Diffuusion eri lajeista
|
|
- Sanna-Kaisa Parviainen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Diffuusion eri lajeista Kemppainen Jukka Mathematiikan jaos Oulun yliopisto jukemppa/ 18. marraskuuta 211 Johdanto Diffuusiolla tapahtuva aineen liike on eräs merkittävimmistä kulkeutumisilmiöistä luonnossa. Ilmiö voidaan selittää satunnaisen lämpöliikkeen avulla. Diffuusion matemaattinen malli on lämpöyhtälö. Viime vuosina on kuitenkin havaittu sovelluksia, joissa diffuusio on tavallisesta poikkeavaa eli anomaalista. Kirjoituksen tarkoituksena on kuvata diffuusion eri lajeja jatkuva-aikaisen satunnaiskävelyn (CTRW 1 ) avulla. Tarkastellaan aluksi tavallista diffuusiota. Olkoon diffuntoituvan aineen pitoisuus P. Aineen häviämättömyyden lain mukaan massa pysyy suljetussa systeemissä muuttumattomana, joten P t + J =, missä on divergenssi ja J on diffuntoituvan aineen vuo yksikköalaa kohden. Fickin ensimmäisen lain mukaan vuo on verrannollinen pitoisuuden gradienttiin eli (1) J = D x P. Jos D 1, niin päädytään lämpöyhtälöön missä x = 2 x x 2 n P (x, t) t x P (x, t) =, on Laplace-operaattori. Yksinkertaisimmassa tapauksessa tavallisen diffuusion matemaattinen malli on siis lämpöyhtälö. Toki yleisessä tapauksessa diffuusiokerroin voi riippua paikasta, ajasta ja funktiosta P, D = D(x, t, P ), jolloin päädytään monimutkaisempiin malleihin, joihin tässä kirjoituksessa ei puututa. Jos lämpötilajakauma ajanhetkellä t = on yksikköimpulssi (Diracin delta-distribuutio) origossa, φ(x, ) = δ(x), on lämpöyhtälön ratkaisu (2) φ(x, t) = 1 4πt e x 2 4t. 1 Continuous time random walk 1
2 Jokaisella kiinteällä t > kaavan (2) määrittelemä funktio φ(, t) on tiheysfunktio. Koska tiheysfunktio määrää jakauman yksikäsitteisesti, on kyseessä normaalijakautuneen satunnaismuuttujan X N(, 2t1), missä = (,..., ) ja 1 = (1,..., 1), tiheysfunktio. Juuri tämä todennäköisyysteoreettinen tulkinta antaa aiheen lähestyä diffuusiota jatkuva-aikaisen satunnaiskävelymallin avulla. Satunnaiskävelymallin ideana on kuvata kulkeutumisilmiötä yksittäisten partikkelien kulkuna niin, että partikkelien konsentraation määrää yksittäisten partikkelien todennäköisyys olla tietyssä paikassa tietyllä ajanhetkellä. Mallissa partikkelit ovat satunnaiskävelijöitä, jotka odotusajan jakauman mukaisesti suorittavat tietyin väliajoin hyppyjen pituuden jakauman mukaisesti siirtymiä paikasta toiseen. Näin partikkelien käyttäytyminen mikrotasolla määrää keskeisen raja-arvolauseen mukaisesti systeemin käyttäytymisen makrotasolla. Diffuusion eri lajien luokittelu Tarkastellaan jatkossa ainoastaan yksiulotteista tapausta. Useampiulotteinen tapaus voidaan käsitellä analogisesti. Olkoon P (x, t) todennäköisyystiheys partikkelin paikan x jakaumalle ajanhetkellä t. Diffuusion eri lajeja voidaan luokitella keskimääräisellä neliösiirtymällä (MSD 2 ) MSD := x 2 P (x, t)dx, joka kuvaa miten partikkelit keskimäärin diffuntoituvat ajan funktiona, kun partikkelien jakauma ajanhetkellä t = on tunnettu. Jos partikkelien jakauma ajanhetkellä t = on yksikköimpulssi, niin tavallisen diffuusion tapauksessa kaavasta (2) saadaan integroimalla MSD = x 2 P (x, t)dx = Ct jollekin vakiolle C, joten keskimääräinen neliösiirtymä on suoraan verrannollinen aikaan. Diffuusio voi kuitenkin olla tavallista hitaampaa tai nopeampaa, jolloin puhutaan epätavallisesta diffuusiosta 3. Jos MSD t γ ja (1) γ < 1, niin puhutaan subdiffuusiosta; (2) γ = 1, niin puhutaan tavallisesta diffuusiosta; (3) γ > 1, niin puhutaan superdiffuusiosta; (4) γ = 2, niin puhutaan ballistisesta diffuusiosta. 2 Mean Squared Displacement 3 anomalous diffusion 2
3 Jos MSD =, niin puhutaan Lévy-lennoista. 6 Tavallinen diffuusio 12 Levy lento Kuvassa vasemmalla on yhden partikkelin reitti tavallisessa diffuusiossa ja oikealla Lévy-lennossa, kun satunnaiskävelijä on suorittanut 2 askelta origosta lähtien. Huomaa kuvien mittakaavaero. Lévy-lennoissa erittäin pitkät hypyt ovat mahdollisia johtuen P (, t):n toisen momentin rajoittamattomuudesta, kun taas tavallisessa diffuusiossa kaikki momentit ovat äärellisiä, minkä vuoksi erittäin pitkät hypyt ovat hyvin harvinaisia. Jatkuva-aikainen satunnaiskävely Jatkuva-aikaisen satunnaiskävelymallin esitteli ensimmäisenä Montroll ja Weiss vuonna 1965 mallintaakseen anomaalista käyttäytymistä kuvaavia prosesseja. Kattava kuvaus aiheesta löytyy lähteestä [3]. CTRW-malli perustuu ideaan, jossa yksittäisen partikkelin hypyn pituuden ja hyppyjen välisen odotusajan määrää tiheysfunktio ψ(x, t). CTRW-prosessia voidaan kuvata integraaliyhtälön (3) η(x, t) = η(x, t )ψ(x x, t t )dx dt + P (x)δ(t) avulla, missä η(x, t) on todennäköisyystiheys sille, että on saavuttu pisteeseen x ajanhetkellä t. Toisessa termissä P (x) on satunnaiskävelyn alkuehto ja δ(t) on yksikköimpulssi ajanhetkellä t =. 3
4 Tiheysfunktion ψ reunatiheyksinä saadaan hypyn pituuden ja hyppyjen välisen odotusajan λ(x) = ψ(x, t)dt tiheysfunktiot. Koska w(t) = (4) Ψ(t) = 1 ψ(x, t)dx w(t )dt on todennäköisyys, että hyppyä ei tapahdu aikavälillä (, t), niin todennäköisyystiheys P (x, t) pisteen x jakaumalle ajanhetkellä t, on (5) P (x, t) = η(x, t )Ψ(t t )dt. Yllä oleva identiteetti tarkoittaa, että on saavuttu ko. pisteeseen ajanhetkellä t ja että ei olla siirrytty siitä sen jälkeen. Kaavoista (3) ja (5) saadaan todennäköisyystiheydelle P integraaliyhtälö (6) P (x, t) = P (x)ψ(t) + ψ(x x, t t )P (x, t )dx dt. Koska yhtälöiden (4) ja (6) oikealla puolella esiintyy Fourier- ja Laplace-konvoluutiot, on luonnollista muuntaa yhtälö (6) taajuusalueeseen Fourier-muunnoksen ja Laplace-muunnoksen F(f)(ξ) = f(ξ) = e iξx f(x)dx L(g)(s) = g(s) = e st g(t)dt avulla. Fourier-Laplace-muuntamalla (6) ja käyttämällä konvoluution muunnoskaavoja saadaan todennäköisyystiheyden muunnokselle algebrallinen yhtälö (7) P (ξ, s) = 1 w(s) s P (ξ) 1 η(ξ, s), missä Fourier-Laplace-muunnokselle on käytetty merkintää f(ξ, s) = F(L(f)(, s))(ξ). 4
5 Brownin liike Satunnaisen sik-sak-liikkeen havaitsi kasvitieteilijä Robert Brown vuonna 1827 tutkiessaan mikroskoopilla vedessä kelluvaa kasvien siitepölyä, mutta hän ei osannut selittää mistä ilmiö johtuu. Ilmiön selitti Albert Einstein suurena vuotenaan 195. Jos ρ(x, t) on Brownin liikkeen partikkelien tiheys pisteessä x ajanhetkellä t, niin Einsteinin mukaan ρ toteuttaa diffuusioyhtälön (lämpöyhtälön) ρ(x, t) t = D 2 ρ(x, t) x 2, missä D on massan (terminen) diffusiviteetti. Miten tämä liittyy CTRW-malliin? Oletetaan jatkossa, että hyppyjen pituus ja odotusaika ovat riippumattomia satunnaismuuttujia, jolloin ψ(x, t) = λ(x)w(t). Jos hyppyjen pituus noudattaa normaalijakaumaa, λ N(, 2σ 2 ), ja odotusaika on eksponenttijakautunut, w Exp(1/τ), on niiden Fourier- ja Laplace-muunnoksella asymptoottiset kehitelmät w(s) = 1 sτ + O(s 2 ), s, ˆλ(ξ) = 1 σ 2 ξ 2 + O(ξ 4 ), ξ. Sijoittamalla edelliset kehitelmät yhtälöön (7), voidaan se kirjoittaa muodossa (8) s P (ξ, s) P (ξ) = σ2 τ ξ2 P (ξ, s), ξ, s. Kehitelmät origon ympäristössä taajuuspuolella määräävät funktion käyttäytymisen suurilla askelpituuksilla ja odotusajoilla Tauberin lauseen nojalla. Käyttämällä derivaatan muunnoskaavoja F( 2 xf)(ξ) = ξ 2 F(f)(ξ) ja L( t f)(s) = sl(f)(s) f(), saadaan kaavasta (8) systeemin käyttäytymistä kuvaavaksi malliksi t P (x, t) σ2 τ 2 xp (x, t) =, t, x, diffuusioyhtälö (lämpöyhtälö) suurilla askelpituuksilla ja pitkillä odotusajoilla. Subdiffuusion malli CTRW-mallilla voidaan tarkastella edellä kuvatulla tavalla anomaalista diffuusiota. Tarkastellaan esimerkkinä subdiffuusiota, jossa odotusajan odotusarvo ei ole äärellinen. Tällöin pitkät odotusajat ovat todennäköisempiä kuin edellä kuvatussa Brownin liikkeessä. Sovelluksena mainittakoon Multiple Trapping-malli, mikä selittää fotovirran potenssilain mukaisen vaimenemisen amorfisissa puolijohteissa [2]. Olkoon odotusajan tiheysfunktio w(t) = t α 1 E α,α ( t α ), 5
6 missä E α,β (z) = k= z k, α, β >, Γ(αk + β) on kaksiparametrinen Mittag-Lefflerin funktio, jonka määritelmässä Γ tarkoittaa Eulerin gammafunktiota. Koska äärettömyydessä w käyttäytyy potenssilain w(t) t α 1 mukaisesti ja < α < 1, ei tällä jakaumalla ole äärellistä odotusarvoa. Tällöin taajuuspuolella (s-puolella) odotusajan muunnoksella on kehitelmä Kirjoitetaan (7) muodossa w(s) = 1 s α, s. (9) 1 w(s) s w(s) (s P (ξ, s) P (ξ)) = ( λ(ξ) 1) P (ξ, s). Jos hyppyjen pituus on normaalijakautunut satunnaismuuttuja, λ N(, 2), niin yhtälö (9) voidaan kirjoittaa muodossa (1) s α 1 (s P (ξ, s) P (ξ)) = ξ 2 P (ξ, s), s, ξ. Koska funktion t t α Laplace-muunnos on Γ(1 α) sα 1, päädytään käänteismuuntamalla (1) ja käyttämällä derivaatan ja Laplace-konvoluution muunnoskaavoja yhtälöön 1 Γ(1 α) (t τ) α τ P (x, τ)dτ 2 xp (x, t) = suurilla askelpituuksilla ja pitkillä odotusajoilla. Vasemmalla puolella esiintyvä integro-differentiaalioperaattori on itse asiassa kertalukua < α < 1 oleva fraktionaalinen Caputo-derivaatta α t f(t) = 1 Γ(1 α) (t τ) α f (τ)dτ, joten suurilla askelpituuksilla ja pitkillä odotusajoilla systeemin käyttäytymistä tässä tapauksessa kuvaa aikafraktionaalinen diffuusioyhtälö (AFDY) α t P (x, t) 2 xp (x, t) =. Fraktionaalisten mallien tutkimus Edellä esitetyn valossa on järkevää tarkastella fraktionaalista tyyppiä olevia malleja anomaalista diffuusiota tutkittaessa. Osittaisdifferentiaaliyhtälöihin verrattuna fraktionaalista tyyppiä olevissa yhtälöissä on tiettyjä hankaluuksia ja ratkaisemattomia ongelmia. 6
7 Ensinnäkin, ratkaisun olemassaolo- ja yksikäsitteisyystulokset fraktionaalista tyyppiä oleville yhtälöille on aktiivinen tutkimusalue. Toiseksi, koska fraktionaalinen derivaatta on konvoluutiotyyppiä oleva ei-lokaali integro-differentiaalioperaattori, on numeerinen laskenta huomattavasti haastavampaa kuin lokaalissa tapauksessa, sillä koko aikahistoria on otettava huomioon laskettaessa ratkaisua ajanhetkellä t. Kolmanneksi, malliyhtälön tulkinta ei ole ilmeinen, sillä fraktionaalisella derivaatalla ei ole yksinkertaista fysikaalista tai geometrista tulkintaa. Lähteessä [4] on esitetty yleiskatsaus fraktionaalista tyyppiä olevien osittaisdifferentiaaliyhtälöiden nykytutkimuksesta anomaalisen lämmönjohtumisen mallintamiseen huokoisessa väliaineessa. Allekirjoittanut on soveltanut reunaintegraalimenetelmää AFDY:n ratkaisemiseen rajoitetussa C 1 -alueessa Dirichlet n reunaehdolla väitöskirjassaan [1]. Viitteet [1] Kemppainen J., Behaviour of the Boundary Potentials and Boundary Integral Solution of the Time Fractional Diffusion Equation, PhD Thesis, Acta Univ. Oul. A 548 (21) [2] Kilbas, A. A., Srivastava, H. M., Trujillo, J. J.,Theory and Applications of Fractional Differential Equations, Elsevier B.V., Amsterdam (26) [3] Klafter, J., Metzler, R., The Random Walk s Guide to Anomalous Diffusion: a Fractional Dynamics Approach, Physics Reports 339, 1-77 (2) [4] Luchko, Y., Punzi, A., Modeling Anomalous Heat Transport in Geothermal Reservoirs via Fractional Diffusion Equations, Int. J. Geomath 1, (211) 7
Satunnaiskävelystä diffuusioon. Jukka Kemppainen University of Oulu, Faculty of Technology Division of Mathematics
Satunnaiskävelystä diffuusioon Jukka Kemppainen University of Oulu, Faculty of Technology Division of Mathematics 18. marraskuuta 2014 2 Sisältö Esipuhe 5 1 Johdanto 7 2 Satunnaiskävely 9 2.1 Yksiulotteinen
LisätiedotLectio Praecursoria: Epälokaali epälineaarinen potentiaaliteoria ja fraktionaaliset integraalioperaattorit
: Epälokaali epälineaarinen potentiaaliteoria ja fraktionaaliset integraalioperaattorit Janne Korvenpää Matematiikan ja systeemianalyysin laitos Aalto-yliopiston perustieteiden korkeakoulu Lokaali ja lineaarinen:
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotNumeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotDynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II
Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman
LisätiedotHarjoitus Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia:
Differentiaaliyhtälöt, Kesä 216 Harjoitus 2 1. Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia: (a) y = (2 y) 3, (b) y = (y 1) 2, (c) y = 2y y 2. 2. Etsi seuraavien
LisätiedotLaplace-muunnos. 8. marraskuuta Laplace-muunnoksen määritelmä, olemassaolo ja perusominaisuudet Differentiaaliyhtälöt Integraaliyhtälöt
8. marraskuuta 216 Laplace-muunnoksen määritelmä, olemassaolo ja perusom Integraalimuunnos Integraalimuunnos on yleisesti muotoa F(u) = K(t, u)f (t)dt missä K on integraalin ydin. Tässä K ja f ovat tunnettuja.
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
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
LisätiedotOsittaisdifferentiaaliyhtälöt
Osittaisdifferentiaaliyhtälöt Harjoituskokoelmat 4 ja 5, kevät 2011 Palautus Eemeli Blåstenille to 23.6. klo 16.00 mennessä 1. Ratkaise Dirichlet ongelma u(x, y) = 0, x 2 + y 2 < 1, u(x, y) = y + x 2,
LisätiedotLaplace-muunnos: määritelmä
Laplace-muunnos: määritelmä Olkoon f : [, [ R funktio. Funktion f Laplacen muunnos määritellään yhtälöllä F(s) = L(f) := f(t)e st dt edellyttäen, että integraali f(t)e st dt suppenee. Riittävä ehto integraalin
LisätiedotReuna-arvotehtävien ratkaisumenetelmät
Reuna-arvotehtävien ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Malliprobleema Kahden pisteen reuna-arvotehtävä u (x) = f (x) (1) u() = u(1) = Jos u C ([,1]) ratkaisu, niin missä x u(x)
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotJohdatus fraktionaaliseen analyysiin. Jukka Kemppainen University of Oulu, Faculty of Technology Division of Mathematics
Johdatus fraktionaaliseen analyysiin Jukka Kemppainen University of Oulu, Faculty of Technology Division of Mathematics 16. lokakuuta 214 2 Sisältö Esipuhe 5 1 Motivaatio ja määrittely 7 1.1 Motivaatio.............................
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
Lisätiedot0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä niistä
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.
LisätiedotInsinöörimatematiikka 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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
LisätiedotHarjoitus 1. Tehtävä 1. Malliratkaisut. f(t) = e (t α) cos(ω 0 t + β) L[f(t)] = f(t)e st dt = e st t+α cos(ω 0 t + β)dt.
Harjoitus Malliratkaisut Tehtävä L[f(t)] ˆ f(t) e (t α) cos(ω t + β) f(t)e st dt ˆ e st t+α cos(ω t + β)dt cos(ω t + β) 2 (ej(ωt+β) + e j(ωt+β) ) L[f(t)] 2 eα 2 ˆ ˆ e st t+α (e j(ω t+β) + e j(ω t+β) )
LisätiedotJATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)
J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos
LisätiedotKULJETUSSUUREET Kuljetussuureilla tai -ominaisuuksilla tarkoitetaan kaasumaisen, nestemäisen tai kiinteän väliaineen kykyä siirtää ainetta, energiaa, tai jotain muuta fysikaalista ominaisuutta paikasta
LisätiedotJohdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien
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
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
LisätiedotKompleksianalyysi, viikko 6
Kompleksianalyysi, viikko 6 Jukka Kemppainen Mathematics Division Funktion erikoispisteet Määr. 1 Jos f on analyyttinen pisteen z 0 aidossa ympäristössä 0 < z z 0 < r jollakin r > 0, niin sanotaan, että
LisätiedotMellin-muunnos ja sen sovelluksia
Mellin-muunnos ja sen sovelluksia LuK-tutkielma Eetu Leinonen 25645 Matemaattisten tieteiden laitos Oulun yliopisto Kevät 28 Sisältö Johdanto 2 Esitiedot 2 2 Mellin-muunnos 3 2. Muunnoksen perusominaisuuksia................
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
LisätiedotMEI Kontinuumimekaniikka
MEI-55300 Kontinuumimekaniikka 1 MEI-55300 Kontinuumimekaniikka 3. harjoitus matemaattiset peruskäsitteet, kinematiikkaa Ratkaisut T 1: Olkoon x 1, x 2, x 3 (tai x, y, z) suorakulmainen karteesinen koordinaatisto
LisätiedotInsinöörimatematiikka 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
LisätiedotEpälineaaristen yhtälöiden ratkaisumenetelmät
Epälineaaristen yhtälöiden ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Perusoletus Lause 3.1 Olkoon f : [a, b] R jatkuva funktio siten, että f(a)f(b) < 0. Tällöin funktiolla on ainakin
LisätiedotInsinöörimatematiikka 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
LisätiedotKohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.
25.2.215 1. Autossa on 4 rengasta ja 1 vararengas (T i Exp(λ), [λ] = 1/km, i=1,...,5). Kulkeakseen auto tarvitsee 4 ehjää rengasta. Aluksi auto käyttää neljää alkuperäistä rengasta. Kun yksi näistä vikaantuu,
LisätiedotKirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin (yo-kirjoituksissa hyväksytty) on sallittu apuväline tässä kokeessa!
Aalto yliopiston teknillinen korkeakoulu Mat-1.1040 L4 Tentti ja välikokeiden uusinta 21.5.2010 Gripenberg, Arponen, Siljander Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin
Lisätiedoty x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1
1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y
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
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
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
LisätiedotVEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4
VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4 Jokaisen tehtävän jälkeen on pieni kommentti tehtävään liittyen Nämä eivät sisällä mitään kovin kriittistä tietoa tehtävään liittyen, joten niistä ei tarvitse välittää
Lisätiedot5. laskuharjoituskierros, vko 8, ratkaisut
Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
Lisätiedot2. Fourier-sarjoista. Aaltoliikkeen ja lämmöjohtumisen matemaattinen tarkastelu
2. Fourier-sarjoista Fourier-analyysi: Aaltoliikkeen ja lämmöjohtumisen matemaattinen tarkastelu Matemaattisen analyysin täkein työväline "Jokainen funktio" voidaan esittää harmonisten värähtelyjen, so.
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..
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
Lisätiedot1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 206 Kurssikoe 28.0.206 Ratkaisuehdotuksia. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden
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
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 12 To 13.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 12 To 13.10.2011 p. 1/38 p. 1/38 Tavalliset differentiaaliyhtälöt Yhtälöissä tuntematon funktio Tavalliset
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,
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma
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
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
Lisätiedot3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
Lisätiedotx = π 3 + nπ, x + 1 f (x) = 2x (x + 1) x2 1 (x + 1) 2 = 2x2 + 2x x 2 = x2 + 2x f ( 3) = ( 3)2 + 2 ( 3) ( 3) + 1 3 1 + 4 2 + 5 2 = 21 21 = 21 tosi
Mallivastaukset - Harjoituskoe F F1 a) (a + b) 2 (a b) 2 a 2 + 2ab + b 2 (a 2 2ab + b 2 ) a 2 + 2ab + b 2 a 2 + 2ab b 2 4ab b) tan x 3 x π 3 + nπ, n Z c) f(x) x2 x + 1 f (x) 2x (x + 1) x2 1 (x + 1) 2 2x2
LisätiedotWiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia
Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että
LisätiedotMATEMATIIKAN JA TILASTOTIETEEN LAITOS Analyysi I Harjoitus alkavalle viikolle Ratkaisuehdotuksia (7 sivua) (S.M)
MATEMATIIKAN JA TILASTOTIETEEN LAITOS Analyysi I Harjoitus 7. 2. 2009 alkavalle viikolle Ratkaisuehdotuksia (7 sivua) (S.M) Luennoilla on nyt menossa vaihe, missä Hurri-Syrjäsen monistetta käyttäen tutustutaan
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6B
Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen
Lisätiedot3.6 Feynman s formulation of quantum mechanics
3.6 Feynman s formulation of quantum mechanics Course MAT-66000: Quantum mechanics and the particles of nature Ilkka Kylänpää Tampere University of Technology 14.10.2010 Sisältö Johdattelua Klassinen action
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
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
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 5 (vko 4/003) (Aihe: jatkuvia satunnaismuuttujia ja jakaumia, sekamalli, Laininen luvut 5.1 5.7, 6.1 6.3)
Lisätiedot3. laskuharjoituskierros, vko 6, ratkaisut
Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa
LisätiedotOsa 11. Differen-aaliyhtälöt
Osa 11. Differen-aaliyhtälöt Differen-aaliyhtälö = yhtälö jossa esiintyy jonkin funk-on derivaa
LisätiedotChapter 3. The Molecular Dance. Luento Terminen liike Kineettinen kaasuteoria Boltzmann-jakauma Satunnaiskävely
Chapter 3. The Molecular Dance 1 Luento 15.1.016 Terminen liike Kineettinen kaasuteoria Boltzmann-jakauma Satunnaiskävely Chapter 3. The Molecular Dance Solut: Korkeasti järjestyneitä systeemeitä Terminen
Lisätiedotl (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka
LisätiedotMatriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain
Matriisilaskenta LH4 24 ratkaisut 1 Hae seuraavien R 4 :n aliavaruuksien dimensiot jotka sisältävät vain a) Kaikki muotoa (a b c d) olevat vektorit joilla d a + b b) Kaikki muotoa (a b c d) olevat vektorit
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
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
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 2 Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden
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
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
LisätiedotLukujonot Z-muunnos Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt. Z-muunnos. 5. joulukuuta Z-muunnos
Lukujonot Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt 5. joulukuuta 2016 Lukujonot Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt Lukujonot Lukujonot Z-muunnoksen ominaisuuksia
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
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
LisätiedotLaplace-muunnoksesta ja sen sovelluksista
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Anni Meisalmi Laplace-muunnoksesta ja sen sovelluksista Informaatiotieteiden yksikkö Matematiikka Maaliskuu 212 Tampereen yliopisto Informaatiotieteiden yksikkö
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotSelvästi. F (a) F (y) < r x d aina, kun a y < δ. Kolmioepäyhtälön nojalla x F (y) x F (a) + F (a) F (y) < d + r x d = r x
Seuraavaksi tarkastellaan C 1 -sileiden pintojen eräitä ominaisuuksia. Lemma 2.7.1. Olkoon S R m sellainen C 1 -sileä pinta, että S on C 1 -funktion F : R m R eräs tasa-arvojoukko. Tällöin S on avaruuden
LisätiedotPaulin spinorit ja spinorioperaattorit
Paulin spinorit ja spinorioperaattorit Spinoreita on useita erilaisia. Esimerkiksi Paulin, Dirackin ja Weyelin spinorit. Yhteisenä piirteenä eri spinoreilla on se, että kukin liittyy tavallisesti johonkin
LisätiedotLuku 4. Derivoituvien funktioiden ominaisuuksia.
1 MAT-1343 Laaja matematiikka 3 TTY 1 Risto Silvennoinen Luku 4 Derivoituvien funktioiden ominaisuuksia Derivaatan olemassaolosta seuraa funktioille eräitä säännöllisyyksiä Näistä on jo edellisessä luvussa
LisätiedotMS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause.
MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause. Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2015
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen
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
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
Lisätiedot11. Poissonin yhtälö Perusratkaisu. Laplacen yhtälöön liittyvää epähomogeenista osittaisdifferentiaaliyhtälöä
. Poissonin yhtälö.. Perusratkaisu. Laplacen yhtälöön liittyvää epähomogeenista osittaisdifferentiaaliyhtälöä u = f kutsutaan Poissonin yhtälöksi ja siihen liittyvvää reuna-arvotehtävää { u = f :ssa, ja
Lisätiedot= vakio = λ. V (x) V (0) = V (l) = 0.
6. Aatoyhtäö I 6.1. Ratkaisu Fourier-sarjojen avua. Oetetaan, että värähteevän angan muodon hetkeä t = määrää funktio u ja nopeuden funktio u 1. Otetaan tehtäväksi määrätä seuraavan akuarvo- reuna-arvotehtävän
LisätiedotMS-C1420 Fourier-analyysi osa II
MS-C142 Fourier-analyysi osa II G. Gripenberg Aalto-yliopisto 14. helmikuuta 214 G. Gripenberg (Aalto-yliopisto) MS-C142 Fourier-analyysiosa II 14. helmikuuta 214 1 / 36 1 Fourier-sarjat ja Fourier-integraalit
LisätiedotKuljetusilmiöt. Diffuusio Lämmönjohtuminen Viskoosin nesteen virtaus Produktio ja absorptio
Kuljetusilmiöt Diffuusio Lämmönjohtuminen Viskoosin nesteen virtaus Produktio ja absorptio Johdanto Kuljetusilmiöt on yhteinen nimitys prosesseille, joissa aineen molekyylien liike aiheuttaa energian,
Lisätiedot13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y )
MATEMATIIKAN JA TILASTOTIETEEN LAITOS Differentiaaliyhtälöt, kesä 00 Tehtävät 3-8 / Ratkaisuehdotuksia (RT).6.00 3. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: y = + y + y = + y + ( y ) (y
LisätiedotNumeeriset 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
LisätiedotMS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö
MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos
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
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
Lisätiedotu 2 dx, u A f siten, että D(u) = inf D(U). Tarkemmin: Tarkoitus on osoittaa seuraavat minimointitehtävä ja Dirichlet n tehtävä u A f ja
1. Dirichlet n periaatteesta 1.1. Periaate I. Dirichlet n periaate pohjautuu fysikaaliseen minimienergiaperiaatteeseen ja luo pohjaa osittaisdifferentiaaliyhtälöiden ja variaatiolaskennan välille). Yksinkertaisesti
Lisätiedotintegraali Integraalifunktio Kaavoja Integroimiskeinoja Aiheet Linkkejä Integraalifunktio Kaavoja Integroimiskeinoja Määrätty integraali
integraali 1 Matta-projekti(Aalto yliopisto): Integraali (http://matta.hut.fi/matta2/isom/html/isomli8.html ) Johdatus korkeakoulumatematiikkaan (Tampereen teknillinen korkeakoulu): Integraali (http://matwww.ee.tut.fi/jkkm/integraa/integ01.htm
Lisätiedot