9. Parametriset mallit, estimointi
|
|
- Leena Jutta Heino
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 9. Paramerise malli, esimoini Rakeneellise malli paramereillä a priori ulkina & merkiys Black box-malli parameri vain laskennan/soviuksen apuvälineiä Tarkasellaan pääosin diskreeiaikaisia malleja 3. harjoiusyössä malli epälineaarinen jakuva-aikainen
2 Rakeneellise malli Fysikaalisin ai vasaavin perusein rakenneuja malleja osa paramereisa mahd. unneu, esim. massa, poikkipinaala jne. osa esimoiava: kikakeroime,... Merkinä d dx x( ) = f ( x( ), u( ), ); yˆ( ) = h( x( ), u( ), ) y^( ) on siis mallin ennuseu ulosulo hekellä paramerivekorilla Valkoinen miauskohina (eli y()=h(x(),u(),)+e()) ei vaikua ennuseeseen kohinaa ei voida ennusaa => aseeaan =0 (huom. jos kohinalla on rakennea, se kannaaa huomioida)
3 Black box -malli Yleinen lineaarinen diskreeiaikainen malli on muooa y()=η()+w() w() = häiriöermi η() = häiriöön ulosulo Termi muooa h()=g(q,)u(), w()=h(q,)e() G() ja H() lineaarisia suoimia käyännössä raionaalisia (muooa polynomi/polynomi) ja (asympooisesi) sabiileja G(q,)=B(q,)/F(q,), H(q,)=C(q,)/D(q,) paramerivekori koosuu polynomien B,F,C ja D keroimisa b i,f i,h i,d i (ja kohinan varianssisa) rakenneparameri n b, n c, n d, n f ja n k (kuollu aika)
4 Erilaisia mallirakeneia Box-Jenkins (BJ): G(q)=B(q)/F(q), H(q)=C(q)/D(q) Oupu error (OE): H(q)= eli n c =n d =0 w() poikkeama odellisen ja miaun ulosulon välillä huom. ei lineaarinen paramerien suheen ARMAX: A(q)y()=B(q)u()+C(q)e() kohina kokee saman dynamiikan kuin u järkevää kun kohina ulee prosessiin sen alkupäässä ARX: A(q)y()=B(q)u()+e() (myös yhälövirhemalli) lineaarinen paramerien suheen Käyö: määrää aseluvu, esimoi parameri käyännössä useia eri mallirakeneia ja aselukuja verraaan
5 Ennusaminen Usein mallin käyöarkoius ennusaminen Millainen on em. mallien ennuse? OE: y^(,)=g(q,)u() ARX: y^(,)=(-a(q))y()+b(q)u() (huom. ero edelliseen!) Enä kun H poikkeaa :sä eli kohinalla rakennea? jaeaan yksinkeraisesi H:lla puoliain ja korvaaan e() odousarvollaan! => y^(,)=[-h - (q,)]y()+h - (q,)g(q,)u() edellyys: (-H - ) asymp. sabiili
6 Mallien sovius Ennusevirhemeneelmä: valise s.e. ennuse on hyvä oimiva hyvyyskrieeri ennusevirheen varianssi määr. ennusevirhe ε()=y()-y^(,) ja hyvyyskrieeri 2 V ( ) = ε (, ) ^= arg min V () voidaan osoiaa, eä V () ei ole uulesa emmau PS on ennusevirhemeneelmien erikoisapaus MIMO-malli: ε 2 () mariisiarvoinen, arviaan sopiva reaaliarvoinen kuvaus: de, race,... V (^)on kohinan e() varianssin esimaai =
7 Lineaarinen regressio Regressio: malli muooa y()= T φ()+e(), φ() vekori, jossa viiväseyjä u():n ja y():n arvoja sisälää viiveoperaaoripolynomien keroime miausa => mariisi X=[φ(),φ(2),...,φ()] sekä ulosulo Y()=[y(),...,y()] => ^=(X T X) - X T Y Ei syyä käyää jos mallissa kohinalla rakennea =>soveluu ARX-mallien paramerien esimoiniin Ongelmia: viiväsey y:n ja u:n arvo keskenään kollineaarisia (koesuunnieluongelma) periaaeessa y ja e korreloiva jonkin verran vaikka kohina olisikin valkoisa (PS-oleukse!)
8 Ieraiivinen minimoini Malli epälineaarisia paramerien suheen, kun kohinalla rakennea PS ei onnisu Tarviaan ieraiivinen meneelmä kyseessä epälineaarinen rajoiamaon opimoiniehävä Gradienimeneelmä: k+ = k -α k V ( k ) α k viivahaun avulla haeava askelpiuus Toisen keraluvun meneelmä: sovelleaan ewonieroinia opimirakaisun välämäömiin ehoihin välämäön eho V ()=0 ieroini k+ = k -α k [V ( k )] - V ( k )
9 Derivaaojen laskena (9.6 s.255) Kohdefunkio Gradieni Hessen mariisi koko Hessen mariisi => ewon-raphson ieroini hyläään viimeinen ermi => Gauss-ewon Derivaaa lausekkeissa riippuva mallirakeneesa = = i i y y V 2 )), ˆ( ) ( ( 2 ) ( = = i i i y y y d d V )), ˆ( ) ( )(, ˆ( ) ( ' = = + = i i i T i i y y y d d y d d y d d V 2 2 )), ˆ( ) ( ))(, ˆ( ( )), ˆ( ))(, ˆ( ( ) ( ' '
10 Esimerkki syseemi y()=0.9*y(-)+0.2*log(abs(y(-i)+e ()))+0.5*u(-)+e 2 () ARMAX(2,2,2,) Measured and simulaed model oupu Time
11 Mikä on hyvä malli? Mallin laau on yheydessä mallin käyöarkoiukseen hyvä sääösuunnielumalli voi olla huono simuloinimalli Mallin laau liiyy sen kykyyn kuvaa syseemin oimina syseemin ja mallin ulosulo riiävän samanlaise Hyvä malli yleisää, s. mallin ominaisuude eivä riipu esimoinidaasa Tilasollise ominaisuude keino miaa ää harhaisuus: esimaaien konvergenssi vääriin arvoihin huom. kirjan bias on löysäsi määriely eroeava mallirakeneen vaikuus ja idenifioinikokeen vaikuus paramerien varianssi: samalla sisäänmenolla saadaan eri ulosulo (eli esimoiaessa saadaan eri malli)
12 Parameriesimaaien harha Miä apahuu, kun ->oo? Olkoon ennusevirheen varianssi Eε 2 (,)=V() Jos ennusevirhe on valkoisa kohinaa, suuren lukujen lain mukaan 2 2 V ( ) = ε (, ) Eε (, ) = = V ( ) Ennusevirhe ei ole riippumaon (esim. väärä malli), mua hyvin yleisen ehojen valliessa yo. päee asympooisesi Lisäksi suppeneminen on asaisa => * arg minv ( ) = Eli esimaai minimoi ennusevirheen varianssin (mua ei konvergoi odellisiin arvoihin=harha) haiaako? w.p.
13 Esimerkki: väärä mallirakenne (Ljung 999) Olkoon daa peräisin prosessisa y()+a 0 y(-)=b 0 u(-)+e 0 ()+c 0 e 0 (-) Sovieaan ARX-malli y^( )+ay(-)=bu(-) Ennusevirheen varianssi on E(y()-ay(-)+bu(-)) 2 =...= r 0 (+a 2-2aa 0 )+b 2-2bb 0 +2ac 0 (r0=ey 2 (), ei riipu a:sa eikä b:sä) Ennusevirheen minimoiva a^, b^: a^=a 0 -c 0 /r 0 ;b^=b 0 ; Ea^<>a eli esimaai on harhainen Ennusevirheen varianssi näillä a^, b^ on +c 02 -c 02 /r 0 odellisilla parameriarvoilla a 0 ja b 0 varianssi on +c 02 eli suurempi Siis: vaikka parameriesimaai on harhainen, se uoaa pienemmän ennusevirheen varianssin
14 Tulos aajuusasossa * = limˆ = arg min G π π 0 ( e iω ) G( e iω, ) 2 H Φ * u ( ω) ( e iω ) 2 dω V ():n minimoiva esimaai lähesyy arvoa, joka saa mallin aajuusvaseen mahdollisimman lähelle syseemin vasea painoeuna ohjauksen spekrillä kohinan spekrin kääneisluvulla Koesuunnielu: valiaan u:n aajuusominaisuude sopivasi => hyvä sovius mielenkiinoisilla aajuuksilla Jos sovius on äydellinen, u:n spekri ei vaikua kunhan se poikkeaa nollasa
15 Rakeneellinen idenifioiuvuus Oleeaan eä on olemassa 0 s.e. ennusevirhe on valkoisa kohinaa Tällöin = 0 anaa hyvyyskrieerin minimin Jos oleeaan, eä y^( 0 )=y^( ) => = 0, niin ˆ 0 Rakeneellinen idenifioiuvuus (Bellman & Åsröm 970) : päeekö yo. eho? idenifioiuvuus ymmärreään syseemin ominaisuuena :mallin rakenne saaaa esää idenifioinnin esim. kaksi paramerivekoria uoaa samanlaisen inpu-oupu käyäyymisen => ongelmia Myös deerminisinen idenifioiuvuus
16 Esimerkki (9.): asaviramooori Valiaan iloiksi kulma-aseno y() ja nopeus ω() ja ohjaukseksi jännie u(): Tässä d d 0 0 x( ) = x( ) u( ), 0 / + / τ β τ τ JR =, β 2 fr + k k fr + k Syseemissä on 5 parameriä, mua mallissa vain 2 vaikka mallin parameri saaaisiin esimoiua, niisä saadaan vain 2 yheyä syseemin paramerien välille ällä parameroinnilla idenifioini ei onnisu = 2
17 Vaaimukse heräeelle Millainen sisäänmeno arviaan, joa parameriesimaai ylipääään konvergoisiva? Inuiiivisia uloksia: idenifioinikokeen piäisi heräää syseemin mielenkiinoise moodi sisäänmenon aajuussisälö oleellisessa asemassa Jakuvasi heräävyyden käsie (seur. lueno) kvaniaiivisia uloksia heräeen laadun ja parameriesimoinnin onnisumisen välille
18 Esimerkki (9.6) Ennusemalli y^( )=au(-)+bu(-2), =(a b) valiaan u vakio-ohjaus u 0 :ksi Todellinen ennuse on ällöin y^( )=(a+b)u 0 (-) kaikki parameri a ja b, joiden summa on sama, anava saman ennuseen a ja b eivä ole idenifioiuvia (ällä heräeellä) syseemi on kuienkin rakeneellisesi idenifioiuva
19 Paramerisimaaien varianssi Voidaan osoiaa, eä parameriesimaain ^ kovarianssimariisille P päee ˆ ˆ T P = E( 0 )( 0 ) λr jossa R=Eψ(, 0 )ψ T (, 0 ) ja ψ(,)=d/dy^(,) P riippuu kohinan varianssisa daapiseiden lukumääräsä ennuseen gradienisa (herkkyys!) huom. kirjan oleus harhaomuudesa! Parameriesimaai asympooisesi normaalijakauuneia => ilasollisen merkisevyyden esaus -esillä
20 Esimoinnin ongelmalähee Syseemi Id.koe Daa Mallirakenne Sovius väärä mallirakennne esimaaori harhainen suuri varianssi rak.idenifioiuvuusongelma mallin ai syseemin paramereja ei löydeä huono idenifioinikoe suuri varianssi, paramereja ei löydeä harhaisuus ei haiaa huono homma huono homma kunhan mallin käyöarkoius ei ole paramerien esimoini!
21 Yheenveo Perusidea: haeaan paramerivekori joka minimoi ennusevirheen varianssin siä kuvaa neliöllinen hyvyyskrieeri V () sovius: minimoi ennusevirheen varianssi esimaain varianssi riippuu kohinan varianssisa, daan määräsä ja ennuseen herkkyydesä paramerin suheen Lähesymisavan euja: yleinen käyeävyys, monipuolisuus uloksena simuloiniin soveluva malli (Haioja): periaaeessa arviaan näkemys syseemin rakeneesa laaja laskenauki arpeen
Parametriset mallit. parametreillä a priori tulkinta & merkitys. parametrit vain laskennan/sovituksen apuvälineitä
Paramerise malli Rakeneellise malli paramereillä a priori ulkina & merkiys Black box-malli parameri vain laskennan/soviuksen apuvälineiä Tarkasellaan pääosin lineaarisia diskreeiaikaisia blackbox-malleja
LisätiedotSysteemimallit: sisältö
Syseemimalli: sisälö Malliyypi ja muuuja Inpu-oupu -kuvaus ja ilayhälömalli, ila Linearisoini Jakuva-aikaisen lineaarisen järjeselmän siirofunkio, sabiilisuus Laplace-muunnos Diskreeiaikaisen lineaarisen
LisätiedotSysteemimallit: sisältö
Syseemimalli: sisälö Malliyypi ja muuuja Inpu-oupu -uvaus ja ilayhälömalli, ila Linearisoini Jauva-aiaisen lineaarisen järjeselmän siirofunio, sabiilisuus Laplace-muunnos Disreeiaiaisen lineaarisen järjeselmän
LisätiedotDynaaminen optimointi ja ehdollisten vaateiden menetelmä
Dynaaminen opimoini ja ehdollisen vaaeiden meneelmä Meneelmien keskinäinen yheys S yseemianalyysin Laboraorio Esielmä 10 - Peni Säynäjoki Opimoiniopin seminaari - Syksy 2000 / 1 Meneelmien yhäläisyyksiä
Lisätiedot2. Systeemi- ja signaalimallit
2. Syseemi- ja signaalimalli Malliyyppejä: maemaainen malli: muuujien välise suhee kuvau maemaaisesi yhälöin lohkokaaviomalli: syseemin oiminojen looginen jako lohkoihin, joiden välisiä vuorovaikuuksia
LisätiedotTiedonhakumenetelmät Tiedonhakumenetelmät Helsingin yliopisto / TKTL. H.Laine 1. Todennäköisyyspohjainen rankkaus
Tieonhakumeneelmä Helsingin yliopiso / TKTL.4.04 Toennäköisyyeen perusuva rankkaus Tieonhakumeneelmä Toennäköisyyspohjainen rankkaus Dokumenien haussa ongelmana on löyää käyäjän kyselynä ilmaiseman ieoarpeen
LisätiedotLineaaristen järjestelmien teoriaa II
Lieaarise järjeselmie eoriaa II Ohjaavuus Tarkkailavuus havaiavuus Lisää sabiilisuudesa Tilaesimoii, Kalma-suodi TKK/Syseemiaalyysi laboraorio Mielekiioisia kysymyksiä Oko syseemi rakeeelaa sellaie, eä
LisätiedotLuento 9. Epälineaarisuus
Lueno 9 Epälineaarisuus 8..6 Epälineaarisuus Tarkasellaan passiivisa epälineaarisa komponenia u() y() f( ) Taylor-sarjakehielmä 3 y f( x) + f '( x) ( x x) + f ''( x) ( x x) + f ''( x) ( x x) +...! 3! 4!
LisätiedotTyö 2: 1) Sähkönkulutuksen ennustaminen SARIMAX-mallin avulla 2) Sähkön hankinnan optimointi
Ma-2.3132 Syseemianalyysilaboraorio I Työ 2: 1) Sähkönkuluuksen ennusaminen SARIMAX-mallin avulla 2) Sähkön hankinnan opimoini 1 yö 2 Aikasarjamalli erään yriyksen sähkönkuluukselle SARIMAX-malli: kausivaihelu,
LisätiedotLineaaristen järjestelmien teoriaa
Lineaarisen järjeselmien eoriaa Saavueavuus, ohjaavuus Tarkkailavuus, havaiavuus Klassisen mekaniikan sabiilisuus vs. syseemiekninen sabiilisuusuus Tilaesimoini Kalman-suodin Mielenkiinoisia kysymyksiä
Lisätiedotjärjestelmät Luento 4
DEE- Lineaarise järjeselmä Lueno 4 Lineaarise järjeselmä Riso Mionen 3.7.4 Lueno 3 - Recap Lineaarisen differenssiyhälöiden raaiseminen Impulssivaseen äsie Impulssivase ja onvoluuiosumma Lineaarise järjeselmä
Lisätiedot9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A.
9. Epäoleellise inegraali; inegraalin derivoini paramerin suheen 9.. Epäoleellise aso- ja avaruusinegraali 27. Olkoon = {(x, y) x, y }. Osoia hajaanuminen ai laske arvo epäoleelliselle asoinegraalille
LisätiedotLuento 2. Järjestelmät aika-alueessa Konvoluutio-integraali. tietoverkkotekniikan laitos
Lueno 2 Järjeselmä aika-alueessa Konvoluuio-inegraali Lueno 2 Lueno 2 Järjeselmä aika alueessa; Konvoluuio inegraali 2.1 Järjeselmien perusominaisuude Oppenheim 1.5. 1.6 Muisillise ja muisioma järjeselmä
Lisätiedot5. Vakiokertoiminen lineaarinen normaaliryhmä
1 MAT-145 LAAJA MATEMATIIKKA 5 Tampereen eknillinen yliopiso Riso Silvennoinen Kevä 21 5. Vakiokeroiminen lineaarinen normaaliryhmä Todeaan ensin ilman odisuksia (ulos on syvällinen) rakaisujen olemassaoloa
LisätiedotKYNNYSILMIÖ JA SILTÄ VÄLTTYMINEN KYNNYKSEN SIIRTOA (LAAJENNUSTA) HYVÄKSI KÄYTTÄEN
YYSILMIÖ J SILÄ VÄLYMIE YYSE SIIRO LJEUS HYVÄSI ÄYÄE ieoliikenneekniikka I 559 ari ärkkäinen Osa 5 4 MILLOI? Milloin ja missä kynnysilmiö esiinyy? un vasaanoimen ulon SR siis esi-ilmaisusuodaimen lähdössä
LisätiedotDEE Lineaariset järjestelmät Harjoitus 4, ratkaisuehdotukset
D-00 ineaarise järjeselmä Harjoius 4, rakaisuehdoukse nnen kuin mennään ämän harjoiuksen aihepiireihin, käydään läpi yksi huomionarvoinen juu. Piirianalyysin juuri suorianee opiskelija saaava ihmeellä,
LisätiedotRobusti tilastollinen päättely ensimmäisen ja toisen ehdollisen momentin mallintamisessa
Robusi ilasollinen pääely ensimmäisen ja oisen ehdollisen momenin mallinamisessa ilasoieeen pro gradu ukielma Jarmo Mika Rafael Mikkola Marraskuu SISÄLLYS JOHDANO EORIAA. Robusi kvasiuskoavuusesimoinimeneelmä.
Lisätiedot2. Taloudessa käytettyjä yksinkertaisia ennustemalleja. ja tarkasteltavaa muuttujan arvoa hetkellä t kirjaimella y t
Tilasollinen ennusaminen Seppo Pynnönen Tilasoieeen professori, Meneelmäieeiden laios, Vaasan yliopiso. Tausaa Tulevaisuuden ennusaminen on ehkä yksi luoneenomaisimpia piireiä ihmiselle. On ilmeisesi aina
Lisätiedotx v1 y v2, missä x ja y ovat kokonaislukuja.
Digiaalinen videonkäsiel Harjoius, vasaukse ehäviin 4-0 Tehävä 4. Emämariisi a: V A 0 V B 0 Hila saadaan kanavekorien (=emämariisin sarakkee) avulla. Kunkin piseen paikka hilassa on kokonaisluvulla kerroujen
LisätiedotLuento 11. Stationaariset prosessit
Lueno Soasisen prosessin ehosperi Signaalin suodaus Kaisarajoieu anava 5..6 Saionaarise prosessi Auoorrelaaio φ * * (, ) ( ), { } { } jos prosessi on saionaarinen auoorrelaaio ei riipu ajasa vaan ainoasaan
Lisätiedotb) Ei ole. Todistus samaan tyyliin kuin edellinen. Olkoon C > 0 ja valitaan x = 2C sekä y = 0. Tällöin pätee f(x) f(y)
Maemaiikan ja ilasoieeen osaso/hy Differeniaaliyhälö II Laskuharjoius 1 malli Kevä 19 Tehävä 1. Ovako seuraava funkio Lipschiz-jakuvia reaaliakselilla: a) f(x) = x 1/3, b) f(x) = x, c) f(x) = x? a) Ei
LisätiedotDiskreetillä puolella impulssi oli yksinkertainen lukujono:
DEE-00 ineaarise järjeselmä Harjoius 5, rakaisuehdoukse [johdano impulssivaseeseen] Jakuva-aikaisen järjeselmän impulssivase on vasaavanlainen järjeselmäyökalu kuin diskreeillä puolellakin: impulssivase
Lisätiedot( ) 5 t. ( ) 20 dt ( ) ( ) ( ) ( + ) ( ) ( ) ( + ) / ( ) du ( t ) dt
SMG-500 Verolasennan numeerise meneelmä Ehdouse harjoiusen 4 raaisuisi Haeaan ensin ehävän analyyinen raaisu: dx 0 0 0 0 dx 00e = 0 = 00e 00 x = e + = 5e + alueho: x(0 = 0 0 x 0 = 5e + = 0 = 5 0 0 0 5
LisätiedotTasaantumisilmiöt eli transientit
uku 12 Tasaanumisilmiö eli ransieni 12.1 Kelan kykeminen asajännieeseen Kappaleessa 11.2 kykeiin reaalinen kela asajännieeseen ja ukiiin energian varasoiumisa kelan magneeikenään. Tilanne on esiey uudelleen
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
Lisätiedot1 Excel-sovelluksen ohje
1 (11) 1 Excel-sovelluksen ohje Seuraavassa kuvaaan jakeluverkonhalijan kohuullisen konrolloiavien operaiivisen kusannusen (SKOPEX 1 ) arvioimiseen arkoieun Excel-sovelluksen oimina, mukaan lukien sovelluksen
LisätiedotW dt dt t J.
DEE-11 Piirianalyysi Harjoius 1 / viikko 3.1 RC-auon akku (8.4 V, 17 mah) on ladau äyeen. Kuinka suuri osa akun energiasa kuluu ensimmäisen 5 min aikana, kun oleeaan mooorin kuluavan vakiovirran 5 A? Oleeaan
LisätiedotPK-YRITYKSEN ARVONMÄÄRITYS. KTT, DI TOIVO KOSKI elearning Community Ltd
PK-YRITYKSEN ARVONMÄÄRITYS KTT, DI TOIVO KOSKI elearning Communiy Ld Yriyksen arvonmääriys 1. Yriyksen ase- eli subsanssiarvo Arvioidaan yriyksen aseen vasaavaa puolella olevan omaisuuden käypäarvo, josa
Lisätiedot7.1. Suurimman uskottavuuden estimointimenetelmä: Johdanto
Ma-1.361 Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria 7.1. Suurimma uskoavuude esimoiimeeelmä: Johdao Aikasarja,
Lisätiedot6.4 Variaatiolaskennan oletusten rajoitukset. 6.5 Eulerin yhtälön ratkaisuiden erikoistapauksia
6.4 Variaaiolaskennan oleusen rajoiukse Sivu ss. 27 31 läheien Kirk, ss. 13 143] ja KS, Ch. 5] pohjala Lähökoha oli: jos J:llä on eksremaali (), niin J:n variaaio δj( (), δ()) ():ä pikin on nolla. 1. Välämäön
LisätiedotRahoitusriskit ja johdannaiset Matti Estola. luento 12 Stokastisista prosesseista
Rahoiusriski ja johdannaise Mai Esola lueno Sokasisisa prosesseisa . Markov ominaisuus Markov -prosessi on sokasinen prosessi, missä ainoasaan muuujan viimeinen havaino on relevani muuujan seuraavaa arvoa
LisätiedotIlmavirransäädin. Mitat
Ilmairransäädin Mia (MF, MP, ON, MOD, KNX) Ød nom (MF-D, MP-D, ON-D, MOD-D, KNX-D) Tuoekuaus on ilmairasäädin pyöreälle kanaalle. Se koosuu sääöpellisä ja miaaasa oimilaieesa ja siä oidaan ohjaa huonesääimen
Lisätiedot( ) ( ) x t. 2. Esitä kuvassa annetun signaalin x(t) yhtälö aikaalueessa. Laske signaalin Fourier-muunnos ja hahmottele amplitudispektri.
ELEC-A7 Signaali ja järjeselmä Laskuharjoiukse LASKUHARJOIUS Sivu 1/11 1. Johda anneun pulssin Fourier-muunnos ja hahmoele ampliudispekri. Käyä esim. derivoinieoreemaa, ja älä unohda 1. derivaaan epäjakuvuuskohia!
LisätiedotLuento 11. tietoverkkotekniikan laitos
Lueno Lueno Sokasise signaali ja prosessi II. Sokasise prosessi Pruju Saionaarisuus, ergodisuus Auo ja risikorrelaaio ehospekri.3 Kohinan suodaaminen Sokasinen raja arvo ja derivaaa Winer Khinchin eoreema.3
LisätiedotRahoitusriskit ja johdannaiset Matti Estola. luento 13 Black-Scholes malli optioiden hinnoille
Rahoiusriski ja johannaise Mai Esola lueno 3 Black-choles malli opioien hinnoille . Ion lemma Japanilainen maemaaikko Kiyoshi Iō oisi seuraavana esieävän lemman vuonna 95 arikkelissaan: On sochasic ifferenial
LisätiedotLuento 11. Stationaariset prosessit
Lueno Soasisen prosessin ehosperi Saunnaissignaalin suodaus 5..7 Saionaarise prosessi Auoorrelaaio φ * * (, ) ( ) ( ) ( ) ( ), { } { } jos prosessi on saionaarinen auoorrelaaio ei riipu ajasa vaan ainoasaan
LisätiedotVuoden 2004 alkoholiverotuksen muutoksen kulutusvaikutuksen ennustaminen. Linden, Mikael. ISBN 952-458-441-7 ISSN 1458-686X no 13
Vuoden 004 alkoholiverouksen muuoksen kuluusvaikuuksen ennusaminen Linden, Mikael ISBN 95-458-441-7 ISSN 1458-686X no 13 VUODEN 004 ALKOHOLIVEROTUKSEN MUUTOKSEN KULUTUSVAIKUTUKSEN ENNUSTAMINEN Mika Linden
LisätiedotJuuri 13 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus. K1. A: III, B: I, C: II ja IV.
Juuri Tehävie rakaisu Kusausosakeyhiö Oava päiviey 9.8.8 Keraus K. A: III, B: I, C: II ja IV Kuvaaja: I II III IV Juuri Tehävie rakaisu Kusausosakeyhiö Oava päiviey 9.8.8 K. a) lim ( ) Nimiäjä ( ) o aia
LisätiedotMallivastaukset KA5-kurssin laskareihin, kevät 2009
Mallivasaukse KA5-kurssin laskareihin, kevä 2009 Harjoiukse 2 (viikko 6) Tehävä 1 Sovelleaan luenokalvojen sivulla 46 anneua kaavaa: A A Y Y K α ( 1 α ) 0,025 0,5 0,03 0,5 0,01 0,005 K Siis kysyy Solowin
Lisätiedotf x dx y dy t dt f x y t dx dy dt O , (4b) . (4c) f f x = ja x (4d)
Tehävä 1. Oleeaan, eä on käössä jakuva kuva, jossa (,, ) keroo harmaasävn arvon paikassa (, ) ajanhekenä. Dnaaminen kuva voidaan esiää Talor sarjana: d d d d d d O ( +, +, + ) = (,, ) + + + + ( ). (4a)
LisätiedotVÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia
8/ VÄRÄHTELYMEKANIIKKA SESSIO 8: Yhen vapausaseen paovärähely, ransieniuormiusia JOHDANTO c m x () Kuva. Syseemi. Transieniuormiusella aroieaan uormiusheräeä, joa aiheuaa syseemiin lyhyaiaisen liieilan.
LisätiedotJLP:n käyttämättömät mahdollisuudet. Juha Lappi
JLP:n äyämäömä mahdollisuude Juha Lappi LP ehävä p z = a x + b z 0 Max or Min (.) 0 0 = = subjec o he following consrains: c a x + b z C, =,, q p q K r (.2) = = m n i ij K (.3) i= j= ij x xw= 0, =,, p
LisätiedotXII RADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA
II ADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA Laskenaaajuus akiivisuus Määrieäessä radioakiivisen näyeen akiivisuua (A) uloksena saadaan käyeyn miausyseemin anama laskenaaajuus (). = [II.I] jossa =
LisätiedotMittaus- ja säätölaitteet IRIS, IRIS-S ja IRIS-M
Miaus- ja sääölaiee IRIS, IRIS-S ja IRIS-M KANSIO 4 VÄLI ESITE Lapinleimu Miaus- ja sääölaiee IRIS, IRIS-S ja IRIS-M IRIS, IRIS-S Rakenne IRIS muodosuu runko-osasa, sääösäleisä, sääömuerisa ai sääökahvasa
LisätiedotHuomaa, että aika tulee ilmoittaa SI-yksikössä, eli sekunteina (1 h = 3600 s).
DEE- Piirianalyysi Ykkösharkan ehävien rakaisuehdoukse. askeaan ensin, kuinka paljon äyeen ladaussa akussa on energiaa. Tämä saadaan laskeua ehäväpaperissa anneujen akun ieojen 8.4 V ja 7 mah avulla. 8.4
Lisätiedot2. Suoraviivainen liike
. Suoraviivainen liike . Siirymä, keskinopeus ja keskivauhi Aika: unnus, yksikkö: sekuni s Suoraviivaisessa liikkeessä kappaleen asema (paikka) ilmoieaan suoralla olevan piseen paikkakoordinaain (unnus
LisätiedotMAT-02450 Fourier n menetelmät. Merja Laaksonen, TTY 2014
MAT-45 Fourier n meneelmä Merja Laaksonen, TTY 4..4 Sisälö Johano 3. Peruskäsieiä................................... 4.. Parillinen ja parion funkio....................... 7.. Heavisien funkio............................
LisätiedotMittaustekniikan perusteet, piirianalyysin kertausta
Miausekniikan perusee, piirianalyysin kerausa. Ohmin laki: =, ai = Z ( = ännie, = resisanssi, Z = impedanssi, = vira). Kompleksiluvu Kompleksilukua arviaan elekroniikassa analysoiaessa piireä, oka sisälävä
Lisätiedot12. ARKISIA SOVELLUKSIA
MAA. Arkiia ovellukia. ARKISIA SOVELLUKSIA Oleeaan, eä kappale liikkuu ykiuloeia raaa, eimerkiki -akelia pikin. Kappaleen nopeuden vekoriluonne riiää oaa vauhdin eumerkin avulla huomioon, ja on ehkä arkoiukenmukaiina
Lisätiedotẍ(t) q(t)x(t) = f(t) 0 1 z(t) +.
Diffrniaaliyhälö II, harjoius 3, 8 228, rakaisu JL, kuusi sivua a On muunnava linaarinn oisn kraluvun diffrniaaliyhälö ẍ qx f yhäpiäväksi nsimmäisn kraluvun linaarisksi kahdn skalaariyhälön sysmiksi Rak
LisätiedotSopimuksenteon dynamiikka: johdanto ja haitallinen valikoituminen
Soimukseneon dynamiikka: johdano ja haiallinen valikoiuminen Ma-2.442 Oimoinioin seminaari Elise Kolola 8.4.2008 S yseemianalyysin Laboraorio Esielmä 4 Elise Kolola Oimoinioin seminaari - Kevä 2008 Esiyksen
LisätiedotRakennusosien rakennusfysikaalinen toiminta Ralf Lindberg Professori, Tampereen teknillinen yliopisto ralf.lindberg@tut.fi
Rakennusosien rakennusfysikaalinen oimina Ralf Lindber Professori, Tampereen eknillinen yliopiso ralf.lindber@u.fi Rakenneosien rakennusfysikaalisen oiminnan ymmärämiseksi on välämäönä piirää kolme eri
Lisätiedot( ) ( ) 2. Esitä oheisen RC-ylipäästösuotimesta, RC-alipäästösuotimesta ja erotuspiiristä koostuvan lineaarisen järjestelmän:
ELEC-A700 Signaali ja järjeselmä Laskuharjoiukse LASKUHARJOIUS 3 Sivu /8. arkasellaan oheisa järjeselmää bg x Yksikköviive + zbg z bg z d a) Määriä järjeselmän siirofunkio H Y = X b) Määriä järjeselmän
LisätiedotS Signaalit ja järjestelmät Tentti
S-7. Signaali ja järjeselmä eni..6 Vasaa ehävään, ehävisä 7 oeaan huomioon neljä parhaien suorieua ehävää.. Vasaa lyhyesi seuraaviin osaehäviin, käyä arviaessa kuvaa. a) Mikä kaksi ehoa kanaunkioiden φ
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
LisätiedotMS-C2132 Systeemianalyysilaboratorio I Laboratoriotyö 2. Sähkönkulutuksen ennustaminen aikasarjamallin avulla & Sähkön hankinnan optimointi
MS-C2132 Syeemianalyyilaboraorio I Laboraorioyö 2 Sähkönkuluuken ennuaminen aikaarjamallin avulla & Sähkön hankinnan opimoini Laboraorioyö 2 Aikaarjamalli erään yriyken ähkönkuluukelle SARIMAX-malli: kauivaihelu,
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotYhden selittäjän lineaarinen regressiomalli
Moimuuujameeelmä Yhde seliäjä lieaarie regressiomalli Moimuuujameeelmä: Yhde seliäjä lieaarie regressiomalli Ilkka Melli. Yhde seliäjä lieaarie regressiomalli, se esimoii ja esaus.. Yhde seliäjä lieaarie
LisätiedotSysteemidynamiikka ja liikkeenjohto
Syseemidynamiikka ja liikkeenjoho Opimoiniopin seminaari 21.2.2007 Ilkka Leppänen S yseemianalyysin Laboraorio Esielmä 11 Ilkka Leppänen Opimoiniopin seminaari - Kevä 2007 Sisälö Johdano dynaamisen pääökseneon
LisätiedotTehtävä I. Vaihtoehtotehtävät.
Kem-9.7 Prosessiauomaaion perusee Teni 5.9.5 TÄMÄ PAPERI TÄYTYY EHDOTTOMASTI PALAUTTAA TENTIN MUKANA NIMI: (OS: ) OPINTOKIRJA: VIERAILULUENNOT KUUNNELTU: VALV. LASK: Tehävä I. Vaihoehoehävä. Oikea vasaus
LisätiedotDerivoimalla ensimmäinen komponentti, sijoittamalla jälkimmäisen derivaatta siihen ja eliminoimalla x. saadaan
87 5. Eliminoinimeneely Tarkaellaan -kokoia vakiokeroimia yeemiä + x a a x a x + a x b() x = = = +. a a x a x a x b () (3) b() x + Derivoimalla enimmäinen komponeni, ijoiamalla jälkimmäien derivaaa iihen
LisätiedotDEE Lineaariset järjestelmät Harjoitus 3, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset
DEE- ineaarise järjeselmä Harjoius 3, harjoiusenpiäjille arkoieu rakaisuehdoukse Ennen kuin mennään ämän harjoiuksen aihepiireihin, käydään läpi yksi huomionarvoinen juu Piirianalyysin juuri suorianee
Lisätiedotb) Esitä kilpaileva myötöviivamekanismi a-kohdassa esittämällesi mekanismille ja vertaile näillä mekanismeilla määritettyjä kuormitettavuuksia (2p)
LUT / Teräsrakenee/Timo Björk BK80A30: Teräsrakenee II:.5.016 Oheismaeriaalin käyö EI salliua, laskimen käyö on salliua, lausekkeia ehäväosion lopussa Vasaukse laadiaan ehäväpaperille, joka palaueava,
LisätiedotJohda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.
/ Raaisu Aihee: Avaisaa: Momeiemäfuio Sauaismuuujie muuose ja iide jaauma Kovergessiäsiee ja raja-arvolausee Biomijaauma, Espoeijaauma, Geomerie jaauma, Jaaumaovergessi, Jauva asaie jaauma, Kolmiojaauma,
LisätiedotKULMAMODULOITUJEN SIGNAALIEN SPEKTRIN LASKEMINEN
KULMMODULOITUJEN SIGNLIEN SPEKTRIN LSKEMINEN 1 (3) (3) Spekri laskeie siisaoalle Kulaoduloidu sigaali spekri johaie o yöläsä epälieaarisuudesa johue (epälieaarise aalyysi ova yleesä hakalia). Se voidaa
LisätiedotTietoliikennesignaalit
ieoliikennesignaali 1 ieoliikenne inormaaion siiroa sähköisiä signaaleja käyäen. Signaali vaiheleva jännie ms., jonka vaiheluun on sisällyey inormaaioa. Signaalin ominaisuuksia voi ukia a aikaasossa ime
LisätiedotDynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II
Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman
LisätiedotSuomen kalamarkkinoiden analyysi yhteisintegraatiomenetelmällä
KALA- JA RIISTARAPORTTEJA nro 374 Jukka Laiinen Jari Seälä Kaija Saarni Suomen kalamarkkinoiden analyysi yheisinegraaiomeneelmällä Helsinki 006 Julkaisija Riisa- ja kalaalouden ukimuslaios KUVAILULEHTI
LisätiedotETERAN TyEL:n MUKAISEN VAKUUTUKSEN ERITYISPERUSTEET
TRAN TyL:n MUKASN AKUUTUKSN RTYSPRUSTT Tässä peruseessa kaikki suuree koskea eraa, ellei oisin ole määriely. Tässä peruseessa käyey lyhenee: LL Lyhyaikaisissa yösuheissa oleien yönekijäin eläkelaki TaL
Lisätiedota) Esitä piirtämällä oheisen kaksoissymmetrisen ulokepalkkina toimivan kotelopalkin kaksi täysin erityyppistä plastista rajatilamekanismia (2p).
LUT / Teräsrakenee/Timo Björk BK80A30: Teräsrakenee II: 9.9.016 Oheismaeriaalin käyö EI salliua, laskimen käyö on salliua, lausekkeia ehäväosion lopussa Vasaukse laadiaan ehäväpaperille, joka palaueava,
Lisätiedot6.2.3 Spektrikertymäfunktio
ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden
LisätiedotTilausohjatun tuotannon karkeasuunnittelu. Tilausohjatun tuotannon karkeasuunnittelu
Tilausohjaun uoannon areasuunnielu Tilausohjaussa uoannossa sarjojen muodosaminen ei yleensä ole relevani ongelma, osa uoevaihelu on suura, mä juuri onin peruse MTO-uoannolle Tuoe- ja valmisusraenee ova
LisätiedotRatkaisu. Virittäviä puita on kahdeksan erilaista, kun solmut pidetään nimettyinä. Esitetään aluksi verkko kaaviona:
Diskreei maemaiikka, sks 00 Harjoius 0, rakaisuisa. Esi viriävä puu suunaamaomalle verkolle G = (X, E, Ψ), kun X := {,,, }, E := { {, }, {, }, {, }, {, }, {, }}, ja Ψ on ieninen kuvaus. Rakaisu. Viriäviä
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotTekes tänään (ja huomenna?) Pekka Kahri Palvelujohtaja, Tekes Fortune seminaari 21.8.2013
Tekes änään (ja huomenna?) Pekka Kahri Palvelujohaja, Tekes Forune seminaari 21.8.2013 Rahoiamme sellaisen innovaaioiden kehiämisä, joka ähäävä kasvun ja uuden liikeoiminnan luomiseen Yriysen kehiysprojeki
LisätiedotAikariippuva Schrödingerin yhtälö
Aineaaltodynamiikka Aineaaltokenttien riippuvuus ajasta aikariippuva Schrödingerin yhtälö Stationääriset ja ei-stationääriset tilat Aaltopaketit Kvanttimekaniikan postulaatit Aikariippuva Schrödingerin
LisätiedotBETONI-TERÄS LIITTORAKENTEIDEN SUUNNITTELU EUROKOODIEN MUKAAN (TTY 2009) Betonipäivät 2010
DIPLOMITYÖ: BETONI-TERÄS LIITTORAKENTEIDEN SUUNNITTELU EUROKOODIEN MUKAAN (TTY 29) Beonipäivä 21 DIPLOMITYÖ prosessina Aie: yön eeäjän aloieesa Selviykse beonin, eräksen ja puun osala oli jo ey/käynnissä
LisätiedotSilloin voidaan suoraan kirjoittaa spektrin yhtälö käyttämällä hyväksi suorakulmaisen pulssin Fouriermuunnosta sekä viiveen vaikutusta: ( ) (
TT/TV Inegraalimuunnokse Fourier-muunnos, ehäviä : Vasauksia Meropolia/. Koivumäki v(. Määriä oheisen signaalin Fourier-muunnos. Vinkki: Superposiio, viive. Voidaan sovelaa superposiioperiaaea, koska signaalin
LisätiedotJYVÄSKYLÄN YLIOPISTO Taloustieteiden tiedekunta TARJONTA SUOMEN ASUNTOMARKKINOILLA
JYVÄSKYLÄN YLIOPISTO Talousieeiden iedekuna TARJONTA SUOMEN ASUNTOMARKKINOILLA Kansanalousiede Pro gradu -ukielma Helmikuu 2006 Laaia: Janne Lilavuori Ohaaa: Professori Kari Heimonen JYVÄSKYLÄN YLIOPISTO
LisätiedotÖljyn hinnan ja Yhdysvaltojen dollarin riippuvuussuhde
Öljyn hinnan ja Yhdysvalojen dollarin riippuvuussuhde Kansanalousiede Pro gradu -ukielma Talousieeiden laios Tampereen yliopiso Toukokuu 2010 Jari Hännikäinen TIIVISTLMÄ Tampereen yliopiso Talousieeiden
LisätiedotKULMAMODULOITUJEN SIGNAALIEN ILMAISU DISKRIMINAATTORILLA
1 KULMMOULOITUJEN SIGNLIEN ILMISU ISKRIMINTTORILL Millaisia keinoja on PM & FM -ilmaisuun? 51357 Tieoliikenneekniikka I Osa 17 Kai Käkkäinen Kevä 015 ISKRIMINTTORIN TOIMINTKÄYRÄ J -YHTÄLÖ FM-signaalin
LisätiedotLuento 7 Järjestelmien ylläpito
Luno 7 Järjslmin ylläpio Ahi Salo Tknillinn korkakoulu PL, 5 TKK Järjslmin ylläpidosa Priaallisia vaihohoja Uusiminn rplacmn Ennalahkäisvä huolo mainnanc Korjaaminn rpair ❶ Uusiminn Vioiun komponni korvaaan
LisätiedotAsuntojen huomiointi varallisuusportfolion valinnassa ja hinnoittelussa
TAMPEREEN YLIOPISTO Johamiskorkeakoulu Asunojen huomioini varallisuusporfolion valinnassa ja hinnoielussa Kansanalousiede Pro gradu -ukielma Elokuu 2012 Ohjaaja: Hannu Laurila Tuomo Sola TIIVISTELMÄ Tampereen
LisätiedotTfy Fysiikka IIB Mallivastaukset
Tfy-.14 Fysiikka B Mallivastaukset 14.5.8 Tehtävä 1 a) Lenin laki: Muuttuvassa magneettikentässä olevaan virtasilmukkaan inusoitunut sähkömotorinen voima on sellainen, että siihen liittyvän virran aiheuttama
LisätiedotKÄYTTÖOPAS. Ilma vesilämpöpumppujärjestelmän sisäyksikkö ja lisävarusteet RECAIR OY EKHBRD011ADV1 EKHBRD014ADV1 EKHBRD016ADV1
EKHBRD011ADV1 EKHBRD014ADV1 EKHBRD016ADV1 EKHBRD011ADY1 EKHBRD014ADY1 EKHBRD016ADY1 KÄYÖOPAS Ilma vesilämpöpumppujärjeselmän sisäyksikkö ja lisävarusee EKHBRD011ADV1+Y1 EKHBRD014ADV1+Y1 EKHBRD016ADV1+Y1
LisätiedotTuotannon suhdannekuvaajan menetelmäkuvaus
1(15) Tuoannon suhdannekuvaajan meneelmäkuvaus Luku 1 Luku 2 Luku 3 Luku 4 Tuoannon suhdannekuvaajan yleiskuvaus Tuoannon suhdannekuvaajan julkaisuaikaaulu, revisoinikäyännö ja jakelu Tuoannon suhdannekuvaajan
LisätiedotSÄHKÖN HINTA POHJOISMAISILLA SÄHKÖMARKKINOILLA
TAMPEREEN YLIOPISTO Talousieeiden laios SÄHKÖN HINTA POHJOISMAISILLA SÄHKÖMARKKINOILLA Kansanalousiede Pro gradu -ukielma Tammikuu 2009 Ohjaaja: Hannu Laurila Tero Särkijärvi TIIVISTELMÄ Tampereen yliopiso
Lisätiedotinfoa Viikon aiheet Potenssisarja a n = c n (x x 0 ) n < 1
infoa Viikon aiheet Tentti ensi viikolla ma 23.0. klo 9.00-3.00 Huomaa, alkaa tasalta! D0 (Sukunimet A-) E204 (Sukunimet S-Ö) Mukaan kynä ja kumi. Ei muuta materiaalia. Tentissä kaavakokoelma valmiina.
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
LisätiedotMS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause.
MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause. Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2015
Lisätiedot1. Todista/Prove (b) Lause 2.4. käyttäen Lausetta 2.3./by using Theorem b 1 ; 1 b + 1 ; 1 b 1 1
KETJUMURTOLUVUT Harjoiuksia 209. Todisa/Prove Lause 2.2. käyäen Lausea 2.3./by using Theorem 2.3. Lause 2.4. käyäen Lausea 2.3./by using Theorem 2.3. 2. Määrää Canorin kehielmä luvuille 0,, 2, 3, 4, 5,
LisätiedotLuento 4. Fourier-muunnos
Lueno 4 Erikoissignaalien Fourier-muunnokse Näyeenoo 4..6 Fourier-muunnos Fourier-muunnos Kääneismuunnos Diricle n edo Fourier muunuvalle energiasignaalille I: Signaali on iseisesi inegroiuva v ( d< II:
LisätiedotELEC-C1230 Säätötekniikka (5 op)
ELEC-C1230 Sääöekniikka (5 op) Kevä 2016 hps://mycourses.aalo.fi/course/view.php?id=5073 Luku 1: Esiely, johdano, dynaamise malli ja rakenee, lohkokaavio, säädön periaaee ELEC-C1230 Sääöekniikka (5 op)
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
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
LisätiedotLuento 9. Epälineaarisuus
Lueno 9 Epälineaarisuus 9..7 Epälineaarisuus Tarkasellaan passiivisa epälineaarisa komponenia u() y() f( ) Taylor-sarjakehielmä 3 y f( x) + f '( x) ( x x) + f ''( x) ( x x) + f ''( x) ( x x) +...! 3! 4!
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Mat Systeemien Identifiointi. 4. harjoitus
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.4129 Systeemien Identifiointi 4. harjoitus 1. a) Laske valkoisen kohinan spektraalitiheys. b) Tarkastellaan ARMA-prosessia C(q 1 )y = D(q 1 )e,
LisätiedotKeskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)
Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista
LisätiedotELEC-C1230 Säätötekniikka (5 op)
ELEC-C1230 Sääöekniikka (5 op) Kevä 2017 hps://mycourses.aalo.fi/course/view.php?id=13390 Luku 1: Esiely, johdano, dynaamise malli ja rakenee, lohkokaavio, säädön periaaee ELEC-C1230 Sääöekniikka (5 op)
Lisätiedot