Numeeriset menetelmät TIEA381. Luento 14. Kirsi Valjus. Jyväskylän yliopisto. Luento 14 () Numeeriset menetelmät / 55

Koko: px
Aloita esitys sivulta:

Download "Numeeriset menetelmät TIEA381. Luento 14. Kirsi Valjus. Jyväskylän yliopisto. Luento 14 () Numeeriset menetelmät / 55"

Transkriptio

1 Numeeriset menetelmät TIEA381 Luento 14 Kirsi Valjus Jyväskylän yliopisto Luento 14 () Numeeriset menetelmät / 55

2 Luennon 14 sisältö Nopeat Fourier-muunnokset (FFT) Yleinen algoritmi 2-kantainen algoritmi 2-kantaisen algoritmin tietokonetoteutus Luento 14 () Numeeriset menetelmät / 55

3 2 Diskreetti Fourier-muunnos Diskreetti Fourier-muunnos (vaativuus) ˆf k = 1 N 1 f j w kj, k = 0, 1,..., N 1. N j=0 N + 1 kertolaskua, N 1 yhteenlaskua (seka w kj :n laskemiset) Pisteitä N kappaletta N 2 + N kertolaskua, N 2 N yhteenlaskua Diskreetin Fourier-muunnoksen laskennallinen vaativuus määritelmästä laskettuna on O(N 2 ) Luento 14 () Numeeriset menetelmät / 55

4 Esimerkki Diskreetti Fourier-muunnos Esimerkki 2.1 Reaaliarvoinen signaali f (t) = sin(2π20t) + sin(2π35t) + sin(2π50t) Näytteenottoväli δt = Näytteiden lukumäärä N = 256 Näytteet f j = f (t j ) ajanhetkillä t j = jδt, j = 0, 1,..., N 1 Mutta: mitattu signaali sisältää aina myös kohinaa Luento 14 () Numeeriset menetelmät / 55

5 Esimerkki jatkuu 2 Diskreetti Fourier-muunnos Esimerkki AIKA (MS) Kuva: Alkuperäinen signaali Luento 14 () Numeeriset menetelmät / 55

6 Esimerkki jatkuu 2 Diskreetti Fourier-muunnos Esimerkki AIKA (MS) Kuva: Häiriöinen signaali Luento 14 () Numeeriset menetelmät / 55

7 2 Diskreetti Fourier-muunnos Esimerkki 2.1 Esimerkki jatkuu Koetetaan päästä kohinasta eroon Fourier-muunnoksen avulla: Pisteistön f j diskreetti Fourier-muunnos ˆf k Signaalin diskreetti tehospektri ˆf k 2 /N Esitetään tehospektri taajuuden ϕ k = k/(nδt) funktiona Suuret piikit alkuperäisen signaalin taajuuksia Pienet piikit kohinan aiheuttamia Luento 14 () Numeeriset menetelmät / 55

8 Esimerkki jatkuu 2 Diskreetti Fourier-muunnos Esimerkki TAAJUUS (HZ) Kuva: Tehospektri Luento 14 () Numeeriset menetelmät / 55

9 2 Diskreetti Fourier-muunnos Esimerkki 2.1 Esimerkki jatkuu Kohinan suodatus: Poistetaan kohinaa vastaavat taajuudet Asetetaan pisteistöstä ˆf k nolliksi ne komponentit, jotka vastaavat yli 100 Hz taajuuksia Suodatetun pisteistön ˆf k diskreetti Fourier-käänteismuunnos f j Verrataan alkuperäiseen signaaliin Luento 14 () Numeeriset menetelmät / 55

10 Esimerkki jatkuu 2 Diskreetti Fourier-muunnos Esimerkki AIKA (MS) Kuva: Suodatettu signaali Luento 14 () Numeeriset menetelmät / 55

11 3 Nopeat Fourier-muunnokset 3.1 Johdanto Nopeat Fourier-muunnokset Diskreetin Fourier-muunnoksen laskeminen määritelmästä O(N 2 ) nopeilla Fourier-muunnoksilla O(N log N) N N 2 N log N Fast Fourier Transforms, FFT Luento 14 () Numeeriset menetelmät / 55

12 Yleinen algoritmi 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Diskreetti Fourier-muunnos Olkoon N = N 1 N 2 ˆf k = 1 N 1 f j w kj N, w N = e i2π/n N j=0 Määritellään j ja k uudelleen missä j 1, k 1 = 0, 1,..., N 1 1 ja j 2, k 2 = 0, 1,..., N 2 1 j = N 1 j 2 + j 1, k = N 2 k 1 + k 2 Luento 14 () Numeeriset menetelmät / 55

13 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Yleinen algoritmi ˆf N2 k 1 +k 2 = 1 N 1 1 N j 1 =0 = 1 N 1 1 N j 1 =0 N 2 1 j 2 =0 N 2 1 j 2 =0 f N1 j 2 +j 1 w (N 2k 1 +k 2 )(N 1 j 2 +j 1 ) N f N1 j 2 +j 1 w N 2N 1 k 1 j 2 N }{{} w N 2k 1 j 1 N }{{} w N 1k 2 j 2 N }{{} w k 2j 1 N w N 1N 2 N = 1 w N 2 N = w N 1 w N 1 N = w N 2 Luento 14 () Numeeriset menetelmät / 55

14 Yleinen algoritmi 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi kiertokerroin ( ˆf N2 k 1 +k 2 = 1 N 1 1 {}}{ N w k 2j N f N1 j 2 +j 1 w k 2j 2 N1 N2 j 1 =0 j 2 =0 N 2 ) }{{} N 2 :n pisteen diskr. Fourier-muunnos w k 1j 1 N 1 } {{ } N 1 :n pisteen diskr. Fourier-muunnos Luento 14 () Numeeriset menetelmät / 55

15 Yleinen algoritmi (1) 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Merkitään g j2 = f N1 j 2 +j 1, j 2 = 0, 1,..., N 2 1 Kullakin j 1 saadaan eri pisteistö g j2 = g j1,j 2 Lasketaan N 2 :n pisteen muunnokset Erikseen kullakin j 1 ĝ k2 = 1 N2 N 2 1 j 2 =0 g j2 w k 2j 2 N 2 N 1 kappaletta N 2 :n pisteen muunnoksia ĝ k2 = ĝ j1,k 2 Luento 14 () Numeeriset menetelmät / 55

16 Yleinen algoritmi (2) 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Merkitään h j1 = w k 2j 1 N ĝ j1,k 2, j 1 = 0, 1,..., N 1 1 Toisin sanoen kerrotaan pisteistöjen ĝ j1,k 2 alkiot kiertokertoimilla w k 2j 1 N Kullakin k 2 saadaan eri pisteistö h j1 = h k2,j 1 Luento 14 () Numeeriset menetelmät / 55

17 Yleinen algoritmi (3) 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Lasketaan N 1 :n pisteen muunnokset Erikseen kullakin k 2 ĥ k1 = 1 N1 N 1 1 j 1 =0 h j1 w k 1j 1 N 1 N 2 kpl N 1 :n pisteen muunnoksia ĥk 1 = ĥk 2,k 1 ˆf k = ĥ k2,k 1 Luento 14 () Numeeriset menetelmät / 55

18 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Yleinen algoritmi (vaativuus) Muunnos suoraan N:n pisteen muunnoksena: N 2 + N = N 1 N 2 (N 1 N 2 + 1) kertolaskua Edellisellä algoritmilla: N 1 kertaa N 2 :n pisteen muunnos kerrotaan N 1 N 2 kertaa kiertokertoimilla N 2 kertaa N 1 :n pisteen muunnos N 1 (N2 2 + N 2 ) + N 1 N 2 + N 2 (N1 2 + N 1 ) = N 1 N 2 (N 1 + N 2 + 3) < N 1 N 2 (N 1 N 2 + 1) kertolaskua Luento 14 () Numeeriset menetelmät / 55

19 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Yleinen algoritmi Laskut voidaan tehdä myös toisessa järjestyksessä: kerrotaan N 2 N 1 kertaa kiertokertoimilla N 2 kertaa N 1 :n pisteen muunnos N 1 kertaa N 2 :n pisteen muunnos (Ei käsitellä) Luento 14 () Numeeriset menetelmät / 55

20 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Yleinen algoritmi (rekursio) Olkoot luvut N 1 ja N 2 muotoa N 1 = N 1,1 N 1,2 ja N 2 = N 2,1 N 2,2 Sovelletaan edellistä algoritmia N 1 :n ja N 2 :n pisteen muunnosten laskemiseen FFT rekursiivisesti N = 2 n Cooley Tukey-algoritmit Luento 14 () Numeeriset menetelmät / 55

21 Kaksikantainen algoritmi 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi ˆf N2 k 1 +k 2 = 1 N1 N 1 1 j 1 =0 Olkoon N = 2 n jollain n w k 2j 1 N ( N N2 j 2 =0 Asetetaan N 1 = 2 ja N 2 = N/2 = 2 n 1 = M Siis pisteistö f j jaetaan kahteen osaan: Parilliset f 2j ja parittomat f 2j+1 omiin ryhmiinsä ) f N1 j 2 +j 1 w k 2j 2 N 2 w k 1j 1 N 1 Luento 14 () Numeeriset menetelmät / 55

22 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Kaksikantainen algoritmi ˆf Mk1 +k 2 = j 1 =0 w k 2j 1 N ( M 1 1 M j 2 =0 f 2j2 +j 1 w k 2j 2 M ) w k 1j 1 2 missä k 1 = 0, 1 ja k 2 = 0, 1,..., M 1. w k 1 2 = { e 0 = 1, k 1 = 0 e iπ = 1, k 1 = 1 Luento 14 () Numeeriset menetelmät / 55

23 Kaksikantainen algoritmi 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Tapaus k 1 = 0: [( ) ˆf k = 1 M 1 1 f 2j w kj M 2 M j=0 + w k N ( M 1 1 M j=0 f 2j+1 w kj M )] Tapaus k 1 = 1: [( ) ˆf M+k = 1 M 1 1 f 2j w kj M 2 M j=0 w k N ( M 1 1 M j=0 f 2j+1 w kj M molemmissa k = 0, 1,..., M 1 (Merkitty k = k 2 ja j = j 2 ) )] Luento 14 () Numeeriset menetelmät / 55

24 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Kaksikantainen algoritmi Aikaharvennus (decimation in time): Kaksi N/2:n pisteen muunnosta Kerrotaan N/2 kertaa kiertokertoimilla Suoritetaan N yhteenlaskua Kerrotaan N kertaa vakiolla 1/ 2 pisteiden f j skaalaus Luento 14 () Numeeriset menetelmät / 55

25 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Kaksikantainen algoritmi Sama molemmille N/2:n pisteen muunnoksille: Neljä N/4:n pisteen muunnosta Kerrotaan 2 N/4 = N/2 kertaa kiertokertoimilla Suoritetaan 2 N/2 = N yhteenlaskua Yleisesti rekursiotasolla m: 2 m kpl 2 n m :n pisteen muunnosta N/2 kertolaskua N yhteenlaskua Luento 14 () Numeeriset menetelmät / 55

26 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Kaksikantainen algoritmi Viimeisellä tasolla m = n = log 2 N : N kpl yhden pisteen muunnoksia (triviaaleja) N/2 kertolaskua N yhteenlaskua Yhteensä: (N/2) log 2 N kertolaskua N log 2 N yhteenlaskua (Lisäksi skaalaukset: N kertolaskua) O(N log N) Luento 14 () Numeeriset menetelmät / 55

27 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Kaksikantainen algoritmi Toinen muoto: Asetetaan N 1 = N/2 = 2 n 1 = M ja N 2 = 2 Siis pisteistö f j jaetaan kahteen osaan: Alkuosa f j ja loppuosa f M+j omiin ryhmiinsä... Taajuusharvennus (decimation in frequency):... Suoritetaan N yhteenlaskua Kerrotaan N/2 kertaa kiertokertoimilla Kaksi N/2:n pisteen muunnosta Luento 14 () Numeeriset menetelmät / 55

28 Kaksikantainen algoritmi 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Triviaalit kertolaskut: Kerrotaan vakiolla +1, 1, +i, i Ensimmäisellä tasolla kiertokertoimet ovat w k 2 = e kiπ = ( 1) k Toisella tasolla kiertokertoimet ovat w k 4 = e kiπ/2 = ( i) k Jne. Yhteensä triviaaleja kertolaskuja 3N/2 2 kpl Luento 14 () Numeeriset menetelmät / 55

29 3 Nopeat Fourier-muunnokset 3.4 Korkeampikantaiset algoritmit Korkeampikantaiset algoritmit Nelikantainen algoritmi: Oletetaan, että N = 4 n/2 parillisella n Asetetaan N 1 = 4 ja N 2 = N/4 = 4 n/2 1 Vastaavasti 8- ja 16-kantaiset algoritmit Vaihtuvakantaiset algoritmit: Esimerkiksi, jos N = 32 = Kaksi askelta nelikantaisella, yksi askel kaksikantaisella Luento 14 () Numeeriset menetelmät / 55

30 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Rekursiotaso m = 0, 1,..., n (n = log 2 N) Taso m = 0: Alustusaskel, jolla suoritetaan triviaalit yhden pisteen muunnokset ˆf 0 = f 0 Taso m = n: Lopetustaso, jolla muodostetaan lopullinen muunnos ˆf k, k = 0, 1,..., N 1 Kullakin tasolla: N 2 m ja M 2 m 1 w k N w k 2 m = e ki2π/2m = w kn/2m (missä w on alkuperäinen w = w N ) Luento 14 () Numeeriset menetelmät / 55

31 Tietokonetoteutus 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tasolla m laskettavat osamuunnokset missä Skaalaus j = 0, 1,..., 2 n m 1 osamuunnoksen järjestysnumero ˆf [m] j,k, k = 0, 1,..., 2 m 1 pisteen järjestysnumero muunnoksessa Joko: Aluksi f j skaalataan vakiolla 1/ N Tai: Lopuksi ˆf k skaalataan vakiolla 1/ N Luento 14 () Numeeriset menetelmät / 55

32 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus (algoritmi) 1 (Alustus) Asetetaan ˆf [0] j,0 = f j, missä j = 0, 1,..., N 1. 2 Arvoilla m = 1, 2,..., n lasketaan ˆf [m] j,k = ˆf [m 1] j,k [m 1] + w kn/2mˆf 2 n m +j,k ˆf [m] [m 1] = ˆf j,2 m 1 +k j,k w kn/2mˆf [m 1] 2 n m +j,k missä j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m (Lopetus) Asetetaan ˆf k = [n] ˆf 0,k, missä k = 0, 1,..., N 1 Luento 14 () Numeeriset menetelmät / 55

33 Tietokonetoteutus 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tasolla m: Lasketaan N kpl pisteitä ˆf [m] j,k Käytetään vain edellisen tason m 1 pisteitä Riittää yksi työtilavektori: Lasketaan työtilavektoriin ˆf [m] j,k Siirretään ne varsinaiseen tallennusvektoriin vanhojen tilalle ˆf [m 1] j,k Luento 14 () Numeeriset menetelmät / 55

34 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Tallennus vektoriin kuvauksen l avulla: ˆf [m] j,k tallennetaan indeksillä l(m, j, k) Kuvaukselta l vaaditaan: l(m, j, k) käy läpi {0, 1,..., N 1}, kun j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m 1 Lisäksi olisi hyvä, jos Alkupisteistö f j oikeassa järjestyksessä l(0, j, 0) = j, kaikilla j = 0, 1,..., N 1 Loppupisteistö ˆf k oikeassa järjestyksessä l(n, 0, k) = k, kaikilla k = 0, 1,..., N 1. Luento 14 () Numeeriset menetelmät / 55

35 Tietokonetoteutus 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Yksinkertaisin kuvaus, joka toteuttaa edellä mainitut ehdot: l(m, j, k) = j2 m + k Mutta: Tällöin tasolla m tarvitaan välttämättä N:n pituinen työtilavektori Kuvaus l voidaan määritellä siten, että tasolla m tarvitaan työtilaa vain kahdelle pisteelle: Lasketaan pisteet ˆf [m] j,k ja ˆf [m] j,2 m 1 +k Sijoitetaan arvot heti vanhojen pisteiden ˆf [m 1] j,k ja ˆf [m 1] 2 n m +j,k tilalle Luento 14 () Numeeriset menetelmät / 55

36 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Halutaan siis, että l(m, j, k) = l(m 1, j, k), l(m, j, 2 m 1 + k) = l(m 1, 2 n m + j, k) kun j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m 1 1 Mutta: Tällöin molemmat ehdot l(0, j, 0) = j, kaikilla j = 0, 1,..., N 1 l(n, 0, k) = k, kaikilla k = 0, 1,..., N 1 eivät voi olla voimassa samanaikaisesti Luento 14 () Numeeriset menetelmät / 55

37 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Valitaan: Alkupisteistö f j oikeassa järjestyksessä l(0, j, 0) = j, kaikilla j = 0, 1,..., N 1 Merkitään: k = m 1 i=0 k i2 i, missä k i {0, 1} (k i :t ovat indeksin k bitit sen binääriesityksessä) Määritellään: b m (k) = m 1 i=0 k m i 12 i (b m kääntää indeksin k bitit päinvastaiseen järjestykseen) Luento 14 () Numeeriset menetelmät / 55

38 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Tämä oli siis, mitä halutaan: l(m, j, k) = l(m 1, j, k), l(m, j, 2 m 1 + k) = l(m 1, 2 n m + j, k) kun j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m 1 1 Yllä oleva saadaan nyt muotoon l(m, j, k) = l(m 1, j + k m 1 2 n m, m 2 i=0 k i2 i ) missä j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m 1 Luento 14 () Numeeriset menetelmät / 55

39 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Käytetään tätä rekursiivisesti, jolloin saadaan l(m, j, k) = l(m 1, j + k m 1 2 n m, m 2 i=0 k i2 i ) = l(m 2, j + k m 1 2 n m + k m 2 2 n m+1, m 3 i=0 k i2 i ) = = l(0, j + k m 1 2 n m + + k 0 2 n 1, 0) = l(0, j + 2 n m m 1 i=0 k m i 12 i, 0) = l(0, j + 2 n m b m (k), 0) = j + 2 n m b m (k) [koska l(0, j, 0) = j j] Luento 14 () Numeeriset menetelmät / 55

40 Tietokonetoteutus 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Edellä saatiin mistä seuraa l(m, j, k) = j + 2 n m b m (k) l(n, 0, k) = b n (k) kaikilla k = 0, 1,..., N 1 Jos alkupisteistö f j on oikeassa järjestyksessä, loppupisteistö ˆf k saadaan bittikäänteisessä järjestyksessä (bit-reversed order) Luento 14 () Numeeriset menetelmät / 55

41 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Edellä saatiin mistä saadaan l(m, j, k) = j + 2 n m b m (k) l(m 1, j, k) = j + 2 n m+1 b m 1 (k) l(m 1, 2 n m + j, k) = 2 n m + j + 2 n m+1 b m 1 (k) Lisäksi: algoritmissa k voidaan korvata b m 1 (k):lla (samantekevää, missä järjestyksessä indeksit käydään läpi) Luento 14 () Numeeriset menetelmät / 55

42 Algoritmi (versio 1) 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta do j = 0, N 1 A(j) := f j / N end do do m = 1, n do k = 0, 2 m 1 1 α := w b m 1(k)N/2 m do j = 0, 2 n m 1 u := A(j + 2 n m+1 k) v := αa(2 n m + j + 2 n m+1 k) A(j + 2 n m+1 k) := u + v A(2 n m + j + 2 n m+1 k) := u v end do end do end do do k = 0, N 1 ˆf k := A ( b n (k) ) end do Luento 14 () Numeeriset menetelmät / 55

43 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus (toinen muoto) Valitaan: Loppupisteistö ˆf k oikeassa järjestyksessä l(n, 0, k) = k kaikilla k = 0, 1,..., N 1... Saadaan ja erityisesti l(m 1, j, k) = k + 2 m 1 b n m+1 (j) l(0, j, 0) = b n (j) j = 0, 1,..., N 1 Jos alkupisteistö f j on bittikäänteisessä järjestyksessä, loppupisteistö ˆf k saadaan oikeassa järjestyksessä Luento 14 () Numeeriset menetelmät / 55

44 Algoritmi (versio 2) 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta do j = 0, N 1 A ( b n (j) ) := f j end do do m = 1, n do k = 0, 2 m 1 1 α := w kn/2m do j = 0, 2 n m 1 u := A(k + 2 m j) v := αa(2 m 1 + k + 2 m j) A(k + 2 m j) := u + v A(2 m 1 + k + 2 m j) := u v end do end do end do do k = 0, N 1 ˆf k := A(k)/ N end do Luento 14 () Numeeriset menetelmät / 55

45 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Algoritmit Versio 1: Kiertokerrointa laskettaessa tehdään bitinkääntö Versio 2: Rekursiosilmukassa ei bitinkääntöä Luento 14 () Numeeriset menetelmät / 55

46 Tenttitärpit Tenttitärpit Tenttikysymysten aiheet tullaan suurella todennäköisyydellä poimimaan seuraavasta listasta. Kysymysten tarkka sanamuoto ei kuitenkaan välttämättä ole juuri listan mukainen ja tehtävissä esiintyvät kertoimet, vakiot, funktiot jne tulevat myös muuttumaan. Kohtuutonta laskentaa tai kaavamonstereiden muistamista tentissä ei vaadita. Tentissä on 5 tehtävää (6 pist/teht), joihin jokaiseen vastataan. Luento 14 () Numeeriset menetelmät / 55

47 Tenttitärpit Tenttitärpit Luku 1 Selitä lyhyesti - hyvin/huonosti asetettu matemaattinen ongelma - matemaattisen ongelman häiriöalttius - numeerinen stabiilisuus Tulee ymmärtää ja osata käyttää seuraavia: Absoluuttinen ja suhteellinen virhe, oikeat desimaalit ja merkitsevät numerot Demo 1.1 (num. epästab. lausekkeita, muuta stab. muotoon) Luento 14 () Numeeriset menetelmät / 55

48 Tenttitärpit Tenttitärpit Luku 2 Muotoile kolme eri numeerista menetelmää yhtälön 2x cos(x) = 0 ratkaisemiseksi. Miten lasketaan annetun luvun kuutiojuuri Newtonin menetelmää käyttäen? Polynomit ja Hornerin menetelmä (perusideat) Luento 14 () Numeeriset menetelmät / 55

49 Tenttitärpit Tenttitärpit Luku 3 Selitä, mitä tarkoittaa matriisin häiriöalttius (ehtoluku). Kerro periaate, miten LU tai Choleskyn hajotelmaa käytetään lineaarisen yhtälöryhmän ratkaisemisessa. LU- ja Choleskyn hajotelman johtaminen yhtälöstä A = LU tai L = L T Miten suorat ja iteratiiviset menetelmät eroavat toisistaan? Demo 2.2, 2.3, 2.5 Luento 14 () Numeeriset menetelmät / 55

50 Tenttitärpit Tenttitärpit Luku 4 Ominaisarvot ja -vektorit (mitä ne on, perusideat) Selitä lyhyesti potenssiinkorotusmenetelmä tehtävälle Ax = λx QR-menetelmän perusidea Demo 4.1 Luento 14 () Numeeriset menetelmät / 55

51 Tenttitärpit Tenttitärpit Luku 5 Lagrangen ja Newtonin interpolaatiopolynomien muodostaminen. Demo 4.3, 4.4. Selitä kuutiosplinin perusominaisuudet. Demo 5.1. Pienimmän neliön ja pienimmän neliösumman approksimointi (perusideat). Luento 14 () Numeeriset menetelmät / 55

52 Tenttitärpit Tenttitärpit Luku 6 Yksinkertaisten integrointikaavojen soveltaminen (esim. puolisuunnikassääntö, Simpsonin sääntö, Gauss-Legendre) Selitä, mitä tarkoitetaan automaattisella tai adaptiivisella integroinnilla. Numeerisen derivoinnin peruskaavojen soveltaminen (etenevä-, takeneva- ja keskeisdifferenssi, Richardsonin ekstrapolaatio) Selitä numeerisen derivoinnin mahdollisia ongelmia Demo 6.1, 6.2, 6.3, 6.6, 7.2 Luento 14 () Numeeriset menetelmät / 55

53 Tenttitärpit Tenttitärpit Luku 7 Selitä lyhyesti - eksplisiittinen vs. implisiittinen menetelmä - yksiaskel vs. moniaskelmenetelmät - ennustus-korjaus-menetelmän perusidea Eulerin menetelmän soveltaminen alkuarvotehtävän ratkaisemiseen Demo 7.3, 7.5 Luento 14 () Numeeriset menetelmät / 55

54 Tenttitärpit Tenttitärpit FFT Diskreetti Fourier-muunnos Lineaarisuus ja normin säilyminen (Lauseiden 2.2 ja 2.3 tod) Nopeat Fourier-muunnokset, yleinen algoritmi (perusidea) Luento 14 () Numeeriset menetelmät / 55

55 Tenttitärpit Onnea tenttiin! Luento 14 () Numeeriset menetelmät / 55

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 14 To 20.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 14 To 20.10.2011 p. 1/39 p. 1/39 Nopeat Fourier-muunnokset Diskreetti Fourier-muunnos ˆf k = 1 N 1 N

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 13 Ti 18.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 13 Ti 18.10.2011 p. 1/43 p. 1/43 Nopeat Fourier-muunnokset Fourier-sarja: Jaksollisen funktion esitys

Lisätiedot

Nopeat Fourier-muunnokset

Nopeat Fourier-muunnokset opeat Fourier-muunnokset Timo ännikkö 1 Fourier-analyysin alkeita 1.1 Fourier-sarjat Olkoon f koko R:ssä määritelty kuvaus siten, että se on integroituva välillä ] π, π[ ja lisäksi -jaksollinen, ts. fx

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 13. Kirsi Valjus. Jyväskylän yliopisto. Luento 13 () Numeeriset menetelmät / 42

Numeeriset menetelmät TIEA381. Luento 13. Kirsi Valjus. Jyväskylän yliopisto. Luento 13 () Numeeriset menetelmät / 42 Numeeriset menetelmät TIEA381 Luento 13 Kirsi Valjus Jyväskylän yliopisto Luento 13 () Numeeriset menetelmät 8.5.2013 1 / 42 Luennon 13 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Moniaskelmenetelmien

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

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 3 Ti 13.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 3 Ti 13.9.2011 p. 1/37 p. 1/37 Epälineaariset yhtälöt Newtonin menetelmä: x n+1 = x n f(x n) f (x n ) Sekanttimenetelmä:

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

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

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

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

Numeeriset menetelmät TIEA381. Luento 11. Kirsi Valjus. Jyväskylän yliopisto. Luento 11 () Numeeriset menetelmät / 37

Numeeriset menetelmät TIEA381. Luento 11. Kirsi Valjus. Jyväskylän yliopisto. Luento 11 () Numeeriset menetelmät / 37 Numeeriset menetelmät TIEA381 Luento 11 Kirsi Valjus Jyväskylän yliopisto Luento 11 () Numeeriset menetelmät 24.4.2013 1 / 37 Luennon 11 sisältö Numeerisesta integroinnista ja derivoinnista Adaptiiviset

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 5 Ti 20.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 5 Ti 20.9.2011 p. 1/40 p. 1/40 Choleskyn menetelmä Positiivisesti definiiteillä matriiseilla kolmiohajotelma

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 3. Kirsi Valjus. Jyväskylän yliopisto. Luento 3 () Numeeriset menetelmät / 45

Numeeriset menetelmät TIEA381. Luento 3. Kirsi Valjus. Jyväskylän yliopisto. Luento 3 () Numeeriset menetelmät / 45 Numeeriset menetelmät TIEA381 Luento 3 Kirsi Valjus Jyväskylän yliopisto Luento 3 () Numeeriset menetelmät 20.3.2013 1 / 45 Luennon 3 sisältö Luku 2: Epälineaarisen yhtälön ratkaiseminen Polynomin reaaliset

Lisätiedot

(0 desimaalia, 2 merkitsevää numeroa).

(0 desimaalia, 2 merkitsevää numeroa). NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx

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

Numeerinen integrointi ja derivointi

Numeerinen integrointi ja derivointi Numeerinen integrointi ja derivointi Keijo Ruotsalainen Division of Mathematics Interpolaatiokaavat Approksimoitava integraali I = b a f(x)dx. Tasavälinen hila: x i = a+ (b a)i n, i = 0,...,n Funktion

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 11 Ti 11.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 11 Ti 11.10.2011 p. 1/34 p. 1/34 Automaattiset integrointialgoritmit Numeerisen integroinnin tarkkuuteen

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 7 Ti 27.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 7 Ti 27.9.2011 p. 1/39 p. 1/39 Interpolointi Ei tunneta funktion f : R R lauseketta, mutta tiedetään funktion

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

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 10 To 6.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 10 To 6.10.2011 p. 1/35 p. 1/35 Numeerinen integrointi Puolisuunnikassääntö b a f(x)dx = h 2 (f 0 + f

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 4. Kirsi Valjus. Jyväskylän yliopisto. Luento 4 () Numeeriset menetelmät / 44

Numeeriset menetelmät TIEA381. Luento 4. Kirsi Valjus. Jyväskylän yliopisto. Luento 4 () Numeeriset menetelmät / 44 Numeeriset menetelmät TIEA381 Luento 4 Kirsi Valjus Jyväskylän yliopisto Luento 4 () Numeeriset menetelmät 21.3.2013 1 / 44 Luennon 4 sisältö Lineaarisen yhtälöryhmän ratkaisemisesta: Choleskyn menetelmä

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

Funktioiden approksimointi ja interpolointi

Funktioiden approksimointi ja interpolointi Funktioiden approksimointi ja interpolointi Keijo Ruotsalainen Division of Mathematics interpolaatio-ongelma 8 Eksponenttifunktion exp(x) interpolointi 3.5 Funktion e^{0.25x} \sin(x) interpolointi 7 3

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

Inversio-ongelmien laskennallinen peruskurssi Luento 3

Inversio-ongelmien laskennallinen peruskurssi Luento 3 Inversio-ongelmien laskennallinen peruskurssi Luento 3 Kevät 2011 1 Singulaariarvohajotelma (Singular Value Decomposition, SVD) Olkoon A R m n matriisi 1. Tällöin A voidaan esittää muodossa A = UΣV T,

Lisätiedot

Matriisilaskenta Luento 8: LU-hajotelma

Matriisilaskenta Luento 8: LU-hajotelma Matriisilaskenta Luento 8: LU-hajotelma Antti Rasila 2016 Matriisihajotelmat 1/2 Usein matriisiyhtälön Ax = y ratkaiseminen on epäkäytännöllistä ja hidasta. Siksi numeerisessa matriisilaskennassa usein

Lisätiedot

MS-C1420 Fourier-analyysi osa I

MS-C1420 Fourier-analyysi osa I 1 Johdanto MS-C142 Fourier-analyysi osa I G Gripenberg 2 Fourier-integraali Fourier-muunnos ja derivaatta Konvoluutio Fourier-käänteismuunnos eliöintegroituvat funktiot Aalto-yliopisto 29 tammikuuta 214

Lisätiedot

MS-C1420 Fourier-analyysi osa I

MS-C1420 Fourier-analyysi osa I MS-C142 Fourier-analyysi osa I G. Gripenberg Aalto-yliopisto 29. tammikuuta 214 G. Gripenberg (Aalto-yliopisto) MS-C142 Fourier-analyysiosa I 29. tammikuuta 214 1 / 3 1 Johdanto 2 Fourier-integraali Fourier-muunnos

Lisätiedot

MS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I

MS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I MS-C140 Fourier-analyysi Esimerkkejä, perusteluja, osa I G. Gripenberg Aalto-yliopisto 3. tammikuuta 014 G. Gripenberg (Aalto-yliopisto MS-C140 Fourier-analyysiEsimerkkejä, perusteluja, osa3. I tammikuuta

Lisätiedot

MS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I

MS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I MS-C14 Fourier-analyysi Esimerkkejä, perusteluja, osa I G. Gripenberg Aalto-yliopisto 3. tammikuuta 14 G. Gripenberg (Aalto-yliopisto MS-C14 Fourier-analyysiEsimerkkejä, perusteluja, osa3. I tammikuuta

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 2 To 8.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 2 To 8.9.2011 p. 1/33 p. 1/33 Lukujen tallennus Kiintoluvut (integer) tarkka esitys aritmeettiset operaatiot

Lisätiedot

Mat / Mat Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 42, loppuviikko, syksy 2008

Mat / Mat Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 42, loppuviikko, syksy 2008 Mat-.3 / Mat-.33 Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 4, loppuviikko, syksy 8 Ennen malliratkaisuja, muistin virkistämiseksi kaikkien rakastama osittaisintegroinnin kaava: b a u(tv (t

Lisätiedot

Luento 9: Yhtälörajoitukset optimoinnissa

Luento 9: Yhtälörajoitukset optimoinnissa Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon

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

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 8 To 29.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 8 To 29.9.2011 p. 1/36 p. 1/36 Interpolointi kuutiosplinillä Osavälit: I i = [t i 1,t i ], i = 1,2,...,n

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

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

1 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

Lisätiedot

Algoritmit C++ Kauko Kolehmainen

Algoritmit C++ Kauko Kolehmainen Algoritmit C++ Kauko Kolehmainen Algoritmit - C++ Kirjoittanut Taitto Kansi Kustantaja Kauko Kolehmainen Kauko Kolehmainen Frank Chaumont Oy Edita Ab IT Press PL 760 00043 EDITA Sähköpostiosoite Internet

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

Luento 5: Suurten lineaaristen yhtälöryhmien ratkaiseminen iteratiivisilla menetelmillä

Luento 5: Suurten lineaaristen yhtälöryhmien ratkaiseminen iteratiivisilla menetelmillä Luento 5: Suurten lineaaristen yhtälöryhmien ratkaiseminen iteratiivisilla menetelmillä Matriisit voivat olla kooltaan niin suuria, että LU-hajotelman laskeminen ei ole järkevä tapa ratkaista lineaarista

Lisätiedot

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä JYVÄSKYLÄN YLIOPISTO 4. Luennon sisältö Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi Lineaarinen optimointitehtävä Minimointitehtävä

Lisätiedot

1 Lineaariavaruus eli Vektoriavaruus

1 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

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

1 Ominaisarvot ja ominaisvektorit

1 Ominaisarvot ja ominaisvektorit 1 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) 1 missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016

Lisätiedot

BM20A1501 Numeeriset menetelmät 1 - AIMO

BM20A1501 Numeeriset menetelmät 1 - AIMO 6. marraskuuta 2014 Opetusjärjestelyt Luennot + Harjoitukset pe 7.11.2014 10-14 2310, 14-17 7337 la 8.11.2014 9-12 2310, 12-16 7337 pe 14.11.2014 10-14 2310, 14-17 6216 la 15.11.2014 9-12 2310, 12-16 7337

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

Pienimmän neliösumman menetelmä

Pienimmän neliösumman menetelmä Pienimmän neliösumman menetelmä Keijo Ruotsalainen Division of Mathematics Funktion sovitus Datapisteet (x 1,...,x n ) Annettu data y i = f(x i )+η i, missä f(x) on tuntematon funktio ja η i mittaukseen

Lisätiedot

Kevät Kirsi Valjus. Jyväskylän yliopisto Tietotekniikan laitos

Kevät Kirsi Valjus. Jyväskylän yliopisto Tietotekniikan laitos Numeeriset menetelmät TIEA381 Kevät 2013 Kirsi Valjus Jyväskylän yliopisto Tietotekniikan laitos Luento 1 () Numeeriset menetelmät 13.3.2013 1 / 34 Luennon 1 sisältö Käytännön asioita Numeerisen matematiikan

Lisätiedot

5 Ominaisarvot ja ominaisvektorit

5 Ominaisarvot ja ominaisvektorit 5 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin A

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

13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle

13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle 13. Taylorin polynomi; funktioiden approksimoinnista 13.1. Taylorin polynomi 552. Muodosta funktion f (x) = x 4 + 3x 3 + x 2 + 2x + 8 kaikki Taylorin polynomit T k (x, 2), k = 0,1,2,... (jolloin siis potenssien

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 7 8

Inversio-ongelmien laskennallinen peruskurssi Luento 7 8 Inversio-ongelmien laskennallinen peruskurssi Luento 7 8 Kevät 2011 1 Iteratiivisista menetelmistä Tähän mennessä on tarkasteltu niin sanottuja suoria menetelmiä, joissa (likimääräinen) ratkaisu saadaan

Lisätiedot

Konjugaattigradienttimenetelmä

Konjugaattigradienttimenetelmä Konjugaattigradienttimenetelmä Keijo Ruotsalainen Division of Mathematics Konjugaattigradienttimenetelmä Oletukset Matriisi A on symmetrinen: A T = A Positiivisesti definiitti: x T Ax > 0 kaikille x 0

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

805324A (805679S) Aikasarja-analyysi Harjoitus 5 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 5 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 5 (2016) Tavoitteet (teoria): Ymmärtää kausivaihtelun käsite ja sen yhteys otoshetkiin. Oppia käsittelemään periodogrammia.. Tavoitteet (R): Periodogrammin,

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

MS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset

MS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,

Lisätiedot

MS-C1420 Fourier-analyysi osa I

MS-C1420 Fourier-analyysi osa I MS-C1420 Fourier-analyysi osa I G. Gripenberg Aalto-yliopisto 29. tammikuuta 2014 G. Gripenberg (Aalto-yliopisto) MS-C1420 Fourier-analyysiosa I 29. tammikuuta 2014 1 / 29 Fourier-muunnoksia Jatkuva-aikaisen

Lisätiedot

Likimääräisratkaisut ja regularisaatio

Likimääräisratkaisut ja regularisaatio Luku 3 Likimääräisratkaisut ja regularisaatio Käytännön inversio-ongelmissa annettu data y ei aina ole tarkkaa, vaan sisältää häiriöitä. Tuntemattomasta x on annettu häiriöinen data y F (x + }{{}}{{} ε.

Lisätiedot

Numeerinen integrointi

Numeerinen integrointi Numeerinen integrointi Analyyttisesti derivointi triviaalia, integrointi vaikeaa. Numeerisesti laskettaessa tilanne on päinvastainen. Integrointi on yhteenlaskua, joka on tasoittava operaatio: lähtötietojen

Lisätiedot

Opetusperiodi:I, suunnattu hakukohteille:

Opetusperiodi:I, suunnattu hakukohteille: Kurssin nimi ja koodi Muut kommentit MS-A0001 Matriisilaskenta 5 op (Matrisräkning, Kuvaus: kurssi Teknillinen fysiikka ja matematiikka käsittelee lineaarisia yhtälöryhmiä sekä vektoreita ja matriiseja

Lisätiedot

Spektri- ja signaalianalysaattorit

Spektri- ja signaalianalysaattorit Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden

Lisätiedot

Algoritmit 1. Luento 11 Ti Timo Männikkö

Algoritmit 1. Luento 11 Ti Timo Männikkö Algoritmit 1 Luento 11 Ti 14.2.2017 Timo Männikkö Luento 11 Algoritminen ongelmanratkaisu Osittaminen Lomituslajittelu Lomituslajittelun vaativuus Rekursioyhtälöt Pikalajittelu Algoritmit 1 Kevät 2017

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

802320A LINEAARIALGEBRA OSA I

802320A LINEAARIALGEBRA OSA I 802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä

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

y 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

y 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

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät Välikoe

SGN-1200 Signaalinkäsittelyn menetelmät Välikoe SGN-00 Signaalinkäsittelyn menetelmät Välikoe 9.3.009 Sivuilla - on. Älä vastaa siihen, jos et ollut ensimmäisessä välikokeessa. Tentin kysymykset ovat sivuilla 3-4. Vastaa vain jompaan kumpaan kokeeseen,

Lisätiedot

A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.

A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =

Lisätiedot

Matriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?

Matriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on? Harjoitus 1, kevät 007 1. Olkoon [ ] cos α sin α A(α) =. sin α cos α Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?. Olkoon a x y A = 0 b z, 0 0 c missä a, b, c 0. Määrää käänteismatriisi

Lisätiedot

Johdatus lukuteoriaan Harjoitus 2 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma

Johdatus 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

Lisätiedot

Tietorakenteet ja algoritmit syksy Laskuharjoitus 1

Tietorakenteet ja algoritmit syksy Laskuharjoitus 1 Tietorakenteet ja algoritmit syksy 2012 Laskuharjoitus 1 1. Tietojenkäsittelijä voi ajatella logaritmia usein seuraavasti: a-kantainen logaritmi log a n kertoo, kuinka monta kertaa luku n pitää jakaa a:lla,

Lisätiedot

Ominaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3.

Ominaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3. Matematiikan ja tilastotieteen laitos Lineaarialgebra ja matriisilaskenta II Ylimääräinen harjoitus 6 Ratkaisut A:n karakteristinen funktio p A on λ p A (λ) det(a λi ) 0 λ ( λ) 0 5 λ λ 5 λ ( λ) (( λ) (

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

Osa IX. Z muunnos. Johdanto Diskreetit funktiot

Osa 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

Lisätiedot

811312A Tietorakenteet ja algoritmit Kertausta kurssin alkuosasta

811312A Tietorakenteet ja algoritmit Kertausta kurssin alkuosasta 811312A Tietorakenteet ja algoritmit 2017-2018 Kertausta kurssin alkuosasta II Perustietorakenteet Pino, jono ja listat tunnettava Osattava soveltaa rakenteita algoritmeissa Osattava päätellä operaatioiden

Lisätiedot

JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö

JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö JYVÄSKYLÄN YLIOPISTO 3. Luennon sisältö Lineaarisen optimointitehtävän sallittu alue Optimointitehtävien muunnoksia Lineaarisen yhtälöryhmän perusmuoto ja perusratkaisut Lineaarisen optimointitehtävän

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

jakokulmassa x 4 x 8 x 3x

jakokulmassa x 4 x 8 x 3x Laudatur MAA ratkaisut kertausarjoituksiin. Polynomifunktion nollakodat 6 + 7. Suoritetaan jakolasku jakokulmassa 5 4 + + 4 8 6 6 5 4 + 0 + 0 + 0 + 0+ 6 5 ± 5 5 4 ± 4 4 ± 4 4 ± 4 8 8 ± 8 6 6 + ± 6 Vastaus:

Lisätiedot

Opetusperiodi:I, suunnattu hakukohteille: Teknillinen fysiikka ja matematiikka

Opetusperiodi:I, suunnattu hakukohteille: Teknillinen fysiikka ja matematiikka Kurssin nimi ja koodi MS-A0001 Matriisilaskenta 5 op (Matrisräkning, Kuvaus: kurssi käsittelee lineaarisia yhtälöryhmiä sekä vektoreita ja matriiseja sovelluksineen. Sisältö: vektorilaskentaa, matriisit

Lisätiedot

Lineaarikuvauksen R n R m matriisi

Lineaarikuvauksen R n R m matriisi Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:

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

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

Lineaarinen optimointitehtävä

Lineaarinen optimointitehtävä Lineaarinen optimointitehtävä Minimointitehtävä yhtälörajoittein: min kun n j=1 n j=1 c j x j a ij x j = b i x j 0 j = 1,..., n i = 1,..., m Merkitään: z = alkuperäisen objektifunktion arvo käsiteltävänä

Lisätiedot

1. Normi ja sisätulo

1. Normi ja sisätulo Kurssimateriaalia K3/P3-kursille syksyllä 3 83 Heikki Apiola Sisältää otteita Timo Eirolan L3-kurssin lineaarialgebramonisteesta, jonka lähdekoodin Timo on ystävällisesti antanut käyttööni Normi ja sisätulo

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

Numeerinen analyysi Harjoitus 3 / Kevät 2017

Numeerinen analyysi Harjoitus 3 / Kevät 2017 Numeerinen analyysi Harjoitus 3 / Kevät 2017 Palautus viimeistään perjantaina 17.3. Tehtävä 1: Tarkastellaan funktion f(x) = x evaluoimista välillä x [2.0, 2.3]. Muodosta interpoloiva polynomi p 3 (x),

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

LUKUTEORIA A. Harjoitustehtäviä, kevät 2013. (c) Osoita, että jos. niin. a c ja b c ja a b, niin. niin. (e) Osoita, että

LUKUTEORIA A. Harjoitustehtäviä, kevät 2013. (c) Osoita, että jos. niin. a c ja b c ja a b, niin. niin. (e) Osoita, että LUKUTEORIA A Harjoitustehtäviä, kevät 2013 1. Olkoot a, b, c Z, p P ja k, n Z +. (a) Osoita, että jos niin Osoita, että jos niin (c) Osoita, että jos niin (d) Osoita, että (e) Osoita, että a bc ja a c,

Lisätiedot

Teknillinen tiedekunta, matematiikan jaos Numeeriset menetelmät

Teknillinen tiedekunta, matematiikan jaos Numeeriset menetelmät Numeeriset menetelmät 1. välikoe, 14.2.2009 1. Määrää matriisin 1 1 a 1 3 a a 4 a a 2 1 LU-hajotelma kaikille a R. Ratkaise LU-hajotelmaa käyttäen yhtälöryhmä Ax = b, missä b = [ 1 3 2a 2 a + 3] T. 2.

Lisätiedot

Osoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.

Osoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa. LINEAARIALGEBRA Harjoituksia 2016 1. Olkoon V = R 2 varustettuna tavallisella yhteenlaskulla. Määritellään reaaliluvulla kertominen seuraavasti: λ (x 1, x 2 ) = (λx 1, 0) (x 1, x 2 ) R 2 ja λ R. Osoita,

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 9 Ti 4.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 9 Ti 4.10.2011 p. 1/44 p. 1/44 Funktion approksimointi Etsitään p siten, että p f, mutta ei vaadita, että

Lisätiedot

Shorin algoritmin matematiikkaa Edvard Fagerholm

Shorin 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

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila

Lisätiedot

Injektio (1/3) Funktio f on injektio, joss. f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f )

Injektio (1/3) Funktio f on injektio, joss. f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f ) Injektio (1/3) Määritelmä Funktio f on injektio, joss f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f ) Seurauksia: Jatkuva injektio on siis aina joko aidosti kasvava tai aidosti vähenevä Injektiolla on enintään

Lisätiedot

ja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2

ja 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,

Lisätiedot

z muunnos ja sen soveltaminen LTI järjestelmien analysointiin

z muunnos ja sen soveltaminen LTI järjestelmien analysointiin z muunnos ja sen soveltaminen LTI järjestelmien analysointiin muunnoksella (eng. transform) on vastaava asema diskreettiaikaisten signaalien ja LTI järjestelmien analyysissä kuin Laplace muunnoksella jatkuvaaikaisten

Lisätiedot

Kokonaislukuoptimointi

Kokonaislukuoptimointi Kokonaislukuoptimointi Algebrallisen geometrian sovelluksia Sisältö Taustaa algebrallisesta geometriasta Gröbnerin kanta Buchbergerin algoritmi Kokonaislukuoptimointi Käypyysongelma Algoritmi ratkaisun

Lisätiedot