Helsinki University of Technology Laboratory of Telecommunications Technology
|
|
- Tauno Jurkka
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Helsini University of Technology Laboratory of Telecommunications Technology Kertausta: AWGN-anava n(t) S Signaalinäsittely tietoliienteessä I Signal Processing in Communications (2 ov) Sysy Luento: Optimaalinen ML-vastaanotto ja Viterbi-algoritmi prof. Timo Laaso Vastaanotto torstaisin lo Huone G210, puh Sähöposti: timo.laaso@hut.fi x(t)=σa δ(t-t s ) h T (t) Σ h R (t) t=t s Edellisellä luennolla tarasteltiin siirtojärjestelmää AWGNanavassa Ysittäiselle pulssille johdettiin SNR:n masimoiva vastaanottosuodin. Tämä on optimaalinen vastaanotin siinä mielessä että se minimoi bittivirhetodennäöisyyden (un ainoa häiriö anavassa on AWGN-ohina!) Jos lähetys- ja vastaanottosuodatin yhdessä täyttävät Nyquistin riteerin, järjestelmä toimii myös jatuvassa siirrossa (ISI = 0) Σ a δ Teleteniian laboratorio Sivu 2 1 h T (t) x(t)=σa δ(t-t s ) Kertausta: Lineaarinen anava c(t) n(t) Σ y(t) h R (t) t=t s z(t) MUTTA: jos anavassa on lineaarista vääristymää (esim. taajuusriippuvaa vaimennusta), lineaarisella suodatusella ei pystytä poistamaan ISIä ja vaimentamaan ohinaa samanaiaisesti niin että BER minimoituu (ISI on epälineaarinen datariippuva häiriö!) Tarvitaan epälineaarisia vastaanottomenetelmiä! Σ a δ Optimaalinen ML-vastaanotto Kun ISIä ei ole, riittää un tarastellaan yhtä symbolia errallaan ISI:n tapausessa ysi lähetetty pulssi häiritsee viereisten pulssien vastaanottoa => annattaa tarastella usempaa uin yhtä symbolia errallaan (sevenssin vastaanotto) Voidaan johtaa maximum lielihood (ML) -tyyppinen optimaalinen sevenssin vastaanottoalgoritmi joa minimoi sevenssin a priori (etuäteis-) virhetodennäöisyyden Viterbi-algoritmi on ML-sevenssi-ilmaisimen tehoas approsimatiivinen toteutus Teleteniian laboratorio Sivu Teleteniian laboratorio Sivu 4 2
2 xx x(t)=σa δ(t-t s ) Optimaalinen PAM-signaalin ML-vastaanotto h T (t) c(t) n(t) Σ y(t) h R (t) t=t s z(t) Tarastellaan uvan (antataajuista) PAM-järjestelmää Lähetys- ja vastaanottosuodin voivat olla sovitettu suodinpari jota yhdessä täyttävät Nyquistin riteerin (EI välttämätöntä!) Kanavassa on lineaarista vääristymää ja siten aina ISIä! Tarastellaan K:n symbolin mittaisen sevenssin ML-ilmaisua (Maximum Lielihood Sequence Detection, MLSD) Teleteniian laboratorio Sivu 5 z MLSD Σ a δ PAM-signaalin ML-vastaanotto Vastaanotettu signaali on muotoa: K yt () = ah ( t T) + nt () = 1 TC jossa symboli a valitaan M-jäsenisestä aaostosta, h TC (t) on lähetyspulssimuoto anavan jäleen ( = h T (t)*c(t) ) ja n(t) on valoista Gaussin ohinaa. Vastaanottimen esiaste oostuu sovitetusta suotimesta ja näytteenotosta: z = y() t h ( t T) = y() t h ( t T) dt R t= T TC Sovitettu suodatin voidaan tulita orrelaattorisi! Teleteniian laboratorio Sivu 6 3 PAM-signaalin ML-vastaanotto Voidaan osoittaa, että sevenssi z, =1,2,,K sisältää riittävän statistiian (sufficient statistics) optimaaliseen ilmaisuun, eli saman informaation uin vastaanotettu jatuvaaiainen signaali Vastaanotettua sevenssiä voidaan siis tarastella K-ulotteisena vetorina johon on summautunut K-ulotteinen ohinavetori PAM-signaalin ML-vastaanotto Disreettiaiainen malli siirtojärjestelmälle symbolitaajuudella: n a g Σ z MLSD z = a g + n = a g + n m m= Tässä g on disreettiaiainen vastine oo suodatusetjulle eli lähetyssuotimelle, anavalle ja vastaanottimelle! Voidaan myös osoittaa, että sevenssiin summautunut disreettiaiainen ohina on normaalijaautunutta Teleteniian laboratorio Sivu Teleteniian laboratorio Sivu 8 4
3 PAM-signaalin ML-vastaanotto Optimaalisen ML-sevenssi-ilmaisun toteutus: 1) Generoi aii mahdolliset lähetyssevenssit a 2) Generoi vastaavat ulostulosevenssit s =a *g disreetin mallin avulla 3) Vertaa s :ta vastaanoton päätösmuuttujasevensseihin z ja valitse se lähetyssevenssi a joa on lähin Vertailuriteeri: eulidinen (neliöllinen) etäisyys: min min 2 { } z s = a, =,,..., K = { a, =,,..., K} = 1 K K 2 z a g PAM-signaalin ML-vastaanotto Toteutusessa useita äytännön ongelmia: 1) Kanava tunnettava Rataisu: yleensä anava estimoidaan eriseen 2) Kohina voi olla alunperin värillistä Rataisu: lisätään valaisusuodatus (=> valaistu sovitettu suodatin, Whitened Matched Filter, WMF) 3) Kun äytössä M-tasoinen aaosto, mahdollisia sevenssejä on M K appaletta - yleensä toluton määrä (esim. M=2, K=10 => M K = 1024) Rataisu: Viterbi-algoritmi! Teleteniian laboratorio Sivu Teleteniian laboratorio Sivu 10 5 Marov-etjuista Marov-etjuja äytetään mallintamaan tilaoneita (finite state machines) joiden tulosignaali on satunnainen. Seuraavassa niitä äytetään mallintamaan symbolien esinäisvaiutusta. Marov-etju {ψ } on disreettiaiainen ja -arvoinen satunnaisprosessi jona tila {ψ } toteuttaa ehdon ( Ψ+ 1Ψ, Ψ 1,... ) = p( Ψ+ 1Ψ) p Tilan todennäöisyys riippuu siis vain edellisestä tilasta (ja mahd. satunnaisteijästä, mutta ei aiemmista tiloista). Marov-etjuista Marov-etju on homogeeninen jos siirtymätodennäöisyys p(ψ ψ +1 ) ei riipu :sta (vastaa stationäärisyyttä tai aiainvarianssia). Homogeenisen Marov-etjun ominaisuudet määräytyvät tilanmuutostodennäöisyysistä: ( ) = ( ) p ji p ji Ψ+ 1 Ψ (Vasen puoli lyhennetty merintä.) Teleteniian laboratorio Sivu Teleteniian laboratorio Sivu 12 6
4 Esimeri Marov-etjusta Siirtoreisteriprosessi (LM Kuva 3-7): Ψ X -1 X -2 X -M X z -1 z -1 z -1 z -1 Tässä X on disreettiarvoinen satunnaismuuttuja joa on riippumaton edellisistä arvoista X -1,,X -M-1. Tilasi määritellään Ψ = { X 1,..., X M } Järjestelmä toteuttaa Marov-ehdon. Kyseessä on vetoriarvoinen Marov-etju Teleteniian laboratorio Sivu 13 Symbolien esinäisvaiutus Tarastellaan symbolien ilmaisua anavassa jossa on esinäisvaiutusta. Tämä määräytyy anavan impulssivasteesta (olettaen Nyquist-riteerin toteutuvan ilman anavaa). Oletetaan että näytetaajuus on sama uin symbolitaajuus. Signaalia, jossa on symbolien esinäisvaiutusta, voidaan mallintaa homogeenisellä Marov-etjulla. Käytetään siirtoreisteriprosessia mallina (LM Kuva 9-14): X z -1 z -1 z -1 h(x,,x -J ) = g(ψ,ψ +1 ) Noise Gen. Model Teleteniian laboratorio Sivu 14 z -1 S Y 7...Symbolien esinäisvaiutus Tila on ψ ={X -1,,X -M } ja signaalinäyte saadaan tilanmuutosten funtiona: S = g( Ψ, Ψ+ 1 ) missä g(.,.) on muistiton funtio. Satunnaismuuttujat X ovat riippumattomia ja niiden jaaumat ovat identtisiä. Impulssivaste h on yleensä äärellinen estoltaan ja niin on esinäisvaiutusin, eli S = M i= 0 h X i i Teleteniian laboratorio Sivu 15 LM Esimeri 9-25: Tarastellaan anavaa jona impulssivaste on = δ + 05δ 1 h. Tätä voidaan mallintaa Marov-etjulla (LM Kuva 9-15): X =A z -1 X -1 =A -1 h(x,x -1 ) = X X -1 S N + Y Teleteniian laboratorio Sivu 16 (0,0) (X,S )=(1,1) 0 1 (0,0.5) (1,1.5) Tilaaavion haaroihin on meritty tulon A =X ja lähdön S arvot (ennen ohinaa N ). Huomaa että Marov-etjun tila(vetori) on aina disreettiarvoinen, vaia järjestelmän lähtö olisiin jatuva-arvoinen. 8
5 Trellis-aavio Toinen esitysmuoto Marov-etjulle on trellis-aavio (trellis = ristio, säleiö). Edellisellä esimerille saadaan tällainen trellis-esitys (LM Kuva 9-17): = 0 = 1 = 2 = K-1 = K Ψ = 0 Ψ = 1 (1,1.0) (0,0.5) (X,S )=(0,0.0)...Trellis-aavio Kuin aavion jaso edustaa yhtä symbolijasoa. Kaaviossa nähdään aii mahdolliset tilat ja tilatransitiot eri hetinä aiille tulosevensseille. Kaaviolla on alutila ψ 0 = 0 ja lopputila ψ K = 0. Alutilan ja lopputilan välillä on jouo poluja. Kuin polu edustaa yhtä K:n pituista symbolisevenssiä. Polun haaroista voidaan luea vastaava signaali(sevenssi) S. Tämä olisi vastaanotettu, esinäisvaiutusta sisältävä signaali ohinattomassa tapausessa. (1,1.5) Teleteniian laboratorio Sivu Teleteniian laboratorio Sivu 18 9 Sevenssi-ilmaisin Esim. jatuva-arvoisen anavan tapausessa ilmaisimelle tulee signaali Y = S + N. Sevenssi-ilmaisin pyrii tähän havaintoon perustuen päättämään miä oli lähetetty symbolisevenssi. HUOM! Kanavan malli tunnettava (miten ohinaton signaali riippuu tilamuuttujista) Trellisaaviossa sevenssin ilmaisu vastaa oiean polun etsimistä alu- ja lopputilan välillä. Metriia ML-periaatteen muaan valitaan se polu, joa on lähinnä havaittua sevenssiä tietyn metriian muaisesti. Kun on yse summautuvasta jatuva-arvoisesta ohinasta, on etsittävä polu jolla on pienin eulidinen etäisyys (=neliövirhemitta) havaittuun sevenssiin. Kullein polulle määritellään polun mitta (path metric), joa on o. polua vastaavien signaaliarvojen ja havaitun sevenssin välinen eulidinen etäisyys Teleteniian laboratorio Sivu Teleteniian laboratorio Sivu 20 10
6 Metriia Kuin trellis-aavion jaso vastaa yhtä symbolijasoa. Tämän jason havaintonäyte on Y. Kaavion eri haaroista nähdään aii mahdolliset signaali näytearvot symbolijasolla. Kullein trellis-aavion haaralle määritellään haaran mitta (branch metric): Jatuva-arvoinen Gaussin anava: eulidinen eli neliöllinen etäisyys Y -S 2 Binäärinen symmetrinen anava: Hammingin etäisyys (bittivirheiden luumäärä) d H (Y,S ) Polun mitta saadaan summaamalla haarojen mitat Sevenssi-ilmaisimen toteuttaminen ML-sevenssi-ilmaisin voitaisiin toteuttaa seuraavasti: 1) Lasetaan aiien haarojen mitat 2) Lasetaan aiien mahd. polujen ( = haaraombinaatioiden) mitat ja etsitään pienin 3) Pienintä mittaa vastaavan polun tulosymbolit muodostavat ilmaistun sevenssin Ongelma: Lasenta asvaa esponentiaalisesti sevenssin pituuden muana! Teleteniian laboratorio Sivu Teleteniian laboratorio Sivu Viterbi-algoritmi Viterbi-algoritmi on dynaamisen ohjelmoinnin periaatteen soveltamista polun mitan minimointiongelman tehoaaseen rataisemiseen. Periaate: 1) Trellisaavio äydään läpi jaso errallaan alusolmusta loppusolmuun 2) Kussain vaiheessa tiedetään lyhimmät (= pienimmän mitan) polut alusolmusta o. jason aiiin tulosolmuihin. 3) Seuraavasi etsitään lyhimmät polut o. jason lähtösolmuihin. Nämä löydetään äymällä läpi aii haarautumisvaihtoehdot....viterbi-algoritmi Viterbi-algoritmin olennainen idea on polujen arsiminen seuraavaan sääntöön perustuen: jos lyhin polu alusolmusta loppusolmuun ulee solmun x autta, niin tämän polun mitta on ahden lyhimmmän osapolun (alusolmu-x ja x- loppusolmu) mittojen summa. => N tilan (solmun) järjestelmässä riittää N polun ja niiden mittojen tallennus globaalin minimin löytämiseen! Teleteniian laboratorio Sivu Teleteniian laboratorio Sivu 24 12
7 Viterbi-esimeri Viterbi-esimeri Tarastellaan Esimerin 9-25 tilannetta jossa anava on h =δ + 0.5δ -1 ja muana on summautuvaa Gaussin ohinaa. Vastaanotettu sevenssi oloon {0.2, 0.6, 0.9, 0.1}. Kaaviosta nähdään haarojen mitat ja alupolujen mitat ussain vaiheessa. Ja näin se sujuu: y -s = haaran mitta polun mitta = = = = = 4 Ψ = Ψ = Havaintoarvot: Teleteniian laboratorio Sivu 25 Päätöset Teleteniian laboratorio Sivu Viterbi-algoritmin ominaisuusia Viterbi-algoritmin ullain jasolla (alua ja loppua luuunottamatta) tehdään tietty lasentatyö. Siten lasennan määrä on verrannollinen sevenssin pituuteen K. Esitetyssä muodossa Viterbi-algoritmi antaa tulosena ilmaistun sevenssin vastaun oo sevenssi on äyty läpi. Tästä aiheutuu haitallista viivettä. Osittaisrataisu voi löytyä jo aiemmin. Esim. ensimmäinen symboli selvisi jo toisen jason aiana, osa tällöin aii alupolut ulivat saman haaran autta. Viterbi-algoritmissa äy yleensä näin. Pitää sevenssiä ilmaistaessa alupolut yleensä yhtyvät. Tuntuisi järevältä päättää alupään symboleista tietyn varoajan jäleen. Kataisusyvyys Käytännössä tehdään niin, että jasoa äsiteltäessä jason -d ohdalla arsitaan pidemmät polut ja ilmaistaan vastaava symboli. Kun ataisusyvyys d valitaan riittävän suuresi, tämä ei juuri huononna lopputulosta. Tyypillinen valinta ataisusyvyydelle on n. 5 ertaa anavan impulssivasteen pituus Teleteniian laboratorio Sivu Teleteniian laboratorio Sivu 28 14
8 Viterbi-algoritmin äyttö Viterbi-algoritmi sopii aiiin ML-ilmaisuongelmiin joissa signaalinmuoausta voidaan mallintaa homogeenisena Marov-etjuna ohinaomponentit ovat riippumattomia (=valoista) Täreitä erioistapausia ovat ilmaisu Gaussin anavassa jossa on lisäsi esinäisvaiutusta eräiden oodausmenetelmien deoodaus (mm. onvoluutioja trellisoodaus) binäärisessä anavassa purseinen siirto häipyvässä radioanavassa (esim. GSM) Teleteniian laboratorio Sivu 29 15
Helsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 3. Luento: Optimaalinen
LisätiedotBINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS A Tietoliikennetekniikka II Osa 11 Kari Kärkkäinen Syksy 2015
BINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS 536A Tietoliienneteniia II Osa Kari Käräinen Sysy 5 Kantataajuusjärjestelmä lähettää ±A -tasoisia symboleita T:n välein. Optimaalinen vastaanotin
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.11 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 1997. Luento: Pulssinmuokkaussuodatus
Lisätiedot[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k.
ehtävä. x( + ) x( y x( + e ( y x( + e ( E v E e ( ) e ( R E[ v v ] E e e e e e e e e 6 estimointivirhe: ~ x( x( x$( x( - b y ( - b y ( estimointivirheen odotusarvo: x( - b x( - b e ( - b x( - b e ( ( -
LisätiedotDISKREETIN MATEMATIIKAN SOVELLUKSIA: KANAVA-EKVALISOINTI TIEDONSIIRROSSA. Taustaa
Disreetin matematiian excursio: anava-evalisointi tiedonsiirrossa / DISKREETIN MATEMATIIKAN SOVELLUKSIA: KANAVA-EKVALISOINTI TIEDONSIIRROSSA Taustaa Disreetin matematiian excursio: anava-evalisointi tiedonsiirrossa
LisätiedotOlkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat
Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset / Rataisut Aiheet: Avainsanat: Satunnaismuuttujat ja todennäöisyysjaaumat Kertymäfuntio
LisätiedotSYMBOLIVIRHETODENNÄKÖISYYDESTÄ BITTIVIRHETODENNÄKÖISYYTEEN
SYMBOLIVIRHETODENNÄKÖISYYDESTÄ BITTIVIRHETODENNÄKÖISYYTEEN Miten modulaation P S P B? 536A Tietoliienneteniia II Osa 4 Kari Käräinen Sysy 05 SEP VS. BEP D-SIGNAALIAVARUUDESSA Kullein modulaatiolle johdetaan
LisätiedotVakuutusmatematiikan sovellukset 20.11.2008 klo 9-15
SHV-tutinto Vauutusmatematiian sovelluset 20.11.2008 lo 9-15 1(7) Y1. Seuraava tauluo ertoo vauutusyhtiön masamat orvauset vahinovuoden ja orvausen masuvuoden muaan ryhmiteltynä (tuhansina euroina): Vahinovuosi
LisätiedotDEE Lineaariset järjestelmät Harjoitus 2, ratkaisuehdotukset. Johdanto differenssiyhtälöiden ratkaisemiseen
D-00 Lineaariset järjestelmät Harjoitus, rataisuehdotuset Johdanto differenssiyhtälöiden rataisemiseen Differenssiyhtälöillä uvataan disreettiaiaisten järjestelmien toimintaa. Disreettiaiainen taroittaa
LisätiedotTodennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali
Todennäöissjaaumat /5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia P (X = )=p. Nämä ovat 0 ja niiden summa on p =. Pistetodennäöisdet voidaan graafisesti esittää pstsuorien
LisätiedotOHJ-2300 Johdatus tietojenkäsittelyteoriaan Syksy 2008
OHJ-2300 Johdatus tietojenäsittelyteoriaan Sysy 2008 1 2 Organisaatio & aiataulu Luennot: prof. Tapio Elomaa P1: Ti 14-16 TC 103 ja to 14 16 TC 133 P2: Ti 14-16 TB 219 ja to 12 14 TB 224 26.8. 20.11. Jussi
LisätiedotMatematiikan tukikurssi
Matematiian tuiurssi Kurssierta 5 Sarjojen suppeneminen Kiinnostusen ohteena on edelleen sarja a n = a + a 2 + a 3 + a 4 + n= Tämä summa on mahdollisesti äärellisenä olemassa, jolloin sanotaan että sarja
Lisätiedot2 Taylor-polynomit ja -sarjat
2 Taylor-polynomit ja -sarjat 2. Taylor-polynomi Taylor-polynomi P n (x; x 0 ) funtion paras n-asteinen polynomiapprosimaatio (derivoinnin annalta) pisteen x 0 lähellä. Maclaurin-polynomi: tapaus x 0 0.
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 12. Luento: Kertausta,
LisätiedotMS-A0402 Diskreetin matematiikan perusteet
MS-A0402 Disreetin matematiian perusteet Osa 3: Kombinatoriia Riia Kangaslampi 2017 Matematiian ja systeemianalyysin laitos Aalto-yliopisto Kombinatoriia Summaperiaate Esimeri 1 Opetusohjelmaomiteaan valitaan
LisätiedotK-KS vakuutussumma on kiinteä euromäärä
Kesinäinen Henivauutusyhtiö IIIELLA TEKNIIKALLA LAKUPERUTE H-TUTKINTOA ARTEN HENKIAKUUTU REKURIIIELLA TEKNIIKALLA OIMAAOLO 2 AIKALAKU JA AKUUTUIKÄ Tätä lasuperustetta sovelletaan..25 alaen myönnettäviin
LisätiedotJOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 1, MALLIRATKAISUT
JOHDATUS LUKUTEORIAAN (sysy 2017) HARJOITUS 1, MALLIRATKAISUT Tehtävä 1. (i) Etsi luvun 111312 aii teijät. (ii) Oloot a ja b positiivisia oonaisluuja joilla a b ja b a. Osoita, että silloin a = b. Rataisu
LisätiedotProjekti 5 Systeemifunktiot ja kaksiportit. Kukin ryhmistä tarkastelee piiriä eri taajuuksilla. Ryhmäni taajuus on
EPOP Kevät 2012 Projeti 5 Systeemifuntiot ja asiportit Tämä projeti tehdään 3 hengen ryhmissä. Ryhmääni uuluvat Kuin ryhmistä tarastelee piiriä eri taajuusilla. Ryhmäni taajuus on Seuraavan projetin aiana
Lisätiedot3. Markovin prosessit ja vahva Markovin ominaisuus
30 STOKASTISET DIFFERENTIAALIYHTÄLÖT 3. Marovin prosessit ja vahva Marovin ominaisuus Aloitamme nyt edellisen appaleen päättäneen esimerin yleistämisen Brownin liieelle. Käymme ysitellen läpi esimerin
LisätiedotV. POTENSSISARJAT. V.1. Abelin lause ja potenssisarjan suppenemisväli. a k (x x 0 ) k M
V. POTENSSISARJAT Funtioterminen sarja V.. Abelin lause ja potenssisarjan suppenemisväli P a x x, missä a, a, a 2,... R ja x R ovat vaioita, on potenssisarja, jona ertoimet ovat luvut a, a,... ja ehitysesus
LisätiedotProjekti 5 Systeemifunktiot ja kaksiportit. Kukin ryhmistä tarkastelee piiriä eri taajuuksilla. Ryhmäni taajuus on
EPOP Kevät 2012 Projeti 5 Systeemifuntiot ja asiportit Tämä projeti tehdään 3 hengen ryhmissä. yhmääni uuluvat Kuin ryhmistä tarastelee piiriä eri taajuusilla. yhmäni taajuus on Seuraavan projetin aiana
LisätiedotEnnen kuin mennään varsinaisesti tämän harjoituksen asioihin, otetaan aluksi yksi merkintätekninen juttu. Tarkastellaan differenssiyhtälöä
DEE-00 Lineaariset järjestelmät Harjoitus, rataisuehdotuset Ennen uin mennään varsinaisesti tämän harjoitusen asioihin, otetaan alusi ysi merintäteninen juttu Tarastellaan differenssiyhtälöä y y y 0 Vaihtoehtoinen
LisätiedotHelsinki University of Technology Laboratory of Telecommunications Technology
Helsii Uiversity of Techology Laboratory of Telecommuicatios Techology S-38. Sigaaliäsittely tietoliieteessä I Sigal Processig i Commuicatios ( ov) Sysy 998 9. Lueto: Kaava apasiteetti ja ODM prof. Timo
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 8. Luento: Kaiunpoisto
Lisätiedot1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT
imat-2.104 Tilastollisen analyysin perusteet / Tehtävät Aiheet: Avainsanat: Ysisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Koonaisesiarvo,
LisätiedotSuodatus ja näytteistys, kertaus
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 6: Kantataajuusvastaanotin AWGN-kanavassa II: Signaaliavaruuden vastaanotin a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.6.3-10.6.6;
Lisätiedot4.7 Todennäköisyysjakaumia
MAB5: Todeäöisyyde lähtöohdat.7 Todeäöisyysjaaumia Luvussa 3 Tuusluvut perehdyimme jo jaauma äsitteesee yleesä ja ormaalijaaumaa vähä taremmi. Lähdetää yt tutustumaa biomijaaumaa ja otetaa se jälee ormaalijaauma
LisätiedotHanoin tornit. Merkitään a n :llä pienintä tarvittavaa määrää siirtoja n:lle kiekolle. Tietysti a 1 = 1. Helposti nähdään myös, että a 2 = 3:
Hanoin tornit Oloot n ieoa asetettu olmeen tanoon uvan osoittamalla tavalla (uvassa n = 7). Siirtämällä yhtä ieoa errallaan, ieot on asetettava toiseen tanoon samaan järjestyseen. Isompaa ieoa ei missään
Lisätiedot6 Lineaarisen ennustuksen sovelluksia
6 Lineaarisen ennustusen sovellusia Lineaarisella ennustusella on hyvin täreä asema monessa puheenäsittelyn sovellusessa. Seuraavassa on esitetty esimerejä siitä miten lineaarista ennustusta voidaan hyödyntää.
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I
MS-A00 Disreetin matematiian perusteet Esimerejä ym., osa I G. Gripenberg Jouo-oppi ja logiia Todistuset logiiassa Indutioperiaate Relaatiot ja funtiot Funtiot Aalto-yliopisto. maalisuuta 0 Kombinatoriia
LisätiedotVÄRÄHTELYMEKANIIKKA SESSIO 19: Usean vapausasteen systeemin liikeyhtälöiden johto Newtonin lakia käyttäen
9/ VÄRÄHTELYMEKANIIKKA SESSIO 9: Usean vapausasteen systeemin liieyhtälöiden johto Newtonin laia äyttäen JOHDANTO Usean vapausasteen systeemillä taroitetaan meaanista systeemiä, jona liietilan uvaamiseen
LisätiedotMiehitysluvuille voidaan kirjoittaa Maxwell Boltzmann jakauman mukaan. saamme miehityslukujen summan muodossa
S-4.7 Fysiia III (EST) Tetti..6. Tarastellaa systeemiä, jossa ullai hiuasella o olme mahdollista eergiatasoa, ε ja ε, missä ε o eräs vaio. Oletetaa, että systeemi oudattaa Maxwell-Boltzma jaaumaa ja, että
LisätiedotEksponentti- ja logaritmiyhtälö
Esponentti- ja logaritmiyhtälö Esponenttifuntio Oloon a 1 positiivinen reaaliluu. Reaalifuntiota f() = a nimitetään esponenttifuntiosi ja luua a sen antaluvusi. Jos a > 1, niin esponenttifuntio f : R R,
LisätiedotSTOKASTISET DIFFERENTIAALIYHTÄLÖT 7
STOKASTISET DIFFERENTIAALIYHTÄLÖT 7 1. Todennäöisyyslasennasta ja merinnöistä Palautamme seuraavassa lyhyesti mieleen todennäöisyyslasennan äsitteitä ja esittelemme myös muutamia urssilla äytettäviä merintätapoja.
LisätiedotVÄRÄHTELYMEKANIIKKA SESSIO 02: Vapausasteet, värähtelyiden analysointi
02/1 VÄRÄHTELYMEKANIIKKA SESSIO 02: Vapausasteet, värähtelyiden analysointi VAPAUSASTEET Valittaessa systeeille lasentaallia tulee yös sen vapausasteiden luuäärä äärätysi. Tää taroittaa seuraavaa: Lasentaallin
LisätiedotLuento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a. Kuvaa diskreetin ajan signaaliavaruussymbolit jatkuvaan aikaan
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.1-10.6.3]
LisätiedotYlioppilastutkintolautakunta S tudentexamensnämnden
Ylioppilastutintolautaunta S tudenteamensnämnden MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 0..0 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten piirteiden ja sisältöjen luonnehdinta ei sido ylioppilastutintolautaunnan
LisätiedotEstimointi Laajennettu Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät Laskuharjoitus 4
Estimointi Laajennettu Kalman-suodin AS-84.2161, Automaation signaalinäsittelymenetelmät Lasuharjoitus 4 Estimointi Systeemin tilaa estimoidaan, un prosessin tilamalli tunnetaan Tilamalli voi olla lineaarinen
LisätiedotTehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1
Luuteoria Harjoitus 1 evät 2011 Alesis Kosi 1 Tehtävä 1 Näytä: jos a ja b ovat positiivisia oonaisluuja joille (a, b) = 1 ja a c, seä lisäsi b c, niin silloin ab c. Vastaus Kosa a c, niin jaollisuuden
LisätiedotDEE Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset
DEE- Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille taroitetut rataisuehdotuset Tämän harjoitusen ideana on opetella -muunnosen äyttöä differenssiyhtälöiden rataisemisessa Lisäsi äytetään
Lisätiedotfunktiojono. Funktiosarja f k a k (x x 0 ) k
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 3 4. Funtiosarjat Tässä luvussa esitettävissä funtiosarjojen tulosissa yhdistämme luujen 3 teoriaa. Esimeri 4.. Geometrinen sarja x suppenee aiilla x ], [ ja hajaantuu
LisätiedotIII. SARJATEORIAN ALKEITA. III.1. Sarjan suppeneminen. x k = x 1 + x 2 + x ,
III. SARJATEORIAN ALKEITA Sarja on formaali summa III.. Sarjan suppeneminen = x + x 2 + x 3 +..., missä R aiilla N (merintä ei välttämättä taroita mitään reaaliluua). Luvut x, x 2,... ovat sarjan yhteenlasettavat
LisätiedotTalousmatematiikan verkkokurssi. Koronkorkolaskut
Sivu 1/7 oronorolasuja sovelletaan tapausiin, joissa aia on pidempi uin ysi oonainen orojaso, eli aia, jolle oroanta ilmoittaa oron määrän. orolasu: enintään yhden orojason pituisille oroajoille; oronorolasu:
LisätiedotDynaamiset 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
LisätiedotSattuman matematiikkaa III
Sattuman matematiiaa III Kolmogorovin asioomat ja frevenssitulinta Tommi Sottinen Tutija Matematiian ja tilastotieteen laitos, Helsingin yliopisto Laboratoire de Probabilités et Modèles Aléatoires, Université
LisätiedotJoulukuun vaativammat valmennustehtävät ratkaisut
Jouluuun vaativammat valmennustehtävät rataisut. Tapa. Pätee z = x + y, joten z = (x + y = x + y, josta sieventämällä seuraa xy 4x 4y + 4 = 0. Siispä (x (y =. Tästä yhtälöstä saadaan suoraan x =, y = 4
LisätiedotTodennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset
Todennäöisyyslasenta IIa, syys loauu 019 / Hytönen 1. lasuharjoitus, rataisuehdotuset 1. ( Klassio ) Oloot A ja B tapahtumia. Todista lasuaavat (a) P(A B) P(A) + P(B \ A), (b) P(B) P(A B) + P(B \ A), (c)
LisätiedotTehtävä 3. Määrää seuraavien jonojen raja-arvot 1.
Jonotehtävät, 0/9/005, sivu / 5 Perustehtävät Tehtävä. Muotoile matemaattiset vastineet seuraavien väitteiden negaatioille (ts. vastaohdat).. Jono (a n ) suppenee ohti luua a.. Jono (a n ) on asvava. 3.
LisätiedotJ1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6
MATRIISILASKENTA(TFM) MALLIT AV 6 J (II.6.9) Päättele, että avaruusvetorit a, b ja c ovat lineaarisesti riippuvat täsmälleen un vetoreiden virittämän suuntaissärmiön tilavuus =. Tuti tällä riteerillä ovato
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /
MS-A8 Differentiaali- ja integraalilasenta, V/27 Differentiaali- ja integraalilasenta Rataisut. viiolle /. 3.4. Luujonot Tehtävä : Mitä ovat luujonon viisi ensimmäistä termiä, un luujono on a) (a n ) n=,
Lisätiedot4.3 Erillisten joukkojen yhdisteet
4.3 Erillisten jouojen yhdisteet Ongelmana on pitää yllä ooelmaa S 1,..., S perusjouon X osajouoja, jota voivat muuttua ajan myötä. Rajoitusena on, että miään alio x ei saa uulua useampaan uin yhteen jouoon.
LisätiedotVALIKOITUJA KOHTIA LUKUTEORIASTA
VALIKOITUJA KOHTIA LUKUTEORIASTA ARI LEHTONEN 1. Laajennettu Euleideen algoritmi 1.1. Jaoyhtälö. Oloot r 0, r 1 Z, r 0 r 1 > 0. Tällöin on olemassa ysiäsitteiset luvut q 1 ja r 2 Z siten, että r 0 = q
Lisätiedot9 Lukumäärien laskemisesta
9 Luumäärie lasemisesta 9 Biomiertoimet ja osajouoje luumäärä Määritelmä 9 Oletetaa, että, N Biomierroi ilmaisee, uia mota -alioista osajouoa o sellaisella jouolla, jossa o aliota Meritä luetaa yli Lasimesta
LisätiedotPyramidi 3 Analyyttinen geometria tehtävien ratkaisut sivu 139 Päivitetty a) 402 Suplementtikulmille on voimassa
Pyramidi Analyyttinen geometria tehtävien rataisut sivu 9 Päivitetty 9..6 4 a) 4 Suplementtiulmille on voimassa b) a) α + β 8 α + β 8 β 6 c) b) c) α 6 6 + β 8 β 8 6 β 45 β 6 9 α 9 9 + β 8 β 8 + 9 β 7 Pyramidi
Lisätiedot2.8 Mallintaminen ensimmäisen asteen polynomifunktion avulla
MAB Matemaattisia malleja I.8. Mallintaminen ensimmäisen asteen.8 Mallintaminen ensimmäisen asteen polynomifuntion avulla Tutustutaan mallintamiseen esimerien autta. Esimeri.8. Määritä suoran yhtälö, un
LisätiedotPerustehtäviä. Sarjateorian tehtävät 10. syyskuuta 2005 sivu 1 / 24
Sarjateorian tehtävät 0. syysuuta 2005 sivu / 24 Perustehtäviä. Muunna sarja telesooppimuotoon ja osoita, että se suppenee. Lase myös sarjan summa. ( + ) = 2 + 6 + 2 +... 2. Osoita suoraan määritelmään
Lisätiedotjärjestelmät Luku 2 Diskreettiaikaiset järjestelmät - aikataso DEE Lineaariset järjestelmät Risto Mikkonen
DEE- Lineaariset järjestelmät Luu 2 Disreettiaiaiset järjestelmät - aiataso DEE- Lineaariset järjestelmät Risto Mionen 6.9.26 Diseettiaiainen vs jatuva-aiainen Jatuvan signaalin u(t) nätteistäminen disreetisi
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
LisätiedotEETU OJANEN SIGNAALIN ENNUSTAMINEN KALMAN-SUOTIMELLA. Kandidaatintyö
EETU OJANEN SIGNAALIN ENNUSTAMINEN KALMAN-SUOTIMELLA Kandidaatintyö Tarastaja: Lehtori Konsta Koppinen Jätetty tarastettavasi 11. tououuta 2009 2 TIIVISTELMÄ TAMPEREEN TEKNILLINEN YLIOPISTO Tietoliienne-
Lisätiedotz z 0 (m 1)! g(m 1) (z0) k=0 Siksi kun funktioon f(z) sovelletaan Cauchyn integraalilausetta, on voimassa: sin(z 2 dz = (z i) n+1 k=0
TKK, Matematiian laitos v.pfaler/pursiainen Mat-.33 Matematiian perusurssi KP3-i sysy 2007 Lasuharjoitus 4 viio 40 Tehtäväsarja A viittaa aluviion ja L loppuviion tehtäviin. Valmistauu esittämään nämä
LisätiedotJohdatus verkkoteoriaan 4. luento
Johdatus verkkoteoriaan 4. luento 28.11.17 Viikolla 46 läpikäydyt käsitteet Viikolla 47 läpikäydyt käsitteet Verkko eli graafi, tasoverkko, solmut, välit, alueet, suunnatut verkot, isomorfiset verkot,
LisätiedotRiemannin sarjateoreema
Riemannin sarjateoreema LuK-tutielma Sami Määttä 2368326 Matemaattisten tieteiden laitos Oulun yliopisto Sysy 206 Sisältö Johdanto 2 Luujonot 3 2 Sarjat 4 2. Vuorottelevat sarjat........................
LisätiedotC (4) 1 x + C (4) 2 x 2 + C (4)
http://matematiialehtisolmu.fi/ Kombiaatio-oppia Kuia mota erilaista lottoriviä ja poeriättä o olemassa? Lotossa arvotaa 7 palloa 39 pallo jouosta. Poeriäsi o viide orti osajouo 52 orttia äsittävästä paasta.
LisätiedotKAISTANLEVEYDEN JA TEHON KÄYTÖN KANNALTA OPTIMAALINEN MODULAATIO TRELLISKOODATTU MODULAATIO (TCM)
1 KAISTANLEVEYDEN JA TEHON KÄYTÖN KANNALTA OPTIMAALINEN MODULAATIO TRELLISKOODATTU MODULAATIO (TCM) CPM & TCM-PERIAATTEET 2 Tehon ja kaistanleveyden säästöihin pyritään, mutta yleensä ne ovat ristiriitaisia
LisätiedotM 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon
Matematiian ja tilastotieteen laitos Stoastiset differentiaaliyhtälöt Rataisuehdotelma Harjoituseen 7 1. Näytä, että uvaus M M M 2, un M 2 M = sup E M 2 t 2 t 0 on normi jouossa M 2 = { M : M on martingaali
LisätiedotELEMENTTIMENETELMÄN PERUSTEET SESSIO 12: Tasokehän palkkielementti, osa 2.
/ ELEMENTTIMENETELMÄN PERUSTEET SESSIO : Tasoehän palielementti, osa. NELJÄN VAPAUSASTEEN PALKKIELEMENTTI Kun ahden vapausasteen palielementin solmuihin lisätään loaalin -aselin suuntaiset siirtmämittauset,
Lisätiedot(1 + i) + JA. t=1. t=1. (1 + i) n (1 + i) n. = H + k (1 + i)n 1 i(1 + i) n + JA
Investoinnin annattavuuden mittareita Opetusmonisteessa on asi sivua, joilla on hyvin lyhyesti uvattu jouo mittareita. Seuraavassa on muutama lisäommentti ja aavan-johto. Tarastelemme projetia, jona perusinvestointi
LisätiedotHelsinki University of Technology Laboratory of Telecommunications Technology
Helsii Uiversity of Tecology Laboratory of Telecommuicatios Tecology S-38. Sigaaliäsittely tietoliieteessä I Sigal Processig i Commuicatios ( ov) Sysy 998 4. Lueto: Kaavaorjaimet I prof. Timo Laaso Vastaaotto
LisätiedotONKO SUOMALAINEN VAHINKOVAKUUTUSYHTIÖ TASOITUSVASTUUNSA VANKI? fil. tri Martti Pesonen, SHV. Suomen Aktuaariyhdistyksen vuosikokousesitelmä
ONKO SUOMALAINEN VAHINKOVAKUUTUSYHTIÖ TASOITUSVASTUUNSA VANKI? fil. tri Martti Pesonen, SHV Suomen Atuaariyhdistysen vuosioousesitelmä 27.2.2006 2 Sisällysluettelo: sivu 1. Tasoitusvastuujärjestelmän uvaus
LisätiedotModaalilogiikan harjoitusteht vi Aatu Koskensilta 1 Harjoitusteht v t Teht v 100 a) Osoitamme, ett Th(F 1 F 2 ) Th(F 1 ) [ Th(F 2 ) vastaesim
Modaalilogiian harjoitusteht vi Aatu Kosensilta 1 Harjoitusteht v t 16.4 1.1 Teht v 100 a) Osoitamme, ett Th(F 1 F 2 ) Th(F 1 ) [ Th(F 2 ) vastaesimerin avulla. Otamme ehysisi F 1 = hz? ;?i ja F 1 = hz
LisätiedotJoonas Haapala Ohjaaja: DI Heikki Puustinen Valvoja: Prof. Kai Virtanen
Hävittäjälentokoneen reitin suunnittelussa käytettävän dynaamisen ja monitavoitteisen verkko-optimointitehtävän ratkaiseminen A*-algoritmilla (valmiin työn esittely) Joonas Haapala 8.6.2015 Ohjaaja: DI
LisätiedotMAB7 Talousmatematiikka. Otavan Opisto / Kati Jordan
3.3 Laiat MAB7 Talousmatematiia Otava Opisto / Kati Jorda Laia ottamie Suuri osa ihmisistä ottaa laiaa jossai elämävaiheessa. Pailaiaa tarvitaa yleesä vauusia ja/tai taausia. Laiatulle pääomalle masetaa
Lisätiedot811312A Tietorakenteet ja algoritmit Kertausta jälkiosasta
811312A Tietorakenteet ja algoritmit 2018-2019 Kertausta jälkiosasta V Hashtaulukot ja binääriset etsintäpuut Hashtaulukot Perusajatus tunnettava Tiedettävä mikä on tiivistefunktio Törmäysongelman hallinta:
LisätiedotVakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely.
1144/2011 7 Liite 1 Vauutustenisistä riseistä johtuvien suureiden lasemista varten äytettävä vauutuslajiryhmittely. Vauutuslajiryhmä Vauutusluoat Ensivauutus 1 Laisääteinen tapaturma 1 (laisääteinen) 2
Lisätiedotjärjestelmät Diskreettiaikaiset järjestelmät aikatason analyysi DEE Lineaariset järjestelmät Risto Mikkonen
DEE- Lineaariset järjestelmät Disreettiaiaiset järjestelmät aiatason analsi DEE- Lineaariset järjestelmät Risto Mionen Disreettiaiaiset järjestelmät 7 3 5 Lineaaristen, vaioertoimisten differenssihtälöiden
LisätiedotMediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin
Mediaanisuodattimet Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että niiden ominaisuudet tunnetaan hyvin niiden analysointiin on olemassa vakiintuneita menetelmiä
LisätiedotKoodausteoria, Kesä 2014
Koodausteoria, Kesä 2014 Topi Törmä Matemaattisten tieteiden laitos 3.3 Lineaarisen koodin dekoodaus Oletetaan, että lähetettäessä kanavaan sana c saadaan sana r = c + e, missä e on häiriön aiheuttama
LisätiedotJohdatus lukuteoriaan Harjoitus 1 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma
Johdatus luuteoriaan Harjoitus 1 ss 008 Eemeli Blåsten Rataisuehdotelma Tehtävä 1 Oloot a ja b positiivisia oonaisluuja. Osoita, että on olemassa siäsitteinen luu h ('luujen a ja b pienin hteinen jaettava',
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 2018 Harjoitus 6A Rataisuehdotusia Tehtäväsarja I 1. (Moistee tehtävä 5.4) Kauppias myy mäysiemeiä, joide itävyyde väitetää oleva
LisätiedotNaulalevylausunto Kartro PTN naulalevylle
LAUSUNTO NRO VTT-S-04256-14 1 (6) Tilaaja Tilaus Yhteyshenilö ITW Construction Products Oy Jarmo Kytömäi Timmermalmintie 19A 01680 Vantaa 18.9.2014 Jarmo Kytömäi VTT Expert Services Oy Ari Kevarinmäi PL
LisätiedotLuku 1: Järjestelmien lineaarisuus, differenssiyhtälöt, differentiaaliyhtälöt
SMG-00 Piirianalyysi II Harjoitustehtävät Luu : Järjestelmien lineaarisuus, differenssiyhtälöt, differentiaaliyhtälöt Järjestelmien lineaarisuus: Järjestelmä on lineaarinen, jos T u u T u T u, jossa ja
LisätiedotLuku kahden alkuluvun summana
Luu ahden aluluvun summana Juho Salmensuu Lahden Lyseon luio Matematiia 008 Tiivistelmä Tutielmassa tarastellaan ysymystä; uina monella eri tavalla annettu parillinen oonaisluu voidaan esittää ahden aluluvun
LisätiedotMartingaalit ja informaatioprosessit
4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu
LisätiedotAlgoritmit 1. Luento 9 Ti Timo Männikkö
Algoritmit 1 Luento 9 Ti 7.2.2017 Timo Männikkö Luento 9 Graafit ja verkot Kaaritaulukko, bittimatriisi, pituusmatriisi Verkon lyhimmät polut Floydin menetelmä Lähtevien ja tulevien kaarien listat Forward
LisätiedotELEMENTTIMENETELMÄN PERUSTEET SESSIO 06: Aksiaalinen sauvaelementti, osa 1.
6/ ELEMENTTIMENETELMÄN PERSTEET SESSIO 6: Asiaalinen sauvaelementti, osa. ASIAALINEN RAENNE L, A, E L, A, E L, A, E uva. Asiaalinen raenne. Asiaalinen raenne taroittaa tässä yhteydessä raennetta, joa oostuu
Lisätiedot3 KEHÄRAKENTEET. 3.1 Yleistä kehärakenteista
Elementtimenetelmän peusteet. KEHÄRAKENTEET. leistä ehäaenteista Kehäaenteen osina oleat palit oiat ottaa astaan aiia annattimen asitusia, jota oat nomaali- ja leiausoima seä taiutus- ja ääntömomentti.
LisätiedotMatematiikan ja tilastotieteen laitos Johdatus diskreettiin matematiikkaan (Syksy 2008) 4. harjoitus Ratkaisuja (Jussi Martin)
Matematan ja tlastoteteen latos Johdatus dsreettn matemataan (Sysy 28 4. harjotus Ratasuja (Juss Martn 1. Kertomus Hotell Kosmosesta jatuu: Hotellyhtymän johdolta tul määräys laata luettelo asta mahdollssta
LisätiedotKJR-C2002 Kontinuumimekaniikan perusteet, viikko 45/2017
KJR-C00 Kontinuumimeaniian perusteet viio 45/017 1. Oloon f t ) alojen onsentraatio [ f ] < g/m ) joessa joa riippuu siis seä paiasta että ajasta. Havaitsija on veneessä ja mittaa onsentraatiota suoraan
LisätiedotLuento Otosavaruus, tapahtuma. Otosavaruus (sample space) on kaikkien mahdollisten alkeistapahtumien (sample) ω joukko.
Luento odennäöisyyslasentaa Otosavaruus, tapahtuma ja todennäöisyys Ehdollinen todennäöisyys, tilastollinen riippumattomuus, Bayesin teoreema, oonaistodennäöisyys Odotusarvo, varianssi, momentti Stoastiset
LisätiedotKertausosa. Kertausosa. 4. Sijoitetaan x = 2 ja y = 3 suoran yhtälöön. 1. a) Tosi Piste (2,3) on suoralla. Epätosi Piste (2, 3) ei ole suoralla. 5.
Kertausosa. Sijoitetaan ja y suoran yhtälöön.. a) d, ( ) ( ),0... d, ( 0 ( ) ) ( ) 0,9.... Kodin oordinaatit ovat (-,0;,0). Kodin ja oulun etäisyys d, (,0 0) (,0 0),0,...,0 (m) a) Tosi Piste (,) on suoralla.
LisätiedotKKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 7. harjoitus - ratkaisut 1. Oletetaan aluksi, että epäyhtälöt eivät ole aktiivisia p i > 0. Tässä tapauksess KKTehdot
LisätiedotTAMPEREEN YLIOPISTO Pro gradu -tutkielma. Hannu Pajula. Stirlingin luvuista
TAMPEREEN YLIOPISTO Pro gradu -tutielma Hannu Pajula Stirlingin luvuista Informaatiotieteiden ysiö Matematiia Maalisuu 2014 Tampereen yliopisto Informaatiotieteiden ysiö PAJULA, HANNU: Stirlingin luvuista
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 2
1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman
Lisätiedot811312A Tietorakenteet ja algoritmit Kertausta jälkiosasta
811312A Tietorakenteet ja algoritmit 2016-2017 Kertausta jälkiosasta IV Perustietorakenteet Pino, jono ja listat tunnettava Osattava soveltaa rakenteita algoritmeissa Osattava päätellä operaatioiden aikakompleksisuus
LisätiedotMekaniikan jatkokurssi Fys102
Meaniian jatourssi Fys10 Sysy 009 Jua Maalampi LUENTO 6 Harmonisen värähdysliieen energia Jousen potentiaalienergia on U ( x missä on jousivaio ja Dx on poieama tasapainosta. Valitaan origo tasapainopisteeseen,
Lisätiedotb 4i j k ovat yhdensuuntaiset.
MAA5. 1 Koe 29.9.2012 Jussi Tyni Valitse 6 tehtävää! Muista tehdä pisteytysruuduo ensimmäisen onseptin yläreunaan! Perustele vastausesi välivaiheilla! 1. Oloon vetorit a 2i 6 j 3 ja b i 4 j 3 a) Määritä
Lisätiedottermit on luontevaa kirjoittaa summamuodossa. Tällöin päädymme lukusarjojen teoriaan: a k = s.
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 7 3. Luusarjat Josus luujonon (b ) termit on luontevairjoittaa summamuodossa. Tällöin päädymme luusarjojen teoriaan: Määritelmä 3.. Oloon ( ), R luujono. Symboli (3.)
LisätiedotHARMONINEN VÄRÄHTELIJÄ
Oulun yliopisto Fysiian opetuslaboratorio Fysiian laboratoriotyöt 1 1 HARMONINEN VÄRÄHELIJÄ 1. yön tavoitteet 1.1 Mittausten taroitus ässä työssä tutustut jasolliseen, määrätyin aiavälein toistuvaan liieeseen,
LisätiedotLuku 1: Järjestelmien lineaarisuus, differenssiyhtälöt, differentiaaliyhtälöt
SMG-00 Piirianalyysi II Luentomonisteen harjoitustehtävien vastauset Luu : Järjestelmien lineaarisuus, differenssiyhtälöt, differentiaaliyhtälöt. Järjestelmien lineaarisuus: Järjestelmä on lineaarinen,
Lisätiedot7.1 Taustamelun estimoinnista
7 Puheen ehostus Puheen ehostamisea taroitetaan seaisia menetemiä, joia puheen aatua pyritään parantamaan. Kuuostaa ysinertaiseta, mutta mitä sitten taroitetaan aadua? Siä voidaan taroittaa ainain seeyttä
Lisätiedot