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

Teoria. Prosessin realisaatioiden tuottaminen

Teoria. Prosessin realisaatioiden tuottaminen Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Tapahtumapohjaisen simuloinnin periaatteet Esimerkki: M/M/1 jonon simulointi Simulointiohjelman geneeriset komponentit

Lisätiedot

Luento 2: Liikkeen kuvausta

Luento 2: Liikkeen kuvausta Luento 2: Liikkeen kuvausta Suoraviivainen liike integrointi Kinematiikkaa yhdessä dimensiossa Luennon sisältö Suoraviivainen liike integrointi Kinematiikkaa yhdessä dimensiossa Liikkeen ratkaisu kiihtyvyydestä

Lisätiedot

Dynaamiset regressiomallit

Dynaamiset regressiomallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma

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

3. Laske osittaisintegroinnin avulla seuraavat integraalit

3. Laske osittaisintegroinnin avulla seuraavat integraalit Harjoitus 1 / syksy 2001 1. Laske seuraavat derivaatat 2 a) D ( 5x + 5) x, b) D (-e 2x ), c) D (-ln x) ja d) D (sin 2x + cos x). 2. Laske seuraavat integraalit 2 x 5x 5 dx, a) ( + ) x b) ( e 2 ) dx, c)

Lisätiedot

Matemaattisesta mallintamisesta

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

Lisätiedot

Logistiikkajärjestelmien mallintaminen - käytännön sovelluksia

Logistiikkajärjestelmien mallintaminen - käytännön sovelluksia FORS-seminaari 2005 - Infrastruktuuri ja logistiikka Logistiikkajärjestelmien mallintaminen - käytännön sovelluksia Ville Hyvönen EP-Logistics Oy Taustaa Ville Hyvönen DI (TKK, teollisuustalous, tuotannon

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

Simulointi. Johdanto

Simulointi. Johdanto Simulointi Johdanto Simulointi Simulointi ~ jäljittely Pyrkii kuvaamaan tutkittavan ilmiön tai systeemin oleellisia piirteitä mallin avulla. Systeemin rajaus ja tarkasteltavat piirteet määriteltävä ennen

Lisätiedot

Numeeriset 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 / 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

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

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

KJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme

KJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme KJR-C1001 Statiikka ja dynamiikka Luento 16.3.2016 Susanna Hurme Päivän aihe: Translaatioliikkeen kinetiikka (Kirjan luvut 12.6, 13.1-13.3 ja 17.3) Oppimistavoitteet Ymmärtää, miten Newtonin toisen lain

Lisätiedot

1 Di erentiaaliyhtälöt

1 Di erentiaaliyhtälöt Taloustieteen mat.menetelmät syksy 2017 materiaali II-5 1 Di erentiaaliyhtälöt 1.1 Skalaariyhtälöt Määritelmä: ensimmäisen kertaluvun di erentiaaliyhtälö on muotoa _y = F (y; t) oleva yhtälö, missä _y

Lisätiedot

Luento 3: Liikkeen kuvausta, differentiaaliyhtälöt

Luento 3: Liikkeen kuvausta, differentiaaliyhtälöt Luento 3: Liikkeen kuvausta, differentiaaliyhtälöt Suoraviivainen liike integrointi Digress: vakio- vs. muuttuva kiihtyvyys käytännössä Kinematiikkaa yhdessä dimensiossa taustatietoa ELEC-A3110 Mekaniikka

Lisätiedot

Dynaamiset regressiomallit

Dynaamiset regressiomallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 6: 1 Kalmanin suodatin Aiemmin käsitellyt

Lisätiedot

Mat Systeemien identifiointi, aihepiirit 1/4

Mat Systeemien identifiointi, aihepiirit 1/4 , aihepiirit 1/4 Dynaamisten systeemien matemaattinen mallintaminen ja analyysi Matlab (System Identification Toolbox), Simulink 1. Matemaattinen mallintaminen: Mallintamisen ja mallin määritelmät Fysikaalinen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien

Lisätiedot

Esimerkki: Tietoliikennekytkin

Esimerkki: Tietoliikennekytkin Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen

Lisätiedot

NEWTONIN LAIT MEKANIIKAN I PERUSLAKI MEKANIIKAN II PERUSLAKI MEKANIIKAN III PERUSLAKI

NEWTONIN LAIT MEKANIIKAN I PERUSLAKI MEKANIIKAN II PERUSLAKI MEKANIIKAN III PERUSLAKI NEWTONIN LAIT MEKANIIKAN I PERUSLAKI eli jatkavuuden laki tai liikkeen jatkuvuuden laki (myös Newtonin I laki tai inertialaki) Kappale jatkaa tasaista suoraviivaista liikettä vakionopeudella tai pysyy

Lisätiedot

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio:

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio: Inversio-ongelmista Craig, Brown: Inverse problems in astronomy, Adam Hilger 1986. Havaitaan oppositiossa olevaa asteroidia. Pyörimisestä huolimatta sen kirkkaus ei muutu. Projisoitu pinta-ala pysyy ilmeisesti

Lisätiedot

Littlen tulos. Littlen lause sanoo. N = λ T. Lause on hyvin käyttökelpoinen yleisyytensä vuoksi

Littlen tulos. Littlen lause sanoo. N = λ T. Lause on hyvin käyttökelpoinen yleisyytensä vuoksi J. Virtamo 38.3143 Jonoteoria / Littlen tulos 1 Littlen tulos Littlen lause Littlen tuloksena tai Littlen lauseena tunnettu tulos on hyvin yksinkertainen relaatio järjestelmään tulevan asiakasvirran, keskimäärin

Lisätiedot

Harjoitus 2: Matlab - Statistical Toolbox

Harjoitus 2: Matlab - Statistical Toolbox Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat

Lisätiedot

Kon Simuloinnin Rakentaminen Janne Ojala

Kon Simuloinnin Rakentaminen Janne Ojala Kon 16.4011 Simuloinnin Rakentaminen Janne Ojala Simulointi käytännössä 1/3 Simulaatiomalleja helppo analysoida Ymmärretään ongelmaa paremmin - Opitaan ymmärtämään koneen toimintaa ja siihen vaikuttavia

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

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

f(x) f(y) x y f f(x) f(y) (x) = lim

f(x) f(y) x y f f(x) f(y) (x) = lim Y1 (Matematiikka I) Haastavampia lisätehtäviä Syksy 1 1. Funktio h määritellään seuraavasti. Kuvan astiaan lasketaan vettä tasaisella nopeudella 1 l/min. Astia on muodoltaan katkaistu suora ympyräkartio,

Lisätiedot

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5. 2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2

Lisätiedot

Demonstraatiot Luento 7 D7/1 D7/2 D7/3

Demonstraatiot Luento 7 D7/1 D7/2 D7/3 TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 2008 Demonstraatiot Luento 7 7.2.2008 D7/ Tarkastellaan piirikytkentäisen järjestelmän n-kanavaista

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

Esimerkki: Tarkastellaan korkeudella h ht () putoavaa kappaletta, jonka massa on m (ks. kuva).

Esimerkki: Tarkastellaan korkeudella h ht () putoavaa kappaletta, jonka massa on m (ks. kuva). 6 DIFFERENTIAALIYHTÄLÖISTÄ Esimerkki: Tarkastellaan korkeudella h ht () putoavaa kappaletta, jonka massa on m (ks. kuva). Newtonin II:n lain (ma missä Yhtälö dh dt m dh dt F) mukaan mg, on kiihtyvyys ja

Lisätiedot

LASKENNALLISEN TIETEEN OHJELMATYÖ: Diffuusion Monte Carlo -simulointi yksiulotteisessa systeemissä

LASKENNALLISEN TIETEEN OHJELMATYÖ: Diffuusion Monte Carlo -simulointi yksiulotteisessa systeemissä LASKENNALLISEN TIETEEN OHJELMATYÖ: Diffuusion Monte Carlo -simulointi yksiulotteisessa systeemissä. Diffuusio yksiulotteisessa epäjärjestäytyneessä hilassa E J ii, J ii, + 0 E b, i E i i i i+ x Kuva.:

Lisätiedot

Tilayhtälötekniikasta

Tilayhtälötekniikasta Tilayhtälötekniikasta Tilayhtälöesityksessä it ä useamman kertaluvun differentiaaliyhtälö esitetään ensimmäisen kertaluvun differentiaaliyhtälöryhmänä. Jokainen ensimmäisen kertaluvun differentiaaliyhtälö

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

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita

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

Harjoitus 9: Excel - Tilastollinen analyysi

Harjoitus 9: Excel - Tilastollinen analyysi Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin

Lisätiedot

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /

Differentiaali- 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,

Lisätiedot

Wien R-J /home/heikki/cele2008_2010/musta_kappale_approksimaatio Wed Mar 13 15:33:

Wien R-J /home/heikki/cele2008_2010/musta_kappale_approksimaatio Wed Mar 13 15:33: 1.2 T=12000 K 10 2 T=12000 K 1.0 Wien R-J 10 0 Wien R-J B λ (10 15 W/m 3 /sterad) 0.8 0.6 0.4 B λ (10 15 W/m 3 /sterad) 10-2 10-4 10-6 10-8 0.2 10-10 0.0 0 200 400 600 800 1000 nm 10-12 10 0 10 1 10 2

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28

Numeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28 Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 2A

Tilastollinen päättely II, kevät 2017 Harjoitus 2A Tilastollinen päättely II, kevät 07 Harjoitus A Heikki Korpela 3. tammikuuta 07 Tehtävä. (Monisteen tehtävä.3 Olkoot Y,..., Y n Exp(λ. Kirjoita vastaava tilastollisen mallin lauseke (ytf. Muodosta sitten

Lisätiedot

J. Virtamo 38.3143 Jonoteoria / Poisson-prosessi 1

J. Virtamo 38.3143 Jonoteoria / Poisson-prosessi 1 J. Virtamo 38.3143 Jonoteoria / Poisson-prosessi 1 Poisson-prosessi Yleistä Poisson-prosessi on eräs keskeisimmistä jonoteoriassa käytetyistä malleista. Hyvin usein asiakkaiden saapumisprosessia jonoon

Lisätiedot

7. laskuharjoituskierros, vko 10, ratkaisut

7. laskuharjoituskierros, vko 10, ratkaisut 7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

Osa IX. Z muunnos. Johdanto Diskreetit funktiot

Osa IX. Z muunnos. Johdanto Diskreetit funktiot Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto

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

1 Komparatiivinen statiikka ja implisiittifunktiolause

1 Komparatiivinen statiikka ja implisiittifunktiolause Taloustieteen matemaattiset menetelmät 27 materiaali 4 Komparatiivinen statiikka ja implisiittifunktiolause. Johdanto Jo opiskeltu antaa nyt valmiu tutkia taloudellisia malleja Kiinnostava malli voi olla

Lisätiedot

SMG-4500 Tuulivoima. Kahdeksannen luennon aihepiirit. Tuulivoiman energiantuotanto-odotukset

SMG-4500 Tuulivoima. Kahdeksannen luennon aihepiirit. Tuulivoiman energiantuotanto-odotukset SMG-4500 Tuulivoima Kahdeksannen luennon aihepiirit Tuulivoiman energiantuotanto-odotukset Tuulen nopeuden mallintaminen Weibull-jakaumalla Pinta-alamenetelmä Tehokäyrämenetelmä 1 TUULEN VUOSITTAISEN KESKIARVOTEHON

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista

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

Esimerkkejä vaativuusluokista

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

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet

Lisätiedot

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 12. maaliskuuta 2002 T-79.179: Stokastinen analyysi 8-1 Stokastinen analyysi, miksi? Tavallinen Petri-verkkojen saavutettavuusanalyysi

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 26. syyskuuta 2016 Jukka Sorjonen (Jyväskylän Normaalikoulu) Mallit ja laskun vaiheet 26. syyskuuta 2016 1 / 14 Hieman kertausta

Lisätiedot

12. Differentiaaliyhtälöt

12. Differentiaaliyhtälöt 1. Differentiaaliyhtälöt 1.1 Johdanto Differentiaaliyhtälöitä voidaan käyttää monilla alueilla esimerkiksi tarkasteltaessa jonkin kohteen lämpötilan vaihtelua, eksponentiaalista kasvua, sähkölatauksen

Lisätiedot

Tietorakenteet ja algoritmit - syksy 2015 1

Tietorakenteet ja algoritmit - syksy 2015 1 Tietorakenteet ja algoritmit - syksy 2015 1 Tietorakenteet ja algoritmit - syksy 2015 2 Tietorakenteet ja algoritmit Johdanto Ari Korhonen Tietorakenteet ja algoritmit - syksy 2015 1. JOHDANTO 1.1 Määritelmiä

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

Numeeriset 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 / 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

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

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko

Lisätiedot

Kvanttifysiikan perusteet 2017

Kvanttifysiikan perusteet 2017 Kvanttifysiikan perusteet 207 Harjoitus 2: ratkaisut Tehtävä Osoita hyödyntäen Maxwellin yhtälöitä, että tyhjiössä magneettikenttä ja sähkökenttä toteuttavat aaltoyhtälön, missä aallon nopeus on v = c.

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

Demonstraatiot Luento

Demonstraatiot Luento TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 8 Demonstraatiot Luento 8..8 D/ Tarkastellaan seuraavaa yksinkertaista piirikytkentäistä (runko)verkkoa.

Lisätiedot

AUTON LIIKETEHTÄVIÄ: KESKIKIIHTYVYYS ak JA HETKELLINEN KIIHTYVYYS a(t) (tangenttitulkinta) sekä matka fysikaalisena pinta-alana (t,

AUTON LIIKETEHTÄVIÄ: KESKIKIIHTYVYYS ak JA HETKELLINEN KIIHTYVYYS a(t) (tangenttitulkinta) sekä matka fysikaalisena pinta-alana (t, AUTON LIIKETEHTÄVIÄ: KESKIKIIHTYVYYS ak JA HETKELLINEN KIIHTYVYYS a(t) (tangenttitulkinta) sekä matka fysikaalisena pinta-alana (t, v)-koordinaatistossa ruutumenetelmällä. Tehtävä 4 (~YO-K97-1). Tekniikan

Lisätiedot

Talousmatematiikka (3 op)

Talousmatematiikka (3 op) Talousmatematiikka (3 op) Tero Vedenjuoksu Oulun yliopisto Matemaattisten tieteiden laitos 2011 Talousmatematiikka 2011 Yhteystiedot: Tero Vedenjuoksu tero.vedenjuoksu@oulu.fi Työhuone M231 Kurssin kotisivu

Lisätiedot

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1 Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen

Lisätiedot

a) 3500000 (1, 0735) 8 6172831, 68. b) Korkojaksoa vastaava nettokorkokanta on

a) 3500000 (1, 0735) 8 6172831, 68. b) Korkojaksoa vastaava nettokorkokanta on Kotitehtävät 4 Ratkaisuehdotukset. 1. Kuinka suureksi 3500000 euroa kasvaa 8 vuodessa, kun lähdevero on 30% ja vuotuinen korkokanta on 10, 5%, kun korko lisätään a) kerran vuodessa b) kuukausittain c)

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

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

Estojärjestelmä (loss system, menetysjärjestelmä)

Estojärjestelmä (loss system, menetysjärjestelmä) J. Virtamo 38.3143 Jonoteoria / Estojärjestelmä 1 Estojärjestelmä (loss system, menetysjärjestelmä) Tarkastellaan perinteistä puhdasta estojärjestelmää, jossa on annettu n = johtojen (varattavien elementtien)

Lisätiedot

Luvun 5 laskuesimerkit

Luvun 5 laskuesimerkit Luvun 5 laskuesimerkit Huom: luvun 4 kohdalla luennolla ei ollut laskuesimerkkejä, vaan koko luvun 5 voi nähdä kokoelmana sovellusesimerkkejä edellisen luvun asioihin! Esimerkki 5.1 Moottori roikkuu oheisen

Lisätiedot

MEKANIIKAN TEHTÄVIÄ. Nostotyön suuruus ei riipu a) nopeudesta, jolla kappale nostetaan b) nostokorkeudesta c) nostettavan kappaleen massasta

MEKANIIKAN TEHTÄVIÄ. Nostotyön suuruus ei riipu a) nopeudesta, jolla kappale nostetaan b) nostokorkeudesta c) nostettavan kappaleen massasta MEKANIIKAN TEHTÄVIÄ Ympyröi oikea vaihtoehto. Normaali ilmanpaine on a) 1013 kpa b) 1013 mbar c) 1 Pa Kappaleen liike on tasaista, jos a) kappaleen paikka pysyy samana b) kappaleen nopeus pysyy samana

Lisätiedot

Jatkuvat satunnaismuuttujat

Jatkuvat satunnaismuuttujat Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään

Lisätiedot

Simulointi. Tapahtumapohjainen

Simulointi. Tapahtumapohjainen Simulointi Tapahtumapohjainen Diskreettiaikainen simulointi 1 Tarkastellaan systeemejä, joissa on äärellisen monta komponenttia. Jokaisella komponentilla äärellisen monta tilaa. Komponentit vaikuttavat

Lisätiedot

y (0) = 0 y h (x) = C 1 e 2x +C 2 e x e10x e 3 e8x dx + e x 1 3 e9x dx = e 2x 1 3 e8x 1 8 = 1 24 e10x 1 27 e10x = e 10x e10x

y (0) = 0 y h (x) = C 1 e 2x +C 2 e x e10x e 3 e8x dx + e x 1 3 e9x dx = e 2x 1 3 e8x 1 8 = 1 24 e10x 1 27 e10x = e 10x e10x BM0A5830 Differentiaaliyhtälöiden peruskurssi Harjoitus 4, Kevät 017 Päivityksiä: 1. Ratkaise differentiaaliyhtälöt 3y + 4y = 0 ja 3y + 4y = e x.. Ratkaise DY (a) 3y 9y + 6y = e 10x (b) Mikä on edellisen

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

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että

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

= 6, Nm 2 /kg kg 71kg (1, m) N. = 6, Nm 2 /kg 2 7, kg 71kg (3, m) N

= 6, Nm 2 /kg kg 71kg (1, m) N. = 6, Nm 2 /kg 2 7, kg 71kg (3, m) N t. 1 Auringon ja kuun kohdistamat painovoimat voidaan saada hyvin tarkasti laksettua Newtonin painovoimalailla, koska ne ovat pallon muotoisia. Junalle sillä saadaan selville suuruusluokka, joka riittää

Lisätiedot

KJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme

KJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme KJR-C1001 Statiikka ja dynamiikka Luento 15.3.2016 Susanna Hurme Päivän aihe: Translaatioliikkeen kinematiikka: asema, nopeus ja kiihtyvyys (Kirjan luvut 12.1-12.5, 16.1 ja 16.2) Osaamistavoitteet Ymmärtää

Lisätiedot

Mat-2.3114 Investointiteoria Laskuharjoitus 3/2008, Ratkaisut 05.02.2008

Mat-2.3114 Investointiteoria Laskuharjoitus 3/2008, Ratkaisut 05.02.2008 Korko riippuu usein laina-ajan pituudesta ja pitkille talletuksille maksetaan korkeampaa korkoa. Spot-korko s t on se korko, joka kertyy lainatulle pääomalle hetkeen t (=kokonaisluku) mennessä. Spot-korot

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

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

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

SMG-4500 Tuulivoima. Kolmannen luennon aihepiirit ILMAVIRTAUKSEN ENERGIA JA TEHO. Ilmavirtauksen energia on ilmamolekyylien liike-energiaa.

SMG-4500 Tuulivoima. Kolmannen luennon aihepiirit ILMAVIRTAUKSEN ENERGIA JA TEHO. Ilmavirtauksen energia on ilmamolekyylien liike-energiaa. SMG-4500 Tuulivoima Kolmannen luennon aihepiirit Tuulen teho: Betzin lain johtaminen Tuulen mittaaminen Tuulisuuden mallintaminen Weibull-jakauman hyödyntäminen ILMAVIRTAUKSEN ENERGIA JA TEHO Ilmavirtauksen

Lisätiedot

Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari Korhonen

Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari Korhonen Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari 1 1. JOHDANTO 1.1 Määritelmiä 1.2 Tietorakenteen ja algoritmin valinta 1.3 Algoritmit ja tiedon määrä 1.4 Tietorakenteet ja toiminnot 1.5 Esimerkki:

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

OPTIMAALINEN INVESTOINTIPÄÄTÖS

OPTIMAALINEN INVESTOINTIPÄÄTÖS OPTIMAALINEN INESTOINTIPÄÄTÖS Keskiarvoon palautuvalle prosessille ja Poissonin hyppyprosessille Optimointiopin seminaari - Syksy 000 / 1 I. KESKIAROON PALAUTUA PROSESSI Investoinnin kohde-etuuden arvo

Lisätiedot

Talousmatematiikan perusteet: Luento 4. Potenssifunktio Eksponenttifunktio Logaritmifunktio

Talousmatematiikan perusteet: Luento 4. Potenssifunktio Eksponenttifunktio Logaritmifunktio Talousmatematiikan perusteet: Luento 4 Potenssifunktio Eksponenttifunktio Logaritmifunktio Viime luennolla Funktiolla f: A B kuvataan muuttujan y B riippuvuutta muuttujasta x A A on lähtö- tai määrittelyjoukko

Lisätiedot

KULJETUSSUUREET Kuljetussuureilla tai -ominaisuuksilla tarkoitetaan kaasumaisen, nestemäisen tai kiinteän väliaineen kykyä siirtää ainetta, energiaa, tai jotain muuta fysikaalista ominaisuutta paikasta

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

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 4. lokakuuta 2007 Antti Rasila () TodB 4. lokakuuta 2007 1 / 17 1 Moniulotteiset todennäköisyysjakaumat Johdanto Kaksiulotteiset satunnaismuuttujat Kaksiulotteisen

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

9. Tila-avaruusmallit

9. Tila-avaruusmallit 9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia

Lisätiedot