spektri taajuus f c f c W f c f c + W

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

Download "spektri taajuus f c f c W f c f c + W"

Transkriptio

1 Kaistanpäästösignaalit Monet digitaaliset tiedonsiirtosignaalit ovat keskittyneet jonkin tietyn kantoaaltotaajuuden f c ympäristöön siten, että signaali omaa merkittäviä taajuuskomponetteja vain kaistalla f c ±W (ja f c ±W ). Tällaisia signaaleja sanotaan kaistanpäästösignaaleiksi spektri f c f c W f c f c + W taajuus 232

2 Jos signaalin kaistanleveys B on paljon pienempi kuin kantotaajuus f c eli B f c, niin signaalia sanotaan kapeakaistaiseksi Miten tämä näkyy? Se näkyy siten että signaalin verhokäyrä muuttuu hitaasti eli on likipitäen vakio usean kantoaallon jakson ajan, sitä kauemmin mitä kapeakaistaisemmasta (B/f c pieni) signaalista on kyse 233

3 signaali aika 234

4 Järjestelmien esittämisen ja analyysin kannalta kapeakaistaiset kaistanpäästösignaalit voidaan esittää ekvivalenttisen alipäästösignaalin avulla, joka on riippumaton kantoaaltotaajuudesta Useimmiten käytetään termejä kompleksinen verhokäyrä tai kantataajuinen signaali 235

5 Kompleksinen verhokäyrä Yhdellä kantotaajuudella tyypillinen tietoliikennelähetin on pelkistetysti cos 2πf c t x(t) + y(t) - sin 2πf c t Reaaliset (data)signaalit x(t) jay(t) ovat kapeakaistaisia (B f c ) ja moduloivat kantoaaltoja cos 2πf c t ja sin 2πf c t Lähetetty signaali on siis s(t) =x(t) cos 2πf c t y(t)sin2πf c t (130) 236

6 Lähetetty signaali s(t) voidaan esittää myös muodossa s(t) =Re{(x(t)+jy(t))e j2πf ct } (131) sillä =Re{(x(t)+jy(t))(cos 2πf c t + j sin 2πf c t)} =Re{x(t) cos 2πf c t y(t)sin2πf c t + jx(t)sin2πf c t + jy(t) cos 2πf c t} = x(t) cos 2πf c t y(t)sin2πf c t Merkitsemällä signaali s(t) on esitettävissä muodossa s l (t) =x(t)+jy(t) (132) s(t) =Re{s l (t)e j2πf ct } (133) Signaalia s l (t) (132) sanotaan reaalisen signaalin s(t) kompleksiseksi verhokäyräksi 237

7 Koska x(t) jay(t) moduloivat vaihekvadratuurissa (vaihe-ero 90 ) olevia kantoaaltoja, niitä kutsutaan kvadratuurikomponenteiksi Kosini-haarassa on vaiheessa oleva (in-phase) signaali. Tämä on ns. I-haara Sini-haara on vaihekvadratuurissa (quadrature). Tämä onns.qhaara Usein puhutaan I- ja Q-haaroista, ne ovat siis nämä 238

8 Kompleksiluku voidaan esittää amplitudi ja vaihetermin avulla Tästä seuraa, että jossa s l (t) =a(t)e jθ(t) (134) a(t) = x 2 (t)+y 2 (t) = s(t) (s(t):n verhokäyrä) θ(t) = arctan y(t) x(t) (s(t):n vaihe) (135) (136) Sijoittamalla tämä signaalin s(t) lausekkeeseen saadaan s(t) =Re{a(t)e j(θ(t)+2πf ct) } = a(t) cos ( 2πf c t + θ(t) ) 239

9 Kaistanpäästösignaalin spektri Kaistanpäästösignaalins(t) spektri S(f) voidaanesittää kompleksisen verhoräyrän s l (t) spektrin S l (f) avulla Määritelmän mukaan S(f) = Re{s l (t)e j2πf ct }e j2πft dt Koska kompleksiluvuille pätee Re{z} = 1 2 (z + z )(z + z = x + jy + x jy =2x =2Re{z}), niin ( S(f) = 1 sl (t)e j2πfct + s 2 l (t)e ) j2πf ct e j2πft dt = 1 2( Sl (f f c )+S l ( f f c ) ) (137) 240

10 Tämä tarkoittaa, että kaistanpäästösignaalin spektri S(f) muodostuu kompleksisen verhokäyrän spektristä siirrettynä taajuuden f c ympärille (S l (f f c )) ja verhokäyrän spektrin kompleksikonjugaatin taajuuskäänntetystä ( f) versiosta taajuuden f c ympärillä Miten niin? Ensiksi: S l (f) on keskittynyt nollataajuuden ympäristöön eli se on nolla jos f >W Toiseksi: S l (f f c ) on nollasta poikkeava vain jos f f c <W eli jos W <f f c <W eli f c W<f<f c + W Kolmanneksi: S l ( f f c ) on nollasta poikkeava vain jos f f c <Weli jos W < f f c <Weli f c W< f <f c +W eli f c + W>f> f c W 241

11 Neljänneksi: olkoon S l (f = δ) = A. Silloin S l ( f) =A jos f = δ eli f = δ eli spektri täytyy kääntää y-akselin suhteen jotta S l (f) arvoista saadaan S l ( f) arvot Näistä seuraa seuraavan kuvan mukainen johtopäätös spektri S l (f) W W taajuus spektri S l ( f f c ) S l (f f c ) f c f c W f c f c + W taajuus 242

12 Edellisessä ei tarvittu oletusta kapeakaistaisuudesta. Se oletus kuitenkin tarvitaan. Siitä osoituksena on signaalin energian laskeminen. Osoittautuu, että jos signaali on kapeakaistainen, niin käytännön laskuissa pätee s(t) 2 dt = 1 sl (t) 2 dt eli kapeakaistaisen 2 kaistanpäästösignaalin energia voidaan laskea sen kompleksisen verhokäyrän avulla (eli kantoaaltotermiä e j2πfct ei välttämättä tarvitse pyörittää mukana, jolloin laskut helpottuvat). Asia lasketaan paikkoin Sama pätee moneen muuhunkin asiaan, esim. vastaanotinten suunnitteluun Usein vastaanotettu signaali esitetään ilman kantoaaltoa eli y(t) = s l (t)+z(t) ja vastaanotin suunnitellaan tämän perusteella Käytännön laitteissa asetaan sitten halutut kantotaajuudet kohdalleen 243

13 yksinkertaistettu vastaanottimen lohkokaavio Re{s l (t)e j2πfct } BPF AD LPF s l (t) e j2π(fc f IF )t e j2πf IF t analoginen osa -analoginen sekoitus välitaajuudelle digitaalinen osa -näytteistys välitaajuudella -digit. alassekotus LPF = alipäästösuodatin BPF= kaistanpäästösuodatin suodattavat ei halutut taajuuskomponentit pois 244

14 Sitten energian laskemisen kimppuun Signaalin energia E on E = = = 1 2 s(t) 2 dt a 2 (t) cos 2 (2πf c t + θ(t)) dt a 2 (t) dt a 2 (t) cos(4πf c t +2θ(t)) dt Koska signaali on kapeakaistainen, niin a 2 (t) = s l (t) 2 ja θ(t) muuttuvat hitaasti suhteessa kosini-termiin Tällöin yo. integraalin jälkimmäinen osa on hyvin pieni verrattuna ensimmäiseen osaan. Asiaa havainnollistettu seuraavassa kuvassa 245

15 a 2 (t) cos(4πf c t + α) integroituu nollaksi joten a 2 (t) dt a 2 (t)cos(4πf c t + α) dt Täten: käytännön sovelluksissa kapeakaistaisille signaaleille s(t) pätee, että sen energia E = 1 2 s l (t) 2 dt (138) jossa s l (t) on signaalin s(t) kompleksinen verhokäyrä 246

16 Kaistanpäästösysteemit Tarkastellaan lineaarista kaistanpäästösysteemiä h(t), joka on reaalinen. Sen taajuusvasteelle pätee siis H(f) =H ( f) Kuvamuodossa kaistaanpäästössysteemin spektri on 247

17 spektri H l (f) W spektri W taajuus H l ( f f c ) H l (f f c ) Tästä saadaan taajuus f c f c W f c f c + W H(f) =H l (f f c )+H l ( f f c ) (139) jossa H l (f) on systeemin alipäästöesityksen (kompleksisen ver- 248

18 hokäyrän) taajuusvaste Tämä eroaa signaalien spektrin määritelmästä kertoimella 1/2 Käänteinen Fourier muunnos antaa h(t) =h l (t)e j2πfct + h l (t)e j2πf ct =2Re{h l (t)e j2πfct } (140) joka on vastaava kuin kaistanpäästösignaaleille 249

19 Kaistanpäästösysteemien vaste kaistanpäästösyötteille Seuraavaksi osoitetaan: kapeakaistaisen kaistanpäästösysteemin vaste kapeakaistaiselle kaistanpääästösyötteelle voidaan laskea kompleksisten verhokäyrien avulla. Tämä oneräs alipäästöesityksen hyödyistä: vaste voidaan laskea kantotaajuudesta riippumatta Systeemin vaste on R(f) =S(f)H(f), joka on R(f) = 1 ( Sl (f f c )+Sl ( f f c ) )( H l (f f c )+Hl ( f f c ) ) 2 Seuraavasta kuvasta nähdään, että 250

20 spektri H l ( f f c ) H l (f f c ) taajuus f c f c W f c f c + W spektri S l ( f f c ) S l (f f c ) taajuus f c f c W f c f c + W S l (f f c )Hl ( f f c)=0 Sl ( f f c)h l(f f c )=0 Tämä on seurausta kapeakaistaisuudesta 251

21 Vaste on siis R(f) = 1 ( Sl (f f c )H l (f f c )+Sl ( f f c )Hl ( f f c ) ) 2 = 2( 1 Rl (f f c )+Rl ( f f c ) ) (141) jossa R l (f) =S l (f)h l (f) (142) on vasteen alipäästöesitys (141) on kapeakaistaisen kaistanpäästösignaalin spektri Aika-alueessa on yhteys r l (τ) = s l (τ)h l (t τ) dτ (143) 252

22 Stokastiset kaistanpäästösignaalit Jos stokastisen signaalin PSD on keskittynyt taajuuksien ±f c ympäristöön ja kaistanleveys B f c, niin kyseessä on kapeakaistainen stokastinen kaistanpäästösignaali Sille on olemassa vastaava alipäästöesitys kuin deterministisillekin signaaleille Tarkastellaan seuraavaksi tällaisen stationaarisen signaalin ominaisuuksia keskiarvo korrelaatio ja sen tietyt ominaisuudet spektri kapeakaistainen valkoinen kohina 253

23 Olkoon n(t) kapeakaistainen, stationaarinen, stokastinen kaistanpäästösignaali ja z(t) = x(t) + jy(t) sen kompleksinen verhokäyrä Signaalin n(t) odotusarvo on E{n(t)} =E{x(t) cos 2πf c t y(t)sin2πf c t} =E{x(t)} cos 2πf c t E{y(t)} sin 2πf c t Jotta n(t) olisi stationaarinen, on sen keskiarvon oltava ajasta riippumaton Nyt tämä tapahtuu vain jos E{x(t)} =E{y(t)} = 0 eli alipäästösignaalin z(t) osakomponettien täytyy olla nollakeskiarvoisia (koska kosinija sinitermit riippuvat ajasta täytyy kertomien olla 0) Tästä seuraa että E{z(t)} =0 254

24 Autokorrelaatio on E{n(t)n(t + τ)} =E {( x(t) cos 2πf c t y(t)sin2πf c t ) ( x(t + τ) cos 2πf c (t + τ) y(t + τ)sin2πf c (t + τ) )} =E{x(t)x(t + τ)} cos 2πf c t cos 2πf c (t + τ) +E{y(t)y(t + τ)} sin 2πf c t sin 2πf c (t + τ) E{x(t)y(t + τ)} cos 2πf c t sin 2πf c (t + τ) E{y(t)x(t + τ)} sin 2πf c t cos 2πf c (t + τ) Trigonometriset kaavat sanovat että ( ) cos A cos B = 1 2 cos(a B) + cos(a + B) ( ) sin A sin B = 1 2 cos(a B) cos(a + B) ( ) sin A cos B = 1 2 sin(a B)+sin(A + B) sin A = sin A 255

25 Käyttämällä näitä E{n(t)n(t + τ)} = 1 2( E{x(t)x(t + τ)} + E{y(t)y(t + τ)} ) cos 2πfc τ + 1 2( E{x(t)x(t + τ)} E{y(t)y(t + τ)} ) cos 2πfc (2t + τ) 1 2( E{x(t)y(t + τ)} E{y(t)x(t + τ)} ) sin 2πfc τ 1 2( E{x(t)y(t + τ)} + E{y(t)x(t + τ)} ) sin 2πfc (2t + τ) Jotta n(t) olisi stationaarinen, niin osakorrelaatioiden täytyy olla stationaarisia, jolloin φ nn (τ) = 1 2( φxx (τ)+φ yy (τ) ) cos 2πf c τ + 1 2( φxx (τ) φ yy (τ) ) cos 2πf c (2t + τ) 1 2( φxy (τ) φ yx (τ) ) sin 2πf c τ 1 2( φxy (τ)+φ yx (τ) ) sin 2πf c (2t + τ) 256

26 Tämä riippuu vielä ajasta, joten vaaditaan lisäksi, että jolloin φ xx (τ) =φ yy (τ) φ xy (τ) = φ yx (τ) (144a) (144b) φ nn (τ) =φ xx (τ) cos 2πf c τ φ xy (τ)sin2πf c τ (145) =Re{φ zz (τ)e j2πfcτ } (146) jossa φ zz on kompleksisen verhokäyrän z(t) autokorrelaatio Stationaarisen kapeakaistaisen kaistanpäästösignaalin autokorrelaatio voidaan siis esittää signaalin kompleksisen verhokäyrän avulla 257

27 Kaikille ristikorrelaatiofunktioille pätee φ yx (τ) =φ xy ( τ) joten koska nyt pätee myös φ xy (τ) = φ yx (τ), niin φ xy (τ) = φ xy ( τ) (147) eli φ xy (τ) on pariton ja φ xy (0) = 0 Tästä seuraa, että x(t) jay(t + τ) ovat korreloimattomia (nollakeskiarvoisille korrelaatio ja kovarianssi ovat samat) aikaerolla τ =0 Jos φ xy (τ) =0 τ, niin kvadratuurikomponentit olisivat korreloimattomia kaikilla aikaeroilla, φ zz (τ) olisi reaalinen ja PSD olisi symmetrinen eli Φ z (f) =Φ z ( f) 258

28 Valkoinen kohina Tietoliikennesovelluksissa kohina on yleensä kaistanpäästösuodatettu, joten se ei voi olla (ideaalista) valkoista kohinaa, jonka PSD on tasainen kaikilla taajuuksilla Tietoliikennesovelluksissa valkoisella kohinalla tarkoitetaan prosessia, jonka PSD on vakio koko tarkastelukaistalla Valkoisen kohinan verhokäyrän z(t) PSD on { N 0 f 1 Φ z (f) = 2 B = W 0 f > 1 2 B (148) 259

29 Valkoisen kohinan n(t) PSD on Φ z (f) B N 0 W W taajuus Φ n (f) B N 0 /2 f c f c W f c f c + W taajuus 260

30 Verhokäyrän autokorrelaatio on sin πbτ φ z (τ) =N 0 πτ Kun kaistanleveys B kasvaa äärettömän suureksi (149) lim φ z(τ) =N 0 δ(τ) (150) B joka ideaalisen valkoisen kohinan autokorrelaatio PSD on symmetrinen, joten φ xy (τ) =0 τ eli kvadratuurikomponentit ovat korreloimattomia kaikille τ Jos z(t) Gaussinen (x(t) jay(t) yhteisjakauma Gaussinen), niin kvadratuurikomponentit ovat myös riippumattomia PSD:n symmetrisyydestä seuraa myös, että φ zz (τ) =φ xx (τ) = φ yy (τ) 261

Kapeakaistainen signaali

Kapeakaistainen signaali Tiedonsiirrossa sellaiset signaalit ovat tyypillisiä, joilla informaatio jakautuu kapealle taajuusalueelle jonkun keskitaajuuden ympäristöön. Tällaisia signaaleja kutustaan kapeakaistaisiksi signaaleiksi

Lisätiedot

Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan

Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan Mitä pitäisi vähintään osata Tässäkäydään läpi asiat jotka olisi hyvä osata Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan osattavan 333 Kurssin sisältö Todennäköisyyden, satunnaismuuttujien

Lisätiedot

Signaalit ja järjestelmät aika- ja taajuusalueissa

Signaalit ja järjestelmät aika- ja taajuusalueissa Signaalit ja järjestelmät aika- ja taajuusalueissa Signaalit aika ja taajuusalueissa Muunnokset aika ja taajuusalueiden välillä Fourier sarja (jaksollinen signaali) Fourier muunnos (jaksoton signaali)

Lisätiedot

SIGNAALITEORIAN KERTAUSTA 1

SIGNAALITEORIAN KERTAUSTA 1 SIGNAALITEORIAN KERTAUSTA 1 1 (26) Fourier-muunnos ja jatkuva spektri Spektri taajuuden funktiona on kompleksiarvoinen funktio, jonka esittäminen graafisesti edellyttää 3D-kuvaajan piirtämisen. Yleensä

Lisätiedot

Niitä merkitään yleensä X(s, t) = X(t), jossa s kuuluu todennäköisyysavaruuteen

Niitä merkitään yleensä X(s, t) = X(t), jossa s kuuluu todennäköisyysavaruuteen Satunnaissignaalit Käytännön elämän satunnaistapahtuvat riippuvat usein ajasta t eli muuttuvat ajan mukana Esimerkkejä: Ilman lämpötila ja paine Vastuksen generoima kohinajännite Puhelinkaapelissa kulkeva

Lisätiedot

A! Modulaatioiden luokittelu. Luento 4: Digitaaliset modulaatiokonstellaatiot, symbolijonolähetteet. ELEC-C7230 Tietoliikenteen siirtomenetelmät

A! Modulaatioiden luokittelu. Luento 4: Digitaaliset modulaatiokonstellaatiot, symbolijonolähetteet. ELEC-C7230 Tietoliikenteen siirtomenetelmät ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 4: Digitaaliset modulaatiokonstellaatiot, symbolijonolähetteet Olav Tirkkonen, Jari Lietzen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos A! Modulaatioiden

Lisätiedot

Signaaliavaruuden kantoja äärellisessä ajassa a

Signaaliavaruuden kantoja äärellisessä ajassa a ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 3: Kompleksiarvoiset signaalit, taajuus, kantoaaltomodulaatio Olav Tirkkonen, Jari Lietzen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos Signaaliavaruuden

Lisätiedot

Signaalimallit: sisältö

Signaalimallit: sisältö Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen

Lisätiedot

Dynaamisten systeemien identifiointi 1/2

Dynaamisten systeemien identifiointi 1/2 Dynaamisten systeemien identifiointi 1/2 Mallin rakentaminen mittausten avulla Epäparametriset menetelmät: tuloksena malli, joka ei perustu parametreille impulssi-, askel- tai taajusvaste siirtofunktion

Lisätiedot

SIGNAALITEORIAN KERTAUSTA OSA 1

SIGNAALITEORIAN KERTAUSTA OSA 1 1 SIGNAALITEORIAN KERTAUSTA OSA 1 Millainen on signaalin spektri ja miten se lasketaan? SIGNAALIEN JA SPEKTRIN PERUSKÄSITTEITÄ 2 Spektri taajuuden funktiona on kompleksiarvoinen funktio, jonka graafinen

Lisätiedot

Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t

Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t 2 1 0 1 2 Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a

Lisätiedot

Luento 2. Jaksolliset signaalit

Luento 2. Jaksolliset signaalit Luento Jaksollisten signaalien Fourier-sarjat Viivaspektri S-.7. Signaalit ja järjestelmät 5 op KK ietoliikennelaboratorio Jaksollinen (periodinen) Jaksolliset signaalit Jaksonaika - / / Perusjakso Amplitudi

Lisätiedot

4. Fourier-analyysin sovelletuksia. Funktion (signaalin) f(t) näytteistäminen tapahtuu kertomalla funktio näytteenottosignaalilla

4. Fourier-analyysin sovelletuksia. Funktion (signaalin) f(t) näytteistäminen tapahtuu kertomalla funktio näytteenottosignaalilla 4.1 Näytteenottolause 4. Fourier-analyysin sovelletuksia Näyttenottosignaali (t) = k= δ(t kt). T on näytteenottoväli, ja ω T = 1 T on näyttenottotaajuus. Funktion (signaalin) f(t) näytteistäminen tapahtuu

Lisätiedot

Luento 7. LTI-järjestelmät

Luento 7. LTI-järjestelmät Luento 7 Lineaaristen järjestelmien analyysi taajuustasossa Taajuusvaste Stabiilisuus..7 LTI-järjestelmät u(t) h(t) y(t) Tarkastellaan lineaarista aikainvarianttia järjestelmää n n m m d d d d yt () =

Lisätiedot

SIGNAALITEORIAN KERTAUSTA OSA 2

SIGNAALITEORIAN KERTAUSTA OSA 2 1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman

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

6.2.3 Spektrikertymäfunktio

6.2.3 Spektrikertymäfunktio ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden

Lisätiedot

Jaksollisen signaalin spektri

Jaksollisen signaalin spektri Jaksollisen signaalin spektri LuK-tutkielma Topi Suviaro 2257699 Matemaattisten tieteiden laitos Oulun yliopisto Syksy 215 Sisältö Johdanto 2 1 Jaksollisuudesta 2 2 Spektristä 3 2.1 Symmetrian vaikutuksesta

Lisätiedot

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH 8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin

Lisätiedot

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä

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

Lisätiedot

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

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

Lisätiedot

Missä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot

Missä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot Missä mennään systeemi mallin mallin käyttötarkoitus, reunaehdot käyttö- (fysikaalinen) mallintaminen luonnonlait yms. yms. identifiointi kokeita kokeita + päättely päättely vertailu mallikandidaatti validointi

Lisätiedot

ELEC-C7230 Tietoliikenteen siirtomenetelmät

ELEC-C7230 Tietoliikenteen siirtomenetelmät ELEC-C7230 Tietoliikenteen siirtomenetelmät Laskuharjoitus 8 - ratkaisut 1. Tehtävässä on taustalla ajatus kantoaaltomodulaatiosta, jossa on I- ja Q-haarat, ja joka voidaan kuvata kompleksiarvoisena kantataajuussignaalina.

Lisätiedot

Kompleksianalyysi, viikko 6

Kompleksianalyysi, 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

Lisätiedot

TRIGONOMETRISTEN FUNKTIOIDEN KUVAAJAT

TRIGONOMETRISTEN FUNKTIOIDEN KUVAAJAT 3.0.07 0 π TRIGONOMETRISTEN FUNKTIOIDEN KUVAAJAT π = π 3π π = π 5π 6π = 3π 7π TRIGONOMETRISET FUNKTIOT, MAA7 Tarkastellaan aluksi sini-funktiota ja lasketaan sin :n arvoja, kun saa arvoja 0:sta 0π :ään

Lisätiedot

6.1 Autokovarianssifunktion karakterisaatio aikatasossa

6.1 Autokovarianssifunktion karakterisaatio aikatasossa 6. Spektraalianalyysi Tällä kurssilla on käyty läpi eräitä stationääristen aikasarjojen ominaispiirteitä, kuten aikasarjaa mallintavan stokastisen prosessin X t odotusarvo E[X t ] ja autokovarianssifunktio

Lisätiedot

Kvanttifysiikan perusteet 2017

Kvanttifysiikan perusteet 2017 Kvanttifysiikan perusteet 7 Harjoitus 3: ratkaisut Tehtävä Tarkastellaan äärettömän syvässä laatikossa (väli [, L) olevaa hiukkasta. Kirjoita energiatiloja E n vastaavat aaltofunktiot muodossa ψ n (x,

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

Radioamatöörikurssi 2016

Radioamatöörikurssi 2016 Radioamatöörikurssi 2016 Modulaatiot Radioiden toiminta 8.11.2016 Tatu Peltola, OH2EAT 1 / 18 Modulaatiot Erilaisia tapoja lähettää tietoa radioaalloilla Esim. puhetta ei yleensä laiteta antenniin sellaisenaan

Lisätiedot

nykyään käytetään esim. kaapelitelevisioverkoissa radio- ja TVohjelmien

nykyään käytetään esim. kaapelitelevisioverkoissa radio- ja TVohjelmien 2.1.8. TAAJUUSJAKOKANAVOINTI (FDM) kanavointi eli multipleksointi tarkoittaa usean signaalin siirtoa samalla siirtoyhteydellä käyttäjien kannalta samanaikaisesti analogisten verkkojen siirtojärjestelmät

Lisätiedot

F {f(t)} ˆf(ω) = 1. F { f (n)} = (iω) n F {f}. (11) BM20A5700 - INTEGRAALIMUUNNOKSET Harjoitus 10, viikko 46/2015. Fourier-integraali:

F {f(t)} ˆf(ω) = 1. F { f (n)} = (iω) n F {f}. (11) BM20A5700 - INTEGRAALIMUUNNOKSET Harjoitus 10, viikko 46/2015. Fourier-integraali: BMA57 - INTEGRAALIMUUNNOKSET Harjoitus, viikko 46/5 Fourier-integraali: f(x) A() π B() π [A() cos x + B() sin x]d, () Fourier-muunnos ja käänteismuunnos: f(t) cos tdt, () f(t) sin tdt. (3) F {f(t)} ˆf()

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 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

Lisätiedot

Luento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a. Kuvaa diskreetin ajan signaaliavaruussymbolit jatkuvaan aikaan

Luento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a. Kuvaa diskreetin ajan signaaliavaruussymbolit jatkuvaan aikaan ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.1-10.6.3]

Lisätiedot

Harjoitus Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia:

Harjoitus 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

Lisätiedot

A B = 100, A = B = 0. D = 1.2. Ce (1.2 D. C (t D) 0, t < 0. t D. )} = Ae πjf D F{Π( t D )} = ADe πjf D sinc(df)

A B = 100, A = B = 0. D = 1.2. Ce (1.2 D. C (t D) 0, t < 0. t D. )} = Ae πjf D F{Π( t D )} = ADe πjf D sinc(df) ELEC-A7 Signaalit ja järjestelmät Syksy 5 Tehtävä 3. a) Suoran tapauksessa ratkaistaan kaksi tuntematonta termiä, A ja B, joten tarvitaan kaksi pistettä, jotka ovat pisteet t = ja t =.. Saadaan yhtälöpari

Lisätiedot

Vastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit.

Vastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit. Autokovarianssi: (kun τ 0) Γ t (τ) = E[(X t µ t )(X t τ µ t τ )] ( ) ( = E[ φ k ε t k φ j ε t τ j )] = = j=0 φ j+k E[ε t k ε t τ j ] k,j=0 φ j+k σ 2 δ k,τ+j k,j=0 = σ 2 φ j+k δ k,τ+j = = k,j=0 φ τ+2j I

Lisätiedot

4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä

4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä 1 Laaja matematiikka 5 Kevät 010 4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa esiintyvistä matemaattisista malleista on differentiaaliyhtälö.

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

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

Lisätiedot

S Elektroniset mittaukset ja elektroniikan häiriökysymykset. 2 ov

S Elektroniset mittaukset ja elektroniikan häiriökysymykset. 2 ov TKK / Mittaustekniikan laboratorio HUT / Metrology Research Institute S-108.180 Elektroniset mittaukset ja elektroniikan häiriökysymykset 2 ov 7.2.2001 KL kohina.ppt 1 Elektroninen mittaussysteemi MITATTAVA

Lisätiedot

Luento 2. S Signaalit ja järjestelmät 5 op TKK Tietoliikenne Laboratorio 1. Jean Baptiste Joseph Fourier ( )

Luento 2. S Signaalit ja järjestelmät 5 op TKK Tietoliikenne Laboratorio 1. Jean Baptiste Joseph Fourier ( ) Luento Jasollisten signaalien Fourier-sarjat Viivaspetri S-.7. Signaalit ja järjestelmät 5 op KK ietoliienne Laboratorio Jean Baptiste Joseph Fourier (768-83) Ransalainen matemaatio ja fyysio. Esitti Fourier-sarjat

Lisätiedot

Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin (yo-kirjoituksissa hyväksytty) on sallittu apuväline tässä kokeessa!

Kirjoita 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

Lisätiedot

Helsinki University of Technology

Helsinki University of Technology Helsinki University of Technology Laboratory of Telecommunications Technology S-38.11 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 1997. Luento: Pulssinmuokkaussuodatus

Lisätiedot

Tilastotieteessä aikasarja tarkoittaa yleensä sarjaa, jossa peräkkäisten havaintojen aikaväli on aina sama.

Tilastotieteessä aikasarja tarkoittaa yleensä sarjaa, jossa peräkkäisten havaintojen aikaväli on aina sama. Aikasarjat Tilastotieteessä aikasarja tarkoittaa yleensä sarjaa, jossa peräkkäisten havaintojen aikaväli on aina sama. Aikasarja on laajassa mielessä stationäärinen (wide sense stationary, WSS), jos odotusarvo

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

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

Kvanttifysiikan perusteet, harjoitus 5

Kvanttifysiikan perusteet, harjoitus 5 Kvanttifysiikan perusteet, harjoitus 5 February 4, 07 Tehtävä Oletetaan energian ominaisfunktiot φ n ortonormitetuiksi, dxφ nφ m = δ nm, jossa δ nm on Kroneckerin delta. Määritetään ensin superpositiotilan

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Ilkka 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

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

Pakotettu vaimennettu harmoninen värähtelijä Resonanssi

Pakotettu vaimennettu harmoninen värähtelijä Resonanssi Pakotettu vaimennettu harmoninen värähtelijä Resonanssi Tällä luennolla tavoitteena Mikä on pakkovoiman aiheuttama vaikutus vaimennettuun harmoniseen värähtelijään? Mikä on resonanssi? Kertaus: energian

Lisätiedot

Integroimistekniikkaa Integraalifunktio

Integroimistekniikkaa Integraalifunktio . Integroimistekniikkaa.. Integraalifunktio 388. Vertaa funktioiden ln ja ln, b) arctan ja arctan + k k, c) ln( + 2 ja ln( 2, missä a >, derivaattoja toisiinsa. Tutki funktioiden erotusta muuttujan eri

Lisätiedot

Äärettömät raja-arvot

Äärettömät raja-arvot Äärettömät raja-arvot Määritelmä Funktion f oikeanpuoleinen raja-arvo pisteessä x 0 on + mikäli kaikilla R > 0 löytyy sellainen δ > 0 että f (x) > R aina kun x 0 < x < x 0 + δ. Funktion f oikeanpuoleinen

Lisätiedot

Yhtälöryhmät 1/6 Sisältö ESITIEDOT: yhtälöt

Yhtälöryhmät 1/6 Sisältö ESITIEDOT: yhtälöt Yhtälöryhmät 1/6 Sisältö Yhtälöryhmä Yhtälöryhmässä on useita yhtälöitä ja yleensä myös useita tuntemattomia. Tavoitteena on löytää tuntemattomille sellaiset arvot, että kaikki yhtälöt toteutuvat samanaikaisesti.

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

Tampereen yliopisto Informaatiotieteiden yksikkö

Tampereen yliopisto Informaatiotieteiden yksikkö Tampereen yliopisto Informaatiotieteiden yksikkö Kevät 017 Luennot: Kerkko Luosto Muistiinpanot: Jesse Railo (013) ja Jussi Klemetti (017) 6 Kartioleikkaukset Vanhan ajan geometrian merkittävimpiä tuloksia

Lisätiedot

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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

Lisätiedot

Normaaliryhmä. Toisen kertaluvun normaaliryhmä on yleistä muotoa

Normaaliryhmä. Toisen kertaluvun normaaliryhmä on yleistä muotoa Normaaliryhmä Toisen kertaluvun normaaliryhmä on yleistä muotoa x = u(t,x,y), y t I, = v(t,x,y), Funktiot u = u(t,x,y), t I ja v = v(t,x,y), t I ovat tunnettuja Toisen kertaluvun normaaliryhmän ratkaisu

Lisätiedot

Kotitehtävät 1-6: Vastauksia

Kotitehtävät 1-6: Vastauksia /V Integraalimuunnokset Metropolia/. Koivumäki Kotitehtävät -6: Vastauksia. Merkitse kompleksitasoon näiden kompleksilukujen sijainti: a = 3 j b = 3 35 (3 kulmassa 35 ) jπ / c = d = 3 e j 9.448 e cos(

Lisätiedot

TAAJUUDEN SIIRTO JA SEKOITUS VÄLITAAJUUSVASTAANOTIN & SUPERHETERODYNEVASTAANOTTO

TAAJUUDEN SIIRTO JA SEKOITUS VÄLITAAJUUSVASTAANOTIN & SUPERHETERODYNEVASTAANOTTO TAAJUUDEN SIIRTO JA SEKOITUS VÄLITAAJUUSVASTAANOTIN & SUPERHETERODYNEVASTAANOTTO 1 (17) Sekoitus uudelle keskitaajuudelle Kantataajuussignaali (baseband) = signaali ilman modulaatiota Kaistanpäästösignaali

Lisätiedot

2. kl:n DY:t. Lause. Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2.

2. kl:n DY:t. Lause. Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2. 2. kl:n DY:t Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2.) Lause Olkoon f(x 2, x 1, t) funktio, ja oletetaan, että f, f/ x 1 ja f/ x

Lisätiedot

Fourier-sarjat ja -muunnos

Fourier-sarjat ja -muunnos 24. marraskuuta 2016 Jaksolliset funktiot, trigonometriset sarjat, parilliset ja p Jaksolliset funktiot Funktio f : R R on jaksollinen, jos on olemassa p > 0 siten, että f (x + p) = f (x) kaikilla x R

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

1.1 Vektorit. MS-A0004/A0006 Matriisilaskenta. 1.1 Vektorit. 1.1 Vektorit. Reaalinen n-ulotteinen avaruus on joukko. x 1. R n.

1.1 Vektorit. MS-A0004/A0006 Matriisilaskenta. 1.1 Vektorit. 1.1 Vektorit. Reaalinen n-ulotteinen avaruus on joukko. x 1. R n. ja kompleksiluvut ja kompleksiluvut 1.1 MS-A0004/A0006 Matriisilaskenta 1. ja kompleksiluvut Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 8.9.015 Reaalinen

Lisätiedot

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /

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

Lisätiedot

Flash AD-muunnin. Ominaisuudet. +nopea -> voidaan käyttää korkeataajuuksisen signaalin muuntamiseen (GHz) +yksinkertainen

Flash AD-muunnin. Ominaisuudet. +nopea -> voidaan käyttää korkeataajuuksisen signaalin muuntamiseen (GHz) +yksinkertainen Flash AD-muunnin Koostuu vastusverkosta ja komparaattoreista. Komparaattorit vertailevat vastuksien jännitteitä referenssiin. Tilanteesta riippuen kompraattori antaa ykkösen tai nollan ja näistä kootaan

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

Suodatus ja näytteistys, kertaus

Suodatus ja näytteistys, kertaus ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 6: Kantataajuusvastaanotin AWGN-kanavassa II: Signaaliavaruuden vastaanotin a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.6.3-10.6.6;

Lisätiedot

l 1 2l + 1, c) 100 l=0

l 1 2l + 1, c) 100 l=0 MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 5. Millä reaaliluvun arvoilla a) 9 =, b) 5 + 5 +, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + + 5 + + 99, b) 5 + 4 65 + + n 5 n, c)

Lisätiedot

SMG-2100: SÄHKÖTEKNIIKKA

SMG-2100: SÄHKÖTEKNIIKKA SMG-2100: SÄHKÖTEKNIIKKA Vaihtosähkön teho kompleksinen teho S pätöteho P loisteho Q näennäisteho S Käydään läpi sinimuotoisiin sähkösuureisiin liittyviä tehotermejä. Määritellään kompleksinen teho, jonka

Lisätiedot

Ennustaminen ARMA malleilla ja Kalmanin suodin

Ennustaminen ARMA malleilla ja Kalmanin suodin Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017

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

Petri Kärhä 04/02/04. Luento 2: Kohina mittauksissa

Petri Kärhä 04/02/04. Luento 2: Kohina mittauksissa Kohinan ominaisuuksia Kohinamekanismit Terminen kohina Raekohina 1/f kohina (Kvantisointikohina) Kohinan käsittely Kohinakaistanleveys Kohinalähteiden yhteisvaikutus Signaali-kohina suhde Kohinaluku Kohinalämpötila

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

Ch7 Kvanttimekaniikan alkeita. Tässä luvussa esitellään NMR:n kannalta keskeiset kvanttimekaniikan tulokset.

Ch7 Kvanttimekaniikan alkeita. Tässä luvussa esitellään NMR:n kannalta keskeiset kvanttimekaniikan tulokset. Ch7 Kvanttimekaniikan alkeita Tässä luvussa esitellään NMR:n kannalta keskeiset kvanttimekaniikan tulokset. Spinnittömät hiukkaset Hiukkasta kuvaa aineaaltokenttä eli aaltofunktio. Aaltofunktio riippuu

Lisätiedot

1 WKB-approksimaatio. Yleisiä ohjeita. S Harjoitus

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

Lisätiedot

Mat-1.1331 Matematiikan pk KP3-i - kertaus

Mat-1.1331 Matematiikan pk KP3-i - kertaus Mat-.33 Matematiikan pk KP3-i - kertaus J.v.Pfaler TKK 24. lokakuuta 2007 Kurssin ensimmäisen puoliskon selkäranka on Kompleksitason funktioiden teoria, sisältäen analyyttiset funktiot, auchy integraali

Lisätiedot

Trigonometriset funktiot

Trigonometriset funktiot Peruskäsitteet Y-peilaus X-peilaus Pistepeilaus Muistikulmat Muistikolmio 1 Muistikolmio 2 Jaksollisuus Esimerkki 5.A Esimerkki 5.B1 Esimerkki 5.B2 Esimerkki 5C.1 Esimerkki 5C.2 (1/2) (2/2) Muunnelmia

Lisätiedot

Luento 13: Periodinen liike. Johdanto Harmoninen värähtely Esimerkkejä F t F r

Luento 13: Periodinen liike. Johdanto Harmoninen värähtely Esimerkkejä F t F r Luento 13: Periodinen liike Johdanto Harmoninen värähtely Esimerkkejä θ F t m g F r 1 / 27 Luennon sisältö Johdanto Harmoninen värähtely Esimerkkejä 2 / 27 Johdanto Tarkastellaan jaksollista liikettä (periodic

Lisätiedot

TL5231, Signaaliteoria (S2004) Matlab-harjoituksia

TL5231, Signaaliteoria (S2004) Matlab-harjoituksia 1. a) Muodosta Matlab-ohjelmistossa kosinisignaali x(t) = Acos(2πft+θ), jonka amplitudi on 1V, taajuus hertseinä sama kuin ikäsi vuosina (esim. 2 v = 2 Hz) ja vaihekulma +π/2. Piirrä signaali ja tarkista

Lisätiedot

Digitaalinen Signaalinkäsittely T0125 Luento 4-7.04.2006

Digitaalinen Signaalinkäsittely T0125 Luento 4-7.04.2006 Digitaalinen Signaalinkäsittely T5 Luento 4-7.4.6 Jarkko.Vuori@evtek.fi Z-taso Z-taso on paljon käytetty graafinen esitystapa jonka avulla voidaan tarkastella signaalien taajuussisältöjä sekä järjestelmien

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

k = 1,...,r. L(x 1 (t), x

k = 1,...,r. L(x 1 (t), x Mat-2.148 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 6 1. Johdetaan välttämättömät ehdot funktionaalin J(y) = t g(y(t), ẏ(t),..., dr y(t), t) dt dt r ekstremaalille, kun

Lisätiedot

Luento 8. Suodattimien käyttötarkoitus

Luento 8. Suodattimien käyttötarkoitus Luento 8 Lineaarinen suodatus Ideaaliset alipäästö, ylipäästö ja kaistanpäästösuodattimet Käytännölliset suodattimet 8..006 Suodattimien käyttötarkoitus Signaalikaistan ulkopuolisen kohinan ja häiriöiden

Lisätiedot

9. Tila-avaruusmallit

9. Tila-avaruusmallit 9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1 / 18

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2016)

ELEC C4140 Kenttäteoria (syksy 2016) ELEC C4140 Kenttäteoria (syksy 2016) Henrik Wallén / versio 21. marraskuuta 2016 Tasoaaltojen heijastus ja läpäisy (Ulaby 8.1 8.5) Kohtisuora heijastus ja läpäisy Tehon heijastus ja läpäisy Snellin laki

Lisätiedot

Laplace-muunnos. 8. marraskuuta Laplace-muunnoksen määritelmä, olemassaolo ja perusominaisuudet Differentiaaliyhtälöt Integraaliyhtälöt

Laplace-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.

Lisätiedot

Aikariippuva Schrödingerin yhtälö

Aikariippuva Schrödingerin yhtälö Aineaaltodynamiikka Aineaaltokenttien riippuvuus ajasta aikariippuva Schrödingerin yhtälö Stationääriset ja ei-stationääriset tilat Aaltopaketit Kvanttimekaniikan postulaatit Aikariippuva Schrödingerin

Lisätiedot

Dynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II

Dynaamisten 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

Lisätiedot

Kompleksiluvut signaalin taajuusjakauman arvioinnissa

Kompleksiluvut signaalin taajuusjakauman arvioinnissa Kompleksiluvut signaalin taajuusjakauman arvioinnissa Vierailuluento IMA-kurssilla Heikki Huttunen Lehtori, TkT Signaalinkäsittely, TTY heikki.huttunen@tut.fi Department of Signal Processing Fourier-muunnos

Lisätiedot

Kohina. Havaittujen fotonien statistinen virhe on kääntäen verrannollinen havaittujen fotonien lukumäärän N neliö juureen ( T 1/ N)

Kohina. Havaittujen fotonien statistinen virhe on kääntäen verrannollinen havaittujen fotonien lukumäärän N neliö juureen ( T 1/ N) Kohina Havaittujen fotonien statistinen virhe on kääntäen verrannollinen havaittujen fotonien lukumäärän N neliö juureen ( T 1/ N) N on suoraan verrannollinen integraatioaikaan t ja havaittuun taajuusväliin

Lisätiedot

2. Funktiot. Keijo Ruotsalainen. Mathematics Division

2. Funktiot. Keijo Ruotsalainen. Mathematics Division 2. Funktiot Keijo Ruotsalainen Mathematics Division Kompleksimuuttujan funktio Kompleksimuuttujan z kompleksiarvoinen funktio f(z) voi olla yksiarvoinen tai moniarvoinen, esimerkiksi f(z) = e z f(z) =

Lisätiedot

Osa VI. Fourier analyysi. A.Rasila, J.v.Pfaler () Mat Matematiikan peruskurssi KP3-i 12. lokakuuta / 246

Osa VI. Fourier analyysi. A.Rasila, J.v.Pfaler () Mat Matematiikan peruskurssi KP3-i 12. lokakuuta / 246 Osa VI Fourier analyysi A.Rasila, J.v.Pfaler () Mat-1.1331 Matematiikan peruskurssi KP3-i 12. lokakuuta 2007 127 / 246 1 Johdanto 2 Fourier-sarja 3 Diskreetti Fourier muunnos A.Rasila, J.v.Pfaler () Mat-1.1331

Lisätiedot

Matematiikka B3 - Avoin yliopisto

Matematiikka B3 - Avoin yliopisto 2. heinäkuuta 2009 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Lisäharjoitustehtävä Kurssin sisältö (1/2) 1. asteen Differentiaali yhtälöt (1.DY) Separoituva Ratkaisukaava Bernoyulli

Lisätiedot

MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy Millä reaaliluvun x arvoilla. 3 4 x 2,

MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy Millä reaaliluvun x arvoilla. 3 4 x 2, MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 6. Millä reaaliluvun arvoilla a) 9 =, b) + + + 4, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + 4 + 6 + +, b) 8 + 4 6 + + n n, c) + + +

Lisätiedot

= 2 L L. f (x)dx. coshx dx = 1 L. sinhx nπ. sin. sin L + 2 L. a n. L 2 + n 2 cos. tehdään approksimoinnissa virhe, jota voidaan arvioida integraalin

= 2 L L. f (x)dx. coshx dx = 1 L. sinhx nπ. sin. sin L + 2 L. a n. L 2 + n 2 cos. tehdään approksimoinnissa virhe, jota voidaan arvioida integraalin BMA7 - Integraalimuunnokset Harjoitus 9. Määritä -jaksollisen funktion f x = coshx, < x < Fourier-sarja. Funktion on parillinen, joten b n = kun n =,,3,... Parillisuudesta johtuen kertoimet a ja a n saadaan

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2016)

ELEC C4140 Kenttäteoria (syksy 2016) ELEC C4140 Kenttäteoria (syksy 2016) Henrik Wallén / versio 17. marraskuuta 2016 Tasoaallot, osa 2 (Ulaby 7.3, 7.5, 7.6) Tasoaallon polarisaatio Virranahtoilmiö Tehotiheys ja Poyntingin vektori 2 (18)

Lisätiedot

3. Teoriaharjoitukset

3. 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

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien 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

Lisätiedot

SMG-2100: SÄHKÖTEKNIIKKA. Kompleksilukujen hyödyntäminen vaihtosähköpiirien

SMG-2100: SÄHKÖTEKNIIKKA. Kompleksilukujen hyödyntäminen vaihtosähköpiirien SMG-100: SÄHKÖTEKNIIKKA Kompleksilukujen hyödyntäminen vaihtosähköpiirien analyysissä Osoitin Trigonometrinen muoto Polaarimuoto Kompleksilukujen peruslaskutoimitukset Viime luennolla esitettiin, että

Lisätiedot

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

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

Lisätiedot