(c) Miksi formaali ratkaisu ei toimi reaktorisovelluksissa sellaisenaan? (a) Batemanin yhtälöt kuvaavat nuklidien määrän muutosta ajassa.

Koko: px
Aloita esitys sivulta:

Download "(c) Miksi formaali ratkaisu ei toimi reaktorisovelluksissa sellaisenaan? (a) Batemanin yhtälöt kuvaavat nuklidien määrän muutosta ajassa."

Transkriptio

1 1. (a) Johda ns. Batemanin yhtälöt eli hiukkastiheyksien taseyhtälöt huomioiden radioaktiivisen hajoamisen ja neutronireaktiot. (b) Kirjoita yhtälöt matriisimuodossa ja esitä formaali ratkaisu, kun kerroinmatriisi on vakio. (c) Miksi formaali ratkaisu ei toimi reaktorisovelluksissa sellaisenaan? Ratkaisu (a) Batemanin yhtälöt kuvaavat nuklidien määrän muutosta ajassa. Nuklidin i tasapainoyhtälö on + j dn i (t) = hajoaminen i:ksi i:n hajoaminen dt +syntyminen neutronien vaikutuksesta hajoaminen neutronien vaikutuksesta = b j i λ j N j (t) λ i N i (t) j σ j i (E)N j (t)φ(e, t)de σ i,a (E)N i (t)φ(e, t)de (1.1) missä kaksi ensimmäistä termiä tulevat radioaktiivisesta hajoamista ja kaksi viimeistä neutronien aiheuttamista reaktioista. λ i on nuklidin i hajoamisvakio ja b j i antaa todennäköisyyden, että nuklidin j hajoaminen tuottaa nuklidin i 1.1. σ i,a on nuklidin i absorptiovaikutusala ja σ j i transmutaatiovaikutusala eli vaikutusala sille, että nuklidi j muuttuu nuklidiksi i tähän on nyt ajateltu sisältyvän fissiot, mutta toki semmoinen termi voitaisiin ottaa erikseen. φ on neutronivuo. Neutronivuointegraaleista voi kehittää efektiiviset 1-ryhmäiset vastineensa suorittamalla integraalin numeerisesti. Tällöin dn i (t) dt = j missä yksiryhmäsuureet ovat σ j i(t) φ(t) = σ i,a (t)φ(t) = 1.1 engl. branching ratio. [b j i λ j + σ j i (t)φ(t)] N j (t) [λ i + σ i,a (t)φ(t)] N i (t), σ j i (E, t)φ(e, t)de, σ i,a (E, t)φ(e, t)de, (1.2) (1.3a) (1.3b) 1

2 ja φ(t) = φ(e, t)de on yksiryhmävuo, ja energiariippuvat vaikutusalat riippuvat ajasta lämpötilariippuvuuden vuoksi. Saman asian voi vielä kirjoittaa efektiivisillä hajoamisvakioilla a muodossa dn i (t) dt = j a j i (t)n j (t) a i (t)n i (t), (1.4) missä a j i (t) = b j i λ j + σ j i (t)φ(t), (1.5a) a i (t) = λ i + σ i,a (t)φ(t). (1.5b) Mikäli neutronivuo tiedetään ongelma palautuu siis hajoamisyhtälöihin efektiivisillä hajoamisvakioilla. (b) Selvästi kyseessä on lineaarinen yhtälöryhmä, joten sen voi kirjoittaa matriisimuodossa: d N(t) dt = A(t) N(t), (1.6) missä matriisi A pitää sisällään yhtälön (1.4) kertoimet. Mikäli A A(t) (eli mikroskooppiset vaikutusalat ja neutronivuo on vakio) ratkaisuna on N(t) = e At N(0), (1.7) minkä laskemiseksi löytyy tehokkaita ja tarkkoja numeerisia menetelmiä. (c) Reaktorisovelluksissa ratkaisun ongelma tulee juuri ehdosta, että A ei saa riippua ajasta, vaikka todellisuudessa vuo riippuu ajasta. Yleensä sovelluksissa vuo oletetaan vakioksi aika-askeleella ja käytetään korjaavia menetelmiä, kuten ennusta- ja korjaa menetelmää. Kerroinmatriisin aikariippuvuus tulee yhtälön (1.1) mikroskooppisten vaikutusalojen ja neutronivuon aikariippuvuudesta. Näistä ensimmäinen riippuu lämpötilasta, joka on pitkällä aikavälillä hitaasti muuttuva, ja jälkimmäinen riippuu nuklidikonsentraatioista. Nuklidikonsentraatioidenkin muutokset ovat pääsääntöisesti hitaita, joten vuota voi pääsääntöisesti pitää hitaasti muuttuvana ellei jopa vakiosuureena riittävän lyhyillä aikaväleillä. 2

3 2. TRIGAssa säteilytetään kultaa (100 % Au) neljän päivän ajan. Kuinka paljon kullasta on muuttunut aktiiviseksi Au:ksi ja kuinka paljon Au:ta on jäljellä suhteessa alkuperäiseen kultamäärään säteilytyksen loputtua. ROSFOND -vaikutusalakirjaston mukaan Au:n terminen sieppausvaikutusala on 98,70 b ja Au:n terminen sieppausvaikutusala on 2, b olettaen 293,6 K lämpötilan Au:n puoliintumisaika on 2,695 d. Reaktorissa pidetään vakiovuo cm 2 s 1. Ratkaise tehtävä matriisieksponenttia hyödyntäen. Ratkaisu Kirjoitetaan Batemanin yhtälö matriisimuodossa Aukikirjoitettuna tämä on ] [ dn198 (t) dt dn 197 (t) dt = d N(t) dt = A(t) N(t). (2.1) [ λ198 σ 198,a φ σ φ 0 σ 197,a φ ] [ N198 (t) N 197 (t) ], (2.2) kun huomioidaan (a) Au:n puoliintuminen, (b) Au:n transmutatoituminen muiksi aineiksi, (c) Au:n transmutatoituminen Au:ksi ja (d) Au:n transmutatoituminen muiksi aineiksi. Transmutaatiovaikutusala σ tunnistetaan sieppausvaikutusalaksi σ 197,γ. Paremman puutteessa arvioidaan absorptiovaikutusaloja σ 197,a ja σ 198,a vastaavilla sieppausvaikutusaloilla. Nyt halutaankin laskea enää matriisin A matriisieksponentti. Tätä varten tarvitaan ominaisarvot- ja vektorit. Kirjoittaen lyhennysmerkinnöin [ ] [ ] a c 4, A = = 6 s 1 4, s 1 0 d 0 4, s 1 (2.3) saadaan ominaisarvoiksi suoraan diagonaalilta λ 1 = a ja λ 2 = d. Näitä vastaavat ominaisvektorit ovat esimerkiksi [ ] [ ] 0 c 1 (A λ 1 I) v 1 = v 0 d a 1 = 0 = v 1 = ja (2.4a) 0 [ ] [ ] a d c c (A λ 2 I) v 2 = v = 0 = v 2 =. (2.4b) d a 2.1 Voit olettaa vaikutusalojen olevan riittävän edustavia kyseiselle reaktorille 3

4 Tällöin matriisieksponentti on e At = V e Λt V 1 [ ] [ ] [ ] 1 c exp(at) 0 1 d a c = 0 d a 0 exp(dt) d a 0 1 [ ] [ ] 1 c 1 (d a) exp(at) c exp(at) = 0 d a d a 0 exp(dt) [ ] exp(at) c (exp(dt) exp(at)) = d a. (2.5) 0 exp(dt) Ottaen huomioon alkuehdon saadaan N(t) = e At N(0) = [ c d a (exp(dt) exp(at)) exp(dt) ] N 197 (0). (2.6) Ratkaisu on oikeastaan luonnollinen: Au hajoaa Au:ksi ja Au:ta poistuu sekä hajoamisella että absorptiolla. Helpommin tämä olisi tullut suoraan differentiaaliyhtälön ratkaisusta. Matriisien käyttäminen on kuitenkin parempi isojen hajoamisketjujen ymmärtämiseksi. Sijoittamalla lukuarvot saadaan aktiivisen kullan määräksi N 198 (4 d)/n 197 (0) = 0,08752 % ja alkuperäisen kullan määräksi N 197 (4 d)/n 197 (0) = 99,83 % eli aktiivista kultaa on saatu 0,088 %, mutta tätä varten kullasta on käytetty 0,17 % - noin puolet syntyneestä aktiivisuudesta on jo käytetty. 4

5 3. Termistä koereaktoria käytetään vanhan virastotavan mukaisesti maanantaista perjantaihin kello kahdeksasta kuuteentoista päivällä. Näin on toimittu jo 40 vuoden ajan. Arvioi reaktorissa olevan 131 I:n keskimääräisen tiheyden historia. Miten 131 I-tiheyden alkuviikkojen sykli eroaa loppuviikkojen syklistä? Reaktoria ajetaan 250 kw teholla ja sen polttoaineen tilavuus on cm 3. Toista lasku 135 Xe:lle ja 137 Cs:lle. Nuklidikohtaisia vakioita on taulukossa 3.1. Voit olettaa, että nuklidit syntyvät suoraan fissiosta ja, että reaktoria ajetaan niin pienellä vuolla, absorptiot eivät ole merkittäviä. Päteekö oletukset jollekin tarkasteltavalle nuklidille? Taulukko 3.1: Nuklidikohtaisia vakioita. Nuklidi T 1/2 χ c 131 I 8,02 d 0, Xe 9,10 h 0, Cs 30,17 a 0,06236 Kumulatiivinen saanto fissiota kohti. Ratkaisu Merkitään reaktorin tehoa sen ollessa päällä P 0 :llä. Mallinnetaan tehjakaumaa tasaisena paremman tiedon puutteessa, jolloin P 0 = ɛσ f ( r,t)φ( r,t)dv = ɛσ f (t)φ(t)v, (3.1) missä V on polttoaineen tilavuus. Tästä saadaan Σ f (t)φ(t) = P/(ɛV ). Tehtävänannon oletuksin jodin taseyhtälö on N (t) = χ c Σ f (t)φ(t) λn(t), (3.2) missä N on jodikonsentraatio ja hajoamisketjussa aiemmin olevat nuklidit on yksinkertaisuuden vuoksi ajateltu hajoavan jodiksi välittömästi. Kun reaktori ei ole päällä, taseyhtälöstä saadaan N (t) = λn(t) = N(t) = N 0 exp( λt). (3.3) 5

6 Kun reaktori on päällä, taseyhtälö on ensimmäisen asteen epähomogeeninen yhtälö N (t) = χ c Σ f φ λn(t), (3.4) jonka homogeeniosan täydellinen ratkaisu on N(t) = A exp( λt) ja epähomogeeniosan yksittäisratkaisu on N = χ c Σ f φ/λ. Alkuehdolla N(0) = N 0 kokonaisratkaisu on siis N(t) = ( N 0 χ ) cσ f φ λ exp( λt) + χ cσ f φ. (3.5) λ Nyt koereaktorin nukliditiheydelle voidaan arvioida: annetaan nukliditiheydelle nolla-arvo, ajetaan reaktoria ensimmäisen päivän käyttöjakson yli ja päivitetään nukliditiheyden arvo kaavalla (3.5). Annetaan reaktorin jäähtyä seuraavaan käyttöjaksoon päivittämällä nukliditiheys kaavalla (3.3). Tätä jatketaan kunnes noin 40 vuotta on kulunut. Tuloksina saadaan kuvan 3.1 mukaiset tiheysarviot. Reaktorin alkuaikoina 131 I:n määrä kasvaa, mutta sen tiheys saturoituu 40 vuoden aikana - viimeiset viivat ovat käytännössä päällekkäin. 135 Xe:lle saturoituminen tapahtuu jo ensimmäisen syklin aikana, ja 137 Cs:nkin saturoituu, mutta hitaammin kuin 131 I. 137 Cs:n hajoaminen ei käytännössä näy viikon aikana - sahalaitoja ei ole. Oletukset ovat kohtuullisia muille nuklideille kuin 135 Xe, joka syntyy pääasiassa 135 I:n hajoamistuotteena. 135 I:n puoliintumisaika on kohtuullisen pitkä, 6,6 h, joten xenonia ei ehdi syntymään reaktorin ollessa käynnissä niin paljoa kuin tässä on arvioitu. Toisaalta 135 Xe:n ison absorptiovaikutusala jättäminen huomiotta vaikuttaa toiseen suuntaan. Tulokset riippuvat täysin fissiotaajuustiheydestä, joten sen tarkempi tuntemus olisi tarpeen kunnollisia tuloksia varten. Tässä ei myöskään huomioida talvi- ja kesäajan aiheuttamia muutoksia virastoajoissa. Tässä vielä Matlab-skripti jolla kuva 3.1 luotiin: % This script assumes that the nuclide is born instantly from the fission % (and from decay of some other nuclide), and that the flux is so low that % absorption can be ignored. For example neither of those conditions are % met with Xe-135. function burnup_nuclides_in_triga() a = 24*365; d = 24; h = 1; 6

7 Kuva 3.1: Karkeat arviot 131 I, 135 Xe ja 137 Cs:n tiheyksistä. % 250 kw / cm^3 / 200 MeV fissiondensityrate = ; % 1/(cm^3s) data = { I-131, 8.02*d, , I_131 ; 7

8 Xe-135, 9.10*h, , Xe_135 ; Cs-137, 30.17*a, , Cs_137 }; nnuclides = size(data, 1); nuclides = data(:,1); T_half = [data{:,2}] ; lambda = log(2)./ T_half; % in 1/hour chi = [data{:,3}] ; id = data(:,4); close all; for I=1:nNuclides nweeks = ceil(365/7*40); N = computeconcentrations(nweeks, lambda(i), chi(i), fissiondensityrate); nweek = 2; H = visualize(n, nweek, nuclides{i}, lambda(i)); print(h, -dpng, [../figures/burnup_nuclides_in_triga_,... id{i},.png ]); nweek = nweeks-1; H = visualize(n, nweek, nuclides{i}, lambda(i)); print(h, -dpng, [../figures/burnup_nuclides_in_triga_1_,... id{i},.png ]); % Computes concentrations every eight hours assuming the reactor was % started on a Monday. function N = computeconcentrations(nweeks, lambda, chi, fissiondensityrate) npoints = 3*7*nWeeks; N = zeros(npoints, 1); % zero initial concentration deltat = 8; % hours SS = chi*fissiondensityrate/lambda; % steady state concentration I = 1; for W=1:nWeeks % Mon-Fri for D=1:5 % Shutdown from 0 to 8 8

9 I = I+1; N(I) = N(I-1)*exp(-lambda*deltaT); % Operating from 8 to 16 I = I+1; N(I) = (N(I-1)-SS)*exp(-lambda*deltaT)+SS; % Shutdown from 16 to 24 I = I+1; N(I) = N(I-1)*exp(-lambda*deltaT); % Sat-Sun for D=6:7 % Shutdown from 0 to 8 I = I+1; N(I) = N(I-1)*exp(-lambda*deltaT); % Shutdown from 8 to 16 I = I+1; N(I) = N(I-1)*exp(-lambda*deltaT); % Shutdown from 16 to 24 I = I+1; N(I) = N(I-1)*exp(-lambda*deltaT); % Visualizes a given week. function H = visualize(nn, nwek, nuclide, lambda) npoints = 50; styles = { r-, g-, b- }; H = figure(); set(h, PaperUnits, centimeters ) figure_width=5.5; figure_height=5.5; set(h, PaperSize,[figure_width, figure_height]); left=0.00*figure_width; width=1.00*figure_width; bottom=0.00*figure_height; height=1.00*figure_height; set(gcf, PaperPosition,[left, bottom, width, height]) factor = 50; 9

10 GG = get(gcf, Position ); X0 = GG(1); Y0 = GG(2)+GG(4)-height*factor; set(gcf, Position,[X0, Y0, width*factor, height*factor]) for J=1:3 % get leg right hold on plot([0, 0], [0, eps], styles{j}); hold off for J=1:3 nweek = nwek + J - 2; npointsperweek = 3*7; nppw = npointsperweek; nfrom = (nweek-1)*nppw+1; nto = nweek*nppw; N = NN(nFrom:nTo); hold on for I=1:length(N) T = linspace((i-1)*8, I*8, npoints); deltat = linspace(0, 8, npoints); if (I==2 I==5 I==8 I==11 I==14) % deduce SS SS = (N(I+1) - N(I)*exp(-lambda*8)) / (1-exp(-lambda*8)); C = (N(I)-SS)*exp(-lambda*deltaT)+SS; plot(t, C, styles{j}); else C = N(I)*exp(-lambda*deltaT); plot(t, C, styles{j}); hold off xlabel( Hour in week (-) ); ylabel([nuclide, concentration (1/cm^3) ]); YL = ylim(); ylim([0, YL(2)]); xlim([0, 7*24]); set(gca, Xtick, 0:24:7*24); leg({[ Week, num2str(nwek-1)],... [ Week, num2str(nwek+0)],... 10

11 [ Week, num2str(nwek+1)]},... Location, SouthEast ); 11

12 4. Tarkastellaan puhdasta näytettä radioaktiivista ainetta, jonka hajoamisketju päättyy I:n hajoamisen jälkeen stabiiliin ytimeen. Johda nukliditiheyksille analyyttinen ratkaisu ja sovella sitä 232 U:n hajoamisketjuun. Jätä muut kuin päähajoamismekanismit huomiotta. Ratkaisu Merkitään nuklidin i hajoamisvakiota λ i :lla. Taseyhtälöt ovat N 0(t) = λ 0 N 0, (4.1a) N i(t) = λ i 1 N i 1 λ i N i, kun 0 < i < I, ja, (4.1b) N I = λ I 1 N I 1. (4.1c) Aikaderivaattaa on tässä merkitty pilkulla. Tulkitsemalla λ I = 0 saadaan myös yhtälö (4.1c) yhtälön (4.1b) muotoon. Nämä ovat Batemanin yhtälöt, joiden kerroinmatriisi on alakolmiomatriisi. Ongelma ratkennee siis helposti ratkaisemalla yhtälöt ylhäältä alaspäin. Ensimmäisen yhtälön on homogeeninen ensimmäisen asteen differentiaaliyhtälö, jonka ratkaisu on N 0 (t) = N 0 e λ 0t, (4.2) missä N 0 on puhtaan näytteen nuklidimäärä. Toinen yhtälön on nyt epähomogeeninen ensimmäisen asteen differentiaaliyhtälö. Sen homogeeniyhtälön ratkaisu on N 1 (t) = A 1 e λ 1t, (4.3) ja epähomogeeniyhtälön yksittäisratkaisu löytyy taas yritteellä N 1 (t) = B 1 e λ 0t. (4.4) Kertoimeksi B 1 saadaan N 0 λ 0 /(λ 1 λ 0 ). Yhdistämällä ratkaisut ja alkuehdon N 1 (0) = 0 saadaan kokonaisratkaisuksi Haetaan siis yleistä ratkaisua muodossa N 1 (t) = N 0 λ 1 λ 1 λ 0 ( e λ 0 t e λ 1t ). (4.5) N i (t) = i C i,j e λjt. (4.6) 12

13 Sijoitetaan tämä yhtälöön (4.1b), jolloin i i 1 λ j C i,j e λjt = λ i 1 C i 1,j e λjt i λ i C i,j e λjt, i 1 i 1 i 1 λ j C i,j e λjt = λ i 1 C i 1,j e λjt λ i C i,j e λjt, i 1 [ λj C i,j e λjt λ i 1 C i 1,j e λjt + λ i C i,j e ] λ jt = 0. (4.7) Koska i j = λ i λ j ovat eri eksponenttifunktiot lineaarisesti riippumattomia, ja voidaan laskea vain kertoimilla: λ j C i,j λ i 1 C i 1,j + λ i C i,j = 0, C i,j = λ i 1 C i 1,j. (4.8) λ i λ j Näin saatiin kertoimet C i,j, i = 1,...,I, j = 0,...,i 1 määritettyä rekursiivisesti. Kertoimet C i,i, i = 1,...,I saadaan alkuehdosta N i (0) = 0: Kerroin C 0,0 olikin jo N 0. i 1 C i,i = C i,j. (4.9) Kuvassa 4.1 on esitetty aluksi puhtaan 232 U näytteen nuklidikonsentraatiot 10 puoliintumisajan ajalta. Tarvittavat vakiot on esitetty taulukossa 4.1. Muiden kuin 232 U:n konsentraatiot saavuttavat kohtuullisen nopeasti omat maksitiheytensä, ja alkavat vähentyä tästä. Tila on lähes tasapainossa siinä mielessä, että tiheyksien suhteet ovat lähes vakioita 208 Pb:tä lukuunottamatta. Tässä ei kuitenkaan huomioitu haarautumisia eli sitä, että nuklidi voi hajota monella eri tavalla. Tässä on ongelma on lineaarinen eli ei-puhtaisiin radioaktiivisiin aineisiin riittää, että soveltaa yllä olevaa jokaiselle nuklidille erikseen, ja summaa lopputulokset. Sovelluksissa tämän analyyttisen lähestystavan yhtenä ongelmana on numeerinen stabiilius: λ i λ j :llä jakaminen kadottaa merkitseviä numeroita, kun λ i λ j. Tässä vielä Matlab-skripti jolla kuva 4.1 luotiin: 13

14 Taulukko 4.1: 232 U:n hajoamisketjun vakiot. Tässä on oletettu, että ylemmän rivin nuklidi hajoaa aina alemman rivin nuklidiksi. Nuklidi T 1/2 232 U 68,9 a 228 Th 1,913 a 224 Ra 3,66 d 220 Rn 55,6 s 216 Po 0,15 s 212 Pb 10,64 h 212 Bi 9 m 212 Po 17,1 ns 208 Pb Kuva 4.1: Nuklidikonsentraatioiden kehitys 232 U:n hajoamisketjussa. 14

15 % Decay chain of a pure sample of U-232: % Time units a = *24*60*60; % year is badly defined d = 24*60*60; h = 60*60; m = 60; % minute or month? this is minute. s = 1; ms = 1e-3; us = 1e-6; ns = 1e-9; % Data N0 = 1; % atoms, atoms / cc or something proportional to those. % data = { U-233, 1.592e5*a, k-, 2;... % Th-229, 7880*a, k--, 1;... % Ra-225, 14.8*d, k--, 1;... % Ac-225, 10.0*d, k--, 1;... % Fr-221, 4.9*m, k--, 1;... % At-217, 32.3*ms, k--, 1;... % Bi-213, 45.59*m, k--, 1;... % Po-213, 4.2*us, k--, 1,... % Pb-209, 3.253*h, k--, 1;... % Bi-209, inf, k-, 2}; data = { U-232, 68.9*a, k-, 2;... Th-228, 1.913*a, k--, 1;... Ra-224, 3.66*d, b-, 1;... Rn-220, 55.6*s, b--, 1;... Po-216, 0.15*s, g-, 1;... Pb-212, 10.64*h, g--, 1;... Bi-212, 9*m, r-, 1;... Po-212, 17.1*ns, r--, 1;... Pb-208, inf, r-, 2}; nnuclides = size(data, 1); names = data(:,1); T_half = [data{:,2}]; lambda = log(2)./ T_half; styles = data(:,3); linewidths = data(:,4); 15

16 % Decay chain C = zeros(nnuclides, nnuclides); C(1,1) = N0; for I=1:nNuclides for J=1:(I-1) C(I,J) = lambda(i-1) / (lambda(i) - lambda(j)) * C(I-1,J); C(I,I) = C(I,I) - C(I,J); % Time discretization npoints = 11111; T = linspace(0, 10*T_half(1), npoints); % Values N = zeros(nnuclides, length(t)); for I=1:nNuclides for K=1:length(T) for J=1:I N(I,K) = N(I,K) + C(I,J)*exp(-lambda(J)*T(K)); % Visualize close all H = figure(); set(h, PaperUnits, centimeters ) figure_width=12.5; figure_height=7.5; set(h, PaperSize,[figure_width, figure_height]); left=0.00*figure_width; width=1.00*figure_width; bottom=0.00*figure_height; height=1.00*figure_height; set(gcf, PaperPosition,[left, bottom, width, height]) factor = 50; GG = get(gcf, Position ); X0 = GG(1); Y0 = GG(2)+GG(4)-height*factor; set(gcf, Position,[X0, Y0, width*factor, height*factor]) 16

17 hold on for I=1:nNuclides plot(t/a, N(I, :), styles{i}, LineWidth, linewidths{i}); hold off set(gca, YScale, log ); leg(names, Location, EastOutside ) xlabel( Time (years) ) ylabel( Concentration (N_0) ) XL = xlim(); xlim([xl(1), 10*T_half(1)/a]); print(h, -dpng,../figures/burnup_decay_chain.png ); 17

Radioaktiivinen hajoaminen

Radioaktiivinen hajoaminen radahaj2.nb 1 Radioaktiivinen hajoaminen Radioaktiivinen hajoaminen on ilmiö, jossa aktivoitunut, epästabiili atomiydin vapauttaa energiaansa a-, b- tai g-säteilyn kautta. Hiukkassäteilyn eli a- ja b-säteilyn

Lisätiedot

5 Differentiaaliyhtälöryhmät

5 Differentiaaliyhtälöryhmät 5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =

Lisätiedot

Matematiikka B2 - TUDI

Matematiikka B2 - TUDI Matematiikka B2 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö

Lisätiedot

y + 4y = 0 (1) λ = 0

y + 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

Lisätiedot

Matematiikka B3 - Avoin yliopisto

Matematiikka 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

Matematiikka B2 - Avoin yliopisto

Matematiikka B2 - Avoin yliopisto 6. elokuuta 2012 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot

Lisätiedot

Gaussin ja Jordanin eliminointimenetelmä

Gaussin 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

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 4 To 15.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 4 To 15.9.2011 p. 1/38 p. 1/38 Lineaarinen yhtälöryhmä Lineaarinen yhtälöryhmä matriisimuodossa Ax = b

Lisätiedot

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48

MS-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?

Lisätiedot

763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät y' P. α φ

763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät y' P. α φ 76336A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät 217 1. Koordinaatiston muunnosmatriisi (a) y' P r α φ ' Tarkastellaan, mitä annettu muunnos = cos φ + y sin φ, y = sin φ + y cos φ, (1a) (1b) tekee

Lisätiedot

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä 1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a

Lisätiedot

1 Di erentiaaliyhtälöt

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

Lisätiedot

Ionisoiva säteily. Tapio Hansson. 20. lokakuuta 2016

Ionisoiva säteily. Tapio Hansson. 20. lokakuuta 2016 Tapio Hansson 20. lokakuuta 2016 Milloin säteily on ionisoivaa? Milloin säteily on ionisoivaa? Kun säteilyllä on tarpeeksi energiaa irrottaakseen aineesta elektroneja tai rikkoakseen molekyylejä. Milloin

Lisätiedot

Ominaisarvo-hajoitelma ja diagonalisointi

Ominaisarvo-hajoitelma ja diagonalisointi Ominaisarvo-hajoitelma ja a 1 Lause 1: Jos reaalisella n n matriisilla A on n eri suurta reaalista ominaisarvoa λ 1,λ 2,...,λ n, λ i λ j, kun i j, niin vastaavat ominaisvektorit x 1, x 2,..., x n muodostavat

Lisätiedot

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

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

Lisätiedot

Harjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,

Harjoitus 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

Lisätiedot

MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42

MS-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).

Lisätiedot

Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / Ratkaisut

Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / Ratkaisut MS-C34 Lineaarialgebra ja differentiaaliyhtälöt, IV/26 Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / t Alkuviikon tuntitehtävä Hahmottele matriisia A ( 2 6 3 vastaava vektorikenttä Matriisia A

Lisätiedot

(a) Järjestellään yhtälöitä siten, että vasemmalle puolelle jää vain y i ja oikealle puolelle muut

(a) Järjestellään yhtälöitä siten, että vasemmalle puolelle jää vain y i ja oikealle puolelle muut BM0A5830 Differentiaalihtälöiden peruskurssi Harjoitus 7, Kevät 07 Päivitksiä: Tehtävän b tehtävänantoa korjattu, tehtävän 5 vastaus korjattu. b tehtävänantoa sujuvoitettu. Vastauksia lisätt.. Monasti

Lisätiedot

ax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.

ax + 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

Lisätiedot

Differentiaaliyhtälöt II, kevät 2017 Harjoitus 5

Differentiaaliyhtälöt 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)

Lisätiedot

Lyhyt yhteenvetokertaus nodaalimallista SÄTEILYTURVAKESKUS STRÅLSÄKERHETSCENTRALEN RADIATION AND NUCLEAR SAFETY AUTHORITY

Lyhyt yhteenvetokertaus nodaalimallista SÄTEILYTURVAKESKUS STRÅLSÄKERHETSCENTRALEN RADIATION AND NUCLEAR SAFETY AUTHORITY Lyhyt yhteenvetokertaus nodaalimallista SÄTELYTUVAKESKUS STÅLSÄKEHETSCENTALEN ADATON AND NUCLEA SAFETY AUTHOTY Ei enää tarkastella neutronien kulkua, vaan työn alla on simppeli tuntemattoman differentiaaliyhtälöryhmä

Lisätiedot

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Lineaarikombinaatio, 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

Lisätiedot

Ennakkotehtävän ratkaisu

Ennakkotehtävän ratkaisu Ennakkotehtävän ratkaisu Ratkaisu [ ] [ ] 1 3 4 3 A = ja B =. 1 4 1 1 [ ] [ ] 4 3 12 12 1 0 a) BA = =. 1 + 1 3 + 4 0 1 [ ] [ ] [ ] 1 0 x1 x1 b) (BA)x = =. 0 1 x 2 x [ ] [ ] [ 2 ] [ ] 4 3 1 4 9 5 c) Bb

Lisätiedot

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

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

Lisätiedot

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg Vaasan yliopisto, syksy 218 Lineaarialgebra II, MATH124 Matti laaksonen, Lassi Lilleberg Tentti T1, 284218 Ratkaise 4 tehtävää Kokeessa saa käyttää laskinta (myös graafista ja CAS-laskinta), mutta ei taulukkokirjaa

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot

Lisätiedot

4 Korkeamman kertaluvun lineaariset differentiaaliyhtälöt

4 Korkeamman kertaluvun lineaariset differentiaaliyhtälöt 4 Korkeamman kertaluvun lineaariset differentiaaliyhtälöt 4.1 Homogeeniset lineaariset differentiaaliyhtälöt Homogeeninen yhtälö on muotoa F(x, y,, y (n) ) = 0. (1) Yhtälö on lineaarinen, jos se voidaan

Lisätiedot

4. Lasketaan transienttivirrat ja -jännitteet kuvan piiristä. Piirielimien arvot ovat C =

4. 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

Lisätiedot

Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut

Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut Insinöörimatematiikka D, 406 6 laskuharjoituksien esimerkkiratkaisut Ratkaistaan differentiaaliyhtälö y = y () Tässä = d dy eli kyseessä on lineaarinen kertaluvun differentiaaliyhtälö: Yhtälön () homogenisoidulle

Lisätiedot

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen

Lisätiedot

Mat Dynaaminen optimointi, mallivastaukset, kierros 1

Mat Dynaaminen optimointi, mallivastaukset, kierros 1 Mat-214 Dynaaminen optimointi, mallivastaukset, kierros 1 1 a) Sekoitussäiliöön A virtaa puhdasta vettä virtauksella v A, säiliöstä A säiliöön B täysin sekoittunutta liuosta virtauksella v AB ja säiliöstä

Lisätiedot

2.5. Matriisin avaruudet ja tunnusluvut

2.5. Matriisin avaruudet ja tunnusluvut 2.5. Matriisin avaruudet ja tunnusluvut m n-matriisi A Lineaarikuvaus A : V Z, missä V ja Z ovat sopivasti valittuja, dim V = n, dim Z = m (yleensä V = R n tai C n ja Z = R m tai C m ) Kuva-avaruus ja

Lisätiedot

v AB q(t) = q(t) v AB p(t) v B V B ṗ(t) = q(t) v AB Φ(t, τ) = e A(t τ). e A = I + A + A2 2! + A3 = exp(a D (t τ)) (I + A N (t τ)), A N = =

v AB q(t) = q(t) v AB p(t) v B V B ṗ(t) = q(t) v AB Φ(t, τ) = e A(t τ). e A = I + A + A2 2! + A3 = exp(a D (t τ)) (I + A N (t τ)), A N = = Mat-214 Dynaaminen optimointi Mitri Kitti Mallivastaukset kierros 1 1 a) Sekoitussäiliöön A virtaa puhdasta vettä virtauksella v A säiliöstä A säiliöön B täysin sekoittunutta liuosta virtauksella v AB

Lisätiedot

Ratkaisuehdotukset LH 7 / vko 47

Ratkaisuehdotukset LH 7 / vko 47 MS-C34 Lineaarialgebra, II/7 Ratkaisuehdotukset LH 7 / vko 47 Tehtävä : Olkoot M R symmetrinen ja positiividefiniitti matriisi (i) Näytä, että m > ja m > (ii) Etsi Eliminaatiomatriisi E R siten, että [

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille

Lisätiedot

5 DIFFERENTIAALIYHTÄLÖRYHMÄT

5 DIFFERENTIAALIYHTÄLÖRYHMÄT 5 DIFFERENTIAALIYHTÄLÖRYHMÄT 5. Ensimmäisen kl:n DY-ryhmät Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Useimmat voidaan mallintaa ensimmäisen kertaluvun DY-ryhmien avulla. Ensimmäisen kl:n

Lisätiedot

Osittaistuenta Gaussin algoritmissa: Etsitään 1. sarakkeen itseisarvoltaan suurin alkio ja vaihdetaan tämä tukialkioiksi (eli ko. rivi 1. riviksi).

Osittaistuenta Gaussin algoritmissa: Etsitään 1. sarakkeen itseisarvoltaan suurin alkio ja vaihdetaan tämä tukialkioiksi (eli ko. rivi 1. riviksi). Liukuluvut Tietokonelaskuissa käytetään liukulukuja: mikä esittää lukua ± α α α M β k ± ( M α i β i )β k, i= β on järjestelmän kantaluku, α α M liukuluvun mantissa, α,, α M lukuja,,,, β, siten että α Esimerkki

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisihajotelmat: Schur ja Jordan Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi Matriisihajotelmat:

Lisätiedot

Matriisilaskenta Laskuharjoitus 5 - Ratkaisut / vko 41

Matriisilaskenta Laskuharjoitus 5 - Ratkaisut / vko 41 MS-A0004/MS-A0006 Matriisilaskenta, I/06 Matriisilaskenta Laskuharjoitus 5 - Ratkaisut / vko 4 Tehtävä 5 (L): a) Oletetaan, että λ 0 on kääntyvän matriisin A ominaisarvo. Osoita, että /λ on matriisin A

Lisätiedot

MS-A0004/A0006 Matriisilaskenta

MS-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

Lisätiedot

Lineaarinen yhtälöryhmä

Lineaarinen 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.

Lisätiedot

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5. 2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =

Lisätiedot

Ratkaisuehdotukset LH 3 / alkuvko 45

Ratkaisuehdotukset LH 3 / alkuvko 45 Ratkaisuehdotukset LH 3 / alkuvko 45 Tehtävä : Olkoot A, B, X R n n, a, b R n ja jokin vektorinormi. Kätetään vektorinormia vastaavasta operaattorinormista samaa merkintää. Nätä, että. a + b a b, 2. A

Lisätiedot

. Mitä olisivat y 1 ja y 2, jos tahdottaisiin y 1 (0) = 2 ja y 2 (0) = 0? x (1) = 0,x (2) = 1,x (3) = 0. Ratkaise DY-ryhmä y = Ay.

. Mitä olisivat y 1 ja y 2, jos tahdottaisiin y 1 (0) = 2 ja y 2 (0) = 0? x (1) = 0,x (2) = 1,x (3) = 0. Ratkaise DY-ryhmä y = Ay. BMA583 Differentiaaliyhtälöiden peruskurssi Harjoitus 6, Kevät 7. Oletetaan että saaliskalapopulaation lisääntymisnopeus (ilman kuolemia on suoraan verrannollinen kalapopulaation (merkataan tätä symbolilla

Lisätiedot

Ominaisvektoreiden lineaarinen riippumattomuus

Ominaisvektoreiden 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

Lisätiedot

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

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

Lisätiedot

2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio

2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio x = x 2 = 5/2 x 3 = 2 eli Ratkaisu on siis x = (x x 2 x 3 ) = ( 5/2 2) (Tarkista sijoittamalla!) 5/2 2 Tämä piste on alkuperäisten tasojen ainoa leikkauspiste Se on myös piste/vektori jonka matriisi A

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma

Lisätiedot

Vapaus. 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. 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 +

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-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

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma

Lisätiedot

Käänteismatriisin ominaisuuksia

Käänteismatriisin ominaisuuksia Käänteismatriisin ominaisuuksia Lause 1.4. Jos A ja B ovat säännöllisiä ja luku λ 0, niin 1) (A 1 ) 1 = A 2) (λa) 1 = 1 λ A 1 3) (AB) 1 = B 1 A 1 4) (A T ) 1 = (A 1 ) T. Tod.... Ortogonaaliset matriisit

Lisätiedot

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle / MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,

Lisätiedot

Harjoitus 4: Differentiaaliyhtälöt (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt 1

Harjoitus 4: Differentiaaliyhtälöt (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoitus 4: Differentiaaliyhtälöt (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Matlab:n solver komento differentiaaliyhtöiden

Lisätiedot

Atomin ydin. Z = varausluku (järjestysluku) = protonien määrä N = neutroniluku A = massaluku (nukleoniluku) A = Z + N

Atomin ydin. Z = varausluku (järjestysluku) = protonien määrä N = neutroniluku A = massaluku (nukleoniluku) A = Z + N Atomin ydin ytimen rakenneosia, protoneja (p + ) ja neutroneja (n) kutsutaan nukleoneiksi Z = varausluku (järjestysluku) = protonien määrä N = neutroniluku A = massaluku (nukleoniluku) A = Z + N saman

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33 Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen

Lisätiedot

MS-A0003/A Matriisilaskenta Laskuharjoitus 6

MS-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

Lisätiedot

Värähdysliikkeet. q + f (q, q, t) = 0. q + f (q, q) = F (t) missä nopeusriippuvuus kuvaa vaimenemista ja F (t) on ulkoinen pakkovoima.

Värähdysliikkeet. 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)

Lisätiedot

1 WKB-approksimaatio. Yleisiä ohjeita. S Harjoitus

1 WKB-approksimaatio. Yleisiä ohjeita. S Harjoitus S-114.1427 Harjoitus 3 29 Yleisiä ohjeita Ratkaise tehtävät MATLABia käyttäen. Kirjoita ratkaisut.m-tiedostoihin. Tee tuloksistasi lyhyt seloste, jossa esität laskemasi arvot sekä piirtämäsi kuvat (sekä

Lisätiedot

8 KANNAT JA ORTOGONAALISUUS. 8.1 Lineaarinen riippumattomuus. Vaasan yliopiston julkaisuja 151

8 KANNAT JA ORTOGONAALISUUS. 8.1 Lineaarinen riippumattomuus. Vaasan yliopiston julkaisuja 151 Vaasan yliopiston julkaisuja 151 8 KANNAT JA ORTOGONAALISUUS KantaOrthogon Sec:LinIndep 8.1 Lineaarinen riippumattomuus Lineaarinen riippumattomuus on oikeastaan jo määritelty, mutta kirjoitamme määritelmät

Lisätiedot

5 Lineaariset yhtälöryhmät

5 Lineaariset yhtälöryhmät 5 Lineaariset yhtälöryhmät Edellisen luvun lopun esimerkissä päädyttiin yhtälöryhmään, jonka ratkaisemisesta riippui, kuuluuko tietty vektori eräiden toisten vektorien virittämään aliavaruuteen Tämäntyyppisiä

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö

Lisätiedot

Normaaliryhmä. Toisen kertaluvun normaaliryhmä on yleistä muotoa

Normaaliryhmä. 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

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Inversio-ongelmien laskennallinen peruskurssi Luento 2 Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +

Lisätiedot

Liittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij.

Liittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij. Liittomatriisi Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä (cof A) ij =( 1) i+j det A ij kaikilla i, j = 1,...,n. Huomautus 8 Olkoon A 2 M(n, n). Tällöin kaikilla

Lisätiedot

Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä)

Lineaarialgebra 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

Lisätiedot

Dierentiaaliyhtälöistä

Dierentiaaliyhtälöistä Dierentiaaliyhtälöistä Markus Kettunen 4. maaliskuuta 2009 1 SISÄLTÖ 1 Sisältö 1 Dierentiaaliyhtälöistä 2 1.1 Johdanto................................. 2 1.2 Ratkaisun yksikäsitteisyydestä.....................

Lisätiedot

Matemaattiset apuneuvot II, harjoitus 2

Matemaattiset apuneuvot II, harjoitus 2 Matemaattiset apuneuvot II, harjoitus 2 K. Tuominen 9. marraskuuta 2017 Palauta ratkaisusi Moodlessa.pdf tiedostona maanantaina 13.11. kello 10:15 mennessä. Merkitse vastauspaperiin laskuharjoitusryhmäsi

Lisätiedot

Tyyppi metalli puu lasi työ I 2 8 6 6 II 3 7 4 7 III 3 10 3 5

Tyyppi metalli puu lasi työ I 2 8 6 6 II 3 7 4 7 III 3 10 3 5 MATRIISIALGEBRA Harjoitustehtäviä syksy 2014 Tehtävissä 1-3 käytetään seuraavia matriiseja: ( ) 6 2 3, B = 7 1 2 2 3, C = 4 4 2 5 3, E = ( 1 2 4 3 ) 1 1 2 3 ja F = 1 2 3 0 3 0 1 1. 6 2 1 4 2 3 2 1. Määrää

Lisätiedot

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä 1 MAT-1345 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 9 Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 14 R. Kangaslampi matriisiteoriaa Matriisinormi

Lisätiedot

1 Matriisit ja lineaariset yhtälöryhmät

1 Matriisit ja lineaariset yhtälöryhmät 1 Matriisit ja lineaariset yhtälöryhmät 11 Yhtälöryhmä matriisimuodossa m n-matriisi sisältää mn kpl reaali- tai kompleksilukuja, jotka on asetetettu suorakaiteen muotoiseksi kaavioksi: a 11 a 12 a 1n

Lisätiedot

7 Vapaus. 7.1 Vapauden määritelmä

7 Vapaus. 7.1 Vapauden määritelmä 7 Vapaus Kuten edellisen luvun lopussa mainittiin, seuraavaksi pyritään ratkaisemaan, onko annetussa aliavaruuden virittäjäjoukossa tarpeettomia vektoreita Jos tällaisia ei ole, virittäjäjoukkoa kutsutaan

Lisätiedot

Esimerkki: Tietoliikennekytkin

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

Lisätiedot

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35 Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen

Lisätiedot

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2014 Harjoitus 4 Ratkaisujen viimeinen palautuspäivä: pe 662014 klo 1930 Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun

Lisätiedot

k=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu

k=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu LIS AYKSI A kirjaan Reaalimuuttujan analyysi 1.6. Numeerinen integrointi: Gaussin kaavat Edella kasitellyt numeerisen integroinnin kaavat eli kvadratuurikaavat Riemannin summa, puolisuunnikassaanto ja

Lisätiedot

. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1

. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1 TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-.39 Optimointioppi Kimmo Berg 8. harjoitus - ratkaisut. a)huomataan ensinnäkin että kummankin jonon raja-arvo r on nolla. Oletetaan lisäksi että

Lisätiedot

MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 11: Lineaarinen differentiaaliyhtälö

MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 11: Lineaarinen differentiaaliyhtälö MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 11: Lineaarinen differentiaaliyhtälö Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos

Lisätiedot

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 4 / vko 47

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 4 / vko 47 MS-A3/A5 Matriisilaskenta Malliratkaisut 4 / vko 47 Tehtävä 1 (L): Oletetaan, että AB = AC, kun B ja C ovat m n-matriiseja. a) Näytä, että jos A on kääntyvä, niin B = C. b) Seuraako yhtälöstä AB = AC yhtälö

Lisätiedot

Matriisi-vektori-kertolasku, lineaariset yhtälöryhmät

Matriisi-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

Lisätiedot

2 dy dx 1. x = y2 e x2 2 1 y 2 dy = e x2 xdx. 2 y 1 1. = ex2 2 +C 2 1. y =

2 dy dx 1. x = y2 e x2 2 1 y 2 dy = e x2 xdx. 2 y 1 1. = ex2 2 +C 2 1. y = BM20A5830 Differentiaaliyhtälöiden peruskurssi Harjoitus 2, Kevät 207 Päivityksiä: Tehtävän 4b tehtävänanto korjattu ja vastauksia lisätty.. Ratkaise y, kun 2y x = y 2 e x2. Jos y () = 0 niin mikä on ratkaisu

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33 Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden

Lisätiedot

MAB3 - Harjoitustehtävien ratkaisut:

MAB3 - Harjoitustehtävien ratkaisut: MAB - Harjoitustehtävien ratkaisut: Funktio. Piirretään koordinaatistoakselit ja sijoitetaan pisteet:. a) Funktioiden nollakohdat löydetään etsimällä kuvaajien ja - akselin leikkauspisteitä. Funktiolla

Lisätiedot

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

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

Lisätiedot

Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40

Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40 Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40 Alkuviikolla harjoitustehtäviä lasketaan harjoitustilaisuudessa. Loppuviikolla näiden harjoitustehtävien tulee olla ratkaistuina harjoituksiin

Lisätiedot

ja piirrä sitä vastaavat kaksi käyrää ja tarkista ratkaisusi kuvastasi.

ja piirrä sitä vastaavat kaksi käyrää ja tarkista ratkaisusi kuvastasi. Harjoituksia yhtälöryhmistä ja matriiseista 1. Ratkaise yhtälöpari (F 1 ja F 2 ovat tuntemattomia) cos( ) F 1 + cos( ) F 2 = 0 sin( ) F 1 + sin( ) F 2 = -1730, kun = -50 ja = -145. 2. Ratkaise yhtälöpari

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi

Lisätiedot

MAB3 - Harjoitustehtävien ratkaisut:

MAB3 - Harjoitustehtävien ratkaisut: MAB3 - Harjoitustehtävien ratkaisut: 1 Funktio 1.1 Piirretään koordinaatistoakselit ja sijoitetaan pisteet: 1 1. a) Funktioiden nollakohdat löydetään etsimällä kuvaajien ja - akselin leikkauspisteitä.

Lisätiedot

Matriisilaskenta (TFM) MS-A0001 Hakula/Vuojamo Ratkaisut, Viikko 47, 2017

Matriisilaskenta (TFM) MS-A0001 Hakula/Vuojamo Ratkaisut, Viikko 47, 2017 Matriisilaskenta (TFM) MS-A1 Hakula/Vuojamo Ratkaisut, Viikko 47, 17 R Alkuviikko TEHTÄVÄ J1 Mitkä matriisit E 1 ja E 31 nollaavat sijainnit (, 1) ja (3, 1) matriiseissa E 1 A ja E 31 A kun 1 A = 1. 8

Lisätiedot

2v 1 = v 2, 2v 1 + 3v 2 = 4v 2.. Vastaavasti ominaisarvoa λ 2 = 4 vastaavat ominaisvektorit toteuttavat. v 2 =

2v 1 = v 2, 2v 1 + 3v 2 = 4v 2.. Vastaavasti ominaisarvoa λ 2 = 4 vastaavat ominaisvektorit toteuttavat. v 2 = TKK, Matematiikan laitos Pikkarainen/Tikanmäki Mat-1.1320 Matematiikan peruskurssi K2 Harjoitus 12, A=alku-, L=loppuviikko, T= taulutehtävä, P= palautettava tehtävä, W= verkkotehtävä 21. 25.4.2008, viikko

Lisätiedot

Määritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )

Määritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m ) Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä

Lisätiedot

Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt

Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt Digress: vakio- vs. muuttuva kiihtyvyys käytännössä Kinematiikkaa yhdessä dimensiossa taustatietoa Matlab-esittelyä 1 / 20 Luennon sisältö Digress: vakio-

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C340 Lineaarialgebra ja differentiaaliyhtälöt Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 205 / 3 R. Kangaslampi Matriisihajotelmista Differentiaaliyhtälöitä ratkaistaessa

Lisätiedot

Matemaattinen Analyysi

Matemaattinen Analyysi Vaasan yliopisto, 009-010 / ORMS1010 Matemaattinen Analyysi 8. harjoitus 1. Ratkaise y + y + y = x. Kommentti: Yleinen työlista ratkaistaessa lineaarista, vakiokertoimista toisen kertaluvun differentiaaliyhtälöä

Lisätiedot