Cubature Integration Methods in Non-Linear Kalman Filtering and Smoothing (valmiin työn esittely)
|
|
|
- Marika Hyttinen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Cubature Integration Methods in Non-Linear Kalman Filtering and Smoothing (valmiin työn esittely) Ohjaaja: Valvoja: TkT Simo Särkkä Prof. Harri Ehtamo Aalto-yliopiston teknillinen korkeakoulu 1 / 12 Kandidaattiseminaari 2010
2 Esityksen rakenne Työn tavoitteet Työn rakenne Suodatuksesta integraaleihin Gaussisten integraalien ratkaiseminen kubatuurisäännöillä Kaksi kubatuurimenetelmää Gaussiset approksimaatiot suodatuksessa Kubatuuri-Kalman-suodatus Havainnollistava esimerkki Yhteenveto Työ tehtiin Aalto-yliopiston Lääketieteellisen tekniikan ja laskennallisen tieteen laitoksen Laskennallisten kompleksisten systeemien tutkimuksen huippuyksikössä. Aalto-yliopiston teknillinen korkeakoulu 2 / 12 Kandidaattiseminaari 2010
3 Työn tavoitteet i Toistaa alalla aiemmin saadut tulokset. ii Yhtenäistää erilaisten epälineaaristen suodatusmenetelmien esitystapa. iii Tarkastella kubatuuri-kalman-suodinta (CKF) hajustamattoman Kalman-suotimen (UKF) erikoistapauksena. Aalto-yliopiston teknillinen korkeakoulu 3 / 12 Kandidaattiseminaari 2010
4 Kalman-suodin pähkinänkuoressa Todellinen tila Kohinainen havainto Suotimen keskiarvo Suotimen varianssi Silottimen keskiarvo Silottimen varianssi Epälineaarinen tilayhtälömalli x k = f(x k 1 ) + q k 1 y k = h(x k ) + r k,. missä x k on tila ja y k on mittaus. q k 1 N (0, Q) ja r k N (0, R) ovat gaussisia kohinatermejä. Aalto-yliopiston teknillinen korkeakoulu 4 / 12 Kandidaattiseminaari 2010
5 Mihin niitä integrointimenetelmiä tarvitaan? Lineaarinen suodatusongelma voidaan ratkaista suljetussa muodossa. Epälineaarisen tila- tai mittausmallin tapauksessa joudutaan keksimään approksimatiivisia menetelmiä. Tarkastellaan tässä niin sanottua oletetun tiheyden (Assumed Density Form) muotoon kirjoitettua yleistystä epälineaarisesta suodatuksesta. Käytännössä laskeminen kaatuu tällöin muutaman gaussisen integraalin ratkaisemiseen. Toisin sanoen: m k k 1 = f(x k 1 ) N (x k 1 m k 1 k 1, P k 1 k 1 ) dx k 1 Aalto-yliopiston teknillinen korkeakoulu 5 / 12 Kandidaattiseminaari 2010
6 Gaussisten integraalien ratkaiseminen Kubatuurisäännöt yleistävät yksiulotteiset kvadratuurisäännöt moniulotteisiksi kubatuurisäännöiksi: m f(x) w(x) dx w i f(x i ) D Tulopohjainen kubatuurisääntö yksinkertaisesti monistaa pistehilan useaan ulottuvuuteen (tyhmää, paljon pisteitä). i=1 Toinen vaihtoehto on käyttää jotain fiksuja menetelmiä pisteiden määrän vähentämiseen. Aalto-yliopiston teknillinen korkeakoulu 6 / 12 Kandidaattiseminaari 2010
7 Kaksi kubatuuri-integrointimenetelmää Gauss Hermitekubatuurisääntö Perustuu Gauss Hermitekvadratuurisäännön yleistämiseen karteesisen tulon avulla. Vaatii p n evaluointipistettä, missä p on approksimaation aste ja n ulottuvuuksien määrä. Pallo säde-symmetrinen kubatuurisääntö Perustuu integraalin jakamiseen kahtia ja symmetrioiden hyödyntämiseen Sobolevin invarianssiteorian kautta. Vaatii 2n evaluointipistettä, missä n ulottuvuuksien määrä. n=2 Aalto-yliopiston teknillinen korkeakoulu 7 / 12 Kandidaattiseminaari 2010 n=2
8 Gaussiset approksimaatiot suodatuksessa EKF UKF Nojaa ensimmäisen asteen linearisointiin. Menetelmän antama approksimaatio Hyödyntää deterministisiä sigma-pisteitä. Tarkka normaaliapproksimaatio Todellinen jakauma GH 3 CKF Hyödyntää Gauss Hermite-sääntöä. Hyödyntää pallo säde-symmetristä kubatuurisääntöä. Aalto-yliopiston teknillinen korkeakoulu 8 / 12 Kandidaattiseminaari 2010
9 Kubatuuri-Kalman-suodatus Gauss Hermite-Kalman-suodin (GHKF) ja Gauss Hermite-Rauch Tung Striebel-silotin (GHRTS). Luotettava Hallittavissa Hidas (Pallo säde-symmetrinen) Kubatuuri-Kalman-suodin (CKF) ja Kubatuuri-Rauch Tung Striebel-silotin (CRTS). Luotettava Nopea Naamion alta paljastui hajustamaton Kalman-suodin (UKF) Aalto-yliopiston teknillinen korkeakoulu 9 / 12 Kandidaattiseminaari 2010
10 2 Havainnollistava esimerkki θ θ Paikka Nopeus Kääntymiskulma Funktio- Suodin Silotin Suodin Silotin Suodin Silotin evaluaatioita EKF UKF GHKF CKF Aalto-yliopiston teknillinen korkeakoulu 10 / 12 Kandidaattiseminaari 2010
11 Yhteenveto tuloksista Kumpikaan työssä tarkasteltu menetelmä ei vaadi derivaattojen laskemista suljetussa muodossa tai aseta jatkuvuus- tai derivoituvuusvaatimuksia funktioille. (Hyvä juttu!) Gauss Hermite-menetelmä kärsii dimensionaalisuuden kirouksesta; vaadittujen pisteiden määrä kasvaa eksponentiaalisesti ulottuvuuksien määrän mukaan. Pallo säde-syymetrisessä kubatuurisääännössä (CKF) pisteiden määrä kasvaa lineaarisesti ulottuvuuksien määrän mukaan. (Hyvä juttu!) CKF palautuu aiemmin tunnetun ja aivan toisin johdetun UKF-menetelmän erikoistapaukseksi. (Mielenkiintoista!) Aalto-yliopiston teknillinen korkeakoulu 11 / 12 Kandidaattiseminaari 2010
12 Kiitoksia. Aalto-yliopiston teknillinen korkeakoulu 12 / 12 Kandidaattiseminaari 2010
Gaussiset prosessit derivaattahavainnoilla regressio-ongelmassa (valmiin työn esittely)
Gaussiset prosessit derivaattahavainnoilla regressio-ongelmassa (valmiin työn esittely) Ohjaaja: TkT Aki Vehtari Valvoja: Prof. Harri Ehtamo Kandidaattiseminaari 21 1.11.21 Esityksen rakenne Tausta Derivaattahavaintojen
Paikka- ja virhe-estimaatin laskenta-algoritmit Paikannusteknologiat nyt ja tulevaisuudessa
Paikka- ja virhe-estimaatin laskenta-algoritmit 25.8.2011 Paikannusteknologiat nyt ja tulevaisuudessa Simo Ali-Löytty, TTY, matematiikan laitos Mallinnus Pienimmän neliösumman menetelmä Lineaarinen Epälineaarinen
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
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
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.
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta 8..206 Gripenberg, Nieminen, Ojanen, Tiilikainen, Weckman Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi
Estimointi Laajennettu Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät Laskuharjoitus 4
Estimointi Laajennettu Kalman-suodin AS-84.2161, Automaation signaalinäsittelymenetelmät Lasuharjoitus 4 Estimointi Systeemin tilaa estimoidaan, un prosessin tilamalli tunnetaan Tilamalli voi olla lineaarinen
Dynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 6: 1 Kalmanin suodatin Aiemmin käsitellyt
1 Peruskäsitteet. Dierentiaaliyhtälöt
Teknillinen korkeakoulu Matematiikka Dierentiaaliyhtälöt Alestalo Tässä monisteessa käydään läpi tavallisiin dierentiaaliyhtälöihin liittyviä peruskäsitteitä ja ratkaisuperiaatteita. Esimerkkejä luennoilla
Epälineaarinen hinnoittelu: Diskreetin ja jatkuvan mallin vertailu
Epälineaarinen hinnoittelu: Diskreetin ja jatkuvan mallin vertailu 11.4.2011 Ohjaaja: TkT Kimmo Berg Valvoja: Prof. Harri Ehtamo Esityksen sisältö: Hinnoittelumallien esittely Menetelmät Esimerkkitehtävän
Kirjallisuuskatsaus sisäpistemenetelmiin ja niiden soveltamiseen eri optimointiluokille (valmiin työn esittely)
Kirjallisuuskatsaus sisäpistemenetelmiin ja niiden soveltamiseen eri optimointiluokille (valmiin työn esittely) Ilari Vähä-Pietilä 28.04.2014 Ohjaaja: TkT Kimmo Berg Valvoja: Prof. Harri Ehtamo Työn saa
Dynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1
Päästölähteen ominaisuuksien määrittäminen Kalman-suodatuksen avulla. Nina Hänninen
Päästölähteen ominaisuuksien määrittäminen Kalman-suodatuksen avulla Nina Hänninen Pro gradu -tutkielma Marraskuu 2013 Itä-Suomen yliopisto Sovelletun fysiikan laitos ITÄ-SUOMEN YLIOPISTO, Luonnontieteiden
BM20A0900, Matematiikka KoTiB3
BM20A0900, Matematiikka KoTiB3 Luennot: Matti Alatalo Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luvut 1 4. 1 Sisältö Ensimmäisen kertaluvun differentiaaliyhtälöt
MS-A0102 Differentiaali- ja integraalilaskenta 1
MS-A0102 Differentiaali- ja integraalilaskenta 1 Riikka Korte (Pekka Alestalon kalvojen pohjalta) Aalto-yliopisto 24.10.2016 Sisältö Derivaatta 1.1 Derivaatta Erilaisia lähestymistapoja: I geometrinen
Laajennettujen Kalman-suotimien soveltaminen epäkoherentin sironnan spektritiheysfunktion estimoinnissa
Laajennettujen Kalman-suotimien soveltaminen epäkoherentin sironnan spektritiheysfunktion estimoinnissa Pro Gradu -tutkielma Karjalainen Joni 2112129 Matemaattisten tieteiden laitos Oulun yliopisto Syksy
Estimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
Kimppu-suodatus-menetelmä
Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.
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
A B = (1, q, q 2 ) (2, 0, 2) = 2 2q q 2 = 0 q 2 = 1 q = ±1 A(±1) = (1, ±1, 1) A(1) A( 1) = (1, 1, 1) (1, 1, 1) = A( 1) A(1) A( 1) = 1
Mapu I Viikko 4 tehtävä malli Millä q:n arvoilla vektori A(q) (, q, q ) on kohtisuora vektorin B (, 0, ) kanssa? Ovatko A:n eri ratkaisut keskenään kohtisuoria? Jos eivät, määrää niiden välinen kulma!
Määrätty integraali. Markus Helén. Mäntän lukio
Määrätty integraali Markus Helén Pinta-ala Monikulmio on tasokuvio, jota rajoittaa suljettu, itseään leikkaamaton murtoviiva. Monikulmio voidaan aina jakaa kolmioiksi. Alueen pinta-ala on näiden kolmioiden
1 2 x2 + 1 dx. (2p) x + 2dx. Kummankin integraalin laskeminen oikein (vastaukset 12 ja 20 ) antaa erikseen (2p) (integraalifunktiot
Helsingin yliopisto, Itä-Suomen yliopisto, Jyväskylän yliopisto, Oulun yliopisto, Tampereen yliopisto ja Turun yliopisto Matematiikan valintakoe (Ratkaisut ja pisteytys) 500 Kustakin tehtävästä saa maksimissaan
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
Matematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Lokaalit ääriarvot Yhden muuttujan funktion f (x) lokaali maksimi on piste x 0, jossa f (x) on suurempi kuin muualle pisteen x 0 ympäristössä, eli kun f (x 0 )
Digitaalinen signaalinkäsittely Kuvankäsittely
Digitaalinen signaalinkäsittely Kuvankäsittely Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen, Signaalinkäsittelyn menetelmät,
Sovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus
MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos 19.9.2016 Pekka Alestalo, Jarmo
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
MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45
MS-A3/A5 Matriisilaskenta Laskuharjoitus 2 / vko 45 Tehtävä (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 2i = 2, b) z 2i < 2, c) /z
Oletetaan, että funktio f on määritelty jollakin välillä ]x 0 δ, x 0 + δ[. Sen derivaatta pisteessä x 0 on
![Oletetaan, että funktio f on määritelty jollakin välillä ]x 0 δ, x 0 + δ[. Sen derivaatta pisteessä x 0 on](/thumbs/47/23658224.jpg "Oletetaan, että funktio f on määritelty jollakin välillä ]x 0 δ, x 0 + δ[. Sen derivaatta pisteessä x 0 on")
Derivaatta Erilaisia lähestymistapoja: geometrinen (käyrän tangentti sekanttien raja-asentona) fysikaalinen (ajasta riippuvan funktion hetkellinen muutosnopeus) 1 / 19 Derivaatan määritelmä Määritelmä
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Vesanen MS-A0205/6 Differentiaali- ja integraalilaskenta 2, kevät 2017 Laskuharjoitus 4A (Vastaukset) alkuviikolla
MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 4: Derivaatta
MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 4: Derivaatta Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos 21.9.2016 Pekka Alestalo, Jarmo
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla Juho Andelmin 21.01.2013 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Raimo P. Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston
Osakesalkun optimointi
Osakesalkun optimointi Anni Halkola Epäsileä optimointi Turun yliopisto Huhtikuu 2016 Sisältö 1 Johdanto 1 2 Taustatietoja 2 3 Laskumetodit 3 3.1 Optimointiongelmat........................ 4 4 Epäsileän
Matematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 9 1 Implisiittinen derivointi Tarkastellaan nyt yhtälöä F(x, y) = c, jossa x ja y ovat muuttujia ja c on vakio Esimerkki tällaisesta yhtälöstä on x 2 y 5 + 5xy = 14
Pikajohdatus bayesilaiseen tilastoanalyysiin ja monimuuttuja-analyysiin
ja monimuuttuja-analyysiin Loppuseminaari: Terveydenhuollon uudet analyysimenetelmät (TERANA) Aki Vehtari AB HELSINKI UNIVERSITY OF TECHNOLOGY Department of Biomedical Engineering and Computational Science
Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
Cantorin joukko LUKU 8
LUKU 8 Cantorin joukko 8.. Cantorin 3 -joukko Merkitään J = J 0, = [0, ]. Poistetaan välin J keskeltä avoin väli I,, jonka pituus on /3; siis I, = (, 2). Olkoot jäljelle jäävät suljetut välit J 3 3, ja
origo III neljännes D
Sijoita pisteet A(1,4) ja B(4,5;5) sekä C(-3,4) ja D(-4,--5) y II neljännes C A I neljännes B x origo III neljännes D IV neljännes KOTIT. Sijoita ja nimeä koordinaatistoon pisteitä niin, että pisteet yhdistettäessä
Viikon aiheet. Funktion lineaarinen approksimointi
Viikon aiheet Funktion ääriarvot Funktion lineaarinen approksimointi Vektorit, merkintätavat, pituus, yksikkövektori, skalaarilla kertominen, kanta ja kannan vaihto Funktion ääriarvot 6 Väliarvolause Implisiittinen
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
Työvuorosuunnittelun optimointi (valmiin työn esittely)
Työvuorosuunnittelun optimointi (valmiin työn esittely) Pekka Alli 1.12.2015 Ohjaaja: Tuuli Haahtela Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Ojalammi MS-A0203 Differentiaali- ja integraalilaskenta 2, kevät 2016 Laskuharjoitus 4A (Vastaukset) alkuviikolla
Talousmatematiikan perusteet: Luento 16. Integraalin käsite Integraalifunktio Integrointisääntöjä
Talousmatematiikan perusteet: Luento 16 Integraalin käsite Integraalifunktio Integrointisääntöjä Integraalin käsite Tarkastellaan auton nopeusmittarilukemaa v(t) ajan t funktiona aikavälillä klo 12.00-17.00
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
a) Sievennä lauseke 1+x , kun x 0jax 1. b) Aseta luvut 2, 5 suuruusjärjestykseen ja perustele vastauksesi. 3 3 ja
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 1.10.2018 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
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
Optimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0
Optimaalisuusehdot Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0 i = 1,..., m j = 1,..., l missä f : R n R, g i : R n R kaikilla i = 1,..., m, ja h j : R n R kaikilla j = 1,..., l
Osakesalkun optimointi. Anni Halkola Turun yliopisto 2016
Osakesalkun optimointi Anni Halkola Turun yliopisto 2016 Artikkeli Gleb Beliakov & Adil Bagirov (2006) Non-smooth optimization methods for computation of the Conditional Value-at-risk and portfolio optimization.
MS-A0107 Differentiaali- ja integraalilaskenta 1 (CHEM)
. Lasketaan valmiiksi derivaattoja ja niiden arvoja pisteessä x = 2: f(x) = x + 3x 3 + x 2 + 2x + 8, f(2) = 56, f (x) = x 3 + 9x 2 + 2x + 2, f (2) = 7, f (x) = 2x 2 + 8x + 2, f (2) = 86, f (3) (x) = 2x
Matematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 9 Korkeamman asteen derivaatat Tutkitaan nyt funktiota f, jonka kaikki derivaatat on olemassa. Kuten tunnettua, funktion toista derivaattaa pisteessä x merkitään f (x).
Dierentiaaliyhtälöistä
Dierentiaaliyhtälöistä Markus Kettunen 4. maaliskuuta 2009 1 SISÄLTÖ 1 Sisältö 1 Dierentiaaliyhtälöistä 2 1.1 Johdanto................................. 2 1.2 Ratkaisun yksikäsitteisyydestä.....................
1 Komparatiivinen statiikka ja implisiittifunktiolause
Taloustieteen matemaattiset menetelmät 27 materiaali 4 Komparatiivinen statiikka ja implisiittifunktiolause. Johdanto Jo opiskeltu antaa nyt valmiu tutkia taloudellisia malleja Kiinnostava malli voi olla
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
4.3.7 Epäoleellinen integraali
Esimerkki 4.3.16. (Lineaarinen muuttujien vaihto) Olkoot A R m sellainen kompakti joukko, että A on nollajoukko. Olkoon M R m m säännöllinen matriisi (eli det(m) 0) ja f : R m R jatkuva funktio. Tehdään
MATEMATIIKAN PERUSKURSSI II kevät 2018 Ratkaisut 1. välikokeen preppaustehtäviin. 1. a) Muodostetaan osasummien jono. S n =
MATEMATIIKAN PERUSKURSSI II kevät 208 Ratkaisut. välikokeen preppaustehtäviin. a) Muodostetaan osasummien jono S n = n ( k k) k= josta saadaan = ( 0 ) + ( 2) + ( 2 3) + ( n 2 n ) + ( n n) = n, n =, 2,...,
Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4
Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 6 1.1 KESKEISTEN KÄSITTEIDEN KERTAUSTA... 7 1.2 AIHEESEEN PEREHTYMINEN...
Numeerinen integrointi
Numeerinen integrointi Analyyttisesti derivointi triviaalia, integrointi vaikeaa. Numeerisesti laskettaessa tilanne on päinvastainen. Integrointi on yhteenlaskua, joka on tasoittava operaatio: lähtötietojen
Duaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki
Duaalisuus kokonaislukuoptimoinnissa Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Duaalisuus binäärisissä optimointitehtävissä Lagrangen duaalisuus Lagrangen
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
Algebra I, Harjoitus 6, , Ratkaisut
Algebra I Harjoitus 6 9. 13.3.2009 Ratkaisut Algebra I Harjoitus 6 9. 13.3.2009 Ratkaisut (MV 6 sivua 1. Olkoot M ja M multiplikatiivisia monoideja. Kuvaus f : M M on monoidihomomorfismi jos 1 f(ab = f(af(b
Monte Carlo -menetelmä optioiden hinnoittelussa (valmiin työn esittely)
Monte Carlo -menetelmä optioiden hinnoittelussa (valmiin työn esittely) 17.09.2015 Ohjaaja: TkT Eeva Vilkkumaa Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
Vektoreiden A = (A1, A 2, A 3 ) ja B = (B1, B 2, B 3 ) pistetulo on. Edellisestä seuraa
Viikon aiheet Pistetulo (skalaaritulo Vektorien tulot Pistetulo Ristitulo Skalaari- ja vektorikolmitulo Integraalifunktio, alkeisfunktioiden integrointi, yhdistetyn funktion derivaatan integrointi Vektoreiden
f(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0.
Ääriarvon laatu Jatkuvasti derivoituvan funktion f lokaali ääriarvokohta (x 0, y 0 ) on aina kriittinen piste (ts. f x (x, y) = f y (x, y) = 0, kun x = x 0 ja y = y 0 ), mutta kriittinen piste ei ole aina
Kopulafunktiot. Joonas Ollila 12. lokakuuta 2011
Kopulafunktiot Joonas Ollila 12. lokakuuta 2011 Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki oikeudet pidätetään. Kopula-sanan alkuperä Kopula tarkoittaa
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta
Digitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu
Digitaalinen signaalinkäsittely Desibeliasteikko, suotimen suunnittelu Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen,
Mapu 1. Laskuharjoitus 3, Tehtävä 1
Mapu. Laskuharjoitus 3, Tehtävä Lineaarisessa approksimaatiossa funktion arvoa lähtöpisteen x 0 ympäristössä arvioidaan liikkumalla lähtöpisteeseen sovitetun tangentin kulmakertoimen mukaisesti: f(x 0
Lineaaristen monitavoiteoptimointitehtävien
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Jerri Nummenpalo 17.09.2012 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,
Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on
Matemaattinen Analyysi
Vaasan yliopisto, syksy 2016 / ORMS1010 Matemaattinen Analyysi 8. harjoitus, viikko 49 R1 to 12 14 F453 (8.12.) R2 to 14 16 F345 (8.12.) R3 ke 8 10 F345 (7.11.) 1. Määritä funktion f (x) = 1 Taylorin sarja
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
Symmetriaryhmät ja niiden esitykset. Symmetriaryhmät, 10.1.2013 1/26
Symmetriaryhmät ja niiden esitykset Symmetriaryhmät, 10.1.2013 1/26 Osa I: Symmetriaryhmät Symmetriaryhmät, 10.1.2013 2/26 Peilisymmetria Symmetriaryhmät, 10.1.2013 3/26 Kiertosymmetria Symmetriaryhmät,
2D piirrelaskennan alkeet, osa I
2D piirrelaskennan alkeet, osa I Ville Tirronen aleator@jyu.fi University of Jyväskylä 18. syyskuuta 2008 Näkökulma Aiheet Tarkastellaan yksinkertaisia 2D kuvankäsittelyoperaattoreita Näkökulmana on tunnistava
MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ
MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ 24.9.2019 HYVÄN VASTAUKSEN PIIRTEITÄ Alustavat hyvän vastauksen piirteet on suuntaa-antava kuvaus kokeen tehtäviin odotetuista vastauksista ja tarkoitettu ensisijaisesti
Informaation leviäminen väkijoukossa matemaattinen mallinnus
Informaation leviäminen väkijoukossa matemaattinen mallinnus Tony Nysten 11.4.2011 Ohjaaja: DI Simo Heliövaara Valvoja: Prof. Harri Ehtamo Väkijoukon toiminta evakuointitilanteessa Uhkaavan tilanteen huomanneen
Paikannuksen matematiikka MAT
TA M P E R E U N I V E R S I T Y O F T E C H N O L O G Y M a t h e m a t i c s Paikannuksen matematiikka MAT-45800 4..008. p.1/4 Käytännön järjestelyt Kotisivu: http://math.tut.fi/courses/mat-45800/ Luennot:
x = π 3 + nπ, x + 1 f (x) = 2x (x + 1) x2 1 (x + 1) 2 = 2x2 + 2x x 2 = x2 + 2x f ( 3) = ( 3)2 + 2 ( 3) ( 3) + 1 3 1 + 4 2 + 5 2 = 21 21 = 21 tosi
Mallivastaukset - Harjoituskoe F F1 a) (a + b) 2 (a b) 2 a 2 + 2ab + b 2 (a 2 2ab + b 2 ) a 2 + 2ab + b 2 a 2 + 2ab b 2 4ab b) tan x 3 x π 3 + nπ, n Z c) f(x) x2 x + 1 f (x) 2x (x + 1) x2 1 (x + 1) 2 2x2
A Lausekkeen 1,1 3 arvo on 1,13 3,3 1,331 B Tilavuus 0,5 m 3 on sama kuin 50 l 500 l l C Luvuista 2 3, 6 7
1 Tuotteen hinta nousee ensin 10 % ja laskee sitten 10 %, joten lopullinen hinta on... alkuperäisestä hinnasta. alkuperäisestä hinnasta. YLIOPPILASTUTKINTO- LAUTAKUNTA 23.3.2016 MATEMATIIKAN KOE PITKÄ
Väliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät
MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 2016 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2016
LASKENNALLISEN TIETEEN OHJELMATYÖ: Diffuusion Monte Carlo -simulointi yksiulotteisessa systeemissä
LASKENNALLISEN TIETEEN OHJELMATYÖ: Diffuusion Monte Carlo -simulointi yksiulotteisessa systeemissä. Diffuusio yksiulotteisessa epäjärjestäytyneessä hilassa E J ii, J ii, + 0 E b, i E i i i i+ x Kuva.:
Luodin massajakauman optimointi
Luodin massajakauman optimointi Janne Lahti 01.09.2017 Ohjaaja: DI Mikko Harju Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki
Demo 1: Simplex-menetelmä
MS-C2105 Optimoinnin perusteet Malliratkaisut 3 Ehtamo Demo 1: Simplex-menetelmä Muodosta lineaarisen tehtävän standardimuoto ja ratkaise tehtävä taulukkomuotoisella Simplex-algoritmilla. max 5x 1 + 4x
Matematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Funktion monotonisuus Derivoituva funktio f on aidosti kasvava, jos sen derivaatta on positiivinen eli jos f (x) > 0. Funktio on aidosti vähenevä jos sen derivaatta
1 sup- ja inf-esimerkkejä
Alla olevat kohdat (erityisesti todistukset) ovat lähinnä oheislukemista reaaliluvuista, mutta joihinkin niistä palataan myöhemmin kurssilla. 1 sup- ja inf-esimerkkejä Nollakohdan olemassaolo. Kaikki tuntevat
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
Matematiikan peruskurssi 2
Matematiikan peruskurssi Demonstraatiot III, 4.5..06. Mikä on funktion f suurin mahdollinen määrittelyjoukko, kun f(x) x? Mikä on silloin f:n arvojoukko? Etsi f:n käänteisfunktio f ja tarkista, että löytämäsi
Numeeriset menetelmät
Numeeriset menetelmät Luento 12 To 13.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 12 To 13.10.2011 p. 1/38 p. 1/38 Tavalliset differentiaaliyhtälöt Yhtälöissä tuntematon funktio Tavalliset
Luento 9: Newtonin iteraation sovellus: optimointiongelma
Luento 9: Newtonin iteraation sovellus: optimointiongelma ilman rajoitusehtoja Optimointiongelmassa tehtävänä on löytää annetun reaaliarvoisen jatkuvan funktion f(x 1,x,,x n ) maksimi tai minimi jossain
Numeerinen integrointi
Numeerinen integrointi hum 8.0. Numeerinen integrointi Numeerisia integrointimenetelmiä on useita. Käsitellään tässä yhteydessä kuitenkin vain Gauss in integrointia, joka on elementtimenetelmän yhteydessä
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
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
2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Kimmo Berg. Mat Optimointioppi. 9. harjoitus - ratkaisut
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 9. harjoitus - ratkaisut 1. a) Viivahakutehtävä pisteessä x suuntaan d on missä min f(x + λd), λ f(x + λd) = (x
Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja
Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja Seuraavassa esitetään optimointitehtävien numeerisia ratkaisumenetelmiä, eli optimointialgoritmeja, keittokirjamaisesti.
Vangin dilemma häiriöisessä ympäristössä Markov-prosessina (valmiin työn esittely) Lasse Lindqvist
Vangin dilemma häiriöisessä ympäristössä Markov-prosessina (valmiin työn esittely) Lasse Lindqvist 21.01.2013 Ohjaaja: Kimmo Berg Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston
Osittaisdifferentiaaliyhtälöt
Osittaisdifferentiaaliyhtälöt Harjoituskokoelmat 4 ja 5, kevät 2011 Palautus Eemeli Blåstenille to 23.6. klo 16.00 mennessä 1. Ratkaise Dirichlet ongelma u(x, y) = 0, x 2 + y 2 < 1, u(x, y) = y + x 2,