Ylivuoto puskurillisessa systeemissä: nestejonot
|
|
- Leena Saarinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 J. Virtamo Teleliikenneteoria / Pursketaso 1 Ylivuoto puskurillisessa systeemissä: nestejonot Jos muodostuvat jonot ovat pitkiä (paljon asiakkaita jonossa), jonon yleiskäyttäytymisen kannalta saapuvan asiakasivirran diskreettisyydellä ei ole merkitystä ja työn saapumisprosessia jonoon voidaan pitää jatkuvana nestevirtana. Hetkellä t jonoon saapuu nestettä nopeudella R(t). Jonossa on oleva nestemäärä on X(t). Esimerkiksi ATM-järjestelmän käyttäytymistä pursketasolla voidaan kuvata nestejonomallin avulla. R(t) ATM-solu on pieni informaatioyksikkö, atomi. Jonomalli on kuitenkin järkevä vain, jos ATM-kytkimissä on suuret puskurit, jotka kykenevät varastoimaan purskeita. Puskurin sisältö eli puskurissa oleva tekemätön työ X(t) on aina jatkuva-arvoinen muuttuja riippumatta siitä, tulevatko saapumiset diskreetisti vai jatkuvana virtana. Olennainen ero nestejonoissa verrattuna perinteisiin jonosysteemeihin onkin, että saapumiset eivät tapahdu hetkellisinä pistesaapumisina vaan jatkuvana virtana.
2 J. Virtamo Teleliikenneteoria / Pursketaso 2 Nestejono R(t) c R(t) X(t) X(t) c Kun saapuvan nestevirran nopeus R(t) ylittää säiliön tyhjenemisnopeuden c, nestemäärä X(t) säiliössä kasvaa nopeudella R(t) c. Kun saapuvan nestevirran nopeus R(t) on pienempi kuin säiliön tyhjenemisnopeus c, nestemäärä X(t) säiliössä vähenee nopeudella c R(t) niin kauan kuin säiliössä on nestettä
3 J. Virtamo Teleliikenneteoria / Pursketaso 3 Markov-moduloitu nopeusprosessi (MMRP, Markov modulated rate process) Saapumisvirtaa säätelee taustaprosessi Z(t), josta oletetaan että se muodostaa Markov-prosessin. Kun Markov-prosessi on tilassa i, niin saapuvan nestevirran nopeus on r i Z(t) = i R(t) = r i eli R(t) = r Z(t) Tilassa jossa r i > c systeemin on ylikuormitettu Tilassa jossa r i < c systeemin on alikuormitettu i Jotta systeemi olisi mielenkiintoinen, siinä on oltava sekä yli- että alikuormitettuja tiloja. r i Järjestelmän tilaa kuvaa pari (X(t), Z(t)) (nämä yhdessä muodostavat Markovin prosessin, jota vastoin X(t) yksinään ei ole Markovin prosessi). Määritellään osittainen kertymäfunktio F i (x) = P{X(t) x, Z(t) = i} Tehtävänä on ratkaista F i (t):t. Jos ne tunnetaan, saadaan puskurin sisällön eli tekemättömän työn kertymäfunktio F (x) samoin kuin moduloivan prosessin tilatodennäköisyydet π i F (x) = P{X x} = i F i (x) π i = P{Z = i} = F i ( )
4 J. Virtamo Teleliikenneteoria / Pursketaso 4 MMRP (jatkoa) Seuraavassa oletetaan, että moduloiva taustaprosessi on yksinkertainen syntymä-kuolemaprosessi. 0 λ 0 µ 1 1 λ 1 µ 2 2 λ 2 µ 3 Yhdistetyn (X(t), Z(t))-prosessin tilakaavio on oheisen kuvan mukainen. Tilaa indeksoivat - diskreetti arvo Z - jatkuva arvo X Z λ 1 µ 1 r 1 -c 0 X
5 J. Virtamo Teleliikenneteoria / Pursketaso 5 Tasapainoyhtälö Tarkastellaan tilajoukkoa X x, Z = i. Taspainossa todennäköisyysvirrat tähän joukkoon sisään ja siitä ulos ovat yhtäsuuret. (r i c)f i (x) = (λ i + µ i )F i (x) + λ i 1 F i 1 (x) + µ i+1 F i+1 (x) i = 0, 1, 2,... i+1 Z i λ i µ i+1 r i -c λ i-1 µ i i-1 X Huom. Todennäköisyystiheys pisteessä (i, x) on F i (x). Tässä pisteessä oltaessa puskuri täyttyy nopeudella r i c (nopeus, jolla systeemipiste liikkuu vasemmalle tai negatiivisen arvon kyseessä ollen oikealle). Siksi takastelun alaisesta tilajoukosta ulos virtaa akselia pitkin todennäköisyysvirta (r i c)f i (x) Muut virrat liittyvät taustaprosessin tilasiirtymiin.
6 J. Virtamo Teleliikenneteoria / Pursketaso 6 Tasapainoyhtälön ratkaisu Määritellään vektori F(x) ja matriisit M = Q T ja D suraavasti - tässä kappaleessa vektoreilla tarkoitetaan pystyvektoreita F(x) = F 0 (x) F 1 (x) F 2 (x). D = r 0 c r 1 c r 2 c M = λ 0 µ λ 0 (λ 1 + µ 1 ) µ λ1 (λ 2 + µ 2 ) µ Näiden avulla kirjoitettuna tasapainoyhtälöt kuuluvat DF (x) = MF(x) Tämä on vakiokertoiminen 1. kertaluvun differentiaaliyhtälö vektorille F(x). Sen ratkaisu matriisieksponenttifunktiota käyttäen kuuluu F(x) = e D 1 M x F(0)
7 J. Virtamo Teleliikenneteoria / Pursketaso 7 Tasapainoyhtälön ratkaisu ominaisarvojen ja -vektoreiden avulla Ratkaisu voidaan kirjoittaa toisessa muodossa, jos ensin ratkaistaan seuraavasta ominaisarvoyhtälöstä ominaisarvot z n ja niihin kuuluvat ominaisvektorit φ n D 1 Mφ n = z n φ n Näiden avulla ratkaisu on F(x) = n:re(z n ) 0 a n φ n e z nx missä a n :t ovat toistaiseksi määräämättömiä kertoimia. Sijoittamalla tämä yritteenä ratkaistavaan differentiaaliyhtälöön ja käyttämällä hyväksi ominaisarvoyhtälöä, nähdään että tämä todella toteuttaa kyseisen differentiaalyhtälön (riippumatta kertoimien a n arvoista). Koska ratkaisun tulee olla rajoitettu (ei saa kasvaa äärettömyyteen, kun x kasvaa), summassa voivat tulla kysymykseen vain ne ominaisarvot, joiden reaaliosa ei ole positiivinen.
8 J. Virtamo Teleliikenneteoria / Pursketaso 8 Kertoimien määrääminen Taustaprosessin tasapainotodennäköisyydet π = (π 0, π 1,...) T toteuttavat yhtälön Mπ = 0 Niin ollen π on ominaisarvoon 0 liittyvä ominaisvektori. Koska lisäksi pätee F( ) = π, täytyy tähän liittyvän a-kertoimen olla 1. Erottamalla tämä termi summasta saadaan F(x) = n:re(z n )<0 a n φ n e z nx + π Kertoimet a n (Re(z n ) < 0) voidaan määrätä reuraehdoista F i (0) = 0, jos r i > c jotka sanovat, että jono ei voi olla tyhjä ylikuormitetuissa tiloissa, joissa puskuri täyttyy. Komponenttimuodossa nämä reunaehdot voidaa kirjoittaa seuraavasti n:re(z n )<0 a n φ n,i = π i i : r i > c Voidaan osoittaa, että tuntemattomia kertoimia a n (Re(z n ) < 0) on täsmälleen yhtä monta kuin yhtälöitä eli negatiivisia ominaisarvoja on yhtä monta kuin ylikuormitettuja tiloja. Yhtälöt riittävät siis määräämään kaikki tuntemattomat kertoimet a n.
9 J. Virtamo Teleliikenneteoria / Pursketaso 9 Esimerkki. 2-tilainen systeemi 1 λ µ 0 r 1 c r 0 R(t) Markov-prosessin tilat 0 ja 1. Vastaavat virtausnopeudet r 0 ja r 1. Jotta systeemi olisi mielenkiintoinen, on oltava r 0 < c < r 1 r 1 > c ylikuormitettu tila r 0 < c alikuormitettu tila r i c X(t) X(t) Moduloivan Markov-prosessin tasapainotodennäköisyydet ovat π 0 = µ λ + µ, π 1 = λ λ + µ Nestejonosysteemin tasapainoyhtälöt (r 0 c)f 0 (x) = λf 0(x) + µf 1 (x) (r 1 c)f 1 (x) = +λf 0(x) µf 1 (x) 0 1 λ µ r 1 -c r 0 -c X
10 J. Virtamo Teleliikenneteoria / Pursketaso 10 Esimerkki (jatkoa) Vastaava ominaisarvoyhtälö on z(r 0 c)φ 0 = λφ 0 + µφ 1 z(r 1 c)φ 1 = +λφ 0 µφ 1 eli z(r 0 c) + λ µ λ z(r 1 c) + µ φ 0 φ 1 = 0 0 Ominaisarvot määräytyvät ehdosta, että kerroinmatriisin determinantti on 0. Ominaisvektorit voidaan sitten ratkaista kummasta tahansa yhtälöstä: z 0 = 0 (nolla on aina ominaisarvo) z 1 = (c r 0)µ (r 1 c)λ (r 1 c)(c r 0 ) φ 0 = π 0 π 1, φ 1 = r 1 c c r 0 Vastaten sitä, että systeemillä on yksi ylikuormitettu tila, yksi ominaisarvoista on negatiivinen. Ratkaisu osittaisille kertymäfunktiolle on vektorimuodossa F(x) = π + a 1 φ 1 e z 1x Tuntematon kerroin a 1 määräytyy reunaehdosta F 1 (0) = 0 π 1 + a 1 (c r 0 ) = 0 a 1 = π 1 c r 0
11 J. Virtamo Teleliikenneteoria / Pursketaso 11 Esimerkki (jatkoa) On saatu ratkaisu F 0 (x) = π 0 π 1 r 1 c c r 0 e z 1x F 1 (x) = π 1 (1 e z 1x ) Puskurin täyttöjakauma (kertymäfunktio) on F (x) = F 0 (x)+f 1 (x) ja vastaava häntäjakauma G(x) = P{puskurissa tekemätöntä työtä > x} = 1 F (x), G(x) = 1 F (x) = π 1 r 1 r 0 c r 0 e z 1x Todennäköisyys, että puskuri ei ole tyhjä, on G(0) = π 1 r 1 r 0 c r 0
12 J. Virtamo Teleliikenneteoria / Pursketaso 12 Nestejonon asymptoottinen käyttäytyminen Yleisesti nestejonon häntäjakaumalle pätee G(x) = P{X > x} = 1 e F(x) = ηe zx n:re(z n )<0 a n e φ n e z nx kun x missä z = ominaisarvoista, joilla Re(z n ) < 0, se jolla Re(z n ) on suurin (vähiten negatiivinen), ns. dominoiva ominaisarvo; olkoon sen indeksi n = 1 (z = z 1 ) η = a 1 e φ 1 ko. ominaisarvoa vastaava kerroin e = vektori, jonka kaikki komponentit ovat ykkösiä
13 J. Virtamo Teleliikenneteoria / Pursketaso 13 Ylivuototodennäköisyyden asettama ehto Käytännön tehtävissä on yleensä asetettu jokin yläraja ɛ puskurin ylivuototodennäköisyydelle, P overflow ɛ. Puskurin ylivuoto liittyy tietenkin äärelliseen puskuriin. Nestejonon tapauksessa äärellisen puskurin analysointi on hankalaa. Tavallista onkin, että ylivuototodennäköisyyttä approksimoidaan äärettömän puskurin häntätodennäköisyydellä, P overflow P{X > B} = G(B) missä B on puskurin koko. Jos B on suuri verrattuna tyypillisen purskeen kokoon, puskurin täyttöjakaumaa kohdassa x = B voidaan approksimoida asymptoottisen alueen kaavalla, ja saadaan ehto G(B) ɛ ηe zb ɛ z log(η/ɛ) B = log η + log(1/ɛ) B Tässä B ja ɛ ovat annettuja systeemin parametreja. Sitä vastoin η liittyy nestejonon ratkaisuun ja riippuu mm. saapumisprosessista.
14 J. Virtamo Teleliikenneteoria / Pursketaso 14 Ylivuotoehto likimäärin Tavallisesti η on suuruusluokkaa 1, jolloin log η = 0. Vaikka ei olisikaan tarkkaan η 1, voidaan kuitenkin hyvin pienillä ɛ:n arvoilla log η jättää kaavassa huomiotta. Tällöin ehto supistuu muotoon z log(1/ɛ) B Ylivuotoehto (puskurin täyttöaste B saa ylittyä korkeintaan todennäköisyydellä ɛ) määrää likimain jononpituuden tarvittavan asymptoottisen pienenemisnopeuden. log P ovf 0 log η log ε B
15 J. Virtamo Teleliikenneteoria / Pursketaso 15 Efektiivinen kaista Dominoiva ominaisarvo eli matriisin D 1 M suurin negatiivinen ominaisarvo z voidaan aina selvittää. Se riippuu tuloprosessista (Markov-prosessista sekä nopeuksista r i ) sekä systeemin parametreista, erityisesti puskurin palvelunopeudesta c, z = z(c) Kun ylivuotoehto asettaa minimarvon z:lle, saadaan tästä käänteisesti minimiarvo tarvittavalle kapasiteetille c, c z 1 ( 1 B log(1 ɛ )) = c( 1 B log(1 ɛ )) missä c( ) = z 1 ( ) Tätä kutsutaan kyseiseen liikennevirtaan (ja puskuriin ja ylivuototodennäköisyyteen) liittyväksi efektiiviseksi kaistaksi.
16 J. Virtamo Teleliikenneteoria / Pursketaso 16 Efektiivinen kaista (jatkoa) Efektiivinen kaista voidaan ajatella mitattavaksi siten, että puskurin vuotonopeutta kuristetaan, kunnes ylivuototodennäköisyys on saavuttanut sallitun arvon ɛ. S P overf low c
17 J. Virtamo Teleliikenneteoria / Pursketaso 17 Efektiivisten kaistojen additiivisuus Efektiivisen kaistan tärkein ominaisuus on sen additiivisuus. Olkoon annettuna puskuri B ja sallittu ylivuototodennäköisyys ɛ. Edelleen olkoon annettuna joukko riippumattomia MMRP-lähteitä, k = 1,..., K. Lähteelle k (kun se yksinään syöttää puskuria B) voidaan määrätä efektiivinen kaista c k (z), missä z = log(1/ɛ)/b. Additiivisuusominaisuus sanoo sen, että kun nämä lähteet yhdessä syöttävät samaa puskuria B samalla sallitulla ylivuototodennäköisyydellä ɛ, niin niiden yhteinen efektiivinen kaista on eri lähteiden vaatimien efektiivisten kaistojen summa, c(z) = k c k (z) S 1 S 2 S K... c = c +c +...c 1 2 K P overf low
18 J. Virtamo Teleliikenneteoria / Pursketaso 18 Additiivisuuden perustelu Elwalid ja Mitra osoittivat additiivisuuden MMRP-lähteille kirjoittamalla ominaisarvoyhtälön Mφ = zdφ = z(r ci)φ missä R = muodossa cφ = (R 1 M)φ = A(z)φ z r r r 2..., Tämä on ominaisarvoyhtälö c:lle annetulla matriisilla A(z). Riippumattomien lähteiden tapauksessa voidaan osoittaa, että A(z) = A 1 (z) A 2 (z) A K (z) (ns. Kroneckerin summa) ja että ominaisarvot ovat additiivisia c = k c k, kun c k φ k = A k (z)φ k.
19 J. Virtamo Teleliikenneteoria / Pursketaso 19 Additiivisuuden perustelu (jatkoa) Additiivisuus M/M/1-jonossa Vastaava tilanne pätee M/M/1-jonollekin. Olkoon sen poissoninen tuloprosessi superpositio Poisson-virroista, λ = λ λ K. Annetulla puskurin koolla B on tietty suurin sallittu kuorma ρ ɛ = λ/cµ, (missä 1/µ on paketin keskikoko), jolla P{X > B} ɛ. Eli vaadittu kapasiteetti on c = λ/(µρ ɛ ) = λ 1 /(µρ ɛ ) + + λ K /(µρ ɛ ) = c c K missä c k = λ k /(µρ ɛ ) on lähteen k yksinään vaatima kapasiteetti.
20 J. Virtamo Teleliikenneteoria / Pursketaso 20 Efektiivisten kaistan yleistys Efektiivisen kaistan käsite voidaan yleistää mille tahansa tuloprosessille. Olkoon aikavälissä (0, t) saapuvan työn määrä on A(0, t). Tällöin on c(z) = 1 z lim 1 t t log E[ezA(0,t) ] (mm. Whitt; Kesidis ja Walrand) Tämä antaa tarvittava kapasiteetin, kun puskurin häntäjakauman logaritmin asymptoottinen kulmakerroin z on ylivuotoehdon kautta annettu. (Väite ei ole aivan yksinkertaisesti perusteltavissa.) Tämän määritelmän mukaisen c(z):n additiivisuus riippumattomien tuloprosessien tapauksessa on ilmeinen: Riippumattomilla tulovirroilla A 1 (0, t) ja A 2 (0, t) pätee log E[e z(a 1(0,t)+A 2 (0,t)) ] = log E[e za 1(0,t) ] + log E[e za 2(0,t) ] (samoin mille tahansa määrälle riippumattomia lähteitä) Voidaan osoittaa, että MMRP-saapumisprosessin tapauksessa tämä efektiivisen kaistan määritelmä on yhtäpitävä edellä annetun, erään matriisin suurimpaan negatiiviseen ominaisarvoon perustuvan määritelmän kanssa.
Esimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
LisätiedotLiikenneongelmien aikaskaalahierarkia
J. Virtamo 38.3141 Teleliikenneteoria / HOL-esto 1 Liikenneongelmien aikaskaalahierarkia AIKASKAALAHIERARKIA Kiinnostavat aikaskaalat kattavat laajan alueen, yli 13 dekadia! Eri aikaskaaloissa esiintyvät
LisätiedotEstojärjestelmä (loss system, menetysjärjestelmä)
J. Virtamo 38.3143 Jonoteoria / Estojärjestelmä 1 Estojärjestelmä (loss system, menetysjärjestelmä) Tarkastellaan perinteistä puhdasta estojärjestelmää, jossa on annettu n = johtojen (varattavien elementtien)
LisätiedotEstynyt puheluyritys menetetään ei johda uusintayritykseen alkaa uusi miettimisaika: aika seuraavaan yritykseen Exp(γ) pitoaika X Exp(µ)
J Virtamo 383143 Jonoteoria / Engsetin järjestelmä 1 Äärellinen lähdepopulaatio: M/M/s/s/n-järjestelmä Tarkastellaan estojärjestelmää (ei odotuspaikkoja) tapauksessa, jossa saapumiset tulevat äärellisestä
LisätiedotPURSKETASON TARKASTELUT Ylivuototodennäköisyys puskurittomassa systeemissä
J. Virtamo 38.3141 Teleliikenneteoria / Pursketaso 1 PURSKETASON TARKASTELUT Ylivuototodennäköisyys puskurittomassa systeemissä Tarkastellaan ATM-kytkimen lähtöporttia Oletetaan: puskuri riittää vain solutason
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt. osa 2 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 1 R. Kangaslampi Matriisihajotelmista
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista
LisätiedotMS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
Lisätiedot17. Differentiaaliyhtälösysteemien laadullista teoriaa.
99 17. Differentiaaliyhtälösysteemien laadullista teoriaa. Differentiaaliyhtälön x'(t) = f(x(t),t), x(t) n määrittelemän systeemin sanotaan olevan autonominen, jos oikea puoli ei eksplisiittisesti riipu
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille
LisätiedotJ. Virtamo Teleliikenneteoria / Solutason jonot 1
J. Virtamo 38.3141 Teleliikenneteoria / Solutason jonot 1 SOLUTASON JONOT Solutason aikaskaala on lyhyt liikenteen hitaammat (pursketason) vaihtelut eivät ehdi vaikuttaa purskekokoonpanoa voidaan pitää
LisätiedotFunktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina.
Funktiot Tässä luvussa käsitellään reaaliakselin osajoukoissa määriteltyjä funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Avoin väli: ]a, b[ tai ]a, [ tai ],
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
Lisätiedot6. Differentiaaliyhtälösysteemien laadullista teoriaa.
1 MAT-13450 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 2010 6. Differentiaaliyhtälösysteemien laadullista teoriaa. Olemme keskittyneet tässä kurssissa ensimmäisen kertaluvun
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
LisätiedotLineaarikuvauksen R n R m matriisi
Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:
Lisätiedot1 Di erentiaaliyhtälöt
Taloustieteen mat.menetelmät syksy 2017 materiaali II-5 1 Di erentiaaliyhtälöt 1.1 Skalaariyhtälöt Määritelmä: ensimmäisen kertaluvun di erentiaaliyhtälö on muotoa _y = F (y; t) oleva yhtälö, missä _y
LisätiedotHarjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,
Differentiaaliyhtälöt, Kesä 06 Harjoitus 3 Kaikissa tehtävissä, joissa pitää tarkastella kriittisten pisteiden stabiliteettia, jos kyseessä on satulapiste, ilmoita myös satulauraratkaisun (tai kriittisessä
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
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
LisätiedotKannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:
8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden
LisätiedotOPTIMAALINEN INVESTOINTIPÄÄTÖS
OPTIMAALINEN INESTOINTIPÄÄTÖS Keskiarvoon palautuvalle prosessille ja Poissonin hyppyprosessille Optimointiopin seminaari - Syksy 000 / 1 I. KESKIAROON PALAUTUA PROSESSI Investoinnin kohde-etuuden arvo
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
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
LisätiedotOminaisarvo ja ominaisvektori
Ominaisarvo ja ominaisvektori Määritelmä Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka
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..
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
LisätiedotSyntymä-kuolema-prosessit
J. Virtamo 38.343 Jonoteoria / SK-prosessit Syntymä-kuolema-prosessit Yleistä Syntymä-kuolema-prosessiksi (SK-prosessi) kutsutaan Markov-prosessia, jonka - tila-avaruus on iskreetti - tilat voiaan järjestää
LisätiedotLineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä)
Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe 26.10.2017 Ratkaisuehdotus 1. (35 pistettä) (a) Seuraavat matriisit on saatu eräistä yhtälöryhmistä alkeisrivitoimituksilla. Kuinka monta ratkaisua yhtälöryhmällä
LisätiedotOminaisvektoreiden lineaarinen riippumattomuus
Ominaisvektoreiden lineaarinen riippumattomuus Lause 17 Oletetaan, että A on n n -matriisi. Oletetaan, että λ 1,..., λ m ovat matriisin A eri ominaisarvoja, ja oletetaan, että v 1,..., v m ovat jotkin
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
Lisätiedot4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
Lisätiedot5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
LisätiedotMatematiikka B3 - Avoin yliopisto
2. heinäkuuta 2009 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Lisäharjoitustehtävä Kurssin sisältö (1/2) 1. asteen Differentiaali yhtälöt (1.DY) Separoituva Ratkaisukaava Bernoyulli
Lisätiedot, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä
Pitkä matematiikka 8.9.0, ratkaisut:. a) ( x + x ) = ( + x + x ) 6x + 6x = + 6x + 6x x = x =. b) Jos x > 0, on x = + x x = + x. Tällä ei ole ratkaisua. Jos x 0, on x = + x x = + x x =. c) x = x ( x) =
LisätiedotMS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42
MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42 Tehtävät 1-4 lasketaan alkuviikon harjoituksissa ryhmissä, ja ryhmien ratkaisut esitetään harjoitustilaisuudessa (merkitty kirjaimella L = Lasketaan).
LisätiedotKuvaus. Määritelmä. LM2, Kesä /160
Kuvaus Määritelmä Oletetaan, että X ja Y ovat joukkoja. Kuvaus eli funktio joukosta X joukkoon Y on sääntö, joka liittää jokaiseen joukon X alkioon täsmälleen yhden alkion, joka kuuluu joukkoon Y. Merkintä
Lisätiedoty + 4y = 0 (1) λ = 0
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 6 mallit Kevät 2019 Tehtävä 1. Ratkaise yhtälöt a) y + 4y = x 2, b) y + 4y = 3e x. Ratkaisu: a) Differentiaaliyhtälön yleinen
LisätiedotToispuoleiset raja-arvot
Toispuoleiset raja-arvot Määritelmä Funktiolla f on oikeanpuoleinen raja-arvo a R pisteessä x 0 mikäli kaikilla ɛ > 0 löytyy sellainen δ > 0 että f (x) a < ɛ aina kun x 0 < x < x 0 + δ; ja vasemmanpuoleinen
LisätiedotMATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ
MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 4.9.09 HYVÄN VASTAUKSEN PIIRTEITÄ Alustavat hyvän vastauksen piirteet on suuntaa-antava kuvaus kokeen tehtäviin odotetuista vastauksista ja tarkoitettu ensisijaisesti
LisätiedotVapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
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
LisätiedotMatriisi-vektori-kertolasku, lineaariset yhtälöryhmät
Matematiikan peruskurssi K3/P3, syksy 25 Kenrick Bingham 825 Toisen välikokeen alueen ydinasioita Alla on lueteltu joitakin koealueen ydinkäsitteitä, joiden on hyvä olla ensiksi selvillä kokeeseen valmistauduttaessa
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä
Lisätiedota) Sievennä lauseke 1+x , kun x 0jax 1. b) Aseta luvut 2, 5 suuruusjärjestykseen ja perustele vastauksesi. 3 3 ja
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 1.10.2018 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
LisätiedotLineaarinen yhtälöryhmä
Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.
LisätiedotJatkuva-aikaisten Markov-prosessien aikakehitys
5A Jatkuva-aikaisten Markov-prosessien aikakehitys Tämän harjoituksen tavoitteena on harjoitella jatkuva-aikaisiin Markov-prosesseihin liittyviä hetkittäisiä jakaumia ja tutkia niien muutoksia ajassa.
LisätiedotOdotusjärjestelmät. Aluksi esitellään allaolevan kuvan mukaisen yhden palvelimen jonoon liittyvät perussuureet.
J. Virtamo 38.3143 Jonoteoria / M/M/ /-jonot 1 Odotusjärjestelmät Siirrytään tarkastelemaan odotusjärjestelmiä. Nämä ovat aitoja jonojärjestelmiä siinä mielessä, että niissä on odotuspaikkoja ja asiakkat
LisätiedotMS-A0003/A Matriisilaskenta Laskuharjoitus 6
MS-A3/A - Matriisilaskenta Laskuharjoitus 6 Ratkaisuehdotelmia. Diagonalisointi on hajotelma A SΛS, jossa diagonaalimatriisi Λ sisältää matriisin A ominaisarvot ja matriisin S sarakkeet ovat näitä ominaisarvoja
Lisätiedotsaadaan kvanttorien järjestystä vaihtamalla ehto Tarkoittaako tämä ehto mitään järkevää ja jos, niin mitä?
ANALYYSI A, HARJOITUSTEHTÄVIÄ, KEVÄT 208 4 Funktion raja-arvo 4 Määritelmä Funktion raja-arvon määritelmän ehdosta ε > 0: δ > 0: fx) A < ε aina, kun 0 < x a < δ, saadaan kvanttorien järjestystä vaihtamalla
Lisätiedot=p(x) + p(y), joten ehto (N1) on voimassa. Jos lisäksi λ on skalaari, niin
FUNKTIONAALIANALYYSI, RATKAISUT 1 KEVÄT 211, (AP) 1. Ovatko seuraavat reaaliarvoiset funktiot p : R 3 R normeja? Ovatko ne seminormeja? ( x = (x 1, x 2, x 3 ) R 3 ) a) p(x) := x 2 1 + x 2 2 + x 2 3, b)
Lisätiedot2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.
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
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
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
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)
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu
Lisätiedot1 sup- ja inf-esimerkkejä
Alla olevat kohdat (erityisesti todistukset) ovat lähinnä oheislukemista reaaliluvuista, mutta joihinkin niistä palataan myöhemmin kurssilla. 1 sup- ja inf-esimerkkejä Kaarenpituus. Olkoon r: [a, b] R
LisätiedotOminaisarvo ja ominaisvektori
Määritelmä Ominaisarvo ja ominaisvektori Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 3 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 28 R. Kangaslampi Matriisihajotelmista
LisätiedotMS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus
MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos 19.9.2016 Pekka Alestalo, Jarmo
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ
Mat-48 Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ L ẋ = x ẋ = g L sin x rx Epälineaarisen systeemin tasapainotiloja voidaan
LisätiedotSyntymä-kuolema-prosessit
J. Virtamo Liikenneteoria ja liikenteenhallinta / SK-prosessit Syntymä-kuolema-prosessit Yleistä Syntymä-kuolema-prosessiksi (SK-prosessi) kutsutaan Markov-prosessia, jonka - tila-avaruus on iskreetti
Lisätiedot1 sup- ja inf-esimerkkejä
Alla olevat kohdat (erityisesti todistukset) ovat lähinnä oheislukemista reaaliluvuista, mutta joihinkin niistä palataan myöhemmin kurssilla. 1 sup- ja inf-esimerkkejä Nollakohdan olemassaolo. Kaikki tuntevat
LisätiedotKanta ja Kannan-vaihto
ja Kannan-vaihto 1 Olkoon L vektoriavaruus. Äärellinen joukko L:n vektoreita V = { v 1, v 2,..., v n } on kanta, jos (1) Jokainen L:n vektori voidaan lausua v-vektoreiden lineaarikombinaationa. (Ts. Span(V
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
Lisätiedot4. Lasketaan transienttivirrat ja -jännitteet kuvan piiristä. Piirielimien arvot ovat C =
BMA58 Funktiot, lineaarialgebra ja vektorit Harjoitus 6, Syksy 5. Olkoon [ 6 6 A =, B = 4 [ 3 4, C = 4 3 [ 5 Määritä matriisien A ja C ominaisarvot ja ominaisvektorit. Näytä lisäksi että matriisilla B
LisätiedotDifferentiaaliyhtälöt II, kevät 2017 Harjoitus 5
Differentiaaliyhtälöt II, kevät 27 Harjoitus 5 Heikki Korpela 26. huhtikuuta 27 Tehtävä 2. Määrää seuraavan autonomisen systeemin kriittiset pisteet, ratakäyrät ja luonnostele systeemin aikakehitys: (t)
LisätiedotJohdatus reaalifunktioihin P, 5op
Johdatus reaalifunktioihin 802161P, 5op Osa 2 Pekka Salmi 1. lokakuuta 2015 Pekka Salmi FUNK 1. lokakuuta 2015 1 / 55 Jatkuvuus ja raja-arvo Tavoitteet: ymmärtää raja-arvon ja jatkuvuuden määritelmät intuitiivisesti
LisätiedotNormaaliryhmä. Toisen kertaluvun normaaliryhmä on yleistä muotoa
Normaaliryhmä Toisen kertaluvun normaaliryhmä on yleistä muotoa x = u(t,x,y), y t I, = v(t,x,y), Funktiot u = u(t,x,y), t I ja v = v(t,x,y), t I ovat tunnettuja Toisen kertaluvun normaaliryhmän ratkaisu
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
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
LisätiedotAnalyysi 1. Harjoituksia lukuihin 1 3 / Syksy Osoita täsmällisesti perustellen, että joukko A = x 4 ei ole ylhäältä rajoitettu.
Analyysi Harjoituksia lukuihin 3 / Syksy 204. Osoita täsmällisesti perustellen, että joukko { 2x A = x ]4, [. x 4 ei ole ylhäältä rajoitettu. 2. Anna jokin ylä- ja alaraja joukoille { x( x) A = x ], [,
Lisätiedotw + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.
Kotitehtävät, tammikuu 2011 Vaikeampi sarja 1. Ratkaise yhtälöryhmä w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Ratkaisu. Yhtälöryhmän ratkaisut (w, x, y, z)
LisätiedotOsoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.
LINEAARIALGEBRA Harjoituksia 2016 1. Olkoon V = R 2 varustettuna tavallisella yhteenlaskulla. Määritellään reaaliluvulla kertominen seuraavasti: λ (x 1, x 2 ) = (λx 1, 0) (x 1, x 2 ) R 2 ja λ R. Osoita,
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila
Lisätiedotk S P[ X µ kσ] 1 k 2.
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 28 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
LisätiedotGaussin ja Jordanin eliminointimenetelmä
1 / 25 : Se on menetelmä lineaarisen yhtälöryhmän ratkaisemiseksi. Sitä käytetään myöhemmin myös käänteismatriisin määräämisessä. Ideana on tiettyjä rivioperaatioita käyttäen muokata yhtälöryhmää niin,
Lisätiedot(1.1) Ae j = a k,j e k.
Lineaarikuvauksen determinantti ja jälki 1. Lineaarikuvauksen matriisi. Palautetaan mieleen, mikä lineaarikuvauksen matriisi annetun kannan suhteen on. Olkoot V äärellisulotteinen vektoriavaruus, n = dim
LisätiedotKoska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.
24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ
LisätiedotGeneroivat funktiot, Poisson- ja eksponenttijakaumat
4A Generoivat funktiot, Poisson- ja eksponenttijakaumat Tämän harjoituksen tavoitteena on edelleen tutustua generoivien funktioiden sovelluksiin ja lisäksi harjoitella ratkaisemaan Poisson- ja eksponenttijakaumiin
LisätiedotMarkov-kustannusmallit ja kulkuajat
2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua
LisätiedotMatemaattinen Analyysi / kertaus
Matemaattinen Analyysi / kertaus Ensimmäinen välikoe o { 2x + 3y 4z = 2 5x 2y + 5z = 7 ( ) x 2 3 4 y = 5 2 5 z ) ( 3 + y 2 ( 2 x 5 ( 2 7 ) ) ( 4 + z 5 ) = ( 2 7 ) yhteys determinanttiin Yhtälöryhmän ratkaiseminen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien
Lisätiedotax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.
BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 7, Syksy 206 Tutkitaan yhtälöryhmää x + y + z 0 2x + y + az b ax + y + 2z 0 (a) Jos a 0 ja b 0 niin mikä on yhtälöryhmän ratkaisu? Tulkitse ratkaisu
LisätiedotTodennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset 1. Olkoon X satunnaismuuttuja, ja olkoot a R \ {0}, b R ja Y = ax + b. (a) Olkoon X diskreetti ja f sen pistetodennäköisyysfunktio.
LisätiedotJ. Virtamo Jonoteoria / Prioriteettijonot 1
J. Virtamo 38.3143 Jonoteoria / Prioriteettijonot 1 Prioriteettijonot Tarkastellaan M/G/1-jonojärjestelmää, jossa asiakkaat on jaettu K:hon prioriteettiluokkaan, k = 1,..., K: - luokalla 1 on korkein prioriteetti
Lisätiedot= 2±i2 7. x 2 = 0, 1 x 2 = 0, 1+x 2 = 0.
HARJOITUS 1, RATKAISUEHDOTUKSET, YLE11 2017. 1. Ratkaise (a.) 2x 2 16x 40 = 0 (b.) 4x 2 2x+2 = 0 (c.) x 2 (1 x 2 )(1+x 2 ) = 0 (d.) lnx a = b. (a.) Toisen asteen yhtälön ratkaisukaavalla: x = ( 16)± (
LisätiedotEllipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio
Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä
LisätiedotMarkov-ketjut pitkällä aikavälillä
2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton; oppia tunnistamaan, milloin
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään
Lisätiedot5 Ominaisarvot ja ominaisvektorit
5 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin A
LisätiedotSimilaarisuus. Määritelmä. Huom.
Similaarisuus Määritelmä Neliömatriisi A M n n on similaarinen neliömatriisin B M n n kanssa, jos on olemassa kääntyvä matriisi P M n n, jolle pätee Tällöin merkitään A B. Huom. Havaitaan, että P 1 AP
LisätiedotDiskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9
Diskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9 Tuntitehtävät 9-10 lasketaan alkuviikon harjoituksissa ja tuntitehtävät 13-14 loppuviikon harjoituksissa. Kotitehtävät 11-12 tarkastetaan loppuviikon
LisätiedotMS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48
MS-A3/A5 Matriisilaskenta Malliratkaisut 5 / vko 48 Tehtävä (L): a) Onko 4 3 sitä vastaava ominaisarvo? b) Onko λ = 3 matriisin matriisin 2 2 3 2 3 7 9 4 5 2 4 4 ominaisvektori? Jos on, mikä on ominaisarvo?
LisätiedotAvaruuden R n aliavaruus
Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla
Lisätiedot