Erkki Laitinen, Oulun yliopisto, matemaattisten tieteiden laitos. Mallien tyyppejä

Koko: px
Aloita esitys sivulta:

Download "Erkki Laitinen, Oulun yliopisto, matemaattisten tieteiden laitos. Mallien tyyppejä"

Transkriptio

1 Erkki Laitinen, Oulun yliopisto, matemaattisten tieteiden laitos Mallien tyyppejä

2 Mallin suunnittelusta Reaalimaailman systeemi Matemaattinen systeemi Tarkkailu Malli, laskenta, päätelmät populaation kehittyminen riistanhoito: metsästys, kalastus heikosti kytkettyjä systeemejä tuloksissa satunnaisuutta eri skenaariot urheilu virtauslaskenta lämmönsiirto kemalliset reaktiot fysikaaliset riippuvuudet tunnetaan mahdollista tehdä tarkkoja malleja

3 Mallintamisen tärkeä osa on päättää, mitkä asiat mallissa ovat tärkeitä ja mitkä eivät. Fysikaaliset systeemit: viskositeetti, tiheys, kokoon puristettavuus,... Ekologiset systeemit: saasteet, liikenne, metsästys... lämmönjohtavuus paineet lisääntyminen kuolemat Systeemi Mallintajan näkemys systeemistä vaikuttaa malliin Esim: usean palvelijan jonot: kuinka ihmiset käyttäytyvät jonossa K1 K2

4 Ei ole olemassa oikeata mallia tai väärää mallia. On vain hyviä malleja ja huonoja malleja. Testi Tarvitseeko mallia parantaa? Reaali probleema Ilmiön ennuste tai selite oletukset yksinkertaistukset näkemykset Tulosten tulkinta Matemaattinen malli Mallin ratkaisu Analyyttiset ja numeeriset menetelmät Mallintaminen on iteratiivinen prosessi.

5 Mallin rakentamisen askeleet: hahmota ongelma tee oletukset määrittele ja luokittele muuttujat määrittele muuttujien ja osamallien väliset yhteydet ratkaise malli totea mallin oikeellisuus testaa reaali datalla antaako malli järkevän tuloksen toteuta malli (TK:lla) ylläpidä

6 Ei, yksinkertaista Ei, yksinkertaista Tutki systeemiä Tunnnista käyttäytyminen, tee oletukset Osaatko muodostaa mallin? Kyllä Osaatko ratkaista mallin? Kyllä Tarkista mallin oikeellisuus poistu Sovella tuloksia systeemiin Tukitse tulokset Kyllä Ovatko tulokset hyviä? Ei, tarkenna

7 Ongelmat ovat huonosti asetettu, määrittele ne paremmin: Mitkä ovat probleeman kannalta tärkeitä muuttujia? Mitkä ovat riippuvia ja mitkä riippumattomia muuttujia? 1. Populaation kasvaminen. 2. Miten tehtailijan tulisi päättää tehtaan vuosituotannosta ja tuotteen hinnasta.

8 Esim. Auton polttonesteen kulutus. Skenaario: Tiellä on 55 mph rajoitus. Jokainen 5mph lisäys nopeuteen yli 50 mph nopeuksissa lisää polttoaineen kulutusta siten, että gallonalla (gal) päästään 1 maili (mil) vähemmän. ( Boost Fuel Economy ). Ongelman määrittely: Mikä on ajoneuvon nopeuden ja polttonesteen kulutuksen välinen suhde. Oletukset: Autoon vaikuttaa kahdenlaiset voimat 1) eteenpäin vievät (+) ja 2) jarruttavat ( ). Eteenpäin vievät voimat riippuvat: polttonesteestä, koneen tehosuhteesta, vaihteiston välityksestä, ilman lämpötilasta, ajoneuvon nopeudesta,.. Jarruttavat voimat riippuvat: Kitkavoima, mikä riippuu auton painosta, renkaista, tien pinnasta. Ilman vastus, mikä riippuu nopeudesta, auton muodosta, tuulesta, ilman tiheydestä... Muut vaikuttavat tekijät: kuljettajan tottumukset, maasto,... Kulutus=f ( vetovoima, hidastavat voimat, tottumukset, jne.)

9 SvOutPlaceObject Yksinkertaistus: Hae tietylle kuljettajalle ja hänen ajoneuvolleen, tietyissä olosuhteissa (tieolot, ilmanala), maantienopeudella (lähellä optimaalista polttonesteen kulutusta) selitys, kuinka kulutus vaihtelee nopeuden kasvaessa. Tietty kuljettaja > kiinitetään auton tyyppi, tavat Tietty nopeusluokka > vakio moottorin tehosuhde, vaihteiston välitys Menetetyt mailit / gallona 3 ~Vakionopeus (kiihtyvyys nolla) => voimien summa on nolla (Newtonin II laki) 2 1 SvOutPlaceObject K Gallona polttoainetta sisältää energian K (vakio) C r polttoaine / aikayksikkö Nopeus 50 mph Cr K auton teho Teho = voima x nopeus, ts. F p Cr K v Cr v (K vakio)

10 Hidastavat voimat: oletetaan että kitkavoimat ovat peniä verrattuna ilmanvastuksen aiheuttamaan voimaan. Järkevä malli jarrruttaville voimille on: F Sv v r 2 2, missä S (vakio) on liikettä vastaan kohtisuora pinta ala. Cr v tai C v v = 2 3 r Yo. Yhtälö antaa laadullista tietoa kuinka polttonesteen kulutus (gal/h) kasvaa nopeuden kasvaessa. Parempi mittari kulutukselle on matka / (käytetty polttoaine) Sijoittamalla matka=vt ja käytetty määrä= C t saadaan kulutus = v C r v 2 r

11 Tehtävä. Milloin pitäisi vaihtaa auto? Mitkä tekijät vaikuttavat päätökseen? Mitkä muuttujat voidaan unohtaa? Määrittele tieto, mitä tarvitsisit määrätäksesi valitsemiesi muuttujien väliset relaatiot.

12 Yksinkertaisia kasvumalleja: Diskreetti kasvumalli (differenssiyhtälö): Tietyin väliajoin osa eläimistä ( ) synnyttää jälkeläisiä. Populaatio ajanhetkellä k+1 on: N N α N k SvOutPlaceObject k k k + 1 = +, = 0,1, 2,... Tietyin väliajoin osa eläimistä ( ) kuolee. Yhtälö populaatiolle ajanhetkellä k+1 on: SvOutPlaceObject N + = (1 + α ) N β N = (1 + α β ) N = γ N, k = 0,1, 2,... k 1 k k k Ajan suhteen askeltamalla saadaan: k N N N Ratkaisu: N N, 1 0 N N k = γ = γ N = γ = γ N = γ M = γ N = γ N k k 1 0

13 Jatkuva kasvumalli (differentiaaliyhtälö): Kun populaatio on iso voidaan lisääntymisten ja kuolemien ajatella tapahtuvan jatkuvasti. Populaation koko millä tahansa ajanhetkellä P( t + t) : P( t + t) = P( t) + r t P( t) r on uusien yksilöiden nettolisäys/aikayksikkö Jakamalla saadaan: t:llä P( t + t) P( t) = r P( t) t P( t) = rp( t), t > 0 t P = r dt P ln P = rt + vakio (integroimalla) Kun t > 0, saadaan: (1. Kl, DY) P( t) aika P(t)=A e rt

14 Harjoitus: Pankki tarjoaa lainaa 1% kuukausittaisella korolla. Jos talletat määrän P(0) niin kuinka paljon sinulla on kuukauden jälkeen. Kirjoita differenssiyhtälö talletuksen määrälle, P(k+1), k+1:n kk jälkeen. Jos aloitat 1000 e säästöllä ja korko lisätään kuukausittain (viim. Päivän säästölle), niin paljonko sinulla on vuoden jälkeen? Sopisiko jatkuva malli tilanteeseen paremmin?

15 Autojen vuokraus (differenssiyhtälöryhmä): Yhtiö harrastaa autojen vuokrausta Helsingissä ja Oulussa. Autot palautuvat paikkakunnille seuraavan kaavion mukaisesti: 30% 60% Helsinki Oulu 70% 40% Ongelma: Yhtiö on kiinnostunut tietämään kuinka paljon heidän on kuljetettava asiakkaiden palauttamia autoja Oulu Helsinki välillä, jotta autoja olisi saatavilla molemissa päissä. O(n) = autojen lukumäärä Oulussa päivän n lopussa H(n) = autojen lukumäärä Helsingissä päivän n lopussa Historiatiedosta saadaan seuraava yhtälöryhmä: H(n+1) = 0.6 H(n) O(n) O(n+1) = 0.4 H(n) O(n)

16 Tasapainotilanteessa pätee: O=O(n+1)=O(n) ja H=H(n+1)=H(n) H = 0.6 H O O = 0.4 H O H=3/4 O yhtiöllä on 7000 autoa. Systeemi säilyy stabiilina jos autoja on aluksi 3000 Helsingissä ja 4000 Oulussa. Mitä tapahtuu jos autoja on aluksi eri määrä kaupungeissa? Helsinki Oulu

17 Päätelmiä: viikossa saavutetaan stabiili tila vaikka jommalla kummalla paikkakunalla ei olisi yhtään autoa, tasapainotila on stabiili yhtälö ei ole herkkä alkuarvoille Harj. Onko yhtälö herkkä kertoimilleen. Kokeile iteroida varioimalla kertoimia.

18 Havaintoihin pohjautuvat mallit ,00 2,00 4,00 6,00 8, ,00 2,00 4,00 6,00 8, interpolointi optimointi 0 0,00 2,00 4,00 6,00 8,00

19 tarkastele dataa Lopeta Ei trendi? Kyllä poista harha etsi sopiva malli, esim. polynomi sovita! onnistuiko? Ei Kyllä Lopeta Kyllä uusi malli? Ei

20 interpolointimenetelmät matala asteinen käytös? Ei Kuutiospline (lineaarinen) spline Kyllä Ei sovita matala asteinen interpolointipolynomi Onko tulos hyvä? Kyllä Lopeta Kyllä Onko tulos hyvä? Lopeta Ei Lopeta

21 Mallintaminen & Simulointi Matemaattinen mallintaminen: Muodostetaan reaalisysteemin abstraktio analysointi, ennustaminen, optimointi tasapainoilu realismin ja yksinkertaisuuden välillä Numeeriset ja analyyttiset menetelmät Simulointi: Numeerinen tekniikka kokeiden tekemiseksi tietokoneella, mikä sisältää matemaattisia ja loogisia malleja. Talouden ja teollisuuden ajasta riippuvat systeemit, usein reaaliaikaiset.

22 Milloin simulointi on tarpeen: Systeemi on liian monimutkainen kuvattavaksi matemaattisella yhtälöllä. Talouden järjestelmät, yritystoiminta, teollisuuslaitokset, jonosysteemit Vaikka matemaattinen malli voitaisiin muodostaa, saattaa nopeampi ja helpompi tapa olla simulointi. Esim. Monimutkaiset jonosysteemit simulointia voidaan käyttää opetustarkoituksiin. Esim. Taloustiede, lääketiede,.. Simulointimallin suunnitteleminen saattaa tuottaa arvokkaampaa tietoa kuin itse simulointi systeemin eri vaihtoehdoista. Simulointi mahdollistaa testaamisen. Simuloinnin avulla saadaan systeemin parametreista tietoa. Mitkä ovat tärkeitä ja mitkä eivät. Uusia skenaarioita (näkökantoja) voidaan testata simuloimalla Simuloimalla voidaan testata dynaamisia, stokastisia prosesseja.

23 Mallintamistekniikkana, simulaatiomallintaminen ei ole ideaalinen, sillä on muutamia varjopuolia: Simuloinnista saadaan pikemminkin tilastollisia arvioita, kuin tarkkoja arvioita mallin parametreille. Simuloinnin tulos sisältää aina epävarmuutta. Simulointi on yleensä laskennallisesti hyvin aikaavievää (koneaika, tutkijan aika) Simulointi antaa hyödyllistä informaatiota systeemistä ainoastaan jos tutkittavan systeemin malli on validi. Simulointimallin tyyppejä: Staattinen / Dynaaminen. Staattinen malli ei muutu ajan suhteen kun taas Dynaaminen muuttuu. Deterministinen / Stokastinen. Jos simulointi ei sisällä satunnaismuuttujia niin kyseessä on deterministinen malli. Mallia toistamalla saadaan aina sama tulos. Stokastinen malli sisältää ainakin yhden satunnaismuuttujan. Mallin antama tuloskin on satunnaismuuttuja. Jatkuva / Diskreetti. Jatkuva ja Diskreetti malli on määritelty samoin kuin jatkuva ja diskreetti systeemi.

24 Simuloinnissa ajastusmekanismi näyttelee tärkeää osaa! Diskreetissä tapahtumapohjaisessa simuloinnissa tilamuuttujat muuttavat arvojaan diskreetteinä ajanhetkinä. Muutosta tilamuuttujassa kutsutaan tapahtumaksi (event) ja se on tapahtumapohjaisen simuloinnin perusta. prosessi Toiminto 1 Toiminto 2 Tap. 1 saapuminen Tap. 2 palvelu alkaa työ 1. Tap. 3 palvelu alkaa työ 2. Tap. 4 palvelu päätyy työ 1. Tap. 5 palvelu päätyy työ 2. AIKA

25 Solukkopohjaisen radioverkon Simulointimalli Oletukset: Verkko koostuu N :stä tukiasemasta BS(i) (i=1,..,n), joilla kullakin on K radiotaajuutta. Puhelujen saapumistiheys noudattaa Poisson jakaumaa keskiarvolla m Puhelujen pituudet noudattavat eksponenttijakaumaa keskimääräisen pituuden ollessa n. Puhelut liikkuvat tiellä vakionopeudella ja ne ovat jakautuneet tielle tasaisesti. Kukin tukiasema palvelee ympäristössä olevaa maantieteellistä aluetta (peittoalue). Puhelut välittyvät peittoalueella ko. tukiaseman kautta, mikäli se ei ole täysin kuormitettu. Liikkuvat puhelimet vaihtavat peittoalueen rajalle tullessaan tukiasemalta toiselle (handover). Tukiaseman vaihto perustuu ennustettuihin tai mitattuihin kentän voimakkuuksiin ja lähetyksen laatuun.

26 Simulointimallissa kentänvoimakkuuden eli tehon, laskeminen perustuu kaavaan: P = P 10α log d + B( h, h, F ) r t 10 b m P r + C( a) + 20 log R + 20 log L P t lähetetty teho α [2,4] d ajoneuvon ja tukiaseman välinen etäisyys B funktio, riippuu tukiasem an korkeudesta, h, ajoneuvon antennin kork eudesta, h m, taajuudesta F. C funktio, riippuu maastost a R Rayleigh jakautunut sm. L Lognormaalisti jakautunut sm. 0

27 Puhelujen laatuun vaikuttavat taas verkon kuormitus ja vmpäristötekijät. Tukiaseman vaihto perustuu tukiasemille määritellyille kentänvoimakkuuden ja laadun raja arvoihin. Määrittämällä ko. raja arvot hyvin voidaan verkon suorituskyky optimoida. Solupohjaisen radioverkon simulaatio on toteutettu SLAM II kielellä (Simulation Language for Alternative Modelling). Simulointi on toteutettu prosessiorientoituneena mallina, jossa systeemi rakennetaan SLAM 11 verkostosvmboleista. Verkossa on kymmenen tukiasemaa BS(1) BS(10), joissa kapasiteettina on kunkin tukiaseman käytössä olevien taajuuksien määrä. Malliin saapuva olio on tukiaseman (BS) ja ajoneuvoaseman (MS) välinen puhelu. Tukiaseman vaihdot riippuvat yhteyden laadusta ja kentän voimakkuudesta. Seuraavat parametrit liikkuvat olion (puhelun) mukana svsteemin läpi: (1) SERVTIME: puhelun kesto sekunteina (2) POWER: vastaanotettu teho (3) QUAL: vastaanotettu laatu Mallilla on syöttötietoina raja arvot, joiden perusteella tukiasemaa yritetään vaihtaa. Ne ovat teholle X(1) ja laadulle X(2). Simuloinnin tarkoituksena on selvittää, miten eri X(1) :n ja X(2) :n arvot vaikuttavat verkon toimintaan (tukiaseman vaihdot, katkenneet puhelut, käyttöaste).

28 Lyhyt kuvaus käytetystä SLAM II verkosta on seuraava: Puhelut luodaan CREATE solmussa ja niiden attribuuttien alustus suoritetaan ASSIGN solinussa. Sitten ne reititetään SEL nimiseen AWAIT solmuun, jossa suoritetaan tukiaseman valinta ALLOC aliohjelman avulla. Tukiasemanvalinta algoritmi on seuraava: (i) Jos yhdelläkään tukiasemalla ei ole vapaata kapasiteettia (eli vapaata kanavaa), kun puhelu tulee systeemiin, ohjataan puhelu BALK nimiseen COLLECT solmuun, joka kerää tilastoa puheluista, joita ei ole saatu yhdistettyä (ii) Jos puhelun nykyiset tehon tai laadun ; arvot alittavat sallitut raja argot eikä muilta tehokkaammilta tukiasemilta löydy vapaata kapasiteettia, ohjataan puhelu LOST nimiseen COLLECT solrnuun, joka tilastoi katkenneet puhelut (iii) Muussa tapauksessa varataan kanava parhaalta mahdolliselta tukiasemaita ja ohjataan puhelu MS nimiseen GOON solmuun Seuraavaksi kasvatetaan aikaa kahdella sekunnilla ja siirretään puhelu ASSIGN solmuun, jossa lasketaan uudet arvot parametreille QUAL, POWER ja SERVTIME Uusilla arvoilla suoritetaan seuraava tukiaseman vaihtoa mallittava algoritmi: (i) Jos palveluaika (SERVTIME) on positiivinen ja teho (POWER) sekä la laatu (QUAL) ovat sallituissa rajoissa, ohjataan puhelu takaisin solmuun MS (ii) Jos SERVTIME on positiivinen ja POWER tai QUAL alittaa sallilun rajan, suoritetaan tukiaseman vaihto. Puhelu ohjataan EVENT solmuun, joka vapauttaa käytössä olleen tukiaseman. Ohjataan sitten puhelu COLLECT solmuun, joka kerää tietoa tukiaseman vaihdoista Sitten jatketaan SEL nimiseen AWAIT solmuun, jossa valitaan uusi tukiaserna. (iii) Muussa tapauksessa SERVTIME<0. Tällöin puhelu ohjataan EVENT solmuun, joka vapauttaa tukiaseman kapasiteettia. Sitten puhelu jatkaa COlLECT solmuun, jossa kerätään tilastotietoa normaalisti päättyneistä puheluista.

29

Integrointialgoritmit molekyylidynamiikassa

Integrointialgoritmit molekyylidynamiikassa Integrointialgoritmit molekyylidynamiikassa Markus Ovaska 28.11.2008 Esitelmän kulku MD-simulaatiot yleisesti Integrointialgoritmit: mitä integroidaan ja miten? Esimerkkejä eri algoritmeista Hyvän algoritmin

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä

Lisätiedot

Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt

Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt Digress: vakio- vs. muuttuva kiihtyvyys käytännössä Kinematiikkaa yhdessä dimensiossa taustatietoa Matlab-esittelyä 1 / 20 Luennon sisältö Digress: vakio-

Lisätiedot

Matemaattisesta mallintamisesta

Matemaattisesta mallintamisesta Matemaattisesta mallintamisesta (Fysikaalinen mallintaminen) 1. Matemaattisen mallin konstruointi dynaamiselle reaalimaailman järjestelmälle pääpaino fysikaalisella mallintamisella samat periaatteet pätevät

Lisätiedot

ẋ(t) = s x (t) + f x y(t) u x x(t) ẏ(t) = s y (t) + f y x(t) u y y(t),

ẋ(t) = s x (t) + f x y(t) u x x(t) ẏ(t) = s y (t) + f y x(t) u y y(t), Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Mat-2.4129 Systeemien Identifiointi 1. harjoituksen ratkaisut 1. Tarkastellaan maita X ja Y. Olkoon näiden varustelutaso

Lisätiedot

Yhtälöryhmät 1/6 Sisältö ESITIEDOT: yhtälöt

Yhtälöryhmät 1/6 Sisältö ESITIEDOT: yhtälöt Yhtälöryhmät 1/6 Sisältö Yhtälöryhmä Yhtälöryhmässä on useita yhtälöitä ja yleensä myös useita tuntemattomia. Tavoitteena on löytää tuntemattomille sellaiset arvot, että kaikki yhtälöt toteutuvat samanaikaisesti.

Lisätiedot

Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen

Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen 16.06.2014 Ohjaaja: Urho Honkanen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Mekaniikan jatkokurssi Fys102

Mekaniikan jatkokurssi Fys102 Mekaniikan jatkokurssi Fys10 Kevät 010 Jukka Maalampi LUENTO 7 Harmonisen värähdysliikkeen energia Jousen potentiaalienergia on U k( x ) missä k on jousivakio ja Dx on poikkeama tasapainosta. Valitaan

Lisätiedot

FYSIIKKA. Mekaniikan perusteita pintakäsittelijöille. Copyright Isto Jokinen; Käyttöoikeus opetuksessa tekijän luvalla. - Laskutehtävien ratkaiseminen

FYSIIKKA. Mekaniikan perusteita pintakäsittelijöille. Copyright Isto Jokinen; Käyttöoikeus opetuksessa tekijän luvalla. - Laskutehtävien ratkaiseminen FYSIIKKA Mekaniikan perusteita pintakäsittelijöille - Laskutehtävien ratkaiseminen - Nopeus ja keskinopeus - Kiihtyvyys ja painovoimakiihtyvyys - Voima - Kitka ja kitkavoima - Työ - Teho - Paine LASKUTEHTÄVIEN

Lisätiedot

SIMULINK 5.0 Harjoitus. Matti Lähteenmäki 2004 www.tpu.fi/~mlahteen/

SIMULINK 5.0 Harjoitus. Matti Lähteenmäki 2004 www.tpu.fi/~mlahteen/ SIMULINK 5.0 Harjoitus 2004 www.tpu.fi/~mlahteen/ SIMULINK 5.0 Harjoitus 2 Harjoitustehtävä. Tarkastellaan kuvan mukaisen yhden vapausasteen jousi-massa-vaimennin systeemin vaakasuuntaista pakkovärähtelyä,

Lisätiedot

Numeeriset menetelmät Pekka Vienonen

Numeeriset menetelmät Pekka Vienonen Numeeriset menetelmät Pekka Vienonen 1. Funktion nollakohta Newtonin menetelmällä 2. Määrätty integraali puolisuunnikassäännöllä 3. Määrätty integraali Simpsonin menetelmällä Newtonin menetelmä Newtonin

Lisätiedot

Esimerkkejä vaativuusluokista

Esimerkkejä vaativuusluokista Esimerkkejä vaativuusluokista Seuraaville kalvoille on poimittu joitain esimerkkejä havainnollistamaan algoritmien aikavaativuusluokkia. Esimerkit on valittu melko mielivaltaisesti laitoksella tehtävään

Lisätiedot

Laskun vaiheet ja matemaattiset mallit

Laskun vaiheet ja matemaattiset mallit Laskun vaiheet ja matemaattiset mallit Jukka Sorjonen sorjonen.jukka@gmail.com 26. syyskuuta 2016 Jukka Sorjonen (Jyväskylän Normaalikoulu) Mallit ja laskun vaiheet 26. syyskuuta 2016 1 / 14 Hieman kertausta

Lisätiedot

MUISTIO No CFD/MECHA pvm 22. kesäkuuta 2011

MUISTIO No CFD/MECHA pvm 22. kesäkuuta 2011 Aalto yliopisto Insinööritieteiden korkeakoulu Virtausmekaniikka / Sovelletun mekaniikan laitos MUISTIO No CFD/MECHA-17-2012 pvm 22. kesäkuuta 2011 OTSIKKO Hilatiheyden määrittäminen ennen simulointia

Lisätiedot

Matematiikka ja teknologia, kevät 2011

Matematiikka ja teknologia, kevät 2011 Matematiikka ja teknologia, kevät 2011 Peter Hästö 13. tammikuuta 2011 Matemaattisten tieteiden laitos Tarkoitus Kurssin tarkoituksena on tutustuttaa ja käydä läpi eräisiin teknologisiin sovelluksiin liittyvää

Lisätiedot

Markov-ketjut pitkällä aikavälillä

Markov-ketjut pitkällä aikavälillä MS-C2111 Stokastiset prosessit 2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton;

Lisätiedot

Ilmastonmuutos ja ilmastomallit

Ilmastonmuutos ja ilmastomallit Ilmastonmuutos ja ilmastomallit Jouni Räisänen, Helsingin yliopiston Fysikaalisten tieteiden laitos FORS-iltapäiväseminaari 2.6.2005 Esityksen sisältö Peruskäsitteitä: luonnollinen kasvihuoneilmiö kasvihuoneilmiön

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 1 Ti 6.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 1 Ti 6.9.2011 p. 1/28 p. 1/28 Numeriikan termejä Simulointi: Reaalimaailman ilmiöiden jäljitteleminen (yleensä)

Lisätiedot

Laskun vaiheet ja matemaattiset mallit

Laskun vaiheet ja matemaattiset mallit Laskun vaiheet ja matemaattiset mallit Jukka Sorjonen sorjonen.jukka@gmail.com 28. syyskuuta 2016 Jukka Sorjonen (Jyväskylän Normaalikoulu) Mallit ja laskun vaiheet 28. syyskuuta 2016 1 / 22 Hieman kertausta

Lisätiedot

Luento 13: Periodinen liike. Johdanto Harmoninen värähtely Esimerkkejä F t F r

Luento 13: Periodinen liike. Johdanto Harmoninen värähtely Esimerkkejä F t F r Luento 13: Periodinen liike Johdanto Harmoninen värähtely Esimerkkejä θ F t m g F r 1 / 27 Luennon sisältö Johdanto Harmoninen värähtely Esimerkkejä 2 / 27 Johdanto Tarkastellaan jaksollista liikettä (periodic

Lisätiedot

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen

Lisätiedot

Johdatus tn-laskentaan perjantai 17.2.2012

Johdatus tn-laskentaan perjantai 17.2.2012 Johdatus tn-laskentaan perjantai 17.2.2012 Kahden diskreetin muuttujan yhteisjakauma On olemassa myös monen muuttujan yhteisjakauma, ja jatkuvien muuttujien yhteisjakauma (jota ei käsitellä tällä kurssilla;

Lisätiedot

Luvun 10 laskuesimerkit

Luvun 10 laskuesimerkit Luvun 10 laskuesimerkit Esimerkki 10.1 Tee-se-itse putkimies ei saa vesiputken kiinnitystä auki putkipihdeillään, joten hän päättää lisätä vääntömomenttia jatkamalla pihtien vartta siihen tiukasti sopivalla

Lisätiedot

Luvun 5 laskuesimerkit

Luvun 5 laskuesimerkit Luvun 5 laskuesimerkit Esimerkki 5.1 Moottori roikkuu oheisen kuvan mukaisessa ripustuksessa. a) Mitkä ovat kahleiden jännitykset? b) Mikä kahleista uhkaa katketa ensimmäisenä? Piirretäänpä parit vapaakappalekuvat.

Lisätiedot

Reiluus. Maxmin-reiluus. Tärkeä näkökohta best effort -tyyppisissä palveluissa. Reiluuden maxmin-määritelmä

Reiluus. Maxmin-reiluus. Tärkeä näkökohta best effort -tyyppisissä palveluissa. Reiluuden maxmin-määritelmä J. Virtamo 38.3141 Teleliikenneteoria / Reiluus 1 Reiluus Maxmin-reiluus Tärkeä näkökohta best effort -tyyppisissä palveluissa kenellekään ei anneta kvantitatiivisia QoS-takuita kaikkien pitää saada palvelua

Lisätiedot

MIKROAALTOUUNI VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Tuomas Karri i78953 Jussi Luopajärvi i80712 Juhani Tammi o83312

MIKROAALTOUUNI VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Tuomas Karri i78953 Jussi Luopajärvi i80712 Juhani Tammi o83312 VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA Tuomas Karri i78953 Jussi Luopajärvi i80712 Juhani Tammi o83312 SATE.2010 Dynaaminen kenttäteoria MIKROAALTOUUNI Sivumäärä: 12 Jätetty tarkastettavaksi:

Lisätiedot

Numeeriset menetelmät

Numeeriset 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

Lisätiedot

Eksponentti- ja logaritmifunktiot

Eksponentti- ja logaritmifunktiot Eksponentti- ja logaritmifunktiot Eksponentti- ja logaritmifunktiot liittyvät läheisesti toisiinsa. Eksponenttifunktio tulee vastaan ilmiöissä, joissa tarkasteltava suure kasvaa tai vähenee suhteessa senhetkiseen

Lisätiedot

Tehtävät. 1. Ratkaistava epäyhtälöt. a) 2(4 x) < 12, b) 5(x 2 4x + 3) < 0, c) 3 2x 4 > 6. 1/10. Sukunimi (painokirjaimin)

Tehtävät. 1. Ratkaistava epäyhtälöt. a) 2(4 x) < 12, b) 5(x 2 4x + 3) < 0, c) 3 2x 4 > 6. 1/10. Sukunimi (painokirjaimin) 1/10 Tehtävä 1 2 3 4 5 6 7 8 9 10 Yhteensä Pisteet (tarkastaja merkitsee) Kokeessa on kymmenen tehtävää, joista jokainen on erillisellä paperilla. Jokaisen tehtävän maksimipistemäärä on 6 pistettä. Ratkaise

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30. FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.

Lisätiedot

Matemaattinen Analyysi

Matemaattinen Analyysi Vaasan yliopisto, 009-010 / ORMS1010 Matemaattinen Analyysi 8. harjoitus 1. Ratkaise y + y + y = x. Kommentti: Yleinen työlista ratkaistaessa lineaarista, vakiokertoimista toisen kertaluvun differentiaaliyhtälöä

Lisätiedot

MAB3 - Harjoitustehtävien ratkaisut:

MAB3 - Harjoitustehtävien ratkaisut: MAB - Harjoitustehtävien ratkaisut: Funktio. Piirretään koordinaatistoakselit ja sijoitetaan pisteet:. a) Funktioiden nollakohdat löydetään etsimällä kuvaajien ja - akselin leikkauspisteitä. Funktiolla

Lisätiedot

Harjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,

Harjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio, Differentiaaliyhtälöt, Kesä 06 Harjoitus 3 Kaikissa tehtävissä, joissa pitää tarkastella kriittisten pisteiden stabiliteettia, jos kyseessä on satulapiste, ilmoita myös satulauraratkaisun (tai kriittisessä

Lisätiedot

Tasapainotilaan vaikuttavia tekijöitä

Tasapainotilaan vaikuttavia tekijöitä REAKTIOT JA TASAPAINO, KE5 Tasapainotilaan vaikuttavia tekijöitä Fritz Haber huomasi ammoniakkisynteesiä kehitellessään, että olosuhteet vaikuttavat ammoniakin määrään tasapainoseoksessa. Hän huomasi,

Lisätiedot

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y )

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y ) MATEMATIIKAN JA TILASTOTIETEEN LAITOS Differentiaaliyhtälöt, kesä 00 Tehtävät 3-8 / Ratkaisuehdotuksia (RT).6.00 3. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: y = + y + y = + y + ( y ) (y

Lisätiedot

Harjoitus 6: Simulink - Säätöteoria. Syksy 2006. Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1

Harjoitus 6: Simulink - Säätöteoria. Syksy 2006. Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoitus 6: Simulink - Säätöteoria Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen säätötekniikkaan Takaisinkytkennän

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

. 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

Lisätiedot

4. Lasketaan transienttivirrat ja -jännitteet kuvan piiristä. Piirielimien arvot ovat C =

4. Lasketaan transienttivirrat ja -jännitteet kuvan piiristä. Piirielimien arvot ovat C = BMA58 Funktiot, lineaarialgebra ja vektorit Harjoitus 6, Syksy 5. Olkoon [ 6 6 A =, B = 4 [ 3 4, C = 4 3 [ 5 Määritä matriisien A ja C ominaisarvot ja ominaisvektorit. Näytä lisäksi että matriisilla B

Lisätiedot

Jakso 6: Värähdysliikkeet Tämän jakson tehtävät on näytettävä viimeistään torstaina

Jakso 6: Värähdysliikkeet Tämän jakson tehtävät on näytettävä viimeistään torstaina Jakso 6: Värähdysliikkeet Tämän jakson tehtävät on näytettävä viimeistään torstaina 31.5.2012. T 6.1 (pakollinen): Massa on kiinnitetty pystysuoran jouseen. Massaa poikkeutetaan niin, että se alkaa värähdellä.

Lisätiedot

BM20A0900, Matematiikka KoTiB3

BM20A0900, Matematiikka KoTiB3 BM20A0900, Matematiikka KoTiB3 Luennot: Matti Alatalo Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luvut 1 4. 1 Sisältö Ensimmäisen kertaluvun differentiaaliyhtälöt

Lisätiedot

4) Törmäysten lisäksi rakenneosasilla ei ole mitään muuta keskinäistä tai ympäristöön suuntautuvaa vuorovoikutusta.

4) Törmäysten lisäksi rakenneosasilla ei ole mitään muuta keskinäistä tai ympäristöön suuntautuvaa vuorovoikutusta. K i n e e t t i s t ä k a a s u t e o r i a a Kineettisen kaasuteorian perusta on mekaaninen ideaalikaasu, joka on matemaattinen malli kaasulle. Reaalikaasu on todellinen kaasu. Reaalikaasu käyttäytyy

Lisätiedot

FYSP101/K1 KINEMATIIKAN KUVAAJAT

FYSP101/K1 KINEMATIIKAN KUVAAJAT FYSP101/K1 KINEMATIIKAN KUVAAJAT Työn tavoitteita tutustua kattavasti DataStudio -ohjelmiston käyttöön syventää kinematiikan kuvaajien (paikka, nopeus, kiihtyvyys) hallintaa oppia yhdistämään kinematiikan

Lisätiedot

Dierentiaaliyhtälöistä

Dierentiaaliyhtälöistä Dierentiaaliyhtälöistä Markus Kettunen 4. maaliskuuta 2009 1 SISÄLTÖ 1 Sisältö 1 Dierentiaaliyhtälöistä 2 1.1 Johdanto................................. 2 1.2 Ratkaisun yksikäsitteisyydestä.....................

Lisätiedot

HAVAITUT JA ODOTETUT FREKVENSSIT

HAVAITUT JA ODOTETUT FREKVENSSIT HAVAITUT JA ODOTETUT FREKVENSSIT F: E: Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies (1) 59 28 4 91 Nainen (2) 5 14 174 193 Yhteensä 64 42 178 284 Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies

Lisätiedot

Esimerkkejä polynomisista ja ei-polynomisista ongelmista

Esimerkkejä polynomisista ja ei-polynomisista ongelmista Esimerkkejä polynomisista ja ei-polynomisista ongelmista Ennen yleisempiä teoriatarkasteluja katsotaan joitain tyypillisiä esimerkkejä ongelmista ja niiden vaativuudesta kaikki nämä ongelmat ratkeavia

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi

Lisätiedot

Luento 10: Työ, energia ja teho. Johdanto Työ ja kineettinen energia Teho

Luento 10: Työ, energia ja teho. Johdanto Työ ja kineettinen energia Teho Luento 10: Työ, energia ja teho Johdanto Työ ja kineettinen energia Teho 1 / 23 Luennon sisältö Johdanto Työ ja kineettinen energia Teho 2 / 23 Johdanto Energia suure, joka voidaan muuttaa muodosta toiseen,

Lisätiedot

Mekaniikan jatkokurssi Fys102

Mekaniikan jatkokurssi Fys102 Mekaniikan jatkokurssi Fys10 Kevät 010 Jukka Maalampi LUENTO 8 Vaimennettu värähtely Elävässä elämässä heilureiden ja muiden värähtelijöiden liike sammuu ennemmin tai myöhemmin. Vastusvoimien takia värähtelijän

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy

Lisätiedot

5. Numeerisesta derivoinnista

5. Numeerisesta derivoinnista Funktion derivaatta ilmaisee riippumattoman muuttujan muutosnopeuden riippuvan muuttujan suteen. Esimerkiksi paikan derivaatta ajan suteen (paikan ensimmäinen aikaderivaatta) on nopeus, joka ilmaistaan

Lisätiedot

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1 Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin

Lisätiedot

811120P Diskreetit rakenteet

811120P Diskreetit rakenteet 811120P Diskreetit rakenteet 2016-2017 1. Algoritmeista 1.1 Algoritmin käsite Algoritmi keskeinen laskennassa Määrittelee prosessin, joka suorittaa annetun tehtävän Esimerkiksi Nimien järjestäminen aakkosjärjestykseen

Lisätiedot

Algoritmit 1. Luento 2 Ke Timo Männikkö

Algoritmit 1. Luento 2 Ke Timo Männikkö Algoritmit 1 Luento 2 Ke 11.1.2017 Timo Männikkö Luento 2 Algoritmin esitys Algoritmien analysointi Suoritusaika Asymptoottinen kertaluokka Peruskertaluokkia NP-täydelliset ongelmat Algoritmit 1 Kevät

Lisätiedot

Otannasta ja mittaamisesta

Otannasta ja mittaamisesta Otannasta ja mittaamisesta Tilastotiede käytännön tutkimuksessa - kurssi, kesä 2001 Reijo Sund Aineistot Kvantitatiivisen tutkimuksen aineistoksi kelpaa periaatteessa kaikki havaintoihin perustuva informaatio,

Lisätiedot

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3 Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,

Lisätiedot

Algoritmit 1. Luento 13 Ti 23.2.2016. Timo Männikkö

Algoritmit 1. Luento 13 Ti 23.2.2016. Timo Männikkö Algoritmit 1 Luento 13 Ti 23.2.2016 Timo Männikkö Luento 13 Suunnittelumenetelmät Taulukointi Kapsäkkiongelma Ahne menetelmä Verkon lyhimmät polut Dijkstran menetelmä Verkon lyhin virittävä puu Kruskalin

Lisätiedot

Luku 7 Energiansäästö

Luku 7 Energiansäästö Luku 7 Energiansäästö Asko J. Vuorinen Ekoenergo Oy Pohjana: Energiankäyttäjän käsikirja 2013 1 Sisältö Energialasku Lämmitys Sähkö Liikenne Ravinto 2 ENERGIALASKU 3 Perheen energialasku Asuminen Kulutuskohde

Lisätiedot

4.3. Matemaattinen induktio

4.3. Matemaattinen induktio 4.3. Matemaattinen induktio Matemaattinen induktio: Deduktion laji Soveltuu, kun ominaisuus on osoitettava olevan voimassa luonnollisilla luvuilla. Suppea muoto P(n) : Ominaisuus, joka joka riippuu luvusta

Lisätiedot

P = kv. (a) Kaasun lämpötila saadaan ideaalikaasun tilanyhtälön avulla, PV = nrt

P = kv. (a) Kaasun lämpötila saadaan ideaalikaasun tilanyhtälön avulla, PV = nrt 766328A Termofysiikka Harjoitus no. 2, ratkaisut (syyslukukausi 204). Kun sylinterissä oleva n moolia ideaalikaasua laajenee reversiibelissä prosessissa kolminkertaiseen tilavuuteen 3,lämpötilamuuttuuprosessinaikanasiten,ettäyhtälö

Lisätiedot

6. Toisen ja korkeamman kertaluvun lineaariset

6. Toisen ja korkeamman kertaluvun lineaariset SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 51 6. Toisen ja korkeamman kertaluvun lineaariset differentiaaliyhtälöt Määritelmä 6.1. Olkoon I R avoin väli. Olkoot p i : I R, i = 0, 1, 2,..., n, ja q : I R jatkuvia

Lisätiedot

Korvausvastuun ennustejakauma bootstrap-menetelmän avulla

Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Sari Ropponen 13.5.2009 1 Agenda Korvausvastuu vahinkovakuutuksessa Korvausvastuun arviointi Ennustevirhe Ennustejakauma Bootstrap-/simulointimenetelmä

Lisätiedot

7.4 Sormenjälkitekniikka

7.4 Sormenjälkitekniikka 7.4 Sormenjälkitekniikka Tarkastellaan ensimmäisenä esimerkkinä pitkien merkkijonojen vertailua. Ongelma: Ajatellaan, että kaksi n-bittistä (n 1) tiedostoa x ja y sijaitsee eri tietokoneilla. Halutaan

Lisätiedot

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi. Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35 Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen

Lisätiedot

Diskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma

Diskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Diskreetit todennäköisyysjakaumat Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Satunnaismuuttuja Satunnaisilmiö on ilmiö, jonka lopputulokseen sattuma vaikuttaa Satunnaismuuttuja on muuttuja,

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio

Lisätiedot

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä Sekalaiset tehtävät, 11. syyskuuta 005, sivu 1 / 13 Tehtäviä Tehtävä 1. Johda toiseen asteen yhtälön ax + bx + c = 0, a 0 ratkaisukaava. Tehtävä. Määrittele joukon A R pienin yläraja sup A ja suurin alaraja

Lisätiedot

Opetusmateriaali. Tutkimustehtävien tekeminen

Opetusmateriaali. Tutkimustehtävien tekeminen Opetusmateriaali Tämän opetusmateriaalin tarkoituksena on opettaa kiihtyvyyttä mallintamisen avulla. Toisena tarkoituksena on hyödyntää pikkuautoa ja lego-ukkoa fysiikkaan liittyvän ahdistuksen vähentämiseksi.

Lisätiedot

g-kentät ja voimat Haarto & Karhunen

g-kentät ja voimat Haarto & Karhunen g-kentät ja voimat Haarto & Karhunen Voima Vuorovaikutusta kahden kappaleen välillä tai kappaleen ja sen ympäristön välillä (Kenttävoimat) Yksikkö: newton, N = kgm/s Vektorisuure Aiheuttaa kappaleelle

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma

Lisätiedot

on hidastuvaa. Hidastuvuus eli negatiivinen kiihtyvyys saadaan laskevan suoran kulmakertoimesta, joka on siis

on hidastuvaa. Hidastuvuus eli negatiivinen kiihtyvyys saadaan laskevan suoran kulmakertoimesta, joka on siis Fys1, moniste 2 Vastauksia Tehtävä 1 N ewtonin ensimmäisen lain mukaan pallo jatkaa suoraviivaista liikettä kun kourun siihen kohdistama tukivoima (tässä tapauksessa ympyräradalla pitävä voima) lakkaa

Lisätiedot

vetyteknologia Polttokennon tyhjäkäyntijännite 1 DEE-54020 Risto Mikkonen

vetyteknologia Polttokennon tyhjäkäyntijännite 1 DEE-54020 Risto Mikkonen DEE-5400 olttokennot ja vetyteknologia olttokennon tyhjäkäyntijännite 1 DEE-5400 Risto Mikkonen 1.1.014 g:n määrittäminen olttokennon toiminta perustuu Gibbsin vapaan energian muutokseen. ( G = TS) Ideaalitapauksessa

Lisätiedot

Maatalous-metsätieteellisen tiedekunnan valintakoe Ympäristö-ja luonnonvaraekonomia Matematiikan kysymysten oikeat vastaukset

Maatalous-metsätieteellisen tiedekunnan valintakoe Ympäristö-ja luonnonvaraekonomia Matematiikan kysymysten oikeat vastaukset Maatalous-metsätieteellisen tiedekunnan valintakoe 18.5.2015 Ympäristö-ja luonnonvaraekonomia Matematiikan kysymysten oikeat vastaukset 7. a) Matti ja Maija lähtevät kävelemään samasta pisteestä vastakkaisiin

Lisätiedot

MAY1 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 12.4.2016 Julkaiseminen sallittu vain koulun suljetussa verkossa.

MAY1 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 12.4.2016 Julkaiseminen sallittu vain koulun suljetussa verkossa. KERTAUS Lukujono KERTAUSTEHTÄVIÄ K1. Ratkaisussa annetaan esimerkit mahdollisista säännöistä. a) Jatketaan lukujonoa: 2, 4, 6, 8, 10, 12, 14, 16, Rekursiivinen sääntö on, että lukujonon ensimmäinen jäsen

Lisätiedot

OPETUSSUUNNITELMALOMAKE

OPETUSSUUNNITELMALOMAKE OPETUSSUUNNITELMALOMAKE v0.90 Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 4: Ketjusäännöt ja lineaarinen approksimointi

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 4: Ketjusäännöt ja lineaarinen approksimointi MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 4: Ketjusäännöt ja lineaarinen approksimointi Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu

Lisätiedot

lnx x 1 = = lim x = = lim lim 10 = x x0

lnx x 1 = = lim x = = lim lim 10 = x x0 BM0A580 - Differentiaalilaskenta ja sovellukset Harjoitus 5, Syksy 05. (a) (b) ln = sin(t π ) t π t π = = 0 = = cos(t π = ) = 0 t π (c) e [ = ] = = e e 3 = e = 0 = 0 (d) (e) 3 3 + 6 + 8 + 6 5 + 4 4 + 4

Lisätiedot

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1, Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on

Lisätiedot

Graafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria

Graafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria Graafit ja verkot Suuntamaton graafi: eli haaroja Joukko solmuja ja joukko järjestämättömiä solmupareja Suunnattu graafi: Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria Haaran päätesolmut:

Lisätiedot

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly Bayesin pelit Kalle Siukola MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä

Lisätiedot

pitkittäisaineistoissa

pitkittäisaineistoissa Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon

Lisätiedot

J. Virtamo Jonoteoria / Prioriteettijonot 1

J. Virtamo Jonoteoria / Prioriteettijonot 1 J. Virtamo 38.3143 Jonoteoria / Prioriteettijonot 1 Prioriteettijonot Tarkastellaan M/G/1-jonojärjestelmää, jossa asiakkaat on jaettu K:hon prioriteettiluokkaan, k = 1,..., K: - luokalla 1 on korkein prioriteetti

Lisätiedot

4. Funktion arvioimisesta eli approksimoimisesta

4. Funktion arvioimisesta eli approksimoimisesta 4. Funktion arvioimisesta eli approksimoimisesta Vaikka nykyaikaiset laskimet osaavatkin melkein kaiken muun välttämättömän paitsi kahvinkeiton, niin joskus, milloin mistäkin syystä, löytää itsensä tilanteessa,

Lisätiedot

802118P Lineaarialgebra I (4 op)

802118P Lineaarialgebra I (4 op) 802118P Lineaarialgebra I (4 op) Tero Vedenjuoksu Oulun yliopisto Matemaattisten tieteiden laitos 2012 Lineaarialgebra I Yhteystiedot: Tero Vedenjuoksu tero.vedenjuoksu@oulu.fi Työhuone M206 Kurssin kotisivu

Lisätiedot

Johdatus lukuteoriaan Harjoitus 2 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma

Johdatus lukuteoriaan Harjoitus 2 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma Johdatus lukuteoriaan Harjoitus 2 syksy 2008 Eemeli Blåsten Ratkaisuehdotelma Tehtävä 1 1. Etsi lukujen 4655 ja 12075 suurin yhteinen tekijä ja lausu se kyseisten lukujen lineaarikombinaationa ilman laskimen

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien muunnokset ja niiden jakaumat Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja

Lisätiedot

1.9 Harjoituksia. Frekvenssijakaumien harjoituksia. MAB5: Tilastotieteen lähtökohdat. a) Kaikki aakkoset b) Kirjaimet L, E, M, C, B, A ja i.

1.9 Harjoituksia. Frekvenssijakaumien harjoituksia. MAB5: Tilastotieteen lähtökohdat. a) Kaikki aakkoset b) Kirjaimet L, E, M, C, B, A ja i. MAB5: Tilastotieteen lähtökohdat 1.9 Harjoituksia 1.1 Ulkolämpömittari näytti eilen 10 C ja tänään 20 C. Onko tänään kaksi kertaa niin kylmä kuin eilen? Miksi tai miksi ei? 1.2 Minkä luokkien muuttujia

Lisätiedot

Luvun 10 laskuesimerkit

Luvun 10 laskuesimerkit Luvun 10 laskuesimerkit Esimerkki 11.1 Sigge-serkku tasapainoilee sahapukkien varaan asetetulla tasapaksulla puomilla, jonka pituus L = 6.0 m ja massa M = 90 kg. Sahapukkien huippujen välimatka D = 1.5

Lisätiedot

3.1.2013 LUT CS20A0650 Meluntorjunta juhani.kuronen@lut.fi 1. Tsunamin synty. 3.1.2013 LUT CS20A0650 Meluntorjunta juhani.kuronen@lut.

3.1.2013 LUT CS20A0650 Meluntorjunta juhani.kuronen@lut.fi 1. Tsunamin synty. 3.1.2013 LUT CS20A0650 Meluntorjunta juhani.kuronen@lut. Akustiikan perussuureita, desibelit. 3.1.2013 LUT CS20A0650 Meluntorjunta juhani.kuronen@lut.fi 1 Tsunamin synty 3.1.2013 LUT CS20A0650 Meluntorjunta juhani.kuronen@lut.fi 2 1 Tasoaallon synty 3.1.2013

Lisätiedot

Mat Investointiteoria Laskuharjoitus 1/2008, Ratkaisu Yleistä: Laskarit tiistaisin klo luokassa U352.

Mat Investointiteoria Laskuharjoitus 1/2008, Ratkaisu Yleistä: Laskarit tiistaisin klo luokassa U352. Yleistä: Laskarit tiistaisin klo 14-16 luokassa U352. Kysyttävää laskareista yms. jussi.kangaspunta@tkk. tai huone U230. Aluksi hieman teoriaa: Kassavirran x = (x 0, x 1,..., x n ) nykyarvo P x (r), kun

Lisätiedot

Batch means -menetelmä

Batch means -menetelmä S-38.148 Tietoverkkojen simulointi / Tulosten keruu ja analyysi 1(9) Batch means -menetelmä Batch means -menetelmää käytetään hyvin yleisesti Simulointi suoritetaan tässä yhtenä pitkänä ajona olkoon simuloinnin

Lisätiedot

Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi

Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 5.-7.11.2008. 1 Tällä viikolla Sisältösuunnitelma: Ennustamisstrategioista Koneoppimismenetelmiä: k-nn (luokittelu

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

Harjoitus 7: NCSS - Tilastollinen analyysi Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 7 1 Useamman muuttujan funktion raja-arvo Palautetaan aluksi mieliin yhden muuttujan funktion g(x) raja-arvo g(x). x a Tämä raja-arvo kertoo, mitä arvoa funktio g(x)

Lisätiedot

Opetusmateriaali. Fermat'n periaatteen esittely

Opetusmateriaali. Fermat'n periaatteen esittely Opetusmateriaali Fermat'n periaatteen esittely Hengenpelastajan tehtävässä kuvataan miten hengenpelastaja yrittää hakea nopeinta reittiä vedessä apua tarvitsevan ihmisen luo - olettaen, että hengenpelastaja

Lisätiedot

PRELIMINÄÄRIKOE. Lyhyt Matematiikka 3.2.2015

PRELIMINÄÄRIKOE. Lyhyt Matematiikka 3.2.2015 PRELIMINÄÄRIKOE Lyhyt Matematiikka..015 Vastaa enintään kymmeneen tehtävään. Kaikki tehtävät arvostellaan asteikolla 0-6 pistettä. 1. a) Sievennä x( x ) ( x x). b) Ratkaise yhtälö 5( x 4) 5 ( x 4). 1 c)

Lisätiedot

Induktio, jonot ja summat

Induktio, jonot ja summat Induktio, jonot ja summat Matemaattinen induktio on erittäin hyödyllinen todistusmenetelmä, jota sovelletaan laajasti. Sitä verrataan usein dominoefektiin eli ketjureaktioon, jossa ensimmäisen dominopalikka

Lisätiedot

a) Oletetaan, että happi on ideaalikaasu. Säiliön seinämiin osuvien hiukkasten lukumäärä saadaan molekyylivuon lausekkeesta = kaava (1p) dta n =

a) Oletetaan, että happi on ideaalikaasu. Säiliön seinämiin osuvien hiukkasten lukumäärä saadaan molekyylivuon lausekkeesta = kaava (1p) dta n = S-, ysiikka III (S) välikoe 7000 Laske nopeuden itseisarvon keskiarvo v ja nopeuden neliöllinen keskiarvo v rs seuraaville 6 olekyylien nopeusjakauille: a) kaikkien vauhti 0 / s, b) kolen vauhti / s ja

Lisätiedot

Investointimahdollisuudet ja niiden ajoitus

Investointimahdollisuudet ja niiden ajoitus Investointimahdollisuudet ja niiden ajoitus Ratkaisu optiohinnoitteluteorian avulla Esitelmä - Eeva Nyberg Optimointiopin seminaari - Syksy 000 / Tähän asti opittua NP:n rajoitteet vaikka NP negatiivinen

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 4 Jatkuvuus Jatkuvan funktion määritelmä Tarkastellaan funktiota f x) jossakin tietyssä pisteessä x 0. Tämä funktio on tässä pisteessä joko jatkuva tai epäjatkuva. Jatkuvuuden

Lisätiedot