seuraavassa on esitetty Matlab-koodi, joka laskee jotakin. %om_0_k.m A=[,,0;-,,;0,,4];b=[;;3];n=length(b); for k=:n-,for i=k+:n,if A(i,k)~=0,
Lisätiedotx = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );
LINEAARIALGEBRA Harjoituksia/Exercises 2017 1. Olkoon n Z +. Osoita, että (R n, +, ) on lineaariavaruus, kun vektoreiden x = (x 1,..., x n ), y = (y 1,..., y n ) identtisyys, yhteenlasku ja reaaliluvulla
LisätiedotWeek 36 31.8.2015-6.9.2015
Week 36 31.8.2015-6.9.2015 Monday 31.8. Tuesday 1.9. Wednesday 2.9. Thursday 3.9. Friday 4.9. Saturday 5.9. Sunday 6.9. 10:15 - TS127 Seminar in Telecommunication and Radio Engineering, Seminaari 12:15
Lisätiedot1.3 Lohkorakenne muodostetaan käyttämällä a) puolipistettä b) aaltosulkeita c) BEGIN ja END lausekkeita d) sisennystä
OULUN YLIOPISTO Tietojenkäsittelytieteiden laitos Johdatus ohjelmointiin 811122P (5 op.) 12.12.2005 Ohjelmointikieli on Java. Tentissä saa olla materiaali mukana. Tenttitulokset julkaistaan aikaisintaan
LisätiedotJuuri 12 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
Juuri Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 7.5.08 Kertaus K. a) Polynomi P() = + 8 on jaollinen polynomilla Q() =, jos = on polynomin P nollakohta, eli P() = 0. P() = + 8 = 54 08 +
LisätiedotNumeerinen analyysi Harjoitus 3 / Kevät 2017
Numeerinen analyysi Harjoitus 3 / Kevät 2017 Palautus viimeistään perjantaina 17.3. Tehtävä 1: Tarkastellaan funktion f(x) = x evaluoimista välillä x [2.0, 2.3]. Muodosta interpoloiva polynomi p 3 (x),
LisätiedotWeek 46 9.11.2015-15.11.2015
Week 46 9.11.2015-15.11.2015 Monday 9.11. Tuesday 10.11. Wednesday 11.11. Thursday 12.11. Friday 13.11. Saturday 14.11. Sunday 15.11. TF105 Finnish 1 Finnish 2 SÄ124 1 Seminar in Telecommunication and
LisätiedotOperatioanalyysi 2011, Harjoitus 3, viikko 39
Operatioanalyysi 2011, Harjoitus 3, viikko 39 H3t1, Exercise 3.1. H3t2, Exercise 3.2. H3t3, Exercise 3.3. H3t4, Exercise 3.4. H3t5 (Exercise 3.1.) 1 3.1. Find the (a) standard form, (b) slack form of the
Lisätiedot1.3Lohkorakenne muodostetaan käyttämällä a) puolipistettä b) aaltosulkeita c) BEGIN ja END lausekkeita d) sisennystä
OULUN YLIOPISTO Tietojenkäsittelytieteiden laitos Johdatus ohjelmointiin 81122P (4 ov.) 30.5.2005 Ohjelmointikieli on Java. Tentissä saa olla materiaali mukana. Tenttitulokset julkaistaan aikaisintaan
LisätiedotMATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ Merkitään f(x) =x 3 x. Laske a) f( 2), b) f (3) ja c) YLIOPPILASTUTKINTO- LAUTAKUNTA
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 26.3.2018 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
Lisätiedotf[x i ] = f i, f[x i,..., x j ] = f[x i+1,..., x j ] f[x i,..., x j 1 ] x j x i T n+1 (x) = 2xT n (x) T n 1 (x), T 0 (x) = 1, T 1 (x) = x.
Kaavakokoelma f[x i ] = f i, f[x i,..., x j ] = f[x i+,..., x j ] f[x i,..., x j ] x j x i T n+ (x) = 2xT n (x) T n (x), T (x) =, T (x) = x. n I,n = h f(t i + h 2 ), E,n = h2 (b a) f (2) (ξ). 24 i= I,n
LisätiedotHarjoitus 4 -- Ratkaisut
Harjoitus -- Ratkaisut 1 Ei kommenttia. Tutkittava funktio: In[15]:= f x : x 1 x Sin x ; Plot f x, x, 0, 3 Π, PlotRange All Out[159]= Luodaan tasavälinen pisteistö välille 0 x 3 Π. Tehdään se ensin kiinnitetyllä
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Kimmo Berg. Mat Optimointioppi. 9. harjoitus - ratkaisut
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 9. harjoitus - ratkaisut 1. a) Viivahakutehtävä pisteessä x suuntaan d on missä min f(x + λd), λ f(x + λd) = (x
Lisätiedotx j x k Tällöin L j (x k ) = 0, kun k j, ja L j (x j ) = 1. Alkuperäiselle interpolaatio-ongelmalle saadaan nyt ratkaisu
2 Interpolointi Olkoon annettuna n+1 eri pistettä x 0, x 1, x n R ja n+1 lukua y 0, y 1,, y n Interpoloinnissa etsitään funktiota P, joka annetuissa pisteissä x 0,, x n saa annetut arvot y 0,, y n, (21)
LisätiedotMS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48
MS-A3/A5 Matriisilaskenta Malliratkaisut 5 / vko 48 Tehtävä (L): a) Onko 4 3 sitä vastaava ominaisarvo? b) Onko λ = 3 matriisin matriisin 2 2 3 2 3 7 9 4 5 2 4 4 ominaisvektori? Jos on, mikä on ominaisarvo?
LisätiedotMatemaattiset ohjelmistot A. Osa 2: MATLAB
Matemaattiset ohjelmistot 802364A Osa 2: MATLAB Mikko Orispää 30. lokakuuta 2013 Sisältö 1 MATLAB 2 1.1 Peruslaskutoimitukset......................... 2 1.2 Muuttujat................................ 3
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 9 1 Implisiittinen derivointi Tarkastellaan nyt yhtälöä F(x, y) = c, jossa x ja y ovat muuttujia ja c on vakio Esimerkki tällaisesta yhtälöstä on x 2 y 5 + 5xy = 14
Lisätiedot12. Differentiaaliyhtälöt
1. Differentiaaliyhtälöt 1.1 Johdanto Differentiaaliyhtälöitä voidaan käyttää monilla alueilla esimerkiksi tarkasteltaessa jonkin kohteen lämpötilan vaihtelua, eksponentiaalista kasvua, sähkölatauksen
Lisätiedotplot(f(x), x=-5..5, y=-10..10)
[] Jokaisen suoritettavan rivin loppuun ; [] Desimaalierotin Maplessa on piste. [] Kommentteja koodin sekaan voi laittaa # -merkin avulla. Esim. #kommentti tähän [] Edelliseen tulokseen voi viitata merkillä
LisätiedotMATP153 Approbatur 1B Ohjaus 2 Keskiviikko torstai
MATP15 Approbatur 1B Ohjaus Keskiviikko 4.11. torstai 5.11.015 1. (Opiskeluteht. 6 s. 0.) Määritä sellainen vakio a, että polynomilla x + (a 1)x 4x a on juurena luku x = 1. Mitkä ovat tällöin muut juuret?.
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45
MS-A3/A5 Matriisilaskenta Laskuharjoitus 2 / vko 45 Tehtävä (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 2i = 2, b) z 2i < 2, c) /z
LisätiedotMatematiikan peruskurssi 2
Matematiikan peruskurssi Tentti, 9..06 Tentin kesto: h. Sallitut apuvälineet: kaavakokoelma ja laskin, joka ei kykene graaseen/symboliseen laskentaan Vastaa seuraavista viidestä tehtävästä neljään. Saat
LisätiedotSäätötekniikan matematiikan verkkokurssi, Matlab tehtäviä ja vastauksia 29.7.2002
Matlab tehtäviä 1. Muodosta seuraavasta differentiaaliyhtälöstä siirtofuntio. Tämä differentiaaliyhtälö saattaisi kuvata esimerkiksi yksinkertaista vaimennettua jousi-massa systeemiä, johon on liitetty
LisätiedotMAA02. A-osa. 1. Ratkaise. a) x 2 + 6x = 0 b) (x + 4)(x 4) = 9 a) 3x 6x
MAA0 A-osa. Ratkaise. a) x + 6x = 0 b) (x + 4)(x 4) = 9 a) 3x 6x a) Kirjoitetaan summa x + 6x yhteisen tekijän avulla tulomuotoon ja ratkaistaan yhtälö tulon nollasäännön avulla. x + 6x = 0 x(x + 6) =
Lisätiedotk=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu
LIS AYKSI A kirjaan Reaalimuuttujan analyysi 1.6. Numeerinen integrointi: Gaussin kaavat Edella kasitellyt numeerisen integroinnin kaavat eli kvadratuurikaavat Riemannin summa, puolisuunnikassaanto ja
LisätiedotLikimääräisratkaisut ja regularisaatio
Luku 3 Likimääräisratkaisut ja regularisaatio Käytännön inversio-ongelmissa annettu data y ei aina ole tarkkaa, vaan sisältää häiriöitä. Tuntemattomasta x on annettu häiriöinen data y F (x + }{{}}{{} ε.
LisätiedotFunktio 1. a) Mikä on funktion f (x) = x lähtöjoukko eli määrittelyjoukko, kun 0 x 5?
Funktio. a) Mikä on funktion f (x) = x + lähtöjoukko eli määrittelyjoukko, kun 0 x 5? b) Mikä on funktion f (x) = x + maalijoukko eli arvojoukko? c) Selitä, mikä on funktion nollakohta. Anna esimerkki.
LisätiedotTekijä Pitkä matematiikka Pisteen (x, y) etäisyys pisteestä (0, 2) on ( x 0) Pisteen (x, y) etäisyys x-akselista, eli suorasta y = 0 on y.
Tekijä Pitkä matematiikka 5 7..017 37 Pisteen (x, y) etäisyys pisteestä (0, ) on ( x 0) + ( y ). Pisteen (x, y) etäisyys x-akselista, eli suorasta y = 0 on y. Merkitään etäisyydet yhtä suuriksi ja ratkaistaan
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
LisätiedotDifferentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40
Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40 Alkuviikolla harjoitustehtäviä lasketaan harjoitustilaisuudessa. Loppuviikolla näiden harjoitustehtävien tulee olla ratkaistuina harjoituksiin
LisätiedotNumeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen
LisätiedotMatlab- ja Maple- ohjelmointi
Perusasioita 2. helmikuuta 2005 Matlab- ja Maple- ohjelmointi Yleistä losoaa ja erityisesti Numsym05-kurssin tarpeita palvellee parhaiten, jos esitän asian rinnakkain Maple:n ja Matlab:n kannalta. Ohjelmien
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta 8..206 Gripenberg, Nieminen, Ojanen, Tiilikainen, Weckman Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
LisätiedotDiplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2017 Insinöörivalinnan matematiikan koe , Ratkaisut (Sarja A)
Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 017 Insinöörivalinnan matematiikan koe 30..017, Ratkaisut (Sarja A) 1. a) Lukujen 9, 0, 3 ja x keskiarvo on. Määritä x. (1 p.) b) Mitkä reaaliluvut
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Suunnattu derivaatta Aluksi tarkastelemme vektoreita, koska ymmärrys vektoreista helpottaa alla olevien asioiden omaksumista. Kun liikutaan tasossa eli avaruudessa
LisätiedotPRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9.2.2011
PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9..0 Kokeessa saa vastata enintään kymmeneen tehtävään.. Sievennä a) 9 x x 6x + 9, b) 5 9 009 a a, c) log 7 + lne 7. Muovailuvahasta tehty säännöllinen tetraedri muovataan
Lisätiedot. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-.39 Optimointioppi Kimmo Berg 8. harjoitus - ratkaisut. a)huomataan ensinnäkin että kummankin jonon raja-arvo r on nolla. Oletetaan lisäksi että
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 3 /
MS-A3/A5 Matriisilaskenta, II/27 MS-A3/A5 Matriisilaskenta Laskuharjoitus 3 / 3. 7..27 Tehtävä (L): Etsi kaikki yhtälön Ax = b ratkaisut, kun 3 5 4 A = 3 2 4 ja b = 6 8 7 4. Ratkaisu : Koetetaan ratkaista
LisätiedotReaalilukuvälit, leikkaus ja unioni (1/2)
Luvut Luonnolliset luvut N = {0, 1, 2, 3,... } Kokonaisluvut Z = {..., 2, 1, 0, 1, 2,... } Rationaaliluvut (jaksolliset desimaaliluvut) Q = {m/n m, n Z, n 0} Irrationaaliluvut eli jaksottomat desimaaliluvut
LisätiedotYhtälön ratkaiseminen
Yhtälön ratkaiseminen Suora iterointi Kirjoitetaan yhtälö muotoon x = f(x). Ensin päätellään jollakin tavoin jokin alkuarvo x 0 ja sijoitetaan yhtälön oikealle puolelle, jolloin saadaan tarkennettu ratkaisu
LisätiedotAki Taanila LINEAARINEN OPTIMOINTI
Aki Taanila LINEAARINEN OPTIMOINTI 26.4.2011 JOHDANTO Tässä monisteessa esitetään lineaarisen optimoinnin alkeet. Moniste sisältää tarvittavat Excel ohjeet. Viimeisin versio tästä monisteesta ja siihen
LisätiedotHarjoitus 4: Differentiaaliyhtälöt (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt 1
Harjoitus 4: Differentiaaliyhtälöt (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Matlab:n solver komento differentiaaliyhtöiden
Lisätiedot4 Yleinen potenssifunktio ja polynomifunktio
4 Yleinen potenssifunktio ja polynomifunktio ENNAKKOTEHTÄVÄT 1. a) Tutkitaan yhtälöiden ratkaisuja piirtämällä funktioiden f(x) = x, f(x) = x 3, f(x) = x 4 ja f(x) = x 5 kuvaajat. Näin nähdään, monessako
Lisätiedota) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki. 8 3 + 4 2 0 = 16 3 = 3 1 3.
Integraalilaskenta. a) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki. b) Mitä määrätty integraali tietyllä välillä x tarkoittaa? Vihje: * Integraali * Määrätyn integraalin
LisätiedotEnsimmäisen kertaluvun yhtälön numeerinen ratkaiseminen
nummen.nb 1 Ensimmäisen kertaluvun yhtälön numeerinen ratkaiseminen Eulerin menetelmä alkaurvoprobleeman y' = f Hx, yl, yhx 0 L = y 0 ratkaisemiseksi voidaan ohjelmoida Mathematicalle euler-nimiseksi funktioksi
LisätiedotKäy vastaamassa kyselyyn kurssin pedanet-sivulla (TÄRKEÄ ensi vuotta ajatellen) Kurssin suorittaminen ja arviointi: vähintään 50 tehtävää tehtynä
Käy vastaamassa kyselyyn kurssin pedanet-sivulla (TÄRKEÄ ensi vuotta ajatellen) Kurssin suorittaminen ja arviointi: vähintään 50 tehtävää tehtynä (vihkon palautus kokeeseen tullessa) Koe Mahdolliset testit
Lisätiedot3 TOISEN ASTEEN POLYNOMIFUNKTIO
3 TOISEN ASTEEN POLYNOMIFUNKTIO POHDITTAVAA 1. Kuvasta voidaan arvioida, että frisbeegolfkiekko käy noin 9 metrin korkeudella ja se lentää noin 40 metrin päähän. Vastaus: Frisbeegolfkiekko käy n. 9 m:n
LisätiedotTieteellinen laskenta 2 Törmäykset
Tieteellinen laskenta 2 Törmäykset Aki Kutvonen Op.nmr 013185860 Sisällysluettelo Ohjelman tekninen dokumentti...3 Yleiskuvaus...3 Kääntöohje...3 Ohjelman yleinen rakenne...4 Esimerkkiajo ja käyttöohje...5
Lisätiedotf(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0.
Ääriarvon laatu Jatkuvasti derivoituvan funktion f lokaali ääriarvokohta (x 0, y 0 ) on aina kriittinen piste (ts. f x (x, y) = f y (x, y) = 0, kun x = x 0 ja y = y 0 ), mutta kriittinen piste ei ole aina
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Funktion kuperuussuunnat Derivoituva funktio f (x) on pisteessä x aidosti konveksi, jos sen toinen derivaatta on positiivinen f (x) > 0. Vastaavasti f (x) on aidosti
LisätiedotTehtäväsarja I Kertaa tarvittaessa materiaalin lukuja 1 3 ja 9. Tarvitset myös luvusta 4 määritelmän 4.1.
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2015 Harjoitus 2 Ratkaisut palautettava viimeistään maanantaina 25.5.2015 klo 16.15. Tehtäväsarja I Kertaa tarvittaessa materiaalin lukuja
LisätiedotEfficiency change over time
Efficiency change over time Heikki Tikanmäki Optimointiopin seminaari 14.11.2007 Contents Introduction (11.1) Window analysis (11.2) Example, application, analysis Malmquist index (11.3) Dealing with panel
LisätiedotLuento 11: Rajoitusehdot. Ulkopistemenetelmät
Luento 11: Rajoitusehdot. Ulkopistemenetelmät ja sisäpistemenetelmät Lagrangen välttämättömien ehtojen ratkaiseminen Newtonin menetelmällä Jos tehtävässä on vain yhtälörajoituksia, voidaan minimipistekandidaatteja
LisätiedotOperatioanalyysi 2011, Harjoitus 2, viikko 38
Operatioanalyysi 2011, Harjoitus 2, viikko 38 H2t1, Exercise 1.1. H2t2, Exercise 1.2. H2t3, Exercise 2.3. H2t4, Exercise 2.4. H2t5, Exercise 2.5. (Exercise 1.1.) 1 1.1. Model the following problem mathematically:
LisätiedotI. AES Rijndael. Rijndael - Internal Structure
I. AES Rndael NOKIA T-79.53 Additional material Oct 3/KN Rndael - Internal Structure Rndael is an iterated block cipher with variable length block and variable key size. The number of rounds is defined
LisätiedotJuuri 6 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Vastaus: Määrittelyehto on x 1 ja nollakohta x = 1.
Juuri 6 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 4..6 Kokoavia tehtäviä ILMAN TEKNISIÄ APUVÄLINEITÄ. a) Funktion f( ) = määrittelyehto on +, eli. + Ratkaistaan funktion nollakohdat. f(
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
LisätiedotTekijä Pitkä matematiikka
K1 Tekijä Pitkä matematiikka 5 7..017 a) 1 1 + 1 = 4 + 1 = 3 = 3 4 4 4 4 4 4 b) 1 1 1 = 4 6 3 = 5 = 5 3 4 1 1 1 1 1 K a) Koska 3 = 9 < 10, niin 3 10 < 0. 3 10 = (3 10 ) = 10 3 b) Koska π 3,14, niin π
Lisätiedot2 Osittaisderivaattojen sovelluksia
2 Osittaisderivaattojen sovelluksia 2.1 Ääriarvot Yhden muuttujan funktiolla f(x) on lokaali maksimiarvo (lokaali minimiarvo) pisteessä a, jos f(x) f(a) (f(x) f(a)) kaikilla x:n arvoilla riittävän lähellä
Lisätiedot3 Yleinen toisen asteen yhtälö ja epäyhtälö
Juuri Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 5.8.016 3 Yleinen toisen asteen yhtälö ja epäyhtälö ENNAKKOTEHTÄVÄT 1. a) x + x + 1 = 4 (x + 1) = 4 Luvun x + 1 tulee olla tai, jotta sen
Lisätiedot