7.6. Fysikaalinen peiliheijastus. Pinnan mikrogeometrian mallintaminen. Varjostus ja peittämisvaikutukset

Koko: px
Aloita esitys sivulta:

Download "7.6. Fysikaalinen peiliheijastus. Pinnan mikrogeometrian mallintaminen. Varjostus ja peittämisvaikutukset"

Transkriptio

1 7.6. Fysikaalinen peiliheijastus Tässä mallissa otetaan huomioon fysikaalispohjainen peilikomponentti (Blinn Sittemmin mallia laajennettiin käsittämään kirkkaan valaistuksen spektrin ja tämän riippuvuuden pintamateriaalin laadusta ja tulevan valon kulmasta. Näillä edistysaskelilla on hienojakoinen vaikutus kirkkaaseen valaistukseen verrattuna Phongin malliin. Malli säilyttää jaon diffuusiin ja peiliheijastuskomponenttiin, joista diffuusi lasketaan kuten edellä ja kehitys koski näin peiliheijastusta. Parhaimmat tulokset saadaan kirkkailla metallin kaltaisilla pinnoilla. Huolimatta edistyksestä Phongin malli jäi käytännössä suositummaksi kuin nämä uudet. Tämä aiheutui Phongin mallin yksinkertaisemmasta periaatteesta ja pienemmästä suoritusaikavaatimuksesta, vaikka se on epätarkempi ja virheellisempi kirkkaan valon tapauksessa. Fysikaalisella simulaatiolla tarkoitetaan pyrkimystä mallintaa heijastavan pinnan mikrogeometriaa sen sijaan, että simuloitaisiin valon kulun käyttäytymistä Phongin mallin tapaan. Kirkkaiden valojen peiliheijastuksen simulointi käsittää neljä komponenttia. Se pohjautuu symmetristen V muotoisten urien mikrotahkomallintamiseen (kuva 7.. edellä. Käydään nämä komponentit seuraavassa läpi. Pinnan mikrogeometrian mallintaminen Laaditaan tilastollinen jakauma mikrotahkojen suunnille. Tämä tuottaa arvon D vastaten katselusuuntaan tulevaa valoa. Sovelletaan Gaussin eli normaalijakaumaa: 7. luku luku 391 D = ke ( α / m Varjostus ja peittämisvaikutukset Tässä on mikrotahkon kulma verrattuna pinnan (keskimääräiseen normaaliin. Kyseessä on siis vektorien N ja H välinen kulma edeltä. Parametri m on jakauman keskihajonta. Jakauman laskeminen annetulla kulmalla tuottaa kyseisen suunnan mikrotahkojen lukumäärän. Nämä vaikuttavat vastaavaan katselusuuntaan heijastuvaan valoon. Kuvassa 7.. (b oli kaksi erilaista valokeilaa eri arvoilla m laskettuina. BRDF:n (bi directional reflectance distribution function mielessä käsitelty tekijä kuvaa laajuutta, jolla peiliheijastus pullistuu. Siellä missä katselusuunnan vektori tai valon suuntavektori alkaa lähestyä keskimääräistä pintaa, vuorovaikutuksia esiintyy. Näitä kutsutaan varjostumiseksi ja peittämiseksi. Peittäminen esiintyy, kun heijastunutta valoa törmää kohteeseen (mikrotahkoon. Varjostuksen tilanteessa tulevan valon kulku osin katkeaa kohteen takia. Kuva 7.5. esittää näitä. Peittämisen ja varjostuksen aste riippuu suhteesta I 1 / I. Suhde kuvaa niiden tahkojen osuutta, jotka vaikuttavat valon heijastumiseen: G = 1 I I 1 / 7. luku luku 393

2 Kuva 7.5. Valon ja heijastavan mikrotahkopinnan vuorovaikutus: (a Varjostus ja peittäminen. (b Valon määrä, joka karkaa, riippuu arvosta G=1 I 1 / I. Tilanteessa, jossa I 1 pienenee nollaksi, kaikki heijastunut valo karkaa ja on: G =1 Suhteen I 1 / I riippuvuus vektoreista L, V ja H on oheinen. Peittämiselle saadaan: G m Varjostukselle tilanne on oheinen: G s Valittava G on minimi: G = = ( N H( N V / V H = ( N H( N L / V H min{ 1, G s, G m } 7. luku luku 395 Katselugeometria Fresnelin termi Häikäisevän valon (luku 7.5. vaikutus toteutetaan uudella geometrisellä termillä. Kun katseluvektorin ja pinnan keskimääräisen suunnan kulma lähenee kohti 90, katsoja näkee yhä enemmän mikrotahkoja. Tämä esitetään termillä: 1/ N V Täten katsojan näkemä kasvava mikrotahkojen alue on kääntäen verrannollinen katselusuunnan ja pinnan normaalin väliseen kulmaan. Jos valo tulee matalassa kulmassa, enemmän valoa heijastuu kohti katsojaa kuin tilanteessa, jossa valo tulee läheltä normaalia. Fresnelin termi F (luku 7.1. koskee heijastuneen valon määrää verrattuna absorboituneeseen. Nyt pohditaan täydellisen tasopinnan tilannetta, kun edeltävässä katsottiin mikrotahkojen kokoelman muodostamaa pintaa. Heijastuneen valokeilan voimakkuus määrätään tulevan valon ja aallonpituuden funktiona. Termin F kertoimet eivät yleensä ole tunnettuja, mutta voidaan soveltaa kompromissiarvoa käyttämällä arvoa F 0. Tämä on F:n tunnettu (mitattu arvo normaalin pisteessä, jolla voidaan luvun 7.1. kaavan kautta laskea taitekerroin. Saman kaavan nojalla voidaan laskea F muille kulmille. Normaalin pisteessä se supistuu muotoon: 7. luku luku 397

3 F 0 ( µ 1 = ( µ + 1 On olemassa toinenkin tapa laskea F mille tahansa valon tulokulmalle arvon F 0 avulla (Schlick 1993: F φ = F 0 + ( 1 cosφ (1 F0 Tämä termi vastaa peiliheijastavan kirkkaan valon tarkkoja värimuutoksia. Kun mille tahansa materiaalille tulevan valon kulma lähenee pinnan tasoa, pinnan kirkkaan valon väri lähenee valonlähteen väriä. Muilla kulmilla väri riippuu tulokulmasta ja materiaalista. Tästä on esimerkki kuvassa 7.6., joka mallintaa kiillotettua kuparia. 5 Termi saa aikaan heijastuneen intensiteetin kasvun (kuten 1/N V edellä valon tulokulman (normaaliin nähden kasvaessa, jolloin vähemmän valoa absorboituu. Kuva 7.6. Fresnelin yhtälö ja kiillotettu kupari: (a Heijastus F aallonpituuden ja tulokulman (kiillotettu kupari funktiona. (b F:n riippuvuus kulmasta punaisella, vihreällä ja sinisellä aallonpituudella. 7. luku luku 399 Täten peiliheijastustermi on: peiliheijastuskomponentti = DGF /( N V, missä D on mikrogeometriatermi G on varjostus peittämis termi F on Fresnelin termi ( N V on häikäisevän valon termi Yhteenvetona saadaan: (1 Tekijä, joka mallintaa heijastuneen valon intensiteettiä. ( Kaksi vuorovaikutteista tekijää, jotka simuloivat häikäisyn vaikutusta valon tullessa suuressa kulmassa (pinnan normaalin N suhteen. (3 Tekijä, joka suhteuttaa heijastuneen valon intensiteetin (täydelliseen peilimikrotahkoon tämän pintamateriaalin optiset ominaisuudet huomioon ottaen. Peiliheijastustermi lasketaan erikseen ja yhdistetään tasaisen diffuusitermin kanssa: BRDF = sr + dr, missä s + d = 1 s d Esim. metalleja simuloidaan tavallisesti arvoilla d=0 ja s=1 ja kirkasta muovipintaa arvoilla d=0.9 ja s=0.1. Tässä mallissa riippuvuudet ovat seuraavaa muotoa ja eroavat näin hieman Phongin mallista: BRDF = f ( θtuleva, θheijastuva, φheijastuva Kuvassa 7.7. nähdään matalan ja korkean tulokulman BRDF:n tuottamat tulokset. Peiliheijastus ja samoin heijastuskulma muuttuvat tulokulman muuttuessa. 7. luku luku 401

4 7.7. BRDF:ien esilaskenta Kuva 7.7. Valon eri tulokulmien mukaiset BRDF:t Blinnin heijastusmallissa. Edellisen lähestymistavan puute on, ettei se kykene mallintamaan anisotrooppisia pintoja. Monet todelliset pinnat ovat sellaisia, esim. vaatteet, jotka on valmistettu rinnakkaisista langoista, joiden poikkileikkaus on pyöreä. Jokainen lanka sirottaa valoa kapealle alalle, kun valo tulee lankojen suuntaiselle tasolle, ja laajalle, kun valo tulee lankojen poikkileikkausten suuntaiselle tasolle. Tällaisten pintojen simulointiin on käytetty määrättyjä pintamalleja, tavallisesti sylintereitä, ja esilaskentaa. BRDF lasketaan etukäteen jokaiselle vektorille L. Nämä on jaettu puolipallon osiin, jotka indeksoidaan vektoreilla V. BRDF lasketaan jäljittämällä kimppu säteitä jokaiselle tulevalle suunnalle. Säteet lasketaan satunnaisesti sijoitettuina osumaan pintaan. Lasketaan niiden heijastukset pinnalta ympäröivälle puolipallolle. 7. luku luku 403 BRDF riippuu kulmista seuraavasti: BRDF = f ( θtuleva, φtuleva, θheijastuva, φheijastuva BRDF luodaan laskemalla säteitä pinta alkiolle, joka kattaa riittävän laajan alueen mikropinnasta. Pintaalkio mallinnetaan kolmionmuotoisten mikrotahkojen taulukolla tai hilalla. Ne säteet, jotka osuvat pintaalkioon ilman peittämistä tai varjostusta, otetaan mukaan BRDF:ään. Koko funktio saadaan laskemalla kaikki tällaiset vaikuttavat yhteen. Informaatio muodostetaan jakamalla puolipallo osiin tai soluihin. Tästä on esimerkki kuvassa 7.8. Kuvassa 7.8. mikrotahkojen muodostamaan pintaan luodaan epätasaisuutta kuhmuroimalla sitä, kuten kuvassa on esitetty. Huomattakoon etu, ettei tällä mikrogeometrisella lähestymistavalla ole rajoituksia. Mikrotahkojen ei tarvitse noudattaa esim. normaalijakaumaa. Kuva 7.8. Pinnan mallintaminen, jossa kolmionmuotoisia mikrotahkoja häiritään nostamalla joitakin kolmioita yhdistäviä kärkiä. 7. luku luku 405

5 7.8. Fysikaalinen diffuusi komponentti BRDF on nyt karkeasti näytteistetty versio jatkuvasta tapauksesta. Esilaskennassa muodostetaan jokaiselle osalle tai solulle heijastus puolipallolle. Pintaa käsiteltäessä tulevaa valoa lähinnä oleva puolipallo valitaan. Tämän jakauman pohjoisnapa asetetaan samansuuntaiseksi kuin pinnan normaali. Esilaskettu BRDF antaa tällöin heijastuneen intensiteetin katselusuuntaan. Tässä on kyseessä fysikaalinen malli, jolla voidaan laskea diffuusia heijastusta erityisesti kerroksittaisille pintamateriaaleille, orgaanisille, kuten iho ja kasvien lehdet, ja epäorgaanisille, kuten lumi ja hiekka. Käsitellään täten anisotrooppista pintaa. Itse asiassa harvat todelliset pinnat käsittävät diffuusia isotrooppista tyyppiä. Pinnan pisteestä heijastunut valo on: L = L + L heijastuva Tässä L rs on pinnan sirontavan vaikutuksen takia heijastunut valo (epätäydellinen peiliheijastus ja L rv nk. alipintojen aiheuttaman sironnan heijastus. Alipintojen sironnan määräävä algoritmi toimii yksiulotteisena siirtomallina ja soveltaa Monte Carlo menetelmää (todennäköisyyslaskentaa. rs rv 7. luku luku 407 Sivutetaan yksityiskohtainen tarkastelu. Sen sijaan viitataan kuvaan 7.9., jossa ensimmäinen rivi havainnollistaa suurta tai pientä peiliheijastusta tulokulman funktiona. Kun tulokulma on suuri (pinnan normaalin suhteen, heijastunut valo on pääasiassa pinnan sirontavaikutuksesta tulevaa, ts. peiliheijastusta. Kun kulma on pieni, alipintasironta vallitsee. Kuvan 7.9. toinen rivi esittää heijastuskeiloja, jotka johtuvat alipintasironnasta. Pintamateriaalit voivat tuottaa eteenpäin ja taaksepäin siroavaa sekä isotrooppista. (Alaspäin kuvatut keilat eivät vaikuta luonnollisestikaan heijastuvaan valoon L r, mutta läpikuultavien monikerroksisten pintojen tilanteessa niilläkin on merkitystä. Kuva 7.9. Fysikaalisen mallin heijastuksia. Kolmas rivi esittää heijastusten L rs ja L rv yhdistelmää, joka on anisotrooppinen. 7. luku luku 409

10.2. Säteenjäljitys ja radiositeettialgoritmi. Säteenjäljitys

10.2. Säteenjäljitys ja radiositeettialgoritmi. Säteenjäljitys 10.2. Säteenjäljitys ja radiositeettialgoritmi Säteenjäljitys Säteenjäljityksessä (T. Whitted 1980) valonsäteiden kulkema reitti etsitään käänteisessä järjestyksessä katsojan silmästä takaisin kuvaan valolähteeseen

Lisätiedot

10. Globaali valaistus

10. Globaali valaistus 10. Globaali valaistus Globaalilla eli kokonaisvalaistuksella tarkoitetaan tietokonegrafiikassa malleja, jotka renderöivät kuvaa laskien pisteestä x heijastuneen valon ottamalla huomioon kaiken tähän pisteeseen

Lisätiedot

Luento 7: Lokaalit valaistusmallit

Luento 7: Lokaalit valaistusmallit Tietokonegrafiikan perusteet T-111.4300 3 op Luento 7: Lokaalit valaistusmallit Lauri Savioja 11/07 Lokaalit valaistusmallit / 1 Sävytys Interpolointi Sisältö Lokaalit valaistusmallit / 2 1 Varjostustekniikat

Lisätiedot

ELEC-A4130 Sähkö ja magnetismi (5 op)

ELEC-A4130 Sähkö ja magnetismi (5 op) ELEC-A4130 Sähkö ja magnetismi (5 op) Jari J. Hänninen 2015 16/IV V Luentoviikko 9 Tavoitteet Valon luonne ja eteneminen Dispersio Lähde: https: //www.flickr.com/photos/fastlizard4/5427856900/in/set-72157626537669172,

Lisätiedot

3. Optiikka. 1. Geometrinen optiikka. 2. Aalto-optiikka. 3. Stokesin parametrit. 4. Perussuureita. 5. Kuvausvirheet. 6. Optiikan suunnittelu

3. Optiikka. 1. Geometrinen optiikka. 2. Aalto-optiikka. 3. Stokesin parametrit. 4. Perussuureita. 5. Kuvausvirheet. 6. Optiikan suunnittelu 3. Optiikka 1. Geometrinen optiikka 2. Aalto-optiikka 3. Stokesin parametrit 4. Perussuureita 5. Kuvausvirheet 6. Optiikan suunnittelu 3.1 Geometrinen optiikka! klassinen optiikka! Valoa kuvaa suoraan

Lisätiedot

Simulointi. Varianssinhallintaa Esimerkki

Simulointi. Varianssinhallintaa Esimerkki Simulointi Varianssinhallintaa Esimerkki M C Esimerkki Tarkastellaan lasersäteen sirontaa partikkelikerroksesta Jukka Räbinän pro gradu 2005 Tavoitteena simuloida sirontakuvion tunnuslukuja Monte Carlo

Lisätiedot

23 VALON POLARISAATIO 23.1 Johdanto. 23.2 Valon polarisointi ja polarisaation havaitseminen

23 VALON POLARISAATIO 23.1 Johdanto. 23.2 Valon polarisointi ja polarisaation havaitseminen 3 VALON POLARISAATIO 3.1 Johdanto Mawellin htälöiden avulla voidaan johtaa aaltohtälö sähkömagneettisen säteiln etenemiselle väliaineessa. Mawellin htälöiden ratkaisusta seuraa aina, että valo on poikittaista

Lisätiedot

Braggin ehdon mukaan hilatasojen etäisyys (111)-tasoille on

Braggin ehdon mukaan hilatasojen etäisyys (111)-tasoille on 763343A KIINTEÄN AINEEN FYSIIKKA Ratkaisut 2 Kevät 2018 1. Tehtävä: Kuparin kiderakenne on pkk. Käyttäen säteilyä, jonka aallonpituus on 0.1537 nm, havaittiin kuparin (111-heijastus sirontakulman θ arvolla

Lisätiedot

Valon luonne ja eteneminen. Valo on sähkömagneettista aaltoliikettä, ei tarvitse väliainetta edetäkseen

Valon luonne ja eteneminen. Valo on sähkömagneettista aaltoliikettä, ei tarvitse väliainetta edetäkseen Valon luonne ja eteneminen Valo on sähkömagneettista aaltoliikettä, ei tarvitse väliainetta edetäkseen 1 Valonlähteitä Perimmiltään valon lähteenä toimii kiihtyvässä liikkeessä olevat sähkövaraukset Kaikki

Lisätiedot

Työ 2324B 4h. VALON KULKU AINEESSA

Työ 2324B 4h. VALON KULKU AINEESSA TURUN AMMATTIKORKEAKOULU TYÖOHJE 1/5 Työ 2324B 4h. VALON KULKU AINEESSA TYÖN TAVOITE Työssä perehdytään optisiin ilmiöihin tutkimalla valon kulkua linssisysteemeissä ja prismassa. Tavoitteena on saada

Lisätiedot

Aaltojen heijastuminen ja taittuminen

Aaltojen heijastuminen ja taittuminen Luku 11 Aaltojen heijastuminen ja taittuminen Tässä luvussa käsitellään sähkömagneettisten aaltojen heijastumista ja taittumista väliaineiden rajapinnalla. Rajoitutaan monokromaattisiin aaltoihin ja oletetaan

Lisätiedot

Vektorit, suorat ja tasot

Vektorit, suorat ja tasot , suorat ja tasot 1 / 22 Koulussa vektori oli nuoli, jolla oli suunta ja suuruus eli pituus. Siirretään vektori siten, että sen alkupää on origossa. Tällöin sen kärki on pisteessä (x 1, x 2 ). Jos vektorin

Lisätiedot

Kuva 1. Valon polarisoituminen. P = polarisaattori, A = analysaattori (kierrettävä).

Kuva 1. Valon polarisoituminen. P = polarisaattori, A = analysaattori (kierrettävä). P O L A R I S A A T I O VALON POLARISAATIO = ilmiö, jossa valon sähkökentän värähtelyt tapahtuvat vain yhdessä tasossa (= polarisaatiotasossa) kohtisuorasti etenemissuuntaa vastaan Kuva 1. Valon polarisoituminen.

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

Mikroskooppisten kohteiden

Mikroskooppisten kohteiden Mikroskooppisten kohteiden lämpötilamittaukset itt t Maksim Shpak Planckin laki I BB ( λ T ) = 2hc λ, 5 2 1 hc λ e λkt 11 I ( λ, T ) = ε ( λ, T ) I ( λ T ) m BB, 0 < ε

Lisätiedot

Polarisaatio. Timo Lehtola. 26. tammikuuta 2009

Polarisaatio. Timo Lehtola. 26. tammikuuta 2009 Polarisaatio Timo Lehtola 26. tammikuuta 2009 1 Johdanto Lineaarinen, ympyrä, elliptinen Kahtaistaittuvuus Nicol, metalliverkko Aaltolevyt 2 45 Polarisaatio 3 Lineaarinen polarisaatio y Sähkökentän vaihtelu

Lisätiedot

Ratkaisu: Maksimivalovoiman lauseke koostuu heijastimen maksimivalovoimasta ja valonlähteestä suoraan (ilman heijastumista) tulevasta valovoimasta:

Ratkaisu: Maksimivalovoiman lauseke koostuu heijastimen maksimivalovoimasta ja valonlähteestä suoraan (ilman heijastumista) tulevasta valovoimasta: LASKUHARJOITUS 1 VALAISIMIEN OPTIIKKA Tehtävä 1 Pistemäinen valonlähde (Φ = 1000 lm, valokappaleen luminanssi L = 2500 kcd/m 2 ) sijoitetaan 15 cm suuruisen pyörähdysparaboloidin muotoisen peiliheijastimen

Lisätiedot

Solmu 3/2001 Solmu 3/2001. Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä:

Solmu 3/2001 Solmu 3/2001. Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä: Frégier n lause Simo K. Kivelä Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä: Suorakulmaisen kolmion kaikki kärjet sijaitsevat paraabelilla y = x 2 ; suoran kulman

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 6 1 Korkolaskentaa Oletetaan, että korkoaste on r Jos esimerkiksi r = 0, 02, niin korko on 2 prosenttia Tätä korkoastetta käytettään diskonttaamaan tulevia tuloja ja

Lisätiedot

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on

Vektorien 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

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu) 21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.

Lisätiedot

dx = L2 (x + 1) 2 dx x ln x + 1 = L 2 1 L + 1 L ( = 1 ((L + 1)ln(L + 1) L) L k + 1 xk+1 = 1 k + 2 xk+2 = 1 10k+1 k + 2 = 7.

dx = L2 (x + 1) 2 dx x ln x + 1 = L 2 1 L + 1 L ( = 1 ((L + 1)ln(L + 1) L) L k + 1 xk+1 = 1 k + 2 xk+2 = 1 10k+1 k + 2 = 7. BM2A582 - Integraalilaskenta ja sovellukset Harjoitus 5, Kevät 26. a Lumikuiorman massa-alkio kohdassa on λd L2 + 2 d, joten kokonaismassa on Momentti suoran suhteen on L L 2 L m d L2 + 2 d + 2 / L L 2

Lisätiedot

Työ 21 Valon käyttäytyminen rajapinnoilla. Työvuoro 40 pari 1

Työ 21 Valon käyttäytyminen rajapinnoilla. Työvuoro 40 pari 1 Työ 21 Valon käyttäytyminen rajapinnoilla Työvuoro 40 pari 1 Tero Marttila Joel Pirttimaa TLT 78949E EST 78997S Selostuksen laati Tero Marttila Mittaukset suoritettu 12.11.2012 Selostus palautettu 19.11.2012

Lisätiedot

Suora 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste

Suora 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste Suora 1/5 Sisältö KATSO MYÖS:, vektorialgebra, geometriset probleemat, taso Suora geometrisena peruskäsitteenä Pisteen ohella suora on geometrinen peruskäsite, jota varsinaisesti ei määritellä. Alkeisgeometriassa

Lisätiedot

6 GEOMETRISTA OPTIIKKAA

6 GEOMETRISTA OPTIIKKAA 127 6 GEOMETRISTA OPTIIKKAA Näemme itsemme peilistä. Kuuta voidaan katsoa kaukoputken läpi. Nämä ovat esimerkkejä optisesta kuvan muodostumisesta. Molemmissa tapauksissa katsottava esine näyttää olevan

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma

Lisätiedot

Tampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus

Tampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus Tampereen yliopisto Tietokonegrafiikka 201 Tietojenkäsittelytiede Harjoitus 6 1..201 1. Tarkastellaan Gouraudin sävytysmallia. Olkoon annettuna kolmio ABC, missä A = (0,0,0), B = (2,0,0) ja C = (1,2,0)

Lisätiedot

Tekijä Pitkä matematiikka Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4).

Tekijä Pitkä matematiikka Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4). Tekijä Pitkä matematiikka 4 9.12.2016 212 Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4). Vastaus esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4) 213 Merkitään pistettä

Lisätiedot

7.4 PERUSPISTEIDEN SIJAINTI

7.4 PERUSPISTEIDEN SIJAINTI 67 7.4 PERUSPISTEIDEN SIJAINTI Optisen systeemin peruspisteet saadaan systeemimatriisista. Käytetään seuraavan kuvan merkintöjä: Kuvassa sisäänmenotaso on ensimmäisen linssin ensimmäisessä pinnassa eli

Lisätiedot

6.6. Tasoitus ja terävöinti

6.6. Tasoitus ja terävöinti 6.6. Tasoitus ja terävöinti Seuraavassa muutetaan pikselin arvoa perustuen mpäristön pikselien ominaisuuksiin. Kuvan 6.18.a nojalla ja Lukujen 3.4. ja 3.5. harmaasävjen käsittelssä esitellillä menetelmillä

Lisätiedot

Ensimmäisen asteen polynomifunktio

Ensimmäisen asteen polynomifunktio Ensimmäisen asteen polnomifunktio Yhtälön f = a+ b, a 0 määrittelemää funktiota sanotaan ensimmäisen asteen polnomifunktioksi. Esimerkki. Ensimmäisen asteen polnomifuktioita ovat esimerkiksi f = 3 7, v()

Lisätiedot

Aaltojen heijastuminen ja taittuminen

Aaltojen heijastuminen ja taittuminen Luku 11 Aaltojen heijastuminen ja taittuminen Tässä luvussa käsitellään sähkömagneettisten aaltojen heijastumista ja taittumista väliaineiden rajapinnalla. Rajoitutaan monokromaattisiin aaltoihin ja oletetaan

Lisätiedot

Kompleksiluvut., 15. kesäkuuta /57

Kompleksiluvut., 15. kesäkuuta /57 Kompleksiluvut, 15. kesäkuuta 2017 1/57 Miksi kompleksilukuja? Reaaliluvut lukusuoran pisteet: Tiedetään, että 7 1 0 x 2 = 0 x = 0 1 7 x 2 = 1 x = 1 x = 1 x 2 = 7 x = 7 x = 7 x 2 = 1 ei ratkaisua reaalilukujen

Lisätiedot

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio 17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla

Lisätiedot

Virhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.

Virhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus. Virhearviointi Fysiikassa on tärkeää tietää tulosten tarkkuus. Virhelajit A. Tilastolliset virheet= satunnaisvirheet, joita voi arvioida tilastollisin menetelmin B. Systemaattiset virheet = virheet, joita

Lisätiedot

Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)

Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen) 1 MTTTP3 Luento 29.1.2015 Luku 6 Hypoteesien testaus Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? H 0 : µ = µ 0 H 1 : µ < µ 0 Nollahypoteesi Vaihtoehtoinen hypoteesi

Lisätiedot

Työn tavoitteita. 1 Teoriaa

Työn tavoitteita. 1 Teoriaa FYSP103 / K3 BRAGGIN DIFFRAKTIO Työn tavoitteita havainnollistaa röntgendiffraktion periaatetta konkreettisen laitteiston avulla ja kerrata luennoilla läpikäytyä teoriatietoa Röntgendiffraktio on tärkeä

Lisätiedot

Valon havaitseminen. Näkövirheet ja silmän sairaudet. Silmä Näkö ja optiikka. Taittuminen. Valo. Heijastuminen

Valon havaitseminen. Näkövirheet ja silmän sairaudet. Silmä Näkö ja optiikka. Taittuminen. Valo. Heijastuminen Näkö Valon havaitseminen Silmä Näkö ja optiikka Näkövirheet ja silmän sairaudet Valo Taittuminen Heijastuminen Silmä Mitä silmän osia tunnistat? Värikalvo? Pupilli? Sarveiskalvo? Kovakalvo? Suonikalvo?

Lisätiedot

Luvun 5 laskuesimerkit

Luvun 5 laskuesimerkit Luvun 5 laskuesimerkit Esimerkki 5.1 Moottori roikkuu oheisen kuvan mukaisessa ripustuksessa. a) Mitkä ovat kahleiden jännitykset? b) Mikä kahleista uhkaa katketa ensimmäisenä? Piirretäänpä parit vapaakappalekuvat.

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä

Lisätiedot

Luento 10: Työ, energia ja teho. Johdanto Työ ja kineettinen energia Teho

Luento 10: Työ, energia ja teho. Johdanto Työ ja kineettinen energia Teho Luento 10: Työ, energia ja teho Johdanto Työ ja kineettinen energia Teho 1 / 23 Luennon sisältö Johdanto Työ ja kineettinen energia Teho 2 / 23 Johdanto Energia suure, joka voidaan muuttaa muodosta toiseen,

Lisätiedot

10. Polarimetria. 1. Polarisaatio tähtitieteessä. 2. Stokesin parametrit. 3. Polarisaattorit. 4. CCD polarimetria

10. Polarimetria. 1. Polarisaatio tähtitieteessä. 2. Stokesin parametrit. 3. Polarisaattorit. 4. CCD polarimetria 10. Polarimetria 1. Polarisaatio tähtitieteessä 2. Stokesin parametrit 3. Polarisaattorit 4. CCD polarimetria 10.1 Polarisaatio tähtitieteessä Polarisaatiota mittaamalla päästään käsiksi moniin fysikaalisiin

Lisätiedot

Kuten aaltoliikkeen heijastuminen, niin myös taittuminen voidaan selittää Huygensin periaatteen avulla.

Kuten aaltoliikkeen heijastuminen, niin myös taittuminen voidaan selittää Huygensin periaatteen avulla. FYS 103 / K3 SNELLIN LAKI Työssä tutkitaan monokromaattisen valon taittumista ja todennetaan Snellin laki. Lisäksi määritetään kokonaisheijastuksen rajakulmia ja aineiden taitekertoimia. 1. Teoriaa Huygensin

Lisätiedot

9. Polarimetria. 1. Stokesin parametrit 2. Polarisaatio tähtitieteessä. 3. Polarisaattorit 4. CCD polarimetria

9. Polarimetria. 1. Stokesin parametrit 2. Polarisaatio tähtitieteessä. 3. Polarisaattorit 4. CCD polarimetria 9. Polarimetria 1. Stokesin parametrit 2. Polarisaatio tähtitieteessä 3. Polarisaattorit 4. CCD polarimetria 10.1 Stokesin parametrit 10.1

Lisätiedot

Tekijä Pitkä matematiikka b) Kuvasta nähdään, että b = i 4 j. c) Käytetään a- ja b-kohtien tuloksia ja muokataan lauseketta.

Tekijä Pitkä matematiikka b) Kuvasta nähdään, että b = i 4 j. c) Käytetään a- ja b-kohtien tuloksia ja muokataan lauseketta. Tekijä Pitkä matematiikka 4 9.1.016 79 a) Kuvasta nähdään, että a = 3i + j. b) Kuvasta nähdään, että b = i 4 j. c) Käytetään a- ja b-kohtien tuloksia ja muokataan lauseketta. 5a b = 5(3i + j) ( i 4 j)

Lisätiedot

AUTON LIIKETEHTÄVIÄ: KESKIKIIHTYVYYS ak JA HETKELLINEN KIIHTYVYYS a(t) (tangenttitulkinta) sekä matka fysikaalisena pinta-alana (t,

AUTON LIIKETEHTÄVIÄ: KESKIKIIHTYVYYS ak JA HETKELLINEN KIIHTYVYYS a(t) (tangenttitulkinta) sekä matka fysikaalisena pinta-alana (t, AUTON LIIKETEHTÄVIÄ: KESKIKIIHTYVYYS ak JA HETKELLINEN KIIHTYVYYS a(t) (tangenttitulkinta) sekä matka fysikaalisena pinta-alana (t, v)-koordinaatistossa ruutumenetelmällä. Tehtävä 4 (~YO-K97-1). Tekniikan

Lisätiedot

VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Lauri Karppi j82095. SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI.

VAASAN 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

Lisätiedot

9. Polarimetria. tähtitieteessä. 1. Polarisaatio. 2. Stokesin parametrit. 3. Polarisaattorit. 4. CCD polarimetria

9. Polarimetria. tähtitieteessä. 1. Polarisaatio. 2. Stokesin parametrit. 3. Polarisaattorit. 4. CCD polarimetria 9. Polarimetria 1. Polarisaatio tähtitieteessä 2. Stokesin parametrit 3. Polarisaattorit 4. CCD polarimetria 9.1 Polarisaatio tähtitieteessä! Polarisaatiota mittaamalla päästään käsiksi moniin fysikaalisiin

Lisätiedot

Funktion derivoituvuus pisteessä

Funktion derivoituvuus pisteessä Esimerkki A Esimerkki A Esimerkki B Esimerkki B Esimerkki C Esimerkki C Esimerkki 4.0 Ratkaisu (/) Ratkaisu (/) Mielikuva: Funktio f on derivoituva x = a, jos sen kuvaaja (xy-tasossa) pisteen (a, f(a))

Lisätiedot

Differentiaali- ja integraalilaskenta 3 Mallit laskuharjoitusviikkoon 5 /

Differentiaali- ja integraalilaskenta 3 Mallit laskuharjoitusviikkoon 5 / M-A5 ifferentiaali- ja integraalilaskenta, I/17 ifferentiaali- ja integraalilaskenta Mallit laskuharjoitusviikkoon 5 / 9. 1.1. Alkuviikon tehtävät Tehtävä 1: Määritä (ilman Gaussin lausetta) vektorikentän

Lisätiedot

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: 4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2

Lisätiedot

LASKENNALLISEN TIETEEN OHJELMATYÖ: Diffuusion Monte Carlo -simulointi yksiulotteisessa systeemissä

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.:

Lisätiedot

S-108-2110 OPTIIKKA 1/10 Laboratoriotyö: Polarisaatio POLARISAATIO. Laboratoriotyö

S-108-2110 OPTIIKKA 1/10 Laboratoriotyö: Polarisaatio POLARISAATIO. Laboratoriotyö S-108-2110 OPTIIKKA 1/10 POLARISAATIO Laboratoriotyö S-108-2110 OPTIIKKA 2/10 SISÄLLYSLUETTELO 1 Polarisaatio...3 2 Työn suoritus...6 2.1 Työvälineet...6 2.2 Mittaukset...6 2.2.1 Malus:in laki...6 2.2.2

Lisätiedot

Mikrotila Makrotila Statistinen paino Ω(n) 3 Ω(3) = 4 2 Ω(2) = 6 4 Ω(4) = 1

Mikrotila Makrotila Statistinen paino Ω(n) 3 Ω(3) = 4 2 Ω(2) = 6 4 Ω(4) = 1 76628A Termofysiikka Harjoitus no. 4, ratkaisut (syyslukukausi 204). (a) Systeemi koostuu neljästä identtisestä spin- -hiukkasesta. Merkitään ylöspäin olevien spinien lukumäärää n:llä. Systeemin mahdolliset

Lisätiedot

riippumattomia ja noudattavat samaa jakaumaa.

riippumattomia ja noudattavat samaa jakaumaa. 12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta

Lisätiedot

Maksimit ja minimit 1/5 Sisältö ESITIEDOT: reaalifunktiot, derivaatta

Maksimit 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

Lisätiedot

Tästä saadaan (määrittelyehdon täyttävät) yhtälön ratkaisut x 3 tai x 3.

Tästä saadaan (määrittelyehdon täyttävät) yhtälön ratkaisut x 3 tai x 3. 998 Yhtälö on määritelty, kun x 0, joten on oltava x. Yhtälö voidaan kirjoittaa yhtäpitävään muotoon x x x x x x 0, ja edelleen x x 0. x Tästä saadaan (määrittelyehdon täyttävät) yhtälön ratkaisut x tai

Lisätiedot

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä 1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a

Lisätiedot

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden 1 KERTAUSTA JA TÄYDENNYSTÄ Luento 30.9.2014 Olkoon satunnaisotos X 1, X 2,, X n normaalijakaumasta N(µ, σ 2 ), tällöin ~ N(µ, σ 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma

Lisätiedot

Aerosolimittauksia ceilometrillä.

Aerosolimittauksia ceilometrillä. Aerosolimittauksia ceilometrillä. Timo Nousiainen HTB workshop 6.4. 2006. Fysikaalisten tieteiden laitos, ilmakehätieteiden osasto Projektin kuvaus Esitellyt tulokset HY:n, IL:n ja Vaisala Oyj:n yhteisestä,

Lisätiedot

Numeeriset menetelmät

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

Lisätiedot

RATKAISUT: 16. Peilit ja linssit

RATKAISUT: 16. Peilit ja linssit Physica 9 1 painos 1(6) : 161 a) Kupera linssi on linssi, jonka on keskeltä paksumpi kuin reunoilta b) Kupera peili on peili, jossa heijastava pinta on kaarevan pinnan ulkopinnalla c) Polttopiste on piste,

Lisätiedot

Funktioiden approksimointi ja interpolointi

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

Lisätiedot

Luottamusvälit. Normaalijakauma johnkin kohtaan

Luottamusvälit. Normaalijakauma johnkin kohtaan Luottamusvälit Normaalijakauma johnkin kohtaan Perusjoukko ja otanta Jos halutaan tutkia esimerkiksi Suomessa elävien naarashirvien painoa, se voidaan (periaatteessa) tehdä kahdella tavalla: 1. tutkimalla

Lisätiedot

PHYS-C0240 Materiaalifysiikka (5op), kevät 2016

PHYS-C0240 Materiaalifysiikka (5op), kevät 2016 PHYS-C0240 Materiaalifysiikka (5op), kevät 2016 Prof. Martti Puska Emppu Salonen Tomi Ketolainen Ville Vierimaa Luento 7: Hilavärähtelyt tiistai 12.4.2016 Aiheet tänään Hilavärähtelyt: johdanto Harmoninen

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 6.10.2015/1 MTTTP1, luento 6.10.2015 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla

Lisätiedot

Määritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )

Määritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m ) Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä

Lisätiedot

Diplomi-insinöörien ja arkkitehtien yhteisvalinta - dia-valinta 2014 Insinöörivalinnan fysiikan koe 28.5.2014, malliratkaisut

Diplomi-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.

Lisätiedot

Harjoitustyö, joka on jätetty tarkastettavaksi Vaasassa 10.12.2008

Harjoitustyö, joka on jätetty tarkastettavaksi Vaasassa 10.12.2008 VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA Janne Lehtonen, m84554 GENERAATTORI 3-ULOTTEISENA Dynaaminen kenttäteoria SATE2010 Harjoitustyö, joka on jätetty tarkastettavaksi Vaasassa 10.12.2008

Lisätiedot

/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: 2.10.2018/1 MTTTP1, luento 2.10.2018 7.4 Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 2.10.2018/2

Lisätiedot

MATP153 Approbatur 1B Harjoitus 3, ratkaisut Maanantai

MATP153 Approbatur 1B Harjoitus 3, ratkaisut Maanantai MATP53 Approbatur B Harjoitus 3, ratkaisut Maanantai 6..5. (Teht. 5 ja s. 4.) Olkoot z = + y i ja z = + y i. Osoita, että (a) z + z = z +z, (b) z z = z z, (c) z z = z ja (d) z = z z, kun z. (a) z + z =

Lisätiedot

BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016

BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016 BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016 1. Hahmottele karkeasti funktion f : R R 2 piirtämällä sen arvoja muutamilla eri muuttujan arvoilla kaksiulotteiseen koordinaatistoon

Lisätiedot

766320A SOVELTAVA SÄHKÖMAGNETIIKKA, ohjeita tenttiin ja muutamia teoriavinkkejä sekä pari esimerkkilaskua

766320A 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

Lisätiedot

Tekijä MAA2 Polynomifunktiot ja -yhtälöt = Vastaus a)

Tekijä MAA2 Polynomifunktiot ja -yhtälöt = Vastaus a) K1 a) Tekijä MAA Polynomifunktiot ja -yhtälöt 6.8.016 ( + + ) + ( ) = + + + = + + + = + 4 b) 4 4 ( 5 + ) ( 5 + 1) = 5 + + 5 + 1 4 = + + + 4 = + 5 5 1 1 Vastaus a) 4 + b) 4 + 1 K a) f ( ) = + 1 f () = +

Lisätiedot

ROMUMETALLIA OSTAMASSA (OSA 1)

ROMUMETALLIA OSTAMASSA (OSA 1) ROMUMETALLIA OSTAMASSA (OSA 1) Johdanto Kupari on metalli, jota käytetään esimerkiksi sähköjohtojen, tietokoneiden ja putkiston valmistamisessa. Korkean kysynnän vuoksi kupari on melko kallista. Kuparipitoisen

Lisätiedot

Lineaarialgebra ja matriisilaskenta II Syksy 2009 Laskuharjoitus 1 ( ) Ratkaisuehdotuksia Vesa Ala-Mattila

Lineaarialgebra ja matriisilaskenta II Syksy 2009 Laskuharjoitus 1 ( ) Ratkaisuehdotuksia Vesa Ala-Mattila Lineaarialgebra ja matriisilaskenta II Syksy 29 Laskuharjoitus (9. - 3..29) Ratkaisuehdotuksia Vesa Ala-Mattila Tehtävä. Olkoon V vektoriavaruus. Todistettava: jos U V ja W V ovat V :n aliavaruuksia, niin

Lisätiedot

KULJETUSSUUREET Kuljetussuureilla tai -ominaisuuksilla tarkoitetaan kaasumaisen, nestemäisen tai kiinteän väliaineen kykyä siirtää ainetta, energiaa, tai jotain muuta fysikaalista ominaisuutta paikasta

Lisätiedot

Geometrinen optiikka. Tasopeili. P = esinepiste P = kuvapiste

Geometrinen optiikka. Tasopeili. P = esinepiste P = kuvapiste Geometrinen optiikka Tasopeili P = esinepiste P = kuvapiste Valekuva eli virtuaalinen kuva koska säteiden jatkeet leikkaavat (vs. todellinen kuva, joka muodostuu itse säteiden leikkauspisteeseen) Tasomainen

Lisätiedot

Pintamallinnus 1: Pursotettuja pintoja

Pintamallinnus 1: Pursotettuja pintoja Tampereen ammattiopisto - CAD perusharjoitukset - Tuula Höök Pintamallinnus 1: Pursotettuja pintoja Harjoitusten yleisohje Tutki mallinnettavan kappaleen mittapiirrosta. Valitse mittapiirroksen alla olevasta

Lisätiedot

Wien R-J /home/heikki/cele2008_2010/musta_kappale_approksimaatio Wed Mar 13 15:33:

Wien R-J /home/heikki/cele2008_2010/musta_kappale_approksimaatio Wed Mar 13 15:33: 1.2 T=12000 K 10 2 T=12000 K 1.0 Wien R-J 10 0 Wien R-J B λ (10 15 W/m 3 /sterad) 0.8 0.6 0.4 B λ (10 15 W/m 3 /sterad) 10-2 10-4 10-6 10-8 0.2 10-10 0.0 0 200 400 600 800 1000 nm 10-12 10 0 10 1 10 2

Lisätiedot

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen

Lisätiedot

12. Derivointioperaattoreista geometrisissa avaruuksissa

12. Derivointioperaattoreista geometrisissa avaruuksissa 12. Derivointioperaattoreista geometrisissa avaruuksissa 12.1. Gradientti, divergenssi ja roottori 328. Laske u, kun u on vektorikenttä a) (z y)i + (x z)j + (y x)k, b) e xyz (i + xlnyj + x 2 zk), c) (x

Lisätiedot

Kenttäteoria. Viikko 10: Tasoaallon heijastuminen ja taittuminen

Kenttäteoria. Viikko 10: Tasoaallon heijastuminen ja taittuminen Kenttäteoria Viikko 10: Tasoaallon heijastuminen ja taittuminen Tämän viikon sisältöä Todellinen aalto vai tasoaalto Desibelit Esitehtävä Kohtisuora heijastus metalliseinästä Kohtisuora heijastus ja läpäisy

Lisätiedot

Harjoitus 2: Matlab - Statistical Toolbox

Harjoitus 2: Matlab - Statistical Toolbox Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat

Lisätiedot

d sinα Fysiikan laboratoriotyöohje Tietotekniikan koulutusohjelma OAMK Tekniikan yksikkö TYÖ 8: SPEKTROMETRITYÖ I Optinen hila

d 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

Lisätiedot

VEKTORIT paikkavektori OA

VEKTORIT paikkavektori OA paikkavektori OA Piste A = (2, -1) Paikkavektori OA = 2i j 3D: kuvan piirtäminen hankalaa Piste A = (2, -3, 4) Paikkavektori OA = 2i 3j + 4k Piste A = (a 1, a 2, a 3 ) Paikkavektori OA = a 1 i + a 2 j

Lisätiedot

7.4 Normaalijakauma (kertausta ja täydennystä) Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96) = 0,025, P(Z -1,96) = 0,025

7.4 Normaalijakauma (kertausta ja täydennystä) Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96) = 0,025, P(Z -1,96) = 0,025 26.3.2019/1 MTTTP1, luento 26.3.2019 7.4 Normaalijakauma (kertausta ja täydennystä) Z ~ N(0, 1), tiheysfunktion kuvaaja 0,5 0,4 0,3 0,2 0,1 Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96)

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

805306A Johdatus monimuuttujamenetelmiin, 5 op monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien

Lisätiedot

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain Matriisilaskenta LH4 24 ratkaisut 1 Hae seuraavien R 4 :n aliavaruuksien dimensiot jotka sisältävät vain a) Kaikki muotoa (a b c d) olevat vektorit joilla d a + b b) Kaikki muotoa (a b c d) olevat vektorit

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

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

Lisätiedot

Kopulafunktiot. Joonas Ollila 12. lokakuuta 2011

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

Lisätiedot

PERCIFAL RAKENNETUN TILAN VISUAALINEN ARVIOINTI

PERCIFAL RAKENNETUN TILAN VISUAALINEN ARVIOINTI PERCIFAL RAKENNETUN TILAN VISUAALINEN ARVIOINTI Arvioijan nimi: Päivämäärä ja kellonaika: Arvioitava tila: Sijainti tilassa: Vastaa kysymyksiin annetussa järjestyksessä! Antaessasi vastauksesi asteikkomuodossa,

Lisätiedot

Sovellettu todennäköisyyslaskenta B

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

Lisätiedot

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla 17.11.2016/1 MTTTP5, luento 17.11.2016 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla likimain Jos X ~ Bin(n, p), niin X ~ N(np, np(1 p)), kun n suuri. 17.11.2016/2

Lisätiedot

JAKSO 2 KANTA JA KOORDINAATIT

JAKSO 2 KANTA JA KOORDINAATIT JAKSO 2 KANTA JA KOORDINAATIT Kanta ja dimensio Tehtävä Esittele vektoriavaruuden kannan määritelmä vapauden ja virittämisen käsitteiden avulla ja anna vektoriavaruuden dimension määritelmä Esittele Lause

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

Osoita, että kaikki paraabelit ovat yhdenmuotoisia etsimällä skaalauskuvaus, joka vie paraabelin y = ax 2 paraabelille y = bx 2. VASTAUS: , b = 2 2

Osoita, että kaikki paraabelit ovat yhdenmuotoisia etsimällä skaalauskuvaus, joka vie paraabelin y = ax 2 paraabelille y = bx 2. VASTAUS: , b = 2 2 8. Geometriset kuvaukset 8.1. Euklidiset kuvaukset 344. Esitä muodossa x = Ax + b se avaruuden E 3 peilauskuvaus, jonka symmetriatasona on x 1 3x + x 3 = 6. A = 1 3 6 6 3, b = 1 1 18. 3 6 6 345. Tason

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 5.10.2017/1 MTTTP1, luento 5.10.2017 KERTAUSTA Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä,

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 1 23.1.2017 1. Päätösmuuttujiksi voidaan valita x 1 : tehtyjen peruspöytin lukumäärä x 2 : tehtyjen luxuspöytien lukumäärä. Optimointitehtäväksi tulee max 200x 1 + 350x 2 s. t. 5x

Lisätiedot