Matematiikka ja teknologia, kevät 2011
|
|
- Tarja Aaltonen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Matematiikka ja teknologia, kevät 2011 Peter Hästö 20. tammikuuta 2011 Matemaattisten tieteiden laitos
2 Matematiikka & teknologia [Sarjakuva] Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
3 Sisältö Kurssi koostuu kuudesta (seitsemästä) toisistaan riippumattomasta luennosta. Aihepiirit ovat: 13.1 Global positioning system (GPS) 20.1 Satunnaislukugeneraattorit 27.1 Google ja PageRank algoritmi 3.2 JPEG kuvanpakkaus 10.2 ei luentoa! 17.2 Geometria arkkitehtuurissa 24.2 ROF kuvan virheenpoisto (3.3 Fraktaalit ja kuvanpakkaus) HUOM! 3.3 on ylimääräinen luento fraktaaleista tässä luennossa ei ole ollenkaan perusosaa, koska aiheen käsittely vaatii enemmän matemaattista pohjaa. Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
4 Satunnaisuus Satunnaisprosesseja, kuten nopan tai kolikon heiton tulosta, tutkitaan todennäköisyyslaskennassa. Todennäköisyyslaskennan alkuperä on juuri sattumaa sisältävien uhkapelien tutkimisessa. Tilastotiede on TN laskennan komplementti sikäli, että siinä pyritään selvittämään johtuuko tietyt havainnot sattumasta, vai jostain systemaattisesta syystä. Satunnaisprosesseja voidaan käyttää simulaatioissa luomaan tilastollisia testejä... Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
5 Varhainen esimerkki simulaatiosta W. S. Gossett, t-testin luoja/keksijä, käytti alkeellista simulaatiokeinoa 1900-luvun alkupuolella apuna testinsä analyyttisessä johtamisessa. (Testiä käytetään selvittämään, eroavatko kahden normaalijakautuneen populaation otosten keskiarvot toisistaan.) Gossettilla oli käytössään tiedot 3000 vangin pituuksista ja vasemman keskisormen pituuksista, jotka oli kirjoitettu pahvilapuille. Hän sekoitti ne ja valitsi neljän kortin kokoelmia. Näin hän sai 750 mahdollista keskiarvon arvoa Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
6 Muutama muu sovellus Operaatioanalyysi/logistiikka, esim. jonotusaikojen arviointi ja optimointi. Verkostoanalyysi, esim. hakukoneet (ensi viikon luento). Monimutkaiset tilastolliset testit, esim. osittaisen struktuurin vaikutus faktorianalyysissä. Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
7 Miten satunnaislukuja tuotetaan tietokoneen avulla? Fysikaalisten (oletettavasti) satunnaisten ilmiöiden käyttö satunnaisuuden generoinnissa ei ole isossa skaalassa käytännöllistä. Viimeisen 70 vuoden aikana onkin kehittynyt useita tapoja tuottaa ns. pseudosatunnaislukuja ( näennäissatunnaislukuja ). Pseudosatunnaisluku jono on deterministinen jono, joka näyttää satunnaiselta. Esim. mikä on seuraava luku jonossa 13, 8, 1, 2, 11, 14, 7, 12, 13, 12, 17, 2, 11, 10, 3,...? Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
8 Anekdootti deterministisyydestä Vuonna 1994 mies pidätettiin epäiltynä kasinohuijauksesta hänen voitettua kolme peräkkäistä kenon päävoittoa Yhdysvaltalaisessa kasinossa. (Kenossa valitaan 12 lukua väliltä 1 ja 80, voittonumeroita on yhteensä 20.) Tutkimus kuitenkin osoitti miehen syyttömäksi hän oli vain havainnut, että kasinossa toistuivat samat numerot päivästä toiseen, jonka jälkeen voittaminen olikin helppoa. Ongelma johtui siitä, että pelissä käytetty pseudosatunnaislukugeneraattori alustettiin (virheellisesti) samalla tavalla joka päivä, jolloin numerot määräytyivät, deterministisesti, samalla tavalla joka päivä! Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
9 Mistä pseudosatunnaisluvut tulevat? Yksinkertainen tapa on käyttää lineaarista kongruenssia: x n = a x n 1 mod p, missä a on annettu vakio, p on alkuluku, ja mod p viittaa laskutoimituksiin kunnassa Z p. [Selitys laskusta modulo p] Luku a valitaan niin, että a k 1 kun k < p 1. (Välttämättä a p 1 = 1.) Tällaista lukua sanotaan kunnan primitiivijuureksi. Luvun a valinnasta seuraa, että x n = x k vain jos n k on luvun p monikerta, eli toisin sanoen jono (x k ) on periodinen maksimaalisella periodilla p 1. Tavallinen valinta on p = ja a = Lineaarinen kongruenssi ei kuitenkaan ole kaikilta osin hyvä tapa generoida pseudosatunnaislukuja. Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
10 Esimerkki lineaarisesta kongruenssista Valitaan p = 151 ja a = 30. Lähdetään liikkeelle luvusta x 0 = 1. Nyt (x n ) käy läpi kaikki luvut välillä 1 ja 150, alkaen 1, 30, 145, 122, 36, 23, 86, 13, 88, 73, 76, 15, 148. Yksittäisten numeroiden osalta jono on siis jossain mielessä hyvä (vaikkakin oikeasti liian tasainen (p = ). Tämä ei kuitenkaan aina riitä. Jos esimerkiksi haluamme käyttää jonoa pisteiden muodostamiseen tasossa asettamalla x = x n ja y = x n+1 niin on tärkeätä myös, että jonon parit ovat satunnaisominaisuuksiltaan hyviä. [näytä esimerkkiohjelma rng.exe] Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
11 Esimerkki lineaarisesta kongruenssista Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
12 April 2005 they pass the battery of tests. There is no doubt, however, that there will be another standard in the future to replace the NIST suite, just as Diehard replaced Knuth s suite and NIST has replaced the Diehard suite. Mikä on hyvä pseudosatunnaisluku Description of Tests Lukujonojen satunnaisuutta voi testata monella tavalla. aim to detect. See Appendix K for a more detailed description and step-by-step guide. Käytettävät testit ja vaatimukset riippuvat sovelluksesta. Following is a brief overview of what kind of departures from randomness that the tests in the NIST suite NIST Statistical Test Suite Test Defect Detected Property Frequency (monobit) Too many zeroes or ones Equally likely (global) Frequency (block) Too many zeroes or ones Equally likely (local) Runs test Oscillation of zeroes and ones too Sequential dependence (locally) fast or too slow Longest run of ones in a block Oscillation of zeroes and ones too Sequential dependence (globally) fast or too slow Binary matrix rank Deviation from expected rank Linear dependence distribution Discrete fourier transform (spectral) Repetitive patterns Periodic dependence Non-overlapping template matching Irregular occurences of a prespecified Periodic dependence and equally template likely Overlapping template matching Irregular occurences of a prespecified Periodic dependence and equally template likely Maurer's universal statistical Sequence is compressible Dependence and equally likely Linear complexity Linear feedback shift register (LFSR) Dependence too short Serial Non-uniformity in the joint distribution Equally likely for m-length sequences Approximate entropy Non-uniformity in the joint distribution Equally likely for m-length sequences Cumulative sums (cusum) Too many zeroes or ones at either an Sequential dependence early or late stage in the sequence Random excursions Deviation from the distribution of the Sequential dependence number of visits of a random walk to a certain state Random excursions variants Deviation from the distribution of the Sequential dependence number of visits (across many random walks) to a certain state Table 4.1 NIST Statistical Test Suite Note: There are a number of alterations to the NIST statistical test suite that have been taken into account when testing (see Appendix I for details). (teoksesta Random Number Generators: An Evaluation and Comparison Revised Set of Tests of Random.org and Some Commonly Used Generators, Charmaine The client expressed an interest in a prioritisation of tests within the recommended test suite. The Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
13 Syventävä osa käsitteitä Kunta Z p. Polynomi, polynomin aste. Mitä tarkoittaa väite x 4 = x 2 + x mod (x 3 + x + 1)? Automaatin tila Kiintopiste Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
14 Lineaariset siirtorekisterit, taas Lineaarinen siirtorekisteri on lineaarisen kongruenssin serkku, jolla on kuitenkin satunnaisuuden generoinnin kannalta paremmat ominaisuudet. Siirtorekisterissä on r parametria q 0,..., q r 1 sekä saman verran alkuarvoja, a 0,..., a r 1. Kun n r, saadaan a n kaavalla r 1 a n := a n r+i q i mod p. i=0 Rekisterissä on r alkiota, jokainen väliltä 0-(p 1), joten rekisterillä on p r mahdollista tilaa. Koska on kiintopiste, havaitaan, että jonon (a n ) periodi on korkeintaan p r 1. Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
15 Lineaariset siirtorekisterit, esimerkki Tarkastellaan tapausta r = 3, (q 0, q 1, q 2 ) = (1, 1, 0). Valitaan alkuarvoiksi vaikka (1, 0, 0). [Lasku taululle] Nähdään, että saamme jonon Tarkastellaan jonon momentteja 0, 1 ja 2: jono frekv jono frekv jono frekv Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
16 Redusoituvuus Tulemme yhdistämään lineaariseen siirtorekisteriin polynomin P(x) := x r q r 1 x r 1... q 1 x q 0. Päätuloksen esittämiseksi määrittelemme muutaman polynomia koskevan käsitteen. Määritelmä Sanomme, että polynomi P on irredusoituva kunnassa K, mikäli ei ole olemassa polynomeja P 1 ja P 2, kummatkin vähintään astetta 1, joille P = P 1 P 2. Esimerkiksi x 2 + x on redusoituva kunnassa Z 2, koska x 2 + x = x(x + 1). Toisaalta x 3 + x + 1 on irredusoituva samassa kunnassa; jos nimittäin x 3 + x + 1 = P 1 (x)p 2 (x), niin voimme olettaa, että P 1 on ensimmäistä astetta, eli joko P(x) = x tai P(x) = x + 1. Ensimmäisessä tapauksessa P 1 (0) = 0, jälkimmäisessä P 1 (1) = 0, kumpikin ristiriita. Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
17 Primitiivisyys Määritelmä Sanomme, että asteen r polynomi P on primitiivinen kunnassa K, mikäli se on irredusoituva ja jokaiselle nollasta eroavalle korkeintaan asteen r 1 polynomille Q on olemassa i {0,..., p r 2} ja polynomi R siten, että eli toisin sanoen Q = x i mod P. Esimerkki seuraavalla kalvolla. Q = x i + RP, Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
18 Primitiivisyys, esimerkki Osoitetaan, että P(x) := x 3 + x + 1 on primitiivinen kunnassa Z 2 ; aiemmin osoitimme jo, että se on irredusoituva. Koska r = 3, tutkimme polynomeja Q joukossa {1, x, x + 1, x 2, x 2 + 1, x 2 + x, x 2 + x + 1}. Nyt x 3 = P(x) (x + 1) = P(x) + x + 1, joten Q(x) = x + 1 on hoidettu. Toisaalta, x 4 = x(x 3 + x + 1) x(x + 1) = xp(x) + x 2 + x. Vastaavasti x 5 = x 2 + x + 1 ja x 6 = x 2 + 1, kummatkin modulo P. Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
19 Lineaariset siirtorekisterit, ominaisuuksia Lause Jos p on alkuluku ja q 0,..., q r 1 {0,..., p 1} ovat sellaisia, että P(x) := x r q r 1 x r 1... q 1 x q 0 on primitiivinen kunnassa Z p, niin vastaava siirtorekisteri generoi jokaisella ei-triviaalilla alkuehdolla jonon jonka periodi on p r 1. Lisäksi jokaisessa jaksossa esiintyy jokainen k-mittainen jono p r k kertaa, paitsi nolla-jono, joka esiintyy p r k 1 kertaa. Jatketaan esimerkin P(x) = x 3 + x + 1 = x 3 x 1 tarkastelemista kunnassa Z 2. Nyt siis q 0 = 1, q 1 = 1, ja q 2 = 0 ja r = 3. Tarkistetaan, että lause pätee tässä tapauksessa [taululla]. Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
20 Satunnaislukugeneraattori LSR:stä Vaikka lineaarinen siirtorekisteri on lähes optimaalinen momentti testissä, rekisterin periodiin saakka, niin joissain toisissa testeissä ne pärjäävät huonosti. Siirtorekisterin pituuden kasvattamisen sijaa voidaan jonon periodia ja sen laatua parantaa yhdistelemällä useamman, eri alkuluvulla toimivan siirtorekisterin jonot: merkitään rekisterin j jonoa (a n,j ) n=0 ja määritellään u n = m j=1 a n,j p j mod 1, missä p j on rekisteriä j vastaava alkuluku. Nyt jonon u n periodi on jonojen a n,j periodien tulo. Jo kolmen siirtorekisterin kombinaatiolla voi kuulema saada varsin hyvän tuloksen. Peter Hästö Matemaattisten tieteiden laitos 20. tammikuuta / 20
Matematiikka ja teknologia, kevät 2011
Matematiikka ja teknologia, kevät 2011 Peter Hästö 3. helmikuuta 2011 Matemaattisten tieteiden laitos Sisältö Kurssi koostuu kuudesta (seitsemästä) toisistaan riippumattomasta luennosta. Aihepiirit ovat:
LisätiedotMatematiikka ja teknologia, kevät 2011
Matematiikka ja teknologia, kevät 2011 Peter Hästö 13. tammikuuta 2011 Matemaattisten tieteiden laitos Tarkoitus Kurssin tarkoituksena on tutustuttaa ja käydä läpi eräisiin teknologisiin sovelluksiin liittyvää
LisätiedotMatematiikka ja teknologia, kevät 2011
Matematiikka ja teknologia, kevät 2011 Peter Hästö 27. tammikuuta 2011 Matemaattisten tieteiden laitos Sisältö Kurssi koostuu kuudesta (seitsemästä) toisistaan riippumattomasta luennosta. Aihepiirit ovat:
LisätiedotMatematiikka ja teknologia, kevät 2011
Matematiikka ja teknologia, kevät 2011 Peter Hästö 24. helmikuuta 2011 Matemaattisten tieteiden laitos Sisältö Kurssi koostuu kuudesta (seitsemästä) toisistaan riippumattomasta luennosta. Aihepiirit ovat:
LisätiedotMatematiikka ja teknologia, kevät 2011
Matematiikka ja teknologia, kevät 2011 Peter Hästö 17. helmikuuta 2011 Matemaattisten tieteiden laitos Sisältö Kurssi koostuu kuudesta (seitsemästä) toisistaan riippumattomasta luennosta. Aihepiirit ovat:
LisätiedotLUKUTEORIA johdantoa
LUKUTEORIA johdantoa LUKUTEORIA JA TODISTAMINEN, MAA11 Lukuteorian tehtävä: Lukuteoria tutkii kokonaislukuja, niiden ominaisuuksia ja niiden välisiä suhteita. Kokonaislukujen maailma näyttää yksinkertaiselta,
LisätiedotSatunnaisalgoritmit. Topi Paavilainen. Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos
Satunnaisalgoritmit Topi Paavilainen Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Helsinki, 23. helmikuuta 2014 1 Johdanto Satunnaisalgoritmit ovat algoritmeja, joiden
LisätiedotDiofantoksen yhtälön ratkaisut
Diofantoksen yhtälön ratkaisut Matias Mäkelä Matemaattisten tieteiden tutkinto-ohjelma Oulun yliopisto Kevät 2017 Sisältö Johdanto 2 1 Suurin yhteinen tekijä 2 2 Eukleideen algoritmi 4 3 Diofantoksen yhtälön
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..
LisätiedotSatunnaislukujen generointi
Satunnaislukujen generointi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Satunnaislukujen generointi 1/27 Kevät 2003 Lähteet Knuth, D., The Art of Computer Programming,
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotHY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I
HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I Tehtävä 1 on klassikko. 1. Tässä tehtävässä tapahtumat A ja B eivät välttämättä
Lisätiedotja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2
Johdatus diskreettiin matematiikkaan Harjoitus 4, 7.10.2015 1. Olkoot c 0, c 1 R siten, että polynomilla r 2 c 1 r c 0 on kaksinkertainen juuri. Määritä rekursioyhtälön x n+2 = c 1 x n+1 + c 0 x n, n N,
LisätiedotJohdatus lukuteoriaan Harjoitus 2 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma
Johdatus lukuteoriaan Harjoitus 2 syksy 2008 Eemeli Blåsten Ratkaisuehdotelma Tehtävä 1 1. Etsi lukujen 4655 ja 12075 suurin yhteinen tekijä ja lausu se kyseisten lukujen lineaarikombinaationa ilman laskimen
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
Lisätiedot7 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
LisätiedotAlgebra I Matematiikan ja tilastotieteen laitos Ratkaisuehdotuksia harjoituksiin 6 (8 sivua) OT. 1. a) Määritä seuraavat summat:
Algebra I Matematiikan ja tilastotieteen laitos Ratkaisuehdotuksia harjoituksiin 6 (8 sivua) 21.2.-25.2.2011 OT 1. a) Määritä seuraavat summat: [2] 4 + [3] 4, [2] 5 + [3] 5, [2] 6 + [2] 6 + [2] 6, 7 [3]
Lisätiedota b 1 c b n c n
Algebra Syksy 2007 Harjoitukset 1. Olkoon a Z. Totea, että aina a 0, 1 a, a a ja a a. 2. Olkoot a, b, c, d Z. Todista implikaatiot: a) a b ja c d ac bd, b) a b ja b c a c. 3. Olkoon a b i kaikilla i =
LisätiedotTarkastelemme ensin konkreettista esimerkkiä ja johdamme sitten yleisen säännön, joilla voidaan tietyissä tapauksissa todeta kielen ei-säännöllisyys.
Ei-säännöllisiä kieliä [Sipser luku 1.4] Osoitamme, että joitain kieliä ei voi tunnistaa äärellisellä automaatilla. Tulos ei sinänsä ole erityisen yllättävä, koska äärellinen automaatti on äärimmäisen
LisätiedotTodennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syyslokakuu 019 / Hytönen. laskuharjoitus, ratkaisuehdotukset 1. Kurssilla on 0 opiskelijaa, näiden joukossa Jutta, Jyrki, Ilkka ja Alex. Opettaja aikoo valita umpimähkään opiskelijan
LisätiedotSalausmenetelmät. Veikko Keränen, Jouko Teeriaho (RAMK, 2006)
Salausmenetelmät Veikko Keränen, Jouko Teeriaho (RAMK, 2006) LUKUTEORIAA JA ALGORITMEJA 3. Kongruenssit à 3.1 Jakojäännös ja kongruenssi Määritelmä 3.1 Kaksi lukua a ja b ovat keskenään kongruentteja (tai
LisätiedotKoodausteoria, Kesä 2014
Koodausteoria, Kesä 2014 Topi Törmä Matemaattisten tieteiden laitos 5 BCH-, RS- ja Goppa-koodit Topi Törmä Matemaattisten tieteiden laitos 2 / 15 5.1 BCH-koodien määrittely Olkoon jälleen F = F q, syt(n,
LisätiedotMartingaalit ja informaatioprosessit
6A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on oppia tunnistamaan, milloin satunnaisprosessi on martingaali annetun informaatioprosessin suhteen ja milloin satunnaishetki on
LisätiedotSarjat ja integraalit, kevät 2015
Sarjat ja integraalit, kevät 2015 Peter Hästö 11. maaliskuuta 2015 Matemaattisten tieteiden laitos Osaamistavoitteet Kurssin onnistuneen suorittamisen jälkeen opiskelija osaa erottaa jatkuvuuden ja tasaisen
LisätiedotMatematiikan ja tilastotieteen laitos Algebra I - Kesä 2009 Ratkaisuehdoituksia harjoituksiin 8 -Tehtävät 3-6 4 sivua Heikki Koivupalo ja Rami Luisto
Matematiikan ja tilastotieteen laitos Algebra I - Kesä 2009 Ratkaisuehdoituksia harjoituksiin 8 -Tehtävät 3-6 4 sivua Heikki Koivupalo ja Rami Luisto 3. Oletetaan, että kunnan K karakteristika on 3. Tutki,
Lisätiedot2017 = = = = = = 26 1
JOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 2, MALLIRATKAISUT Tehtävä 1. Sovella Eukleiden algoritmia ja (i) etsi s.y.t(2017, 753) (ii) etsi kaikki kokonaislukuratkaisut yhtälölle 405x + 141y = 12. Ratkaisu
LisätiedotMS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 2: Sarjat
MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 2: Sarjat Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos September 13, 2017 Pekka Alestalo,
LisätiedotHN = {hn h H, n N} on G:n aliryhmä.
Matematiikan ja tilastotieteen laitos Algebra I Ratkaisuehdoituksia harjoituksiin 8, 23.27.3.2009 5 sivua Rami Luisto 1. Osoita, että kullakin n N + lukujen n 5 ja n viimeiset numerot kymmenkantaisessa
LisätiedotOhjelmoinnin perusteet Y Python
Ohjelmoinnin perusteet Y Python T-106.1208 24.1.2011 T-106.1208 Ohjelmoinnin perusteet Y 24.1.2011 1 / 36 Luentopalaute kännykällä alkaa tänään! Ilmoittaudu mukaan lähettämällä ilmainen tekstiviesti Vast
Lisätiedot2.1. Tehtävänä on osoittaa induktiolla, että kaikille n N pätee n = 1 n(n + 1). (1)
Approbatur 3, demo, ratkaisut Sovitaan, että 0 ei ole luonnollinen luku. Tällöin oletusta n 0 ei tarvitse toistaa alla olevissa ratkaisuissa. Se, pidetäänkö nollaa luonnollisena lukuna vai ei, vaihtelee
LisätiedotMS-A010{2,3,4,5} (SCI, ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 2: Sarjat
M-A010{2,3,4,5} (CI, ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 2: arjat Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos eptember 12, 2018 Pekka
LisätiedotShorin algoritmin matematiikkaa Edvard Fagerholm
Edvard Fagerholm 1 Määritelmiä Määritelmä 1 Ryhmä G on syklinen, jos a G s.e. G = a. Määritelmä 2 Olkoon G ryhmä. Tällöin alkion a G kertaluku ord(a) on pienin luku n N \ {0}, jolla a n = 1. Jos lukua
LisätiedotOminaisarvot ja ominaisvektorit 140 / 170
Ominaisarvot ja ominaisvektorit 140 / 170 Seuraavissa luvuissa matriisit ja vektori ajatellaan kompleksisiksi, ts. kertojakuntana oletetaan olevan aina kompleksilukujoukko C Huomaa, että reaalilukujoukko
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
LisätiedotSalausmenetelmät LUKUTEORIAA JA ALGORITMEJA. Veikko Keränen, Jouko Teeriaho (RAMK, 2006) 3. Kongruenssit. à 3.4 Kongruenssien laskusääntöjä
Salausmenetelmät Veikko Keränen, Jouko Teeriaho (RAMK, 2006) LUKUTEORIAA JA ALGORITMEJA 3. Kongruenssit à 3.4 Kongruenssien laskusääntöjä Seuraavassa lauseessa saamme kongruensseille mukavia laskusääntöjä.
LisätiedotDiskreetin Matematiikan Paja Ratkaisuhahmotelmia viikko 1. ( ) Jeremias Berg
Diskreetin Matematiikan Paja Ratkaisuhahmotelmia viikko 1. (14.3-18.3) Jeremias Berg 1. Luettele kaikki seuraavien joukkojen alkiot: (a) {x Z : x 3} (b) {x N : x > 12 x < 7} (c) {x N : 1 x 7} Ratkaisu:
LisätiedotI. AES Rijndael. Rijndael - Internal Structure
I. AES Rndael NOKIA T-79.53 Additional material Oct 3/KN Rndael - Internal Structure Rndael is an iterated block cipher with variable length block and variable key size. The number of rounds is defined
LisätiedotOrtogonaaliprojektio äärellisulotteiselle aliavaruudelle
Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle Olkoon X sisätuloavaruus ja Y X äärellisulotteinen aliavaruus. Tällöin on olemassa lineaarisesti riippumattomat vektorit y 1, y 2,..., yn, jotka
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-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 2: Sarjat
MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 2: Sarjat Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos 14.9.2016 Pekka Alestalo, Jarmo Malinen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
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
Lisätiedotx 4 e 2x dx Γ(r) = x r 1 e x dx (1)
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1
LisätiedotJOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 3, MALLIRATKAISUT
JOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 3, MALLIRATKAISUT Tehtävä 1. (i) Olkoot n, d 1 ja d n. Osoita, että (k, n) d jos ja vain jos k ad, missä (a, n/d) 1. (ii) Osoita, että jos (m j, m k ) 1 kun
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotLineaariset kongruenssiyhtälöryhmät
Lineaariset kongruenssiyhtälöryhmät LuK-tutkielma Jesse Salo 2309369 Matemaattisten tieteiden laitos Oulun yliopisto Sisältö Johdanto 2 1 Kongruensseista 3 1.1 Kongruenssin ominaisuuksia...................
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.
LisätiedotYleiset lineaarimuunnokset
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Kari Tuominen Yleiset lineaarimuunnokset Matematiikan ja tilastotieteen laitos Matematiikka Toukokuu 29 Tampereen yliopisto Matematiikan ja tilastotieteen laitos
Lisätiedot9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista
29 9 Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista Tarkastelemme kertalukua n olevia lineaarisia differentiaaliyhtälöitä y ( x) + a ( x) y ( x) + + a ( x) y( x) + a ( x) y= b( x) ( n) ( n
LisätiedotVastaus 1. Lasketaan joukkojen alkiot, ja todetaan, että niitä on 3 molemmissa.
Miten perustella, että joukossa A = {a, b, c} on yhtä monta alkiota kuin joukossa B = {d, e, f }? Vastaus 1. Lasketaan joukkojen alkiot, ja todetaan, että niitä on 3 molemmissa. Vastaus 2. Vertaillaan
LisätiedotTestaa taitosi 1: Lauseen totuusarvo
Testaa taitosi 1: Lauseen totuusarvo 1. a) Laadi lauseen A (B A) totuustaulu. b) Millä lauseiden A ja B totuusarvoilla a-kohdan lause on tosi? c) Suomenna a-kohdan lause, kun lause A on olen vihainen ja
LisätiedotMS-A0402 Diskreetin matematiikan perusteet
MS-A0402 Diskreetin matematiikan perusteet Osa 4: Modulaariaritmetiikka Riikka Kangaslampi 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Modulaariaritmetiikka Jakoyhtälö Määritelmä 1 Luku
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
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)
LisätiedotLukuteorian kertausta
Lukuteorian kertausta Jakoalgoritmi Jos a, b Z ja b 0, niin on olemassa sellaiset yksikäsitteiset kokonaisluvut q ja r, että a = qb+r, missä 0 r < b. Esimerkki 1: Jos a = 60 ja b = 11, niin 60 = 5 11 +
Lisätiedot3. Kongruenssit. 3.1 Jakojäännös ja kongruenssi
3. Kongruenssit 3.1 Jakojäännös ja kongruenssi Tässä kappaleessa esitellään kokonaislukujen modulaarinen aritmetiikka (ns. kellotauluaritmetiikka), jossa luvut tyypillisesti korvataan niillä jakojäännöksillä,
LisätiedotRatkaisu: (b) A = x 0 (R(x 0 ) x 1 ( Q(x 1 ) (S(x 0, x 1 ) S(x 1, x 1 )))).
HY / Matematiikan ja tilastotieteen laitos Johdatus logiikkaan I, syksy 2018 Harjoitus 3 Ratkaisuehdotukset 1. Palataan Partakylään. Olkoon P partatietokanta ja M tästä saatu malli kuten Harjoitusten 1
Lisätiedot1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B.
HY / Avoin yliopisto Johdatus yliopistomatematiikkaan, kesä 2015 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Seuraavissa tehtävissä harjoitellaan muun muassa kahden joukon osoittamista samaksi sekä joukon
LisätiedotSignaalien generointi
Signaalinkäsittelyssä joudutaan usein generoimaan erilaisia signaaleja keinotekoisesti. Tyypillisimpiä generoitavia aaltomuotoja ovat eritaajuiset sinimuotoiset signaalit (modulointi) sekä normaalijakautunut
LisätiedotIV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n
IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee
LisätiedotMiten perustella, että joukossa A = {a, b, c} on yhtä monta alkiota kuin joukossa B = {d, e, f }?
Miten perustella, että joukossa A = {a, b, c} on yhtä monta alkiota kuin joukossa B = {d, e, f }? Miten perustella, että joukossa A = {a, b, c} on yhtä monta alkiota kuin joukossa B = {d, e, f }? Vastaus
Lisätiedot0 3 y4 dy = 3 y. 15x 2 ydx = 15. f Y (y) = 5y 4 1{0 y 1}.
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 18 Harjoitus Ratkaisuehdotuksia Tehtäväsar I 1. Satunnaismuuttujilla X Y on tkuva yhteiskauma yhteistiheysfunktiolla f
Lisätiedota ord 13 (a)
JOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 4, MALLIRATKAISUT Tehtävä 1. Etsi asteet ord p (a) luvuille a 1, 2,..., p 1 kun p = 13 ja kun p = 17. (ii) Mitkä jäännösluokat ovat primitiivisiä juuria (mod
Lisätiedot1. Esitä rekursiivinen määritelmä lukujonolle
Matematiikan laitos Johdatus Diskrettiin Matematiikkaan Harjoitus 4 24.11.2011 Ratkaisuehdotuksia Aleksandr Pasharin 1. Esitä rekursiivinen määritelmä lukujonolle (a) f(n) = (2 0, 2 1, 2 2, 2 3, 2 4,...)
LisätiedotOhjelmoinnin perusteet Y Python
Ohjelmoinnin perusteet Y Python T-106.1208 26.1.2009 T-106.1208 Ohjelmoinnin perusteet Y 26.1.2009 1 / 33 Valintakäsky if syote = raw_input("kerro tenttipisteesi.\n") pisteet = int(syote) if pisteet >=
LisätiedotGap-filling methods for CH 4 data
Gap-filling methods for CH 4 data Sigrid Dengel University of Helsinki Outline - Ecosystems known for CH 4 emissions; - Why is gap-filling of CH 4 data not as easy and straight forward as CO 2 ; - Gap-filling
LisätiedotNeljän alkion kunta, solitaire-peli ja
Neljän alkion kunta, solitaire-peli ja taikaneliöt Kalle Ranto ja Petri Rosendahl Matematiikan laitos, Turun yliopisto Nykyisissä tietoliikennesovelluksissa käytetään paljon tekniikoita, jotka perustuvat
LisätiedotTodennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset
Todennäköisyyslaskenta I, kesä 207 Helsingin yliopisto/avoin Yliopisto Harjoitus, ratkaisuehdotukset. Kokeet ja Ω:n hahmottaminen. Mitä tarkoittaa todennäköisyys on? Olkoon satunnaiskokeena yhden nopan
LisätiedotJohdatus matematiikkaan
Johdatus matematiikkaan Luento 6 Mikko Salo 6.9.2017 Sisältö 1. Kompleksitaso 2. Joukko-oppia Kompleksiluvut Edellisellä luennolla huomattiin, että toisen asteen yhtälö ratkeaa aina, jos ratkaisujen annetaan
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
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
LisätiedotTekijä Pitkä Matematiikka 11 ratkaisut luku 2
Tekijä Pitkä matematiikka 11 0..017 170 a) Koska 8 = 4 7, luku 8 on jaollinen luvulla 4. b) Koska 104 = 4 6, luku 104 on jaollinen luvulla 4. c) Koska 4 0 = 80 < 8 ja 4 1 = 84 > 8, luku 8 ei ole jaollinen
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
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
Lisätiedote int) dt = 1 ( 2π 1 ) (0 ein0 ein2π
Matematiikan ja tilastotieteen laitos Funktionaalianalyysin peruskurssi Kevät 9) Harjoitus 7 Ratkaisuja Jussi Martin). E Hilbert avaruus L [, π]) ja gt) := t, t [, π]. Määrää funktion g Fourier kertoimet
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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila Kalvoissa käytetään materiaalia P. Palon vuoden 2005 kurssista. 07.09.2007 Antti Rasila () SovTodB 07.09.2007 07.09.2007 1 / 24 1 Todennäköisyyslaskennan
LisätiedotMS-A0402 Diskreetin matematiikan perusteet
MS-A0402 Diskreetin matematiikan perusteet Osa 1: Joukko-oppi ja logiikka Riikka Kangaslampi 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kiitokset Nämä luentokalvot perustuvat Gustaf
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
LisätiedotMatematiikan johdantokurssi, syksy 2016 Harjoitus 11, ratkaisuista
Matematiikan johdantokurssi, syksy 06 Harjoitus, ratkaisuista. Valitse seuraaville säännöille mahdollisimman laajat lähtöjoukot ja sopivat maalijoukot niin, että syntyy kahden muuttujan funktiot (ks. monisteen
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Idea Lineaarisen systeemin ratkaiseminen Olkoon
LisätiedotDuaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki
Duaalisuus kokonaislukuoptimoinnissa Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Duaalisuus binäärisissä optimointitehtävissä Lagrangen duaalisuus Lagrangen
LisätiedotTodistusmenetelmiä Miksi pitää todistaa?
Todistusmenetelmiä Miksi pitää todistaa? LUKUTEORIA JA TO- DISTAMINEN, MAA11 Todistus on looginen päättelyketju, jossa oletuksista, määritelmistä, aksioomeista sekä aiemmin todistetuista tuloksista lähtien
Lisätiedot1 Lineaariavaruus eli Vektoriavaruus
1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus
Lisätiedotk=1 b kx k K-kertoimisia polynomeja, P (X)+Q(X) = (a k + b k )X k n+m a i b j X k. i+j=k k=0
1. Polynomit Tässä luvussa tarkastelemme polynomien muodostamia renkaita polynomien ollisuutta käsitteleviä perustuloksia. Teemme luvun alkuun kaksi sopimusta: Tässä luvussa X on muodollinen symboli, jota
LisätiedotOsa IX. Z muunnos. Johdanto Diskreetit funktiot
Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 4 Jatkuvuus Jatkuvan funktion määritelmä Tarkastellaan funktiota f x) jossakin tietyssä pisteessä x 0. Tämä funktio on tässä pisteessä joko jatkuva tai epäjatkuva. Jatkuvuuden
LisätiedotJohdatus matemaattiseen päättelyyn
Johdatus matemaattiseen päättelyyn Maarit Järvenpää Oulun yliopisto Matemaattisten tieteiden laitos Syyslukukausi 2015 1 Merkintöjä 2 Todistamisesta 2 3 Joukko-oppia Tässä luvussa tarkastellaan joukko-opin
LisätiedotJohdatus 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
LisätiedotMS-C2111 Stokastiset prosessit
Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos toimisto: Y241, vastaanotto: pe 13:30-14:30 2017, periodi I KURSSIN JÄRJESTELYT Kurssin järjestelyt Luennot ja harjoitusryhmät Luennot tiistaisin
LisätiedotMatematiikka 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
LisätiedotÄärellisten mallien teoria
Äärellisten mallien teoria Harjoituksen 5 ratkaisut (Hannu Niemistö) Tehtävä 1 OlkootGjaG neljän solmun verkkoja Määritä, milloing = 2 G eli verkot ovat osittaisesti isomorfisia kahden muuttujan suhteen
Lisätiedot4.3. Matemaattinen induktio
4.3. Matemaattinen induktio Matemaattinen induktio: Deduktion laji Soveltuu, kun ominaisuus on osoitettava olevan voimassa luonnollisilla luvuilla. Suppea muoto P(n) : Ominaisuus, joka joka riippuu luvusta
LisätiedotKanta ja dimensio 1 / 23
1 / 23 Kuten ollaan huomattu, saman aliavaruuden voi virittää eri määrä vektoreita. Seuraavaksi määritellään mahdollisimman pieni vektorijoukko, joka virittää aliavaruuden. Jokainen aliavaruuden alkio
LisätiedotMatematiikka vuosiluokat 7 9
Matematiikka vuosiluokat 7 9 Matematiikan opetuksen ydintehtävänä on tarjota oppilaille mahdollisuus hankkia sellaiset matemaattiset taidot, jotka antavat valmiuksia selviytyä jokapäiväisissä toiminnoissa
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I
MS-A040 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I G. Gripenberg Aalto-yliopisto. maaliskuuta 05 G. Gripenberg (Aalto-yliopisto) MS-A040 Diskreetin matematiikan perusteet Esimerkkejä. ym.,
Lisätiedotja jäännösluokkien joukkoa
3. Polynomien jäännösluokkarenkaat Olkoon F kunta, ja olkoon m F[x]. Polynomeille f, g F [x] määritellään kongruenssi(-relaatio) asettamalla g f mod m : m g f g = f + m h jollekin h F [x]. Kongruenssi
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 4. lokakuuta 2007 Antti Rasila () TodB 4. lokakuuta 2007 1 / 17 1 Moniulotteiset todennäköisyysjakaumat Johdanto Kaksiulotteiset satunnaismuuttujat Kaksiulotteisen
Lisätiedot