802339A Inversio-ongelmien peruskurssi (Kevät 2017) Sari Lasanen
|
|
- Antti Heikkilä
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 802339A Inversio-ongelmien peruskurssi (Kevät 2017) Sari Lasanen 11. tammikuuta 2017
2 Inversio-ongelmien peruskurssi (5 op) Osaamistavoitteet: Kurssin onnistuneen suorittamisen jälkeen opiskelija tunnistaa useat inversio-ongelmat tietää inversio-ongelmien tyypilliset ominaisuudet osaa ratkaista yksinkertaisia inversio-ongelmia eksakteilla ja epätarkoilla arvoilla. Kirjallisuus: 1. Jari Kaipio, Erkki Somersalo: "Statistical and computational inverse problems". Springer-Verlag (Applied Mathematical Sciences, Vol. 160). 2. Daniela Calvetti, Erkki Somersalo: "Introduction to Bayesian scientific computing. Ten lectures on subjective computing"springer (Surveys and Tutorials in the Applied Mathematical Sciences, Vol. 2) 2
3 Luku 1 Inversio-ongelmat Inversio-ongelmat ovat osa sovellettua matematiikkaa, mutta matka puhtaaseen matematiikkaan on lyhyt. Useat inversio-ongelmat tuottavat uutta tietoa sekä käytännön sovelluksesta että pelkästä matematiikasta. Jopa matematiikan alan arvostetuimmassa lehdessä Annals of Mathematics on julkaisuja inversio-ongelmista. Erityisesti inversio-ongelmiin erikoistuneita tieteellisiä lehtiä ovat: Inverse Problems (IP), Inverse Problems and Imaging (IPI), Journal of Inverse and Ill-posed Problems ja Inverse Problems in Science and Engineering. Näitä lehtiä voi lukea Oulun yliopiston kirjaston Nelli-portaalin kautta (myös etäkäytöllä). 1.1 Mitä inversio-ongelmat ovat? Inversio-ongelmissa pyritään saamaan tietoa tuntemattomista kohteista epäsuorien ja usein epätarkkojen havaintojen avulla. Esimerkkejä tutuista inversio-ongelmista ovat lääketietelliset kuvantamismenetelmät (ultraäänikuvaus, tietokonekerroskuvaus), kuvanparannus kuvankäsittelyssä ja sateen havainnointi säätutkalla. Tällä kurssilla tutustutaan matemaattisiin inversio-ongelmiin sekä yksinkertaisten inversio-ongelmien käytännön ratkaisumenetelmiin. Inversio-ongelman eli käänteisongelman nimitys tulee siitä että ensin on tunnettava suora ongelma, joka kertoo kuinka data y riippuu kiinnostuksen kohteena olevasta suureesta x. Tyypillisesti data y saadaan hyödyntämällä jotakin fysikaalista ilmiötä ja suora ongelma on kyseistä ilmiötä selittävä fysikaalinen teoria: sanotaan vaikka kuvaus x F (x) =: y. Suureet x ja y ovat useimmiten vektoreita tai usean muuttujan funcktioita. Määritelmä 1. Kuvausta F, joka vie tuntemattoman sitä vastaavaksi dataksi, kutsutaan suoraksi teoriaksi (eng. direct theory, forward mapping). Inversio-ongelmassa kysytään, mikä suure x on tuottanut datan y. Maallikkotermein asian voi selittää seuraavasti: Suora ongelma: Syistä seurauksiin. Inversio-ongelma: Seurauksista syihin. 1
4 Matemaattisesti kyse on käänteiskuvauksen F 1 määräämisestä, mutta tulemme näkemään että datan epätarkkuus mutkistaa asioita. Myös kuvaus F on tyypillisesti yksinkertaisempi käsitellä kuin sen käänteiskuvaus. 1.2 Esimerkkejä inversio-ongelmista ja niiden tyypillisistä ominaisuuksista Esimerkki 1 Suora ongelma: Laske yhteen luvut, jotka ovat samalla rivillä tai samalla sarakkeella tai samaa väriä.?????? 1 5 7?? 4 3 8?? 6 2 9? Inversio-ongelma: Määrää luvut, joiden rivi-, sarake- ja värisummat on annettut ??? 13 15??? 9 17??? 10 Inversio-ongelmat ovat usein vaikeanpia kuin suorat ongelmat. Esimerkki 2 Suora ongelma: Määrää funktio f C 1 (0, 1), kun sen derivaatta f (t) = 3t 2 ja alkuarvo f(0) = 0 on annettu. Inversio-ongelma: Määrää funktion f C 1 (0, 1) derivaatta f kun f(t) = t 3. Tämä on helppoa, mutta vaikeuksia syntyy jos annettu integraalifunktio tunnetaan epätarkasti. Esim. jos annettu data ei ole f vaan niin sen derivaatta onkin g(t) = f(t) sin(100t), g (t) = 3t 2 + cos(100t). Inversio-ongelmien ratkaisut ovat usein herkkiä datassa esiintyville pienille häiriöille. 2
5 1.2 1 g f Dg Df Kuva 1.1: Häiriöinen data g ei paljon eroa tarkasta datasta f... mutta vastaavat derivaatat eroavat! Esimerkki 3 Kuvan terävöittämisessä pyritään muodostamaan sumeasta valokuvasta yksityiskohtaisempi valokuva. Suora ongelma: Mallinna kuinka terävästä valokuvasta tulee sumeampi valokuva. Inversio-ongelma: Tee sumeasta valokuvasta terävämpi valokuva Suora ongelma Inversio-ongelma Mustavalkoinen digitaalinen valokuva voidaan esittää matriisina M R n m, jonka elementit M ij kuvaavat pikseleiden väriä: mitä suurempi luku on sitä vaaleampi pikselin väri on (katso kuvat 1.2 ja 1.3). 3
6 Kuva 1.2: Mustavalkoinen digitaalinen valokuva koostuu pikseleistä: suorakaiteen muotoisista yksivärisistä kuvaelementeistä Kuva 1.3: Esimerkki 9 9-matriisin kuvapikseleistä ja harmaasävyjä vastaavista lukuarvoista. Sumentamista voidaan mallintaa painotetulla keskiarvolla: Tarkastellaan yksinkertaisuuden vuoksi tapausta n = m. Merkitään kohdassa (k, l) olevan pikselin naapuripikselien indeksejä N k,l. Esimerkiksi N k,l = {(i, j) : i k 2, j l 2 ja 1 i, j n}. Merkitään joukon N k,l alkioiden lukumäärää N k.l. Sumean kuvan pikseliä mallinnetaan silloin yhtälöllä M kl = F (M) kl = 1 N(k, l) (i,j) N(k,l) missä M kl ovat terävän kuvan pikselit. Suora teoria F vie jokaisen kuvamatriisin M toiseksi kuvamatriisiksi M. Valitsemalla erikokoisia naapuripisteiden joukkoja saadaan erilaisia sumennoksia. Kuvan sumentamista voidaan mallintaa myös normitetulla Gaussisella konvoluutiolla M kl = C kl M ij, n e ( k i 2 /n 2 + l j 2 /n 2 )/2σ 2 M ij, i,j=1 4
7 missä k, l = 1,..., n ja normitusvakio ( n ) 1 C kl = e ( k i 2 /n 2 + l j 2 /n 2 )/2σ 2. i,j=1 Eniten painoa on kyseisen pikselin ja sen viereisten pikselien arvoilla. Suora ongelma: Määrää M kun M tunnetaan. Inversio-ongelma: Määrää M kun M tunnetaan. Pienessä kuvassa n, m = 256, mutta korkealaatuisissa kuvissa n ja m ovat useita tuhansia, jolloin matriisissa on miljoonia elementtejä. Inversio-ongelmissa tuntemattomat ovat usein korkeaulotteisten avaruuksien vektoreita. Esimerkki 4 Säätutka lähettää sähkömagneettisia pulsseja mikroaaltotaajudella ( MHz, aallonpituus n. 5.3 cm). Pulssit heijastuvat takaisin esteistä, esimerkiksi sadepisaroista ja lumihiutaleista. Säätutka vastaanottaa heijastuneet pulssit, joiden matka-ajoissta saadaan selville sadepisaroiden etäisyys. Heijastuneen pulssin voimakkuudesta (tehosta) saadaan selville sateen voimakkuus. Doppler-tutka kertoo myös sadepisaroiden nopeuden taajuudessa tapahtuvan Doppler-siirtymän avulla. Sadepisaroista saadaan havaittavan suuruisia kaikuja aina 250 km päästä. Mittauksia tehdään eri suunnissa antennia liikuttamalla. Suora ongelma: Määrää heijastunut kaiku kun sadepisaroiden jakauma (ja nopeus) tunnetaan. Inversio-ongelma: Määrää sadepisaroiden jakauma (ja nopeus), kun niistä heijastunut kaiku tunnetaan. Tarkastellaan yksinkertaisuuden vuoksi ongelman matemaattista kuvausta, kun kyseessä on yksi liikkuva kappale. Lähetetty signaali on funktio φ(t) = P e(t) sin(ω 0 t), 5
8 missä ω 0 on kantotaajuus, P on lähetetyn pulssin teho ja e(t) kuvaa pulssin muotoa. Yhden kappaleen liikettä kuvaa yhtälö r(t) = x 2 + x 3 t x 4t 2, missä x 2 on kappaleen etäisyys tutkasta, x 3 on kappaleen nopeus ja x 4 on kappaleen kiihtyvyys. Sadepisarasta takaisinpäin heijastunutta signaalia kuvaa yhtälö ( z(t) = x 1 φ t 2 ) ( c x 2 exp i2 ω 0 c (x 3t + 1 ) 2 x 4t 2 ), missä x 1 on heijastuneen signaalin teho, c on valonnopeus ja ɛ(t) on mittauskohinaa. Heijastuneen signaalin teho toteuttaa tutka-yhtälön (eng. radar equation) x 1 = CP σ, (4π) 2 x 4 2 missä C on tutkasta riippuva vakio ja takaisinsirontapinta-ala (eng. radar cross section) σ riippuu kappaleen koosta ja heijastavuudesta. Kuva 1.4: Ilmatieteen laitoksen kuva säätutkahavainnoista. Inversio-ongelmissa käytetään usein epäsuoraa tietoa tuntemattomista kohteista. Muita tutkasovelluksia: Avaruusromun kartoitus (maanpinnalta lähetetty sähkömagneettinen pulssi heijastuu hukatuista työkaluista, pirstoutuneista satelliiteista ja rakettiromusta, joka putoaa hitaaaasti kohti maata). Esimerkiksi kansainvälinen avaruusasema ISS joutuu väistämään putoavaa romua pari kertaa vuodessa. Kuun kaukokartoitus (maanpinnalta lähetetty sähkömagneettinen pulssi heijastuu kuusta). 6
9 Ionosfäärin tutkimus (revontulet, aurinkomyrskyn vaikutukset). Hyödynnetään epäkoherenttia sirontaa: tutkasignaali saa ionosfäärin plasman värähtelemään, jolloin syntyy heikko sähkömagneettinen signaali, joka voidaan vastaanotttaa maanpinnalla. Taajuus satoja megahertsejä. Maaperätutka. Toimii mikroaaltotaajuuksilla. Esimerkki 5 Lääketieteellisessä tietokonetomografiakuvauksessa (tietokonekerroskuvaus, TT-kuvaus) muodostetaan röntgenkuvien avulla kuva potilaan sisäosista. Kuva 1.5: Tietokonekerroskuvauslaite (kuva: Siemens Press Picture). Eri kudokset (kuten lihas ja luu) vaimentavat röntgensäteilyä eri voimakkuudella. Kun kehon läpi kulkeneen säteilyn kokonaisvaimeneminen mitataan useasta eri suunnasta, saadaan muodostettua poikkileikkauskuva kehosta tarkemmin sanottuna massaabsorptiokertoimien vaihtaluista. Kuva 1.6: Tavallinen röngenkuva vs. viipalekuva. Tavallisessa röntgenkuvassa nähdään kokonaisabsorptio vain yhdessä suunnassa. Viipalekuvat muodostetaan röntgensäteilyn absorptiosta useassa eri suunnassa. 7
10 Olkoon f = f(x, y) 0 paloittain jatkuva funktio, joka esittää massa-absorptiokerrointa pisteessä (x, y) R 2. Jos I 0 on lähetetyn röntgensäteilyn intensiteetti, I 1 on vastaanotetun röntgensäteilyn intensiteetti ja röntgensäde kulkee kehon läpi pitkin suoraa polkua C, jonka parametrisaatio on r(t), t [t 1, t 2 ], niin ln ( I0 I 1 ) t2 = fds = f(r(t)) r (t) dt C t 1 missä keskimmäinen termi esittää funktion f polkuintegraalia yli polun C. Tässä oletetaan yksinkertaisuuden vuoksi, että kehon poikkileikkaus sisältyy neliöön S = [ 1, 1] [ 1, 1] ts. f(x, y) = 0 kun x > 1 tai y > 1. y 1 Suora y = x -1 1 x -1 Kuva 1.7: Funktion f polkuintegraalit lasketaan pitkin eri suoria. Esimerkiksi, jos C = {(x, y) R 2 : x = y, 1 y 1}, niin voidaan valita (t) = (t, t), 1 t 1, jolloin ln ( I0 I 1 ) 1 1 = fds = f(r(t)) r (t) dt = f(t, t) (1, 1) dt = 1 2 f(t, t)dt. C Suora ongelma: Kun funktio f tunnetaan, laske integraalit fds pitkin kaikkia suoria polkuja C, jotka alkavat ja päättyvät neliön S reunalla. Inversio-ongelma: Määrää funktio f kun tunnetaan sen integraalit fds C C pitkin kaikkia suoria polkuja C, jotka alkavat ja päättyvät neliön S reunalla. Tämä inversio-ongelma voidaan ratkaista Fourier-analyysin avulla. Menetelmä on kuitenkin tämän kurssin ulkopuolella, joten etenemme seuraavaan käytännön ongelmaan. 8
11 Käytännössä mittauksia ei voi tehdä jokaista suoraa pitkin, vaan mittaussuuntia on rajallinen määrä. Mitä vähemmän mittaussuuntia on käytössä, sitä vähemmän tietoa on saatavilla tuntemattomasta funktiosta. Ongelmana on, että useilla eri funktioilla voi olla samat integraalit. Esim. jos f(x, y) = x 2 +y 2 kun (x, y) B(0, 1) ja f(x, y) = 0 muulloin, niin sen integraali pitkin suoraa y = 0 (tai pitkin mitä tahansa origon kautta kulkevaa suoraa C = {(x, y) R 2 : y = ax, (x, y) B(0, 1)}), on 1 1 x 2 dx = 2 3 joka on sama kuin funktion f(x, y) = 1 integraali pitkin samaa suoraa. 3 Tomografiakuvauksessa datan rajallisuutta kompensoidaan rajoittamalla sallittujen ratkaisujem muotoa: Oletetaan esimerkiksi, että f(x, y) = n c j φ j (x, y), j=1 missä n on kiinnitetty luku, funktiot φ i ovat tunnettuja ja kertoimet c i R ovat tuntemattomia. Funktiot φ j (x, y), i = 1,..., n voivat olla esimerkiksi pistevieraiden neliöiden karakteristisia funktioita (kuvan pikseleitä) { 1 kun (x, y) I j φ j (x, y) = 0 muulloin. y I 24 I 1 I 8 I 2 I 3 I 4 I 5 I 9 I 10 I 11 I 12 I 6 I 7 x y Kuva 1.8: Neliö I j. Oletetaan, että polkuja on m kappaletta, sanotaan vaikka polut C j, joiden parametrisaatiot ovat r j : [t 1, t 2 ] R 2, j = 1,..., m. Tällöin dataa mallintavat yhtälöt ovat muotoa t2 n n y i = fds = φ j (r i (t)) r i(t) c j dt = M ij c j missä M ij = C t 1 j=1 j=1 t2 t 1 φ j (r i (t)) r i(t) dt 9
12 ja i = 1,..., m, j = 1,..., n. Inversio-ongelma on määrätä kertoimet c = (c 1,..., c n ), kun vektori y = (y 1,..., y m ) on annettu. Suoran teorian matriisi M on tunnettu, sillä funktiot φ j ja polut C i tunnetaan. On syytä huomata, että käytännön data sisältää lisäksi myös häiriöitä! Kuva 1.9: Esimerkki karkean resoluution harmaasävykuvasta. Kuva 1.10: Tietokonekerroskuva: eri harmaasävyt vastaavat funktion f eri arvoja. (kuva: Siemens Press Picture). Käytännön inversio-ongelmissa rekonstruktio (eli kuvan muodostaminen tuntemattomasta kohteesta) on tehtävä jollakin tapaa rajallisesta määrästä dataa. Käytännön inversio-ongelmissa approksimoidaan tuntemattomia usein äärellisulotteisten vektoreiden avulla. Esimerkki 6 Impedanssitomografiassa (eng. electrical impedance tomography, EIT) sähköiset mittaukset kappaleen pinnalla antavat tietoa kappaleen sisärakenteesta (materian sähkönjohtavuudesta). Kappaleeseen voidaan syöttää jännite ja mitata virtaa tai syöttää virtaa ja mitata jännitettä. Olkoon u jännite kappaleessa D ja oletetaan, että pinnalle on asetettu jännite f. Olkoon kappaleen D sähkönjohtavuus σ C ( D). Silloin funktio u C 2 (D) C 1 ( D) 10
13 Virta Jännite D Kuva 1.11: Jännite-virta mittaukset kappaleesta D. toteuttaa yhtälöt (σ u)(x) = 0, x D u(x) = f(x), x D Pinnalla mitattava virta g(x) saadaan jännitteestä u kaavalla g(x) = σ(x)n(x) u(x), x D, missä n(x) on kappaleen D pinnan (ulospäin suunnattu) normaalivektori. Suora ongelma: Määrää funktio g kun funkiot σ ja f on annettu. Inversio-ongelma: Määrää funktio σ kun funktio g tunnetaan jokaisella f C 1 ( D). Tämäntyyppisiä inversio-ongelmia nimitetään käänteisiksi reuna-arvo-ongelmiksi (eng. inverse boundary value problems). Yllä olevan inversio-ongelman ratkaisu tunnetaan melko yleisillä D ja σ. Ratkaisumenetelmä edellyttää mm. osittaisdifferentiaaliyhtälöiden teorian tuntemusta. Tämän vuoksi emme opeta ongelman ratkaisua tässä kurssissa. Viimeisessä luvussa tarkastellaan menetelmiä, joita voidaan käyttää tämän ongelman käytännön ratkaisuissa. Mihin soveltuu: Lääketieteellinen kuvantaminen (sydämen ja keuhkojen toiminta). Ainetta rikkomaton testaus (esim. vauvanruokapurkkien eheyden tarkistus, lentokoneen siipien korroosiovaurioiden tarkistus, siltojen betoniraudoitusten tutkiminen). Teollisuuden prosessien valvonta (esim. säiliön sisällä olevan seoksen tasaisuuden tarkkailu). 11
14 Tästä ongelmasta on olemassa myös karkea versio jota hyödynnetään kaupallisesti sähköinen kehonkoostumusmittaus (eng. bioelectrical impedance analysis). Siinä mittausperiaate on sama: kehoon johdetaan vähäistä virtaa ja mitataan sen aikaansaama jännite. Erona EIT:hen on, että tarkan suoran teorian sijaan käytetään tiettyjen parametrien sovituksia karkeisiin yhtälöihin. Tärkein näistä parametreistä on kehossa olevan veden määrä. Esitietona tarvitaan henkilön pituus (henkilöä approksimoidaan sen jälkeen samanpituisena sylinterinä, jonka tilavuus kertoo kehossa olevan veden määrän...). Mitatusta jännitteestä lasketaan sylinterin sisältämä veden määrä. Käytettyjä yhtälöitä on pyritty tarkentamaan ottamalla lisää parametreja huomioon, kuten henkilön iän, sukupuolen ja painon sekä käyttämällä eritaajuisia sähkövirtoja. Inversio-ongelmien avulla on mahdollista saada tietoa sellaisistakin kohteista jotka eivät muutoin ole näkyvissä tai tavoitettavissa. Esimerkki 7 Lääketieteellisessä ultraäänikuvauksessa muodostetaan kuva potilaan sisäosista ääniaaltojen avulla. Periaate on seuraava: potilaan sisälle lähetetään kapea äänipulssi (taajuus 2-15 MHz), joka heijastuu osittain takaisinpäin kehon eri kudosten rajapinnoista. Takaisinsironnut pulssi vastaanotetaan ja muunnetaan kirkkausarvoiksi. Tämä toistetaan eri mittaussuoria pitkin. Eräs ultraäänikuvauksen yksinkertaistuksista on olettaa, että Kuva 1.12: Ultraäänikuvauksen periaate 1. Pulssi heijastuu rajapinnoista. Tässä samanväriset alueet ovat täysin homogeenisia. ääni kulkee vakionopeudella kehossa, vaikka eri kudoksilla on erilaiset äänennopeudet. Tästä johtuen ultraäänikuvissa olevien kohteiden koko on vääristynyt. Lisäksi malli ei ota huomioon monitie-etenemistä eikä aaltojen taittumista, jolloin kuvassa oleva kohde ei välttämättä ole todellisella paikallaan. Hyvin epätasaiset rajapinnat tekevät kuvasta lisäksi täplikkään. 12
15 Kuva 1.13: Ultraäänikuvauksen periaate 2. Taaksepäin sironnut pulssi (kuvassa sininen käyrä) vastaanotetaan ja muunnetaan alla oleviksi kirkkausarvoiksi verhokäyrän (eng. envelope, kuvassa punainen käyrä) avulla. Ultraäänikuvauksen tarkempi matemaattinen malli on ääniaaltojen eli akustisten aaltojen etenemistä väliaineessa kuvaava malli. Aika-harmonista akustista aaltoa kappaleessa D R n voidaan kuvata yhtälöllä u(x) + ω2 u(x) = 0, x D, c 2 (x) missä ω on taajuus ja c(x) on äänen nopeus väliaineessa. Lähetettävää ääntä kuvataan yhtälöllä n(x) u(x) = f(x), x D, missä n(x) on pinnan D normaalivektori. Pinnalla vastaanotettua ääntä kuvataan yhtälöllä g(x) = u(x), x D. Funktion u(x) yhteys ajasta riippuvaan fysikaaliseen äänen paineeseen p(x, t) saadaan kaavasta p(x, t) = Re u(x)e iωt. Suora ongelma: Määrää u kun funktiot c ja f on annettu. Inversio-ongelma: Määrää c kun g tunnetaan eri funktioilla f. Tämä inversio-ongelma on myös käänteinen reuna-arvo-ongelma. Inversio-ongelmissa käytetään matematiikkaa erilaisten kuvantamismenetelmien parantamiseen. Samaa akustista yhtälöä voidaan käyttää seismisten eli maan tärinää kuvaavien aaltojen etenemisen kuvaamiseen. Maankuoren rakennetta voidaan kartoittaa täristämällä maanpintaa koneellisesti (tai räjäytyksien avulla) ja mittaamalla maankuoren epähomogeenisuuksista heijastunutta aaltoa maan pinnalla. Ääniaallot kulkevat hyvin myös vedessä, jolloin puhutaan kaikuluotaimista eli sonareista. 13
16 Esimerkki 8 Käänteisessä sirontaongelmassa (eng. inverse scattering problem) lähetetetään aalto (yleensä sähkömagneettinen tai akustinen) kohti tuntemattoman kappaletta tai väliainetta. Tuntematon poikkeama muuttaa lähetettyä aaltoa, jolloin syntyy sironnut aalto. Sironnutta aaltoa havainnoidaan etäällä tuntemattomasta poikkeamasta. Inversio-ongelmana on päätellä tuntemattoman rakenne näiden havaintojen perusteella. Kuva 1.14: Sironnan periaate. Tuleva aalto on u i. Sirottaja saa aikaan sironneen aallon u s. Koko aalto u = u i + u s. Matemaattisessa sironnassa aaltoa kutsutaan kentäksi (eng. field, tarkoittaa usean muuttujan funktiota). Sirontaa yksinkertaistetaan usein olettamalla, että kenttien aikariippuvuus on harmoninen eli u(x, t) = e iωt u(x). Aikaharmonista akustista sirontaongelmaa (eng. time-harmonic acoustic scattering), missä sirottaja on epähomogeeninen väliaine kuvaavat yhtälöt u(x) = u i (x) + u s (x) u(x) + ω2 c 2 (x) u(x) = 0, x Rn, missä ω on tulevan aallon taajuus. Lisäksi vaaditaan säteilyehto ( x lim x x x us (x) i ω ) c us (x) = 0 tasaisesti joka suuntaan x x Funktio c(x) kuvaa äänen nopeutta väliaineessa. Äänen nopeus on fysikaalinen suure, joka riippuu mm. väliaineen rakenteesta (esim. molekyylitiheydestä). Yllä oletetaan että c on positiivinen sileä funktio, joka on vakio kaukana sirottavasta poikkeamasta. Suorassa sirontaongelmassa pyritään määräämään sironnut kenttä u s kun u i ja c tunnetaan. Tuleva kenttä oletetaan usein tasoaalloksi u i (x) = e ia x, missä a on suuntavektori. Käänteisessä akustisessa sirontaongelmassa pyritään määräämään funktio c kun sironnut kenttä u s tunnetaan kaukana tuntemattomasta sirottajasta ja tuleva kenttä u i on 14
1 0.5 0 0.5 1 1.5 0 0.2 0.4 0.6 0.8 1 Kuva 1.13: Ultraäänikuvauksen periaate 2. Taaksepäin sironnut pulssi (kuvassa sininen käyrä) vastaanotetaan ja muunnetaan alla oleviksi kirkkausarvoiksi verhokäyrän
Lisätiedot802360A Inversio-ongelmien peruskurssi (Kevät 2014) Sari Lasanen
802360A Inversio-ongelmien peruskurssi (Kevät 204) Sari Lasanen 3. maaliskuuta 204 2 Inversio-ongelmien peruskurssi (4 op) Osaamistavoitteet: Kurssin onnistuneen suorittamisen jälkeen opiskelija tunnistaa
Lisätiedot802360A Inversio-ongelmien peruskurssi (Syksy 2011) Sari Lasanen
802360A Inversio-ongelmien peruskurssi (Syksy 20) Sari Lasanen 0. lokakuuta 20 2 Inversio-ongelmien peruskurssi (4 op) Osaamistavoitteet: Kurssin onnistuneen suorittamisen jälkeen opiskelija tunnistaa
LisätiedotPolkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä Olkoot γ : [a, b] R m paloittain C 1 -polku välin [a, b] jaon
Polkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä 4.1.3. Olkoot : [a, b] R m paloittain C 1 -polku välin [a, b] jaon P = {a = t 1 < < t k = b} ja joukko D R m sellainen, että ([a, b])
Lisätiedot4.2.2 Uskottavuusfunktio f Y (y 0 X = x)
Kuva 4.6: Elektroniikassa esiintyvän lämpökohinan periaate. Lämpökohinaa ε mallinnetaan additiivisella häiriöllä y = Mx + ε. 4.2.2 Uskottavuusfunktio f Y (y 0 X = x) Tarkastellaan tilastollista inversio-ongelmaa,
LisätiedotEsimerkki - Näkymätön kuu
Inversio-ongelmat Inversio = käänteinen, päinvastainen Inversio-ongelmilla tarkoitetaan (suoran) ongelman ratkaisua takaperin. Arkipäiväisiä inversio-ongelmia ovat mm. lääketieteellinen röntgentomografia
LisätiedotOletetaan sitten, että γ(i) = η(j). Koska γ ja η ovat Jordan-polku, ne ovat jatkuvia injektiivisiä kuvauksia kompaktilta joukolta, ja määrittävät
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 18 Harjoitus 6 Ratkaisuehdotukset Tehtävä 1. Osoita, että sileille Jordan-poluille on voimassa : I R n ja : J R n (I) = (J) jos ja vain
LisätiedotKuva 1: Yksinkertainen siniaalto. Amplitudi kertoo heilahduksen laajuuden ja aallonpituus
Kuva 1: Yksinkertainen siniaalto. Amplitudi kertoo heilahduksen laajuuden ja aallonpituus värähtelytiheyden. 1 Funktiot ja aallot Aiemmin käsiteltiin funktioita ja miten niiden avulla voidaan kuvata fysiikan
LisätiedotMS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät
MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 2016 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2016
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1 / 18
LisätiedotBM20A0900, 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
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta
LisätiedotLuento 2: Liikkeen kuvausta
Luento 2: Liikkeen kuvausta Suoraviivainen liike integrointi Kinematiikkaa yhdessä dimensiossa Luennon sisältö Suoraviivainen liike integrointi Kinematiikkaa yhdessä dimensiossa Liikkeen ratkaisu kiihtyvyydestä
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 9: Muuttujanvaihto taso- ja avaruusintegraaleissa
MS-A24 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 9: Muuttujanvaihto taso- ja avaruusintegraaleissa Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 216 Antti Rasila
LisätiedotEnsimmäisen ja toisen kertaluvun differentiaaliyhtälöistä
1 MAT-1345 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 9 Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa
LisätiedotTalousmatematiikan perusteet: Luento 16. Integraalin käsite Integraalifunktio Integrointisääntöjä
Talousmatematiikan perusteet: Luento 16 Integraalin käsite Integraalifunktio Integrointisääntöjä Integraalin käsite Tarkastellaan auton nopeusmittarilukemaa v(t) ajan t funktiona aikavälillä klo 12.00-17.00
LisätiedotEi 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
Lisätiedotl 1 2l + 1, c) 100 l=0
MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 5. Millä reaaliluvun arvoilla a) 9 =, b) 5 + 5 +, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + + 5 + + 99, b) 5 + 4 65 + + n 5 n, c)
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
Lisätiedota) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki. 8 3 + 4 2 0 = 16 3 = 3 1 3.
Integraalilaskenta. a) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki. b) Mitä määrätty integraali tietyllä välillä x tarkoittaa? Vihje: * Integraali * Määrätyn integraalin
Lisätiedot2.6 Funktioiden kuvaajat ja tasa-arvojoukot
2.6 Funktioiden kuvaajat ja tasa-arvojoukot Olkoon I R väli. Yhden muuttujan funktion g : I R kuvaaja eli graafi on avaruuden R 2 osajoukko {(x, y) R 2 : x I, y = g(x)}. 1 0 1 2 3 1 0.5 0 0.5 1 Kuva 2.1:
LisätiedotLuento 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
Lisätiedotl 1 2l + 1, c) 100 l=0 AB 3AC ja AB AC sekä vektoreiden AB ja
MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 7. Millä reaaliluvun arvoilla a) 9 =, b) + 5 + +, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + + 5 + + 99, b) 5 + 4 65 + + n 5 n, c) +
Lisätiedoty x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1
1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y
LisätiedotOletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 018 Harjoitus 4 Ratkaisuehdotukset Tehtävä 1. Olkoon U R avoin joukko ja ϕ = (ϕ 1, ϕ, ϕ 3 ) : U R 3 kaksiulotteisen C 1 -alkeispinnan
LisätiedotLuento 15: Ääniaallot, osa 2
Luento 15: Ääniaallot, osa 2 Aaltojen interferenssi Doppler Laskettuja esimerkkejä Luennon sisältö Aaltojen interferenssi Doppler Laskettuja esimerkkejä Aaltojen interferenssi Samassa pisteessä vaikuttaa
LisätiedotSuorista ja tasoista LaMa 1 syksyllä 2009
Viidennen viikon luennot Suorista ja tasoista LaMa 1 syksyllä 2009 Perustuu kirjan Poole: Linear Algebra lukuihin I.3 - I.4 Esko Turunen esko.turunen@tut.fi Aluksi hiukan 2 ja 3 ulotteisen reaaliavaruuden
LisätiedotMATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy Millä reaaliluvun x arvoilla. 3 4 x 2,
MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 6. Millä reaaliluvun arvoilla a) 9 =, b) + + + 4, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + 4 + 6 + +, b) 8 + 4 6 + + n n, c) + + +
Lisätiedote ax, kun x > 0 f(x) = 0, kun x < 0, 0, kun x > 0 e ax, kun x < 0 e (a iω)x dx = a+iω = 1 a 2 +ω 2. e ax, x > 0 e ax, x < 0,
Harjoitus 5 1. Olkoot a > 0. Laske vaimenevan pulssin e ax, kun x > 0 fx) = 0, kun x < 0, ja voimistuvan pulssin gx) = konvoluution g f Fourier-muunnos. 0, kun x > 0 e ax, kun x < 0 apa 1: Konvoluution
Lisätiedot802118P 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
LisätiedotLUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k
LUKU 3 Ulkoinen derivaatta Olkoot A R n alue k n ja ω jatkuvasti derivoituva k-muoto alueessa A Muoto ω voidaan esittää summana ω = ω i1 i 2 i k dx i 1 dx i 2 1 i 1
LisätiedotMekaniikan jatkokurssi Fys102
Mekaniikan jatkokurssi Fys102 Syksy 2009 Jukka Maalampi LUENTO 12 Aallot kahdessa ja kolmessa ulottuvuudessa Toistaiseksi on tarkasteltu aaltoja, jotka etenevät yhteen suuntaan. Yleisempiä tapauksia ovat
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio.
MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Riikka Korte Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto
LisätiedotLikimääräisratkaisut ja regularisaatio
Luku 3 Likimääräisratkaisut ja regularisaatio Käytännön inversio-ongelmissa annettu data y ei aina ole tarkkaa, vaan sisältää häiriöitä. Tuntemattomasta x on annettu häiriöinen data y F (x + }{{}}{{} ε.
LisätiedotVille Turunen: Mat Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007
Ville Turunen: Mat-1.1410 Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007 Materiaali: kirjat [Adams R. A. Adams: Calculus, a complete course (6th edition), [Lay D. C. Lay: Linear
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
LisätiedotVektorianalyysi II (MAT21020), syksy 2018
Vektorianalyysi II (MAT21020), syksy 2018 Ylimääräisiä harjoitustehtäviä 1. Osoita, että normin neliö f : R n R, f(x) = x 2 on differentioituva pisteessä a R n ja, että sen derivaatalle on voimassa 2.
LisätiedotBM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016
BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016 1. Hahmottele karkeasti funktion f : R R 2 piirtämällä sen arvoja muutamilla eri muuttujan arvoilla kaksiulotteiseen koordinaatistoon
LisätiedotMatematiikka 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
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 7 Ti 27.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 7 Ti 27.9.2011 p. 1/39 p. 1/39 Interpolointi Ei tunneta funktion f : R R lauseketta, mutta tiedetään funktion
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (CHEM) Luento 2: Usean muuttujan funktiot
MS-A0207 Differentiaali- ja integraalilaskenta 2 (CHEM) Luento 2: Usean muuttujan funktiot Harri Hakula Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2018 1 Perustuu Antti Rasilan luentomonisteeseen
Lisätiedot9. 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
Lisätiedot4.3.7 Epäoleellinen integraali
Esimerkki 4.3.16. (Lineaarinen muuttujien vaihto) Olkoot A R m sellainen kompakti joukko, että A on nollajoukko. Olkoon M R m m säännöllinen matriisi (eli det(m) 0) ja f : R m R jatkuva funktio. Tehdään
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 2: Usean muuttujan funktiot
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 2: Usean muuttujan funktiot Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 2016 Antti Rasila (Aalto-yliopisto)
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
LisätiedotMATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 25.9.2017 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
LisätiedotKompleksianalyysi, viikko 4
Kompleksianalyysi, viikko 4 Jukka Kemppainen Mathematics Division Reaalimuuttujan kompleksiarvoisen funktion integraali Aloitetaan reaalimuuttujan kompleksiarvoisen funktion integraalin määrittelyllä,
LisätiedotNumeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen
LisätiedotJatkuvat 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
LisätiedotDiplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2017 Insinöörivalinnan matematiikan koe , Ratkaisut (Sarja A)
Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 017 Insinöörivalinnan matematiikan koe 30..017, Ratkaisut (Sarja A) 1. a) Lukujen 9, 0, 3 ja x keskiarvo on. Määritä x. (1 p.) b) Mitkä reaaliluvut
LisätiedotPRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9.2.2011
PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9..0 Kokeessa saa vastata enintään kymmeneen tehtävään.. Sievennä a) 9 x x 6x + 9, b) 5 9 009 a a, c) log 7 + lne 7. Muovailuvahasta tehty säännöllinen tetraedri muovataan
LisätiedotOhjeita fysiikan ylioppilaskirjoituksiin
Ohjeita fysiikan ylioppilaskirjoituksiin Kari Eloranta 2016 Jyväskylän Lyseon lukio 11. tammikuuta 2016 Kokeen rakenne Fysiikan kokeessa on 13 tehtävää, joista vastataan kahdeksaan. Tehtävät 12 ja 13 ovat
LisätiedotYhtälöryhmä 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
LisätiedotWiener-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
Lisätiedot1. a) b) Nollakohdat: 20 = c) a b a b = + ( a b)( a + b) Derivaatan kuvaajan numero. 1 f x x x g x x x x. 3. a)
Pitkä matematiikka YO-koe 9..04. a) b) 7( x ) + = x ( x ) x(5 8 x) > 0 7x + = x x + 8x + 5x > 0 7x = 0 Nollakohdat: 0 8x + 5x = 0 x = 7 x(8x 5) = 0 5 5 x = 0 tai x = Vastaus: 0 < x < 8 8 c) a+ b) a b)
Lisätiedotf(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,
LisätiedotMATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ
YLIOPPILSTUTKINTO- LUTKUNT..7 MTEMTIIKN KOE PITKÄ OPPIMÄÄRÄ -osa Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän alla olevaan ruudukkoon.
LisätiedotVärähdysliikkeet. q + f (q, q, t) = 0. q + f (q, q) = F (t) missä nopeusriippuvuus kuvaa vaimenemista ja F (t) on ulkoinen pakkovoima.
Torstai 18.9.2014 1/17 Värähdysliikkeet Värähdysliikkeet ovat tyypillisiä fysiikassa: Häiriö oskillaatio Jaksollinen liike oskillaatio Yleisesti värähdysliikettä voidaan kuvata yhtälöllä q + f (q, q, t)
LisätiedotLineaarialgebra ja matriisilaskenta II Syksy 2009 Laskuharjoitus 1 ( ) Ratkaisuehdotuksia Vesa Ala-Mattila
Lineaarialgebra ja matriisilaskenta II Syksy 29 Laskuharjoitus (9. - 3..29) Ratkaisuehdotuksia Vesa Ala-Mattila Tehtävä. Olkoon V vektoriavaruus. Todistettava: jos U V ja W V ovat V :n aliavaruuksia, niin
LisätiedotIV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n
IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee
Lisätiedot3 x 1 < 2. 2 b) b) x 3 < x 2x. f (x) 0 c) f (x) x + 4 x 4. 8. Etsi käänteisfunktio (määrittely- ja arvojoukkoineen) kun.
Matematiikka KoTiA1 Demotehtäviä 1. Ratkaise epäyhtälöt x + 1 x 2 b) 3 x 1 < 2 x + 1 c) x 2 x 2 2. Ratkaise epäyhtälöt 2 x < 1 2 2 b) x 3 < x 2x 3. Olkoon f (x) kolmannen asteen polynomi jonka korkeimman
LisätiedotKompleksiluvun logaritmi: Jos nyt z = re iθ = re iθ e in2π, missä n Z, niin saadaan. ja siihen vaikuttava
Kompleksiluvun logaritmi: ln z = w z = e w Jos nyt z = re iθ = re iθ e inπ, missä n Z, niin saadaan w = ln z = ln r + iθ + inπ, n Z Logaritmi on siis äärettömän moniarvoinen funktio. Helposti nähdään että
LisätiedotTekijä Pitkä matematiikka Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4).
Tekijä Pitkä matematiikka 4 9.12.2016 212 Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4). Vastaus esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4) 213 Merkitään pistettä
Lisätiedot4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä
1 Laaja matematiikka 5 Kevät 010 4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa esiintyvistä matemaattisista malleista on differentiaaliyhtälö.
Lisätiedot2. Viikko. CDH: luvut (s ). Matematiikka on fysiikan kieli ja differentiaaliyhtälöt sen yleisin murre.
2. Viikko Keskeiset asiat ja tavoitteet: 1. Peruskäsitteet: kertaluku, lineaarisuus, homogeenisuus. 2. Separoituvan diff. yhtälön ratkaisu, 3. Lineaarisen 1. kl yhtälön ratkaisu, CDH: luvut 19.1.-19.4.
LisätiedotMS-A0107 Differentiaali- ja integraalilaskenta 1 (CHEM)
MS-A17 Differentiaali- ja integraalilaskenta 1 CHEM) Laskuharjoitus 4lv, kevät 16 1. Tehtävä: Laske cos x dx a) osittaisintegroinnilla, b) soveltamalla sopivaa trigonometrian kaavaa. Ratkaisu: a) Osittaisintegroinnin
LisätiedotKuva 1: Funktion f tasa-arvokäyriä. Ratkaisu. Suurin kasvunopeus on gradientin suuntaan. 6x 0,2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 018 Harjoitus Ratkaisuehdotukset Tehtävä 1. Olkoon f : R R f(x 1, x ) = x 1 + x Olkoon C R. Määritä tasa-arvojoukko Sf(C) = {(x 1, x
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta 8..206 Gripenberg, Nieminen, Ojanen, Tiilikainen, Weckman Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
LisätiedotTehtävänanto oli ratkaista seuraavat määrätyt integraalit: b) 0 e x + 1
Tehtävä : Tehtävänanto oli ratkaista seuraavat määrätyt integraalit: a) a) x b) e x + Integraali voisi ratketa muuttujanvaihdolla. Integroitava on muotoa (a x ) n joten sopiva muuttujanvaihto voisi olla
LisätiedotHY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina klo
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina 10.8.2015 klo 16.15. Tehtäväsarja I Tutustu lukuun 15, jossa vektoriavaruuden
Lisätiedoty = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 2 mallit Kevät 219 Tehtävä 1. Laske osittaisderivaatat f x = f/x ja f y = f/, kun f = f(x, y) on funktio a) x 2 y 3 + y sin(2x),
LisätiedotUltraäänen kuvausartefaktat. UÄ-kuvantamisen perusoletukset. Outi Pelkonen OYS, Radiologian Klinikka 29.4.2005
Ultraäänen kuvausartefaktat Outi Pelkonen OYS, Radiologian Klinikka 29.4.2005 kaikissa radiologisissa kuvissa on artefaktoja UÄ:ssä artefaktat ovat kaikuja, jotka näkyvät kuvassa, mutta eivät vastaa sijainniltaan
LisätiedotF {f(t)} ˆf(ω) = 1. F { f (n)} = (iω) n F {f}. (11) BM20A5700 - INTEGRAALIMUUNNOKSET Harjoitus 10, viikko 46/2015. Fourier-integraali:
BMA57 - INTEGRAALIMUUNNOKSET Harjoitus, viikko 46/5 Fourier-integraali: f(x) A() π B() π [A() cos x + B() sin x]d, () Fourier-muunnos ja käänteismuunnos: f(t) cos tdt, () f(t) sin tdt. (3) F {f(t)} ˆf()
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
LisätiedotMS-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
LisätiedotSelvästi. F (a) F (y) < r x d aina, kun a y < δ. Kolmioepäyhtälön nojalla x F (y) x F (a) + F (a) F (y) < d + r x d = r x
Seuraavaksi tarkastellaan C 1 -sileiden pintojen eräitä ominaisuuksia. Lemma 2.7.1. Olkoon S R m sellainen C 1 -sileä pinta, että S on C 1 -funktion F : R m R eräs tasa-arvojoukko. Tällöin S on avaruuden
Lisätiedoty (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
LisätiedotP (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.
Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin
Lisätiedot0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä niistä
LisätiedotShrödingerin yhtälön johto
Shrödingerin yhtälön johto Tomi Parviainen 4. maaliskuuta 2018 Sisältö 1 Schrödingerin yhtälön johto tasaisessa liikkeessä olevalle elektronille 1 2 Schrödingerin yhtälöstä aaltoyhtälöön kiihtyvässä liikkeessä
LisätiedotSMG-5250 Sähkömagneettinen yhteensopivuus (EMC) Jari Kangas Tampereen teknillinen yliopisto Elektroniikan laitos
SMG-5250 Sähkömagneettinen yhteensopivuus (EMC) Jari Kangas jari.kangas@tut.fi Tampereen teknillinen yliopisto Elektroniikan laitos Sähkömagnetiikka 2009 1 Sähköstatiikka Coulombin laki ja sähkökentän
LisätiedotJAKSO 2 KANTA JA KOORDINAATIT
JAKSO 2 KANTA JA KOORDINAATIT Kanta ja dimensio Tehtävä Esittele vektoriavaruuden kannan määritelmä vapauden ja virittämisen käsitteiden avulla ja anna vektoriavaruuden dimension määritelmä Esittele Lause
Lisätiedot= ωε ε ε o =8,853 pf/m
KUDOKSEN POLARISOITUMINEN SÄHKÖKENTÄSSÄ E ε,, jε r, jε, r i =,, ε r, i r, i E Efektiivinen johtavuus σ eff ( ω = = ωε ε ε o =8,853 pf/m,, r 2πf ) o Tyypillisiä arvoja radiotaajuukislla Kompleksinen permittiivisyys
LisätiedotEllipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio
Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä
LisätiedotSovelletun fysiikan laitos E-mail: Marko.Vauhkonen@uku.fi. Marko Vauhkonen, Kuopion yliopisto, Sovelletun fysiikan laitos Slide 1
Marko Vauhkonen Kuopion yliopisto Sovelletun fysiikan laitos E-mail: Marko.Vauhkonen@uku.fi Marko Vauhkonen, Kuopion yliopisto, Sovelletun fysiikan laitos Slide 1 Sisältö Mallintamisesta mallien käyttötarkoituksia
LisätiedotNumeeriset 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
LisätiedotAntti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Antti Rasila Matematiikan ja systeemianalyysin laitos
LisätiedotPUTKIJÄRJESTELMÄSSÄ ETENEVÄN PAINEVAIHTELUN MALLINNUS HYBRIDIMENETELMÄLLÄ 1 JOHDANTO 2 HYBRIDIMENETELMÄN MATEMAATTINEN ESITYS
PUTKIJÄRJESTELMÄSSÄ ETENEVÄN PAINEVAIHTELUN MALLINNUS HYBRIDIMENETELMÄLLÄ Erkki Numerola Oy PL 126, 40101 Jyväskylä erkki.heikkola@numerola.fi 1 JOHDANTO Työssä tarkastellaan putkijärjestelmässä etenevän
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 1: Parametrisoidut käyrät ja kaarenpituus
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 1: Parametrisoidut käyrät ja kaarenpituus Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu
LisätiedotDifferentiaalilaskennan tehtäviä
Differentiaalilaskennan tehtäviä DIFFERENTIAALILASKENTA 1. Raja-arvon käsite, derivaatta raja-arvona 1.1 Raja-arvo pisteessä 1.2 Derivaatan määritelmä 1.3 Derivaatta raja-arvona 2. Derivoimiskaavat 2.1
LisätiedotGaussin lause eli divergenssilause 1
80 VEKTOIANALYYI Luento 1 8. Gaussin lause eli divergenssilause 1 A 16.4 Kurssin jäljellä olevassa osassa käymme läpi joukon fysiikan kannalta tärkeitä vektorikenttien integrointia koskevia tuloksia, nimittäin
LisätiedotDifferentiaali- ja integraalilaskenta 3 Harjoitus 4/ Syksy 2017
MS-A35 Differentiaali- ja integraalilaskenta 3 Differentiaali- ja integraalilaskenta 3 Harjoitus 4/ Syksy 217 Alkuviikon harjoituksissa ratkaistaan kolme tehtävää assistentin avustuksella (läsnäololaskarit).
Lisätiedotx n e x dx = n( e x ) nx n 1 ( e x ) = x n e x + ni n 1 x 4 e x dx = x 4 e x +4( x 3 e x +3( x 2 e x +2( xe x e x ))) = e x
Osittaisintegrointia käyttäen osoita integraalille I n x n e x dx oikeaksi reduktiokaava I n x n e x + ni n ja laske sen avulla mitä on I 4 kun x. x n e x dx n( e x ) nx n ( e x ) x n e x + ni n x 4 e
LisätiedotHarjoitus Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia:
Differentiaaliyhtälöt, Kesä 216 Harjoitus 2 1. Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia: (a) y = (2 y) 3, (b) y = (y 1) 2, (c) y = 2y y 2. 2. Etsi seuraavien
Lisätiedot