Aalto-ja vektori-interferenssistä (2012)
|
|
- Joel Topi Pääkkönen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 1 Aalto-ja vektori-interferenssistä (2012) Keskustelijat Kullervo Rainio Heikki Mäntylä Paul Talvio Kullervo Raino Hyvät veljet LFS:ssa, kun en näköjään voi olla mietiskelemättä mieleen juolahtavia asioita ja kun jostakin sitten saa muistion tiedostoon, syntyy häikäilemätön, vahva halu saada jotkut siihen tutustumaan. (Kuvittelen aina, että kaikki muut vain löhöilevät.) Niinpä tässä tulee uusin tuotteeni. Minua on vaivannut vuosikausia tieto, että vektori- interferenssi ja aaltomekaaninen interferenssi poikkeavat toisistaan, mutta millä tavalla, se on ollut epäselvää. Nytpä, kun luin McFaddenia ja löysin sieltä hyvin selväsanaisen reseptin interferenssin laskemiseksi, panin toimeksi. Minulla ei ollut tuon reseptin perusteella muuta tietoa kuin että aaltofunktion psi arvot ovat kompleksilukuja. (Aavistan, että ne saadaan Schrödingerin yhtälöstä.) Turvauduin vanhaan hyvään arvausmenetelmääni. Hämmästelin ensin hyvän aikaa standardimenettelyn (?) ja DPM:n vertailun antamia tuloksia. Löysin sitten kuitenkin selityksen. Mutta kuten tavallista tulkinnassa on vielä avoimia kohtia. Niistä niin kuin koko jutusta olisi mukava kuulla kommentteja. Tervehtien Kullervo Aaltomekaanisen ja vektori-interferenssin vertailu: (Muistio C , Kullervo Rainio) Tässä muistiossa lasketaan esimerkkinä kaksoisrakokokeesta saadulle interferenssikuviolle (Tonomuran yksittäisten elektronien osumajakautumaa käyttäen) estimaatit käyttäen kahta erilaista laskutapaa: McFaddenin reseptin mukaista standardimenetelmää ja DPM:n mukaista laskentaa. Tarkoitus on saada selville, miten tulokset mahdollisesti poikkeavat toisistaan, jos lähtökohtana ovat samat Ψ - funktio- arvot, kaksi arvausvektoria. Aaltomekaaninen interferenssi on seuraavassa laskettu MacFaddenin esityksen mukaan. (McFadden, J.; Quantum Evolution; The New Science of Life. Harper&Collins, 2000, pp Ks. alaviittaa *) Diskreetin prosessimallin (DPM) mukainen estimaatti on laskettu teoksessa Rainio: Diskreetti prosessimalli, (ss ) esitettyä ohjelmaa seuraten.
2 2 Empiiriset tulokset ovat Tonomuran tutkimuksista. Osumakuvioon (ks kuvaa) on arvioitu 8 kaistaa, joihin tulleet osumat on laskettu. Nämä summat on muunnettu sitten kaistojen suhteellisiksi frekvensseiksi.(rainio: Diskreetti prosessimalli, ss ) McFaddenin reseptin * mukainen laskujärjestys: 1) Arvataan kumpaakin aukkoa vastaava Ψ kompleksilukuina: Ψ L ja Ψ R. 2) Lasketaan Ψ - vektoreiden itseisarvojen neliöt (kaavan z 2 = (a 2 +b 2 ) mukaan, kun z= a+bi). 3) Summataan saatujen vektoreiden toisiaan vastaavat elementit vektoriksi S = Ψ L 2 + Ψ R 2 4) Lasketaan vektori S 2, jossa elementit ovat vektorin S elementtien neliöt. 5) Normalisoidaan vektori S 2 (niin, että elementtien summaksi tulee 1). Tämä on osuma- todennäköisyyksien estimaatti, pinterf. DPM:n mukaisen vektori-interferenssin laskeminen tapahtuu seuraavasti: 1) Otetaan lähtökohdaksi edellä lasketut vektorit Ψ L 2 ja Ψ R 2. 2) Normalisoidaan em. vektorit. Saadaan todennäköisyysvektorit pl ja pr. 3) Lasketaan elementtien paritulot. 4) Saatujen paritulojen vektori normalisoidaan estimaattivektoriksi pinterf. Kaksoisrakokoe-esimerkki: Kaksoisrakokokeen rakenne asettaa ehtoja arvausvektoreitten elementeille: a. Vektorin tulee olla symmetrinen sen elementin suhteen, joka asetetaan vastaamaan raon aikaansaamaa maksimia. (Esimerkissä raot eli nämä osumamaksimien kohdat ovat kahden luokkavälin etäisyydellä toisistaan.) b. Vektoreissa tulee symmetrisessä asemassa olevien elementtien olla identtiset, kuten seuraavassa kaaviossa havainnollistetaan: Luokka: Vektori 1 c a m a b a d d Vektori 2 d a b d m a c d Symmetrisessä asemassa olevia elementtipareja ovat 2-6, 3-5, 4-4, 5-3, 6-2 ja 7-1; 8 0n pariton.
3 3 Nämä ehdot asettavat huomattavia rajoituksia lukujen valinnalla, kun lisäksi on otettava huomioon, että interferenssikuvion valoisia raitoja (valoisuusmaksimeja) tulevat vastaamaan oikeassa suhteessa suuremmat luvut kuin tummia raitoja. McFadden-menetelmä: Arvausvektori, aaltofunktiot: Ψ L : (1+1.5i) (1+1.2i) (1+2.1i) (1+1.2i) (1+1.8i) (1+1.2i) (1+1.8i) (1+1.8i) Ψ R : (1+1.8i) (1+1.2i) (1+1.8i) (1+1.2i) (1+2.1i) (1+1.2i) (1+1.5i) (1+1.2i) Ψ L 2 :(3.25) (2.44) (5.41) (2.44) (4.24) (2.44) (4.24) (4.24) Ψ R 2 :(4.24) (2.44) (4.24) (2.44) (5.41) (2.44) (3.25) (2.44) S: (7.49) (4.88) (9.65) (4.88) (9.65) (4.88) (7.49) (6.68) S 2 : (56.1) (23.8) (93.1) (23.8) (93.1) (23.8) (56.1) (44.6) Σ = Norm, Σ =.999 N, 2 des Σ = 1.01 Empiiriset: Σ = 1 Saatu estimaatti osuu varsin hyvin yksiin empiiristen tulosten kanssa. DPM-menetelmä samoihin aaltomekaanisiin kompleksilukuihin sovellettuna: Ψ L 2 : (3.25) (2.44) (5.41) (2.44) (4.24) (2.44) (4.24) (4.24) Σ = 28.7 Ψ R 2 : (4.24) (2.44) (4.24) (2.44) (5.41) (2.44) (3.25) (2.44) Σ = Normalisoidut: NL: NR: Paritulot: Σ =.133 Normalis Σ = des.: Σ = 1.0 Tulos on sama kuin edellä McFadden- menetelmällä laskettu! Herää kysymys: Mistä johtuu se yllättävä tulos, että molemmat laskutavat antoivat samat tulokset? Onko kenties yleisesti näin? Kysymyksessä on kuitenkin kaksoisrakokokeen ehtojen määräämä erikoistilanne. Seuraavassa se osoitetaan algebrallisesti: Merkitään ko. vektoreita seuraavasti: Ψ L 2 : a1, a2,, aj,, an ΣL = Σaj Ψ R 2 : b1, b2,,bj,, bn ΣR = Σbj McFadden: S eli Ψ L 2 + Ψ L 2 : (a1+b1), (a2+b2),, (an+bn) S 2 : (a1+b1) 2, (a2+b2) 2,,(an+bn) 2 Σ S 2 = Σ (aj + bj) 2 Normalisoituna: pinterf = (a1+b1) 2 /Σ S 2, (a2+b2) 2 /ΣS 2,, (an+bn) 2 /Σ S 2 DPM: pl = ΨL 2 normalisoituna ja PR = Ψ R 2 normalisoituna: pl : a1/σ aj, a2/σ aj,, an/σ aj Σ = 1
4 4 pr : b1/σ bj, b2/σ bj,, bn/σ bj Σ = 1 Paritulot: pl x pr : a1b1/σl ΣR, a2b2/σl ΣR,, anbn/σl ΣR Σ(ajbj)/Σ L Σ R Normalisoituna: pinterf : a1b1/σ (ajbj), a2b2/σ (ajbj),, anbn/σ (ajbj) Eri menetelmillä lasketut pinterf tulokset (tilavektorit) näyttävät erilaisilta, mutta voimme tarkastella elementtien välisiä suhteita. Jos nimittäin ne ovat samat, seuraa siitä, että itse elementtienkin tulee olla samat, koska normalisoitujen elementtien summan tulee olla 1. Tarkastellaan elementtien välisiä suhteita.. Lasketaan pj :n ja pk:n välinen suhde kummallakin menetelmällä. McFadden: pj = (aj + bj) 2 /Σ S 2 ja pk = (ak + bk) 2 /Σ S 2 Niiden suhde on: [(aj + bj) 2 /Σ S 2 ]/[(ak + bk) 2 /Σ S 2 ] eli (aj + bj) 2 /(ak + bk) 2 DPM: pj = ajbj/σ (ajbj) ja pk = akbk/σ (ajbj) Niiden suhde on: [ajbj/σ (ajbj)] / [akbk/σ (ajbj)] eli ajbj/akbk Tässä yleisessä tapauksessa siis menetelmät ovat tuottaneet erilaisen tuloksen. Kaksoisrakokokeen elementeille kokeen rakenteen vuoksi asetetut rajoitukset kuitenkin vaikuttavat sen, että kummassakin arvausvektorissa symmetrian suhteen vastinelementtien tulee olla yhtä suuret. Niihin on siis voimassa aj = bj ja ak = bk, jolloin edellä esitetyt suhteet ovat McFaddenin menetelmällä: (bj + bj) 2 /(bk + bk) 2 = 4bj 2 / 4bk 2 = bj 2 / bk 2. DPM- menetelmällä: bjbj /bkbk = bj 2 / bk 2 Kaksoisrakokokeen tapauksessa siis saadaan sama tulos kummallakin menetelmällä, mutta se selittyy sillä erityispiirteellä, että vastinelementtien todennäköisyydet ovat yhtä suuret. Voidaan tarkastella myös toisenlaista tapausta: aj = bk ja ak = bj (Tämä on tilanne, jos j on L- maksimi ja k on R- maksimi tai päinvastoin.) Suhteet ovat nyt: McFadden: (bk + bj) 2 / (bj + bk) 2 = 1 ja DPM: bkbj/bjbk = 1. Menetelmät tuottavat siis tässäkin saman tuloksen p- arvojen suhteita laskettaessa. Yksi, keskeinen selitys sille, että on saatu eri menetelmillä sama tulos on: vektorin normalisointi ei muuta elementtien välisiä suhteita. Vektorin muoto säilyy normalisoimisessa ennallaan. Kaksoisrakokokeessa tämä muoto määräytyy täysin niistä symmetriaehdoista, jotka edellä on esitetty. On mahdollista tehdä vielä toinenkin vertailu käyttämällä Harrisonin kaksoisrakokeen simulointia: Kaksoisrakokoe, Harrison-simulaatio Google- haulla: two- slit experiment The Feynman Double- Slit löytyy David Harrisonin artikkeli (2002), jossa on mukana simulaatioesitys yksittäisistä peräkkäisistä osumista double- slit- kokeessa. (Internetin käyttäjä voi seurata videona yksittäisten osumien asettumista vähitellen jakautumakuvioksi näytölle.)
5 5 Seuraavassa on selostus simulaatiotuloksista laskettuna kolmesta simulaatiosta, joissa yhteensä 1200 osumaa. Tulokset näkyvät simulaatiossa 42 luokassa. Seuraavassa luokat on yhdistetty 9 luokaksi, laskettu luokkafrekvenssit ja edelleen suhteelliset frekvenssit: 1) 2) 3) 4) 5) 6) 7) 8) 9) Σ Simul. p: R1 R2 Luokat 3 ja 7 edustavat selvästikin rakojen jakautumien keskikohtia, rakomaksimeja. Interferenssikuvion maksimiksi sensijaan tulee luokka 5 ja luokat 3 ja 7 ovat siinä ns. sivumaksimeja. Arvausvektoreiksi otettiin (kahden arvauksen jälkeen) : R1: max. R2: max. (Huomaa R1:n ja R2:n symmetria maksiminsa suhteen.) Interferenssi DPM:n mukaan: Interf.: Normalisoituna p: Vertailu kahdella desimaalilla Harrison- simulaation tuloksiin: Simul. p: DPM p: DPM- estimaatti on erittäin osuva. Interferenssi McFadden- reseptin mukaan (toinen arvauskerta): Ψ L: (1+2.0i) (1+1i) (1+2.4i) (1+1i) (1+2.0i) (1+1i) (1+1.2i) (1+1i) (1+1.2i) Ψ R: (1+1.2i) (1+1i) (1+1.2i) (1+1i) (1+2.0i) (1+1i) (1+2.4i) (1+1i) (1+2.0i) Ψ L 2 : (Σ = 28.72) Ψ R 2 : (Σ = 28.72) S: S 2 : Σ = 411,8 Normalisoidut S 2 - arvot: p: Σ = desim.:.14, Σ = 1.02 Simul. p: Estimaatti on tässäkin tapauksessa varsin osuva. Voidaan laskea myös DPM:n mukainen vektori- interferenssi Ψ - arvoista lähtien. Seuraavassa NL on Ψ L 2 normalisoituna ja NR = Ψ L 2 normalisoituna. NL Σ = NR Σ = Paritulot: Σ =.114 Normalisoidut: p: Σ = desim.: Σ =..98
6 6 Vertailu: Simulaatio. p: Σ = 1.01 DPM p: Σ = 1.01 McFadden p:.14, Σ = 1.02 DPM- Ψ : p: Σ =..98 Pohdintaa On aihetta tarkastella asiaa vielä kaksoisrakokokeen interferenssin teorian kannalta. Eikö se, että (standardimallissa) käytetään todennäköisyyksien yhteenlaskua, merkitse, että osumaksi hyväksytään ne tapaukset, joissa voidaan ajatella systeemin kulkeneen joko L:n (vasen rako) tai R:n (oikea rako) kautta, mutta ei molempien? Jos näin ajatellaan, tulisi silloin kuitenkin kustakin summasta vähentää yhteenlaskussa käytettyjen todennäköisyyksien tulo!. DPM- laskutapa taas perustuu ajatukseen, että ehtona määrätylle osumalle on, että systeemi on ikään kuin kulkenut molempien rakojen kautta. Tähänhän viittaa se empiirinen seikka, että interferenssiä ei esiinny, jos toisen raon kautta kulkeminen estetään. Aaltofunktion reduktio eli romahtaminen ( mittauksen yhteydessä kuten tavallisesti ajatellaan) on askarruttanut tutkijoita kauan. Standardimallin ja DPM:n vertailu tuottaa tässä kohdassa mielenkiintoisen tuloksen: DPM:n mukaisesti ajatellaan, että säteen absorptiossa detektori esiintyy yksikkövektorina, joka interferoi kvanttisysteemin (interferenssin jälkeisen) tilavektorin kanssa. Kaksoisrakokokeessa tämä detektori- interferenssi olisi siten olettaen, että absorboiva tila ( kaista ) olisi 3: Tila pinterf : Σ = 1.0 Detektori: Σ = 1 DPM: detektori- interferenssi: Paritulot, p: Σ = 1 McFadden: pinterf : Σ = 1.01 Detektori: Σ = 1 McFadden: detektori- interferenssi : Parisummat: Σ = 2.0 Pinterf.07 : Σ = 1.03 DPM antaa selkeän tuloksen: detektorin tuottama tila on määrätty (tila 3), mutta standardimentelmän mukaan laskettaessa systeemi jää superpositiotlaan eikä siis aaltofunktio romahda.vaan jää edelleen mysteeriksi. Vai olisiko niin, ettei edellä esitetty (McFaddenin) standardimalli olekaan se, mitä kvanttimekaniikan standardimallina käytetään? Osittais-interferenssistä saatavat tulokset eroavat toisistaan, mutta sitä on turha tässä tarkastella, koska tiettävästi ei ole olemassa mitään muuta osittais- interferenssin laskutapaa kuin DPM:n mukainen. Vai onko? * McFadden, pp : Just like a real wave, Ψ splits when it meets the slits, into two wave function beams: Ψ L and Ψ R.Once the beams reach the plate, their amplitude must again be squared to convert them into classical probabilities. However, before we can do this, we must first add together the amplitudes of the wave functions that have arrived from the left or right
7 7 slits: Ψ L and Ψ R. The summed amplitudes are once again [?,kurs. KR] squared to generate probabilities that we can plot as black and white dots. The pattern of dots will form a series of light and dark strips on the screen that will reproduce the interference pattern. Paul Talvio Hei Kullervo Kaksoisrakokokeessa havaitaan ilmiönä vain fotoniläde (myös elektroni ja fullereni ovat mahdollisia) ja iskemät varjostimella. Mitään havaintoa ei matkalla olevasta fotonista voi tehdä tuhoamatta interferenssiä. Fotonia itseään ei käsittääkseni muutenkaan ole koskaan nähty, vain sen tuhoutumisen seuraukset. Kaikki tapahtumat lähteen ja varjostimen välillä (kuten aaltofunktio ja sen romahtaminen) ovat pelkkää mielikuvitusta. Ihmisen laatimaa kuvausta kaikki tietomme reaalimaailmasta on muutenkin, mutta tässä ja yleensä kvanttimekaniikassa se on vielä tavallista ilmeisempää. Tutkit siis kahta kuvaustapaa. Jos ne tuottavat saman tuloksen, niin yksinkertaisempaa on pidettävä parempana. Parempaa yhtäpitävyyttä itse ilmiön kanssa on turha pohtia. Ihailen matematiikan taitojasi ja loogista ajattelukykyäsi. Ikäkään ei näytä mitään rapauttaneen. Oma matematiikan taitoni ei edes riitä juttusi yksityiskohtaiseen läpikäyntiin. Kunnioituksen tuntein Paul Heikki Mäntylä Hyvä veli Kullervo, Vastaukseni on taas viipynyt. Terveisiä Unkarista. Tuollaista, kuvan mukaista maisemma siellä yllätyksekseen näki. Moni ei taida tietääkään noista tulivuorista Balaton- järven lähellä. Paikalliset kertoivat, että ne syöksivät tulta viimeksi n 10 miljoonaa vuotta sitten. Näin s- postissa myös Paulin vastauksen kirjeeseesi ja täytyy sanoa, että yhdyn hänen näkemyksensä täysin. Matemaattisten kykyjeni vajavuudenhan olen tunnustanut jo aiemmin. Kuvittelen kyllä ymmärtäväni turhautumisen tunteesi, kun et tunnu saavan aikaan älykästä mieliipiteen vaihtoa tästä aiheesta Malaskan poismenon jälkeen. Näin vajavaista on insinöörikoulutus ollut. Lieneekö vieläkin. Olemme juuri lähdössä mökille Pohjaan. Öitä emme ole siellä vielä viettäneet, ainoastaan siivoilleet ja hiukan korjailleet syksyisen myrskyn aikaansaannoksia. Löysäily jatkuu. Toivotan Sinulle voimia ja terveyttä jatkaa tuolla henkisellä rintamalla. Yhdyn myös Paulin tunnetilaan. Kunnioituksen tuntein, Heikki
Aatofunktiot ja epätarkkuus
Aatofunktiot ja epätarkkuus Aaltofunktio sisältää tiedon siitä, millä todennäköisyydellä hiukkanen on missäkin avaruuden pisteessä. Tämä tunnelointimikroskoopilla grafiitista otettu kuva näyttää elektronin
Lisätiedot3.6 Feynman s formulation of quantum mechanics
3.6 Feynman s formulation of quantum mechanics Course MAT-66000: Quantum mechanics and the particles of nature Ilkka Kylänpää Tampere University of Technology 14.10.2010 Sisältö Johdattelua Klassinen action
LisätiedotVektori-interferenssi diskreetissä kvanttimekaniikassa (DQM) Kullervo Rainio ja Pentti Malaska Abstract
Vektori-interferenssi diskreetissä kvanttimekaniikassa (DQM) Kullervo Rainio ja Pentti Malaska Abstract A discrete process model (DPM) of the quantum evolution is discussed. The model belongs to the general
LisätiedotJohdatus matematiikkaan
Johdatus matematiikkaan Luento 5 Mikko Salo 5.9.2017 The natural development of this work soon led the geometers in their studies to embrace imaginary as well as real values of the variable.... It came
LisätiedotKvanttimekaniikan tulkinta
Kvanttimekaniikan tulkinta 20.1.2011 1 Klassisen ja kvanttimekaniikan tilastolliset formuloinnit 1.1 Klassinen mekaniikka Klassisen mekaniikan systeemin tilaa kuvaavat kappaleiden koordinaatit ja liikemäärät
LisätiedotVektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on
13 Pistetulo Avaruuksissa R 2 ja R 3 on totuttu puhumaan vektorien pituuksista ja vektoreiden välisistä kulmista. Kuten tavallista, näiden käsitteiden yleistäminen korkeampiulotteisiin avaruuksiin ei onnistu
LisätiedotKvanttilaskenta - 1. tehtävät
Kvanttilaskenta -. tehtävät Johannes Verwijnen January 9, 0 edx-tehtävät Vastauksissa on käytetty edx-kurssin materiaalia.. Problem False, sillä 0 0. Problem False, sillä 0 0 0 0. Problem A quantum state
LisätiedotOminaisarvo-hajoitelma ja diagonalisointi
Ominaisarvo-hajoitelma ja a 1 Lause 1: Jos reaalisella n n matriisilla A on n eri suurta reaalista ominaisarvoa λ 1,λ 2,...,λ n, λ i λ j, kun i j, niin vastaavat ominaisvektorit x 1, x 2,..., x n muodostavat
LisätiedotKolmannen ja neljännen asteen yhtälöistä
Solmu /019 7 Kolmannen neljännen asteen yhtälöistä Esa V. Vesalainen Matematik och statistik, Åbo Akademi Tämän pienen artikkelin tarkoituksena on satuilla hieman algebrallisista yhtälöistä. Erityisesti
LisätiedotLineaariavaruudet. Span. Sisätulo. Normi. Matriisinormit. Matriisinormit. aiheita. Aiheet. Reaalinen lineaariavaruus. Span. Sisätulo.
Lineaariavaruudet aiheita 1 määritelmä Nelikko (L, R, +, ) on reaalinen (eli reaalinen vektoriavaruus), jos yhteenlasku L L L, ( u, v) a + b ja reaaliluvulla kertominen R L L, (λ, u) λ u toteuttavat seuraavat
LisätiedotDemo: Kahden elektronin spintilojen muodostaminen
Demo: Kahden elektronin spintilojen muodostaminen Tämän demonstraation tarkoituksena on havainnollistaa kvanttimekaniikan operaattoriformalismin soveltamista kahden elektronin systeemin spintilojen muodostamiseen.
Lisätiedot9 Matriisit. 9.1 Matriisien laskutoimituksia
9 Matriisit Aiemmissa luvuissa matriiseja on käsitelty siinä määrin kuin on ollut tarpeellista yhtälönratkaisun kannalta. Matriiseja käytetään kuitenkin myös muihin tarkoituksiin, ja siksi on hyödyllistä
LisätiedotPaulin spinorit ja spinorioperaattorit
Paulin spinorit ja spinorioperaattorit Spinoreita on useita erilaisia. Esimerkiksi Paulin, Dirackin ja Weyelin spinorit. Yhteisenä piirteenä eri spinoreilla on se, että kukin liittyy tavallisesti johonkin
LisätiedotSIMULINK S-funktiot. SIMULINK S-funktiot
S-funktio on ohjelmointikielellä (Matlab, C, Fortran) laadittu oma algoritmi tai dynaamisen järjestelmän kuvaus, jota voidaan käyttää Simulink-malleissa kuin mitä tahansa valmista lohkoa. S-funktion rakenne
LisätiedotRistitulolle saadaan toinen muistisääntö determinantin avulla. Vektoreiden v ja w ristitulo saadaan laskemalla determinantti
14 Ristitulo Avaruuden R 3 vektoreille voidaan määritellä pistetulon lisäksi niin kutsuttu ristitulo. Pistetulosta poiketen ristitulon tulos ei ole reaaliluku vaan avaruuden R 3 vektori. Ristitulosta on
Lisätiedot3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö
3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö Yhtälön (tai funktion) y = a + b + c, missä a 0, kuvaaja ei ole suora, mutta ei ole yhtälökään ensimmäistä astetta. Funktioiden
Lisätiedot(1) refleksiivinen, (2) symmetrinen ja (3) transitiivinen.
Matematiikassa ja muuallakin joudutaan usein tekemisiin sellaisten relaatioiden kanssa, joiden lakina on tietyn ominaisuuden samuus. Tietyn ominaisuuden samuus -relaatio on ekvivalenssi; se on (1) refleksiivinen,
LisätiedotKevään 2011 pitkän matematiikan ylioppilastehtävien ratkaisut Mathematicalla Simo K. Kivelä /
Kevään 0 pitkän matematiikan ylioppilastehtävien ratkaisut Mathematicalla Simo K. Kivelä / 8.7.0 a) b) c) a) Tehtävä Yhtälö ratkaistaan yleensä Solve-funktiolla: Solve x 3 x, x x 4 Joissakin tapauksissa
LisätiedotMatematiikan tukikurssi, kurssikerta 3
Matematiikan tukikurssi, kurssikerta 3 1 Epäyhtälöitä Aivan aluksi lienee syytä esittää luvun itseisarvon määritelmä: { x kun x 0 x = x kun x < 0 Siispä esimerkiksi 10 = 10 ja 10 = 10. Seuraavaksi listaus
LisätiedotMatematiikassa ja muuallakin joudutaan usein tekemisiin sellaisten relaatioiden kanssa, joiden lakina on tietyn ominaisuuden samuus.
Matematiikassa ja muuallakin joudutaan usein tekemisiin sellaisten relaatioiden kanssa, joiden lakina on tietyn ominaisuuden samuus. Matematiikassa ja muuallakin joudutaan usein tekemisiin sellaisten relaatioiden
LisätiedotJohdatus matematiikkaan
Johdatus matematiikkaan Luento 6 Mikko Salo 6.9.2017 Sisältö 1. Kompleksitaso 2. Joukko-oppia Kompleksiluvut Edellisellä luennolla huomattiin, että toisen asteen yhtälö ratkeaa aina, jos ratkaisujen annetaan
LisätiedotVALON DIFFRAKTIO YHDESSÄ JA KAHDESSA RAOSSA
1 VALON DIFFRAKTIO YHDESSÄ JA KAHDESSA RAOSSA MOTIVOINTI Tutustutaan laservalon käyttöön aaltooptiikan mittauksissa. Tutkitaan laservalon käyttäytymistä yhden ja kahden kapean raon takana. Määritetään
LisätiedotT Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1
T-61.281 Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti 10.2.2004, 8:30-10:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
Lisätiedot6*. MURTOFUNKTION INTEGROINTI
MAA0 6*. MURTOFUNKTION INTEGROINTI Murtofunktio tarkoittaa kahden polynomin osamäärää, ja sen yleinen muoto on P() R : R(). Q() Mikäli osoittajapolynomin asteluku on nimittäjäpolynomin astelukua korkeampi
LisätiedotNeliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja
7 NELIÖMATRIISIN DIAGONALISOINTI. Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T () Muistutus: Kokoa n olevien vektorien
LisätiedotJohdatus todennäköisyyslaskentaan Todennäköisyyslaskenta ja puudiagrammit. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2005) 1 Todennäköisyyslaskenta ja puudiagrammit Puutodennäköisyydet Todennäköisyyslaskennan laskusääntöjen
LisätiedotA 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 =
LisätiedotAvaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät
11 Taso Avaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät tason. Olkoot nämä pisteet P, B ja C. Merkitään vaikkapa P B r ja PC s. Tällöin voidaan sanoa, että vektorit
LisätiedotTodennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit: Esitiedot
TKK (c) Ilkka Mellin (2004) 1 Todennäköisyyslaskenta ja puudiagrammit iite: Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2004) 2 Todennäköisyyslaskenta ja puudiagrammit: Mitä opimme? Verkkoteoria
LisätiedotT Luonnollisten kielten tilastollinen käsittely
T-61.281 Luonnollisten kielten tilastollinen käsittely Vastaukset 3, ti 11.2.2003, 16:15-18:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
Lisätiedot(1.1) Ae j = a k,j e k.
Lineaarikuvauksen determinantti ja jälki 1. Lineaarikuvauksen matriisi. Palautetaan mieleen, mikä lineaarikuvauksen matriisi annetun kannan suhteen on. Olkoot V äärellisulotteinen vektoriavaruus, n = dim
Lisätiedot766320A SOVELTAVA SÄHKÖMAGNETIIKKA, ohjeita tenttiin ja muutamia teoriavinkkejä sekä pari esimerkkilaskua
7663A OVLTAVA ÄHKÖMAGNTIIKKA, ohjeita tenttiin ja muutamia teoriavinkkejä sekä pari esimerkkilaskua 1. Lue tenttitehtävä huolellisesti. Tehtävä saattaa näyttää tutulta, mutta siinä saatetaan kysyä eri
LisätiedotTämän luvun tarkoituksena on antaa perustaidot kompleksiluvuilla laskemiseen sekä niiden geometriseen tulkintaan. { (a, b) a, b œ R }
7 Kompleksiluvut Tämän luvun tarkoituksena on antaa perustaidot kompleksiluvuilla laskemiseen sekä niiden geometriseen tulkintaan. 7.1 Kompleksilukujen määritelmä Määritelmä 7.1.1. Kompleksilukujen joukko
LisätiedotJärvi 1 Valkjärvi. Järvi 2 Sysijärvi
Tilastotiedettä Tilastotieteessä kerätään tietoja yksittäisistä asioista, ominaisuuksista tai tapahtumista. Näin saatua tietoa käsitellään tilastotieteen menetelmin ja saatuja tuloksia voidaan käyttää
LisätiedotJohdatus matematiikkaan
Johdatus matematiikkaan Luento 7 Mikko Salo 11.9.2017 Sisältö 1. Funktioista 2. Joukkojen mahtavuus Funktioista Lukiomatematiikassa on käsitelty reaalimuuttujan funktioita (polynomi / trigonometriset /
LisätiedotTIETOTEKNIIKAN MATEMATIIKKA
TIETOTEKNIIKAN MATEMATIIKKA Harjoitus 4 syksy 2016 Ratkaisut 1. Mitä ehtoja joukkojen M ja N tulee täyttää (kussakin kohdassa erikseen), jotta seuraavat väittämät olisivat tosia a) M = b) N \ M = c) M
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään
Lisätiedot2.1. Tehtävänä on osoittaa induktiolla, että kaikille n N pätee n = 1 n(n + 1). (1)
Approbatur 3, demo, ratkaisut Sovitaan, että 0 ei ole luonnollinen luku. Tällöin oletusta n 0 ei tarvitse toistaa alla olevissa ratkaisuissa. Se, pidetäänkö nollaa luonnollisena lukuna vai ei, vaihtelee
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
LisätiedotMatematiikka vuosiluokat 7 9
Matematiikka vuosiluokat 7 9 Matematiikan opetuksen ydintehtävänä on tarjota oppilaille mahdollisuus hankkia sellaiset matemaattiset taidot, jotka antavat valmiuksia selviytyä jokapäiväisissä toiminnoissa
Lisätiedotanna minun kertoa let me tell you
anna minun kertoa let me tell you anna minun kertoa I OSA 1. Anna minun kertoa sinulle mitä oli. Tiedän että osaan. Kykenen siihen. Teen nyt niin. Minulla on oikeus. Sanani voivat olla puutteellisia mutta
Lisätiedotja siis myös n= nk ( ). Tällöin dk l l
Tästä havaitaan, että jos nopeus ei riipu aallonpituudesta, ts. ei ole dispersiota, vg = v p. Tilanne on tällainen esimerkiksi tyhjiössä, missä vg = v p = c. Dispersiivisessä väliaineessa v p = c/ n, missä
LisätiedotHelsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet
Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.01 klo 10 13 t ja pisteytysohjeet 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 x 3 3 x 1 4, (b)
LisätiedotMaksimit ja minimit 1/5 Sisältö ESITIEDOT: reaalifunktiot, derivaatta
Maksimit ja minimit 1/5 Sisältö Funktion kasvavuus ja vähenevyys; paikalliset ääriarvot Jos derivoituvan reaalifunktion f derivaatta tietyssä pisteessä on positiivinen, f (x 0 ) > 0, niin funktion tangentti
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I
MS-A040 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I G. Gripenberg Aalto-yliopisto. maaliskuuta 05 G. Gripenberg (Aalto-yliopisto) MS-A040 Diskreetin matematiikan perusteet Esimerkkejä. ym.,
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I
MS-A040 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I G. Gripenberg Aalto-yliopisto. maaliskuuta 05 G. Gripenberg (Aalto-yliopisto) MS-A040 Diskreetin matematiikan perusteet Esimerkkejä. ym.,
LisätiedotTuloperiaate. Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta
Tuloperiaate Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta ja 1. vaiheessa valinta voidaan tehdä n 1 tavalla,. vaiheessa valinta voidaan tehdä n tavalla,
LisätiedotLuento 9. June 2, Luento 9
June 2, 2016 Otetaan lähtökohdaksi, että sopimuksilla ei voida kattaa kaikkia kontingensseja/maailmantiloja. Yksi kiinnostava tapaus on sellainen, että jotkut kontingenssit ovat havaittavissa sopimusosapuolille,
Lisätiedot3. Kirjoita seuraavat joukot luettelemalla niiden alkiot, jos mahdollista. Onko jokin joukoista tyhjä joukko?
HY / Avoin yliopisto Johdatus yliopistomatematiikkaan, kesä 2015 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I Seuraavat tehtävät liittyvät luentokalvoihin 1 14. Erityisesti esimerkistä 4 ja esimerkin
LisätiedotAlkuarvot ja tyyppimuunnokset (1/5) Alkuarvot ja tyyppimuunnokset (2/5) Alkuarvot ja tyyppimuunnokset (3/5)
Alkuarvot ja tyyppimuunnokset (1/5) Aiemmin olemme jo antaneet muuttujille alkuarvoja, esimerkiksi: int luku = 123; Alkuarvon on oltava muuttujan tietotyypin mukainen, esimerkiksi int-muuttujilla kokonaisluku,
Lisätiedotmake and make and make ThinkMath 2017
Adding quantities Lukumäärienup yhdistäminen. Laske yhteensä?. Countkuinka howmonta manypalloja ballson there are altogether. and ja make and make and ja make on and ja make ThinkMath 7 on ja on on Vaihdannaisuus
LisätiedotHelsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo 10 13
Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 2 x 2 3 2 3 x 1 4, (b) (x + 1)(x 2)
LisätiedotYHDEN RAON DIFFRAKTIO. Laskuharjoitustehtävä harjoituksessa 11.
YHDEN RAON DIFFRAKTIO Laskuharjoitustehtävä harjoituksessa 11. Vanha tenttitehtävä Kapean raon Fraunhoferin diffraktiokuvion irradianssijakauma saadaan lausekkeesta æsin b ö I = I0 ç b è ø, missä b = 1
Lisätiedotχ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut
Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,
LisätiedotLiite 2: Verkot ja todennäköisyyslaskenta. Todennäköisyyslaskenta ja puudiagrammit
Ilkka Mellin Todennäköisyyslaskenta Liite 2: Verkot ja todennäköisyyslaskenta Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyslaskenta ja puudiagrammit >> Puutodennäköisyydet
LisätiedotMAA8 Juuri- ja logaritmifunktiot, Opintokortti
MAA8 Juuri- ja logaritmifunktiot, Opintokortti Nimi: Minimivaatimukset kurssin suorittamiseksi: Vihkoon on laskettu laadukkaasti vähintään 50 tehtävää. Opiskelija palauttaa viimeistään kokeeseen o Opintokortin
LisätiedotVAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Lauri Karppi j82095. SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI.
VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA Oskari Uitto i78966 Lauri Karppi j82095 SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI Sivumäärä: 14 Jätetty tarkastettavaksi: 25.02.2008 Työn
Lisätiedot11. laskuharjoituskierros, vko 15, ratkaisut
11. laskuharjoituskierros vko 15 ratkaisut D1. Geiger-mittari laskee radioaktiivisen aineen emissioiden lukumääriä. Emissioiden lukumäärä on lyhyellä aikavälillä satunnaismuuttuja jonka voidaan olettaa
Lisätiedotd sinα Fysiikan laboratoriotyöohje Tietotekniikan koulutusohjelma OAMK Tekniikan yksikkö TYÖ 8: SPEKTROMETRITYÖ I Optinen hila
Fysiikan laboratoriotyöohje Tietotekniikan koulutusohjelma OAMK Tekniikan yksikkö TYÖ 8: SPEKTROMETRITYÖ I Optinen hila Optisessa hilassa on hyvin suuri määrä yhdensuuntaisia, toisistaan yhtä kaukana olevia
Lisätiedot9. Vektorit. 9.1 Skalaarit ja vektorit. 9.2 Vektorit tasossa
9. Vektorit 9.1 Skalaarit ja vektorit Skalaari on koon tai määrän mitta. Tyypillinen esimerkki skalaarista on massa. Lukumäärä on toinen hyvä esimerkki skalaarista. Vektorilla on taas suuruus ja suunta.
Lisätiedot(b) Vedonlyöntikertoimet syytetyn ihonvärin eri luokissa
Oulun yliopiston matemaattisten tieteiden tutkimusyksikkö/tilastotiede 805306A JOHDATUS MONIMUUTTUJAMENETELMIIN, sl 2017 (Jari Päkkilä) Harjoitus 3, viikko 47 (19.20.11.): kotitehtävät Ratkaisuja 1. Floridan
LisätiedotALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6
Sisällysluettelo ALKUSANAT 4 ALKUSANAT E-KIRJA VERSIOON 5 SISÄLLYSLUETTELO 6 1 PERUSASIOITA JA AINEISTON SYÖTTÖ 8 11 PERUSNÄKYMÄ 8 12 AINEISTON SYÖTTÖ VERSIOSSA 9 8 Muuttujan määrittely versiossa 9 11
LisätiedotMS-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
LisätiedotDiskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9
Diskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9 Tuntitehtävät 9-10 lasketaan alkuviikon harjoituksissa ja tuntitehtävät 13-14 loppuviikon harjoituksissa. Kotitehtävät 11-12 tarkastetaan loppuviikon
Lisätiedot5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3
Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,
LisätiedotJohdantoa. Jokaisen matemaatikon olisi syytä osata edes alkeet jostakin perusohjelmistosta, Java MAPLE. Pascal MathCad
Johdantoa ALGORITMIT MATEMA- TIIKASSA, MAA Vanhan vitsin mukaan matemaatikko tietää, kuinka matemaattinen ongelma ratkaistaan, mutta ei osaa tehdä niin. Vitsi on ajalta, jolloin käytännön laskut eli ongelman
LisätiedotTyön tavoitteita. 1 Johdanto
FYSP103 / K2 FRAUNHOFERIN DIFFRAKTIO Työn tavoitteita havainnollistaa valon taipumiseen (diffraktio) ja interferenssiin liittyviä ilmiöitä erilaisissa rakosysteemeissä sekä syventää kyseisten ilmiöiden
Lisätiedot1.4 Funktion jatkuvuus
1.4 Funktion jatkuvuus Kun arkikielessä puhutaan jonkin asian jatkuvuudesta, mielletään asiassa olevan jonkinlaista yhtäjaksoisuutta, katkeamattomuutta. Tässä ei kuitenkaan käsitellä työasioita eikä ihmissuhteita,
LisätiedotChoose Finland-Helsinki Valitse Finland-Helsinki
Write down the Temporary Application ID. If you do not manage to complete the form you can continue where you stopped with this ID no. Muista Temporary Application ID. Jos et onnistu täyttää lomake loppuun
LisätiedotOsallistumislomakkeen viimeinen palautuspäivä on maanantai
Jakso : Materiaalihiukkasten aaltoluonne. Teoriaa näihin tehtäviin löytyy Beiserin kirjasta kappaleesta 3 ja hyvin myös peruskurssitasoisista kirjoista. Seuraavat videot demonstroivat vaihe- ja ryhmänopeutta:
LisätiedotORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008
ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Harjoitus 4 Ratkaisuehdotuksia 1. Olkoon herra K.:n hyötyfunktio u(x) = ln x. (a) Onko herra K. riskinkaihtaja, riskinrakastaja vai riskineutraali?
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille
Lisätiedot0, niin vektorit eivät ole kohtisuorassa toisiaan vastaan.
Tekijä Pitkä matematiikka 4 9.1.016 168 a) Lasketaan vektorien a ja b pistetulo. a b = (3i + 5 j) (7i 3 j) = 3 7 + 5 ( 3) = 1 15 = 6 Koska pistetulo a b 0, niin vektorit eivät ole kohtisuorassa toisiaan
LisätiedotMAY1 Luvut ja lukujonot, opintokortti
MAY1 Luvut ja lukujonot, opintokortti Nimi: Minimivaatimukset kurssin suorittamiseksi: Vihkoon on laskettu laadukkaasti vähintään 50 tehtävää. Opiskelija palauttaa viimeistään kokeeseen o Opintokortin
LisätiedotEllipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio
Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä
LisätiedotDiplomi-insinöörien ja arkkitehtien yhteisvalinta - dia-valinta 2014 Insinöörivalinnan fysiikan koe 28.5.2014, malliratkaisut
A1 Diplomi-insinöörien ja arkkitehtien yhteisvalinta - dia-valinta 014 Insinöörivalinnan fysiikan koe 8.5.014, malliratkaisut Kalle ja Anne tekivät fysikaalisia kokeita liukkaalla vaakasuoralla jäällä.
LisätiedotKvanttifysiikan perusteet 2017
Kvanttifysiikan perusteet 207 Harjoitus 2: ratkaisut Tehtävä Osoita hyödyntäen Maxwellin yhtälöitä, että tyhjiössä magneettikenttä ja sähkökenttä toteuttavat aaltoyhtälön, missä aallon nopeus on v = c.
LisätiedotJukka Tulkki 8. Laskuharjoitus (ratkaisut) Palautus torstaihin 3.4 klo 12:00 mennessä. x 2
S 437 Fysiikka III Kevät 8 Jukka Tulkki 8 askuharjoitus (ratkaisut) Palautus torstaihin 34 klo : mennessä Assistentit: Jaakko Timonen Ville Pale Pyry Kivisaari auri Salmia (jaakkotimonen@tkkfi) (villepale@tkkfi)
LisätiedotJ 2 = J 2 x + J 2 y + J 2 z.
FYSA5 Kvanttimekaniikka I, Osa B.. tentti: 4 tehtävää, 4 tuntia. Tarkastellaan pyörimismääräoperaattoria J, jonka komponentit toteuttavat kommutaatiorelaatiot [J x, J y ] = i hj z, [J y, J z ] = i hj x,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotT740103 Olio-ohjelmointi Osa 5: Periytyminen ja polymorfismi Jukka Jauhiainen OAMK Tekniikan yksikkö 2010
12. Periytyminen Johdantoa Käytännössä vähänkään laajemmissa ohjelmissa joudutaan laatimaan useita luokkia, joiden pitäisi pystyä välittämään tietoa toisilleen. Ohjelmien ylläpidon kannalta olisi lisäksi
LisätiedotVektorit. Vektorin luominen... 192 Vektorin tuominen näyttöön... 195 Vektorin koon ja alkioiden muokkaaminen... 195 Vektorin poistaminen...
12 Vektorit Vektorin luominen... 192 Vektorin tuominen näyttöön... 195 Vektorin koon ja alkioiden muokkaaminen... 195 Vektorin poistaminen... 196 TI -86 M1 M2 M3 M4 M5 F1 F2 F3 F4 F5 192 Luku 12: Vektorit
LisätiedotLIITE 1 VIRHEEN ARVIOINNISTA
Oulun yliopisto Fysiikan opetuslaboratorio Fysiikan laboratoriotyöt 1 1 LIITE 1 VIRHEEN RVIOINNIST Mihin tarvitset virheen arviointia? Mittaustuloksiin sisältyy aina virhettä, vaikka mittauslaite olisi
LisätiedotKanta ja Kannan-vaihto
ja Kannan-vaihto 1 Olkoon L vektoriavaruus. Äärellinen joukko L:n vektoreita V = { v 1, v 2,..., v n } on kanta, jos (1) Jokainen L:n vektori voidaan lausua v-vektoreiden lineaarikombinaationa. (Ts. Span(V
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu
LisätiedotVektoreiden 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
LisätiedotHelsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 10.6.2013 klo 10-13 Ratkaisut ja pisteytysohjeet
Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe.6. klo - Ratkaisut ja pisteytysohjeet. Ratkaise seuraavat epäyhtälöt ja yhtälö: a) x+ x +9, b) log (x) 7,
LisätiedotKertausta: avaruuden R n vektoreiden pistetulo
Kertausta: avaruuden R n vektoreiden pistetulo Määritelmä Vektoreiden v R n ja w R n pistetulo on v w = v 1 w 1 + v 2 w 2 + + v n w n. Huom. Pistetulo v w on reaaliluku! LM2, Kesä 2014 164/246 Kertausta:
Lisätiedoty z = (x, y) Kuva 1: Euklidinen taso R 2
Kompleksiluvut. Määritelmä Tarkastellaan euklidista tasoa R = {(, y), y R}. y y z = (, y) R Kuva : Euklidinen taso R Suorakulmaisessa koordinaatistossa on -akseli ja y-akseli. Luvut ja y ovat pisteen z
LisätiedotKvanttimekaniikka. Tapio Hansson
Kvanttimekaniikka Tapio Hansson Kummallinen teoria Kvanttimekaniikka on teoria, jota ei ehkä edes kannata yrittää "käsittää". Arkijärjellä ei tee kvanttimaailmassa juuri mitään. Luonto toimii kuten toimii,
LisätiedotRYHMÄKERROIN ÄÄNILÄHDERYHMÄN SUUNTAAVUUDEN
ÄÄNILÄHDERYHMÄN SUUNTAAVUUDEN ARVIOINNISSA Seppo Uosukainen, Jukka Tanttari, Heikki Isomoisio, Esa Nousiainen, Ville Veijanen, Virpi Hankaniemi VTT PL, 44 VTT etunimi.sukunimi@vtt.fi Wärtsilä Finland Oy
LisätiedotKertausta: avaruuden R n vektoreiden pistetulo
Kertausta: avaruuden R n vektoreiden pistetulo Määritelmä Vektoreiden v R n ja w R n pistetulo on v w = v 1 w 1 + v 2 w 2 + + v n w n. Huom. Pistetulo v w on reaaliluku! LM2, Kesä 2012 227/310 Kertausta:
LisätiedotFysiikka 8. Aine ja säteily
Fysiikka 8 Aine ja säteily Sähkömagneettinen säteily James Clerk Maxwell esitti v. 1864 sähkövarauksen ja sähkövirran sekä sähkö- ja magneettikentän välisiä riippuvuuksia kuvaavan teorian. Maxwellin teorian
Lisätiedotja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2
Johdatus diskreettiin matematiikkaan Harjoitus 4, 7.10.2015 1. Olkoot c 0, c 1 R siten, että polynomilla r 2 c 1 r c 0 on kaksinkertainen juuri. Määritä rekursioyhtälön x n+2 = c 1 x n+1 + c 0 x n, n N,
LisätiedotMatriisit, kertausta. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, kertausta Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ) ( 0, 4 ), ( ) ( 1 4 2, a 11 a 12 a 21 a 22 ) Kaavio kirjoitetaan kaarisulkujen väliin
Lisätiedot7. Normaalijakauma ja standardipisteet
33 7. Normaalijakauma ja standardipisteet Aiemmin olemme esittäneet joitakin variaabelin jakaumia histogrammien ja frekvenssipolygonien muodossa. Jos kuvittelemme, että mittaamme varsin tarkasti ja jatkuvaksi
LisätiedotEtunimi. Sukunimi. Oppimistavoite: ymmärtää, kuinka positiiviset ja negatiiviset magneettiset navat tuottavat työntö- ja vetovoimaa.
1 Magneettiset navat Oppimistavoite: ymmärtää, kuinka positiiviset ja negatiiviset magneettiset navat tuottavat työntö- ja vetovoimaa. 1. Nimeä viisi esinettä, joihin magneetti kiinnittyy. 2. Mitä magneetin
LisätiedotAjankäyttötutkimuksen satoa eli miten saan ystäviä, menestystä ja hyvän arvosanan tietojenkäsittelyteorian perusteista
Ajankäyttötutkimuksen satoa eli miten saan ystäviä, menestystä ja hyvän arvosanan tietojenkäsittelyteorian perusteista Harri Haanpää 18. kesäkuuta 2004 Tietojenkäsittelyteorian perusteiden kevään 2004
LisätiedotLukujonon raja-arvo 1/7 Sisältö ESITIEDOT: lukujonot
Lukujonon raja-arvo 1/7 Sisältö Esimerkki lukujonon raja-arvosta Lukujonossa a 1,a 2,a 3,... (jossa on äärettömän monta termiä) voivat luvut lähestyä jotakin arvoa, kun jonossa edetään yhä pidemmälle.
LisätiedotYhdistetty funktio. Älä sekoita arvo- eli kuvajoukkoa maalijoukkoon! (wikipedian ongelma!)
Yhdistetty unktio TRIGONOMETRISET FUNKTIOT, MAA7 Määritelmä, yhdistetty unktio: Funktioiden ja g yhdistetty unktio g (luetaan g pallo ) määritellään yhtälöllä g g. Funktio g on ns. ulkounktio ja sisäunktio.
Lisätiedot