Tchebycheff-menetelmä ja STEM

Koko: px
Aloita esitys sivulta:

Download "Tchebycheff-menetelmä ja STEM"

Transkriptio

1 Mat Optmontopn semnaar K-2000 Montavoteopmont Semnaarestelmän tvstelmä Pentt Säynätjo Tchebycheff-menetelmä ja STEM

2 1. Johdanto Tchebycheff-menetelmä ja STEM ovat vuorovauttesa montavoteoptmontmenetelmä. Molemmssa pyrtään shen, että päätösentejän rool on mahdollsmman helppo el hän saa päätösvahtoehdot tselleen ysnertasessa ja ymmärrettävässä muodossa. Molemmssa menetelmssä päätösentejälle estetään anoastaan Pareto-optmaalsa ratasuja, jota on tuotettu äyttäen panotettua Tchebycheff-metraa. 2. Tchebycheff-menetelmä Vuonna 1983 Steuer ja Choo esttelvät uuden vuorovauttesen montavoteoptmontmenetelmän, Tchebycheff-menetelmän. Menetelmä perustuu Tchebycheff-metran panoerronvetoravaruuden penentämseen. Tchebycheff-menetelmä e äytä arvofuntota ja päätösentejän rool on pyrtty teemään helpos. Tässä estän ohdefuntoden mnmontn tarotetun Tchebycheff-algortmn tomntaperaatteen. Tchebycheff-menetelmä e aseta ratastavalle tehtävälle ovnaan suura oletusa. Anoat oletuset ovat 1) Kohdefuntota pyrtään mnmomaan 2) Kohdefuntot ovat alhaalta rajotettuja äyvässä alueessa S. Menetelmän johtamsessa oletetaan lsäs, että globaal deaalpste ja utopapste tunnetaan ja metrosta vodaan jättää tsesarvomert pos. Metra, jolla mtataan psteden etäsyyttä utopapsteestä on panotettu Tchebycheff-metra. Mnmotava funto on ss { w ( f ( x) )},mssä w W = { w R 0 < w < 1, w }. =1, Κ, = 1 w vo vahdella, joten tämä on oeastaan metraperhe. Tchebycheff-tehtävällä utopapsteen suhteen löydetään a Paretopsteet muuttelemalla panoerronvetora. Ongelmas tulee se, että osa pstestä vo olla heoja Paretopstetä Tämän ongelman ertämses äytetään etäsyyden mnmonnssa lesografsta Tchebycheff-tehtävää, joa määrtellään seuraavast: lex mn = 1, Κ, { w ( f ( x) )}, f ( x) = 1 ( ), ehdolla x S. Allaolevassa uvassa on havannollstettu lesografsen Tchebycheff-tehtävän ratasua ahden ohdefunton tehtävällä. Alus mnmodaan Tchebycheff-metralla mtattua etäsyyttä utopapsteestä äypään alueeseen. Ratasuna saadaan ys ta useampa pstetä. Mäl ratasu on ysästtenen, on ysenen pste Pareto-optmaalnen. Yleensä utenn ratasun ysästtesyys on vaea todeta, joten tonenn mnmont on suortettava. Tosessa mnmonnssa mnmodaan ensmmäsen mnmonnn tuottamen psteden etäsyydet utopapsteeseen L 1 -metran muaan. Tämä mnmont tuottaa Pareto-optmaalsen ratasun. Seuraavat lauseet yhdstävät lesografsen Tchebycheff-tehtävän ja Pareto-optmaalset ratasut Lause 1: Lesografsen Tchebycheff-ongelman ratasu on Pareto-optmaalnen. Lause 2: Oloon x S Pareto-optmaalnen. Tällön on olemassa sellanen panoerronvetor w, 0 < w R, että x on lesografsen Tchebycheff-tehtävän ysästtenen ratasu.

3 2 Z 2. mnmont 1. mnmont 1 Tchebycheff-menetelmässä luodaan erlasa Paretoratasuja muuttelemalla panoerronvetora. Joa teraatolla äytettävää panoerronavaruuden osajouoa penennetään. Tällön samalla rajotutaan yhä penempään osaan Pareto-optmaalsten ratasujen jouosta. Ensmmäsellä teraatolla otetaan otos oo Pareto-optmaalsesta jouosta ratasemalla lesografnen panotettu Tchebycheff-tehtävä jouolla panoertoma jota ovat tasasest jaautuneta oo panoerronavaruuteen. Päätösentejä valtsee nän saadusta Paretoratasusta omasta melestään parhaan ja tätä vastaava panoerronvetor otetaan mustn. Seuraavalla teraatolla otetaan panoerronavaruudesta vetoreta jota ovat esttyneet tämän panoerronvetorn ympärlle. Tätä teronta jatetaan, unnes saavutetaan ratasu. Päätösentejälle estettäven päätösvahtoehtojen luumäärän päättää yleensä päätösentejä. Luumäärä vo muuttua teraatoden välllä. Mtä suuremp määrä vahtoehtoja vodaan ästellä yhdellä teraatolla, stä luotettavamp algortm on. Tosaalta hmnen e yene teemään luotettava päätösä ovn suuresta vahtoehtojouosta joten jonnlanen ompromss tässä suhteessa on tehtävä. Redutoertomella määrätään una paljon panoerronavaruutta penennetään teraatoden välllä. Mtä suuremp erron on stä nopeammn avaruus penenee ja stä vähemmän mahdollsuusa muuttaa meltään esen prosessn päätösentejälle jää. Tchebycheff-menetelmässä on syytä äyttää lasennassa normalsotuja tavotefuntota, osa tällön Paretoavaruudesta saadaan tasapanosn otos. Vahtoehdot annattaa utenn esttää päätösentejälle aluperäsessä, saalaamattomassa muodossa. Menetelmän onvergensssta arvofunton suhteen e vo sanoa mtään varmaa. Tchebycheff-menetelmässä vodaan äyttää metrana myös muta varaatota Tchebycheff-metrasta un lesografsta Tchebycheffä. Tchebycheff-menetelmän etuja ovat, että päätösentejän rool on helppo ymmärtää ja a ratasuvahtoehdot ovat Pareto-optmaalsa. Hattapuola ovat menetelmän vaatma rasas lasenta ja se, että suurssa ongelmssa vahtoehtojen määrä saattaa asvaa päätösentejälle lan suures. Lsäs lasennan aana hylättyä vahtoehtojouoa e saada enää taasn, vaa päätösentejä muuttasn meltään esen prosessn. Lasentaongelmaa helpottaa tosn se, että menetelmän raenne mahdollstaa rnnaaslasennan.

4 3.STEM STEM, jona esttel Benayoun et al. jo 1971 on ys ensmmässtä vuorovauttessta montavoteoptmontmenetelmstä. STEMn vodaan atsoa tyytyvän shen, että löydetään päätösentejää tyydyttävä ratasu eä optmoda taustalla olevaa arvofuntota. Tässä esteltävä menetelmä on tarotettu ohdefunton mnmontn. STEMssä oletetaan, että päätösentejä pystyy saamastaan Paretoratasusta lmottamaan, mtä ohdefuntosta ovat häntä tyydyttävällä tasolla (hyväsyttävä) ja mtä evät (e-hyväsyttävä). Tämän jäleen päätösentejän ptää päättää, mtä hyväsyttäven ohdefuntoden arvoja vodaan suurentaa, jotta e-hyväsyttäven funtoden arvot saadaan hyväsyttävs. STEMssä äytetään panotettua Tchebycheff-tehtävää Paretoratasujen generomseen. Vertalupsteenä äytetään deaalpstettä. STEM olettaa että 1) Kohdefuntota pyrtään mnmomaan 2) Kohdefuntoden arvot ovat rajotettuja äyvässä alueessa S. Metran panoertomen arvojen määrttämsessä äytetään hyväs tetoa ohdefuntoden arvojen vahteluvälestä. Tässä äytetään hyväs rpstettä, joa approsmodaan saantotaulun avulla. Panoerronvetor lasetaan seuraavast: w e e =, = 1, Κ = e 1 = j 1 j ta e,, mssä analyyton valnnan muaan Algortm etenee seuraavast: = [, ] 1) Lasetaan deaalpste, rpste ja panoertomet. Asetetaan h=1.ratastaan panotettu Tchebycheff-tehtävä lasetulla panoertomlla ja mertään ratasua x h :lla ja vastaavaa ohdefuntovetora h :lla. 2) Pyydetään päätösentejää jaamaan ohdefuntoden arvot h :ssa hyväsyttävn (I > ) ja ehyväsyttävn (I < ). Mäl e-hyväsyttävä e ole, mennään ohtaan 4. Muuten pyydetään päätösentejää antamaan helpotetut ylärajat ε hyväsyttävlle funtolle. 3) Ratase seuraava tehtävä, jossa ylärajat otetaan huomoon. mnmo ehdolla f f ( x) [ w ] ( f ( x) ), h < ( x) f ( x ), I, x S I < ε I Mertse ratasua x h+1 :llä ja vastaavaa ohdefuntovetora h+1 :llä. Aseta h=h+1. Palaa ohtaan 2. >

5 4) Lopeta. Ratasu on x h. Alus etstään mnmetäsyys deaalpsteen ja äyvän alueen välllä panotetun Tchebycheffmetran muaan. Saatu ratasu estetään päätösentejälle. Tästä ratasusta päätösentejä määrttää, mtä rteerejä vodaan huonontaa muden parantamses ja una paljon. Nämä helpotuset otetaan huomoon olmannen vaheen optmonttehtävän ensmmäsessä rajotusehtoryhmässä. Tosella ryhmällä estetään se, että jon e-hyväsyttävstä funtosta huonons. Proseduura jatetaan unnes tyydyttävä ratasu löytyy. Mäl päätösentejä e ole tyytyvänen mnään tavotefunton arvoon, prosess täytyy myös lopettaa ja todeta että ratasua e löydy. STEM e oleta päätösenteon taustalla olevan arvofuntota ja vaa arvofunto tedettäsnn, stä e ols apua ysymysn vastaamsessa. Tämän vuos e myösään voda sanoa mtään menetelmän onvergensssta arvofunton suhteen. Kutenn menetelmä löytää ratasun nopeast, mäl helpotuset määrtetään prosessn uluessa sten, että lsähelpotusa e voda tehdä. Päätösentejälle menetelmä on melo helppo ja vahtoehdot ovat seletä. Ongelmas vo utenn muodostua helpotusten suuruuden määrttämnen nn, että e-hyväsyttävät funtot muuttuvat hyväsyttävs. Menetelmä vo myös tuottaa ratasus heon Paretopsteen. 4. Yhteenveto Tchebycheff-menetelmän ja STEMn välllä on jonn verran yhtäläsyysä, vaa ne perustuvatn er deolle. Molemmat äyttävät Tchebycheff-metraa Paretopsteden luomseen ja molemmssa päätösentejän roola on pyrtty helpottamaan. Tchebycheff-menetelmässä päätösentejälle vo ongelmas tulla vahtoehtojen suur määrä, jollon valnnan teemnen on vaeaa. STEMssä taas ongelmana on määrttää sopvansuuruset helpotuset, jolla pyrtään oht hyväsyttävää ratasua. Vtteet: [1] Kasa Mettnen, Nonlnear Multobjectve Optmaton, Kluwer Academc Publshers, Norwell, Massachusetts, 1999.

Tchebycheff-menetelmä ja STEM

Tchebycheff-menetelmä ja STEM Tchebycheff-menetelmä ja STEM Optmontopn semnaar - Kevät 2000 / 1 1. Johdanto Tchebycheff- ja STEM-menetelmät ovat vuorovakuttesa menetelmä evät perustu arvofunkton käyttämseen pyrkvät shen, että vahtoehdot

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010 TIES592 Montavoteoptmont ja teollsten prosessen hallnta Ylassstentt Juss Hakanen juss.hakanen@jyu.f syksy 2010 Interaktvset menetelmät Idea: päätöksentekjää hyödynnetään aktvsest ratkasuprosessn akana

Lisätiedot

Painotetun metriikan ja NBI menetelmä

Painotetun metriikan ja NBI menetelmä Panotetun metrkan ja NBI menetelmä Optmontopn semnaar - Kevät / 1 Estelmän ssältö Paretopsteden generont panotetussa metrkossa Panotettu L p -metrkka Panotettu L -metrkka el panotettu Tchebycheff -metrkka

Lisätiedot

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä Tavotteet skaalaavan funkton lähestymstapa el referensspste menetelmä Optmontopn semnaar - Kevät 2000 / 1 Estelmän ssältö Panotetun metrkan ongelmen havatsemnen Referensspste menetelmän dean esttely Referensspste

Lisätiedot

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät Panokerron-, epslon-rajotusehtoja hybrdmenetelmät Optmontopn semnaar - Kevät 000 / Estelmän ssältö Ylestä jälkkätespreferenssmenetelmstä Panokerronmenetelmä Epslon-rajotusehtomenetelmä Hybrdmenetelmä Esmerkkejä

Lisätiedot

4. A priori menetelmät

4. A priori menetelmät 4. A pror menetelmät 4. Arvofunkto-menetelmä 4.2 Lekskografnen järjestämnen 4.3 Tavoteohjelmont Tom Bäckström Optmontopn semnaar - Kevät 2000 / 4. Arvofunkto-menetelmä Päätöksentekjä antaa eksplsttsen

Lisätiedot

Matematiikan ja tilastotieteen laitos Johdatus diskreettiin matematiikkaan (Syksy 2008) 4. harjoitus Ratkaisuja (Jussi Martin)

Matematiikan ja tilastotieteen laitos Johdatus diskreettiin matematiikkaan (Syksy 2008) 4. harjoitus Ratkaisuja (Jussi Martin) Matematan ja tlastoteteen latos Johdatus dsreettn matemataan (Sysy 28 4. harjotus Ratasuja (Juss Martn 1. Kertomus Hotell Kosmosesta jatuu: Hotellyhtymän johdolta tul määräys laata luettelo asta mahdollssta

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä. MS-A0205/MS-A0206 Dfferentaal- ja ntegraallaskenta 2 Luento 7: Lagrangen kertojat. Penmmän nelösumman menetelmä. Jarmo Malnen Matematkan ja systeemanalyysn latos 1 Aalto-ylopsto Kevät 2016 1 Perustuu Antt

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.04 Tlastollsen analyysn perusteet, evät 007. luento: Johdatus varanssanalyysn S ysteemanalyysn Laboratoro Ka Vrtanen Kertaus: ahden rppumattoman otosen t-test () () Perusjouo oostuu ahdesta ryhmästä

Lisätiedot

Flow shop, työnvaiheketju, joustava linja, läpivirtauspaja. Kahden koneen flow shop Johnsonin algoritmi

Flow shop, työnvaiheketju, joustava linja, läpivirtauspaja. Kahden koneen flow shop Johnsonin algoritmi Flow shop önvaheeju jousava lnja läpvrauspaja Flow shopssa önvaheden järjess on sama alla uoella Kosa vahea vo edelää jono vova ö olla vaheleva ja ö vova ohaa osensa äl ö evä oha osaan puhuaan permuaaoaaaulusa

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-2.340 Lneaarnen ohjelmont 22..2007 Luento 0 Ssäpstemenetelmät ja kokonaslukuoptmont (krja 0.-0.4) Ssäpstemenetelmät luvut 8 ja 9, e tarvtse lukea Lneaarnen ohjelmont - Syksy 2007 / Luentorunko Sananen

Lisätiedot

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2 TKK (c) Ila Mell (4) Jaaume tuusluvut Johdatus todeäösyyslasetaa Jaaume tuusluvut Marov ja Tshebyshev epäyhtälöt Momett Vous ja hupuuus Suurte luuje la TKK (c) Ila Mell (4) Jaaume tuusluvut: Mtä opmme?

Lisätiedot

Vakuutusmatematiikan sovellukset 20.11.2008 klo 9-15

Vakuutusmatematiikan sovellukset 20.11.2008 klo 9-15 SHV-tutinto Vauutusmatematiian sovelluset 20.11.2008 lo 9-15 1(7) Y1. Seuraava tauluo ertoo vauutusyhtiön masamat orvauset vahinovuoden ja orvausen masuvuoden muaan ryhmiteltynä (tuhansina euroina): Vahinovuosi

Lisätiedot

Frégier'n lause. Simo K. Kivelä, P B Q A

Frégier'n lause. Simo K. Kivelä, P B Q A Smo K. Kvelä, 13.7.004 Fréger'n lause Tosen asteen ärllä ellpsellä, paraaelella, hperelellä ja nden erostapauslla on melonen määrä snertasa säännöllssomnasuusa. Eräs tällanen on Fréger'n lause: Oloon P

Lisätiedot

VÄRÄHTELYMEKANIIKKA SESSIO 23: Usean vapausasteen vaimenematon ominaisvärähtely osa 1

VÄRÄHTELYMEKANIIKKA SESSIO 23: Usean vapausasteen vaimenematon ominaisvärähtely osa 1 / VÄRÄHTELYEANIIA SESSIO : Usean vapausasteen vaeneaton onasvärähtely osa JOHDANTO Usean vapausasteen systeen leyhtälöt ovat ylesessä tapausessa uotoa [ ]{ & } [ C]{ & } [ ] { } { F} & ( un vaennusta e

Lisätiedot

Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /

Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle / MS-A8 Differentiaali- ja integraalilasenta, V/27 Differentiaali- ja integraalilasenta Rataisut. viiolle /. 3.4. Luujonot Tehtävä : Mitä ovat luujonon viisi ensimmäistä termiä, un luujono on a) (a n ) n=,

Lisätiedot

Monte Carlo -menetelmä

Monte Carlo -menetelmä Monte Carlo -menetelmä Helumn perustlan elektron-elektron vuorovakutuksen laskemnen parametrsodulla yrteaaltofunktolla. Menetelmän käyttökohde Monen elektronn systeemen elektronkorrelaato oteuttamnen mulla

Lisätiedot

9 Lukumäärien laskemisesta

9 Lukumäärien laskemisesta 9 Luumäärie lasemisesta 9 Biomiertoimet ja osajouoje luumäärä Määritelmä 9 Oletetaa, että, N Biomierroi ilmaisee, uia mota -alioista osajouoa o sellaisella jouolla, jossa o aliota Meritä luetaa yli Lasimesta

Lisätiedot

3 Tilayhtälöiden numeerinen integrointi

3 Tilayhtälöiden numeerinen integrointi 3 Tlayhtälöden numeernen ntegront Alkuarvotehtävässä halutaan ratkasta lopputla xt f ) sten, että tlayhtälöt ẋ = fx,u, t) toteutuvat, kun alkutla x 0 on annettu Tlayhtälöden numeernen ntegront vodaan suorttaa

Lisätiedot

VERKKOJEN MITOITUKSESTA

VERKKOJEN MITOITUKSESTA J. Vrtamo 38.3141 Telelkenneteora / Verkon mtotus 1 VERKKOJEN MITOITUKSESTA 1. Prkytkentäset verkot Lnkken kapasteetten (johtoja/lnkk) määräämnen sten, että verkon kokonaskustannukset mnmotuvat, kun päästä-päähän

Lisätiedot

Automaattinen 3D - mallinnus kalibroimattomilta kuvasekvensseiltä

Automaattinen 3D - mallinnus kalibroimattomilta kuvasekvensseiltä Maa-57.270 Fotogrammetran, kuvatulknnan ja kaukokartotuksen semnaar Automaattnen 3D - mallnnus kalbromattomlta kuvasekvensseltä Terh Ahola 2005 Ssällysluettelo 1 Johdanto...2 2 Perusteoraa...2 2.1 Kohteen

Lisätiedot

3.5 Generoivat funktiot ja momentit

3.5 Generoivat funktiot ja momentit 3.5. Generovat funktot ja momentt 83 3.5 Generovat funktot ja momentt 3.5.1 Momentt Eräs tapa luonnehta satunnasmuuttujan jakaumaa, on laskea jakauman momentt. Ne määrtellään odotusarvon avulla. Määrtelmä

Lisätiedot

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut Harjotus, esmerkkratkasut K 1. Olkoon f : C C, f(z) z z. Tutk, mssä pstessä f on dervotuva. Ratkasu 1. Jotta funkto on dervotuva, on sen erotusosamäärän f(z + ) f(z) raja-arvon 0 oltava olemassa ja ss

Lisätiedot

FYSA220/2 (FYS222/2) VALON POLARISAATIO

FYSA220/2 (FYS222/2) VALON POLARISAATIO FYSA220/2 (FYS222/2) VALON POLARSAATO Työssä tutktaan valoaallon tulotason suuntasen ja stä vastaan kohtsuoran komponentn hejastumsta lasn pnnasta. Havannosta lasketaan Brewstern lan perusteella lasn tatekerron

Lisätiedot

KUNTIEN ELÄKEVAKUUTUS 30.10.2008 VARHAISELÄKEMENOPERUSTEISESSA MAKSUSSA 1.1.2009 LÄHTIEN NOUDATETTAVAT LASKUPERUSTEET

KUNTIEN ELÄKEVAKUUTUS 30.10.2008 VARHAISELÄKEMENOPERUSTEISESSA MAKSUSSA 1.1.2009 LÄHTIEN NOUDATETTAVAT LASKUPERUSTEET KUNTIN LÄKVKUUTU 328 VRHILÄKMNORUTI MKU 29 LÄHTIN NOUDTTTVT LKURUTT Valtuusuta ahstaa arhaseläemeoperustese masu eaode yhtesmäärä uodelle euromääräsest Tämä ahstettu masu o samalla lopullste masue yhtesmäärä

Lisätiedot

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä Johdatus dskreettn matematkkaan Harjotus 3, 30.9.2015 1. Luvut 1, 10 on latettu ympyrän kehälle. Osota, että löytyy kolme verekkästä lukua, joden summa on vähntään 17. Ratkasu. Tällasa kolmkkoja on 10

Lisätiedot

Bernoullijakauma. Binomijakauma

Bernoullijakauma. Binomijakauma Beroulljaauma Beroull oe o ahde mahdollse ulostulo oe, jossa taahtumsta äytetää mtysä ostume ja eäostume. Esmerejä: rahahetto (ruua ta laava), lase sytymä (tyttö ta oa), helö verryhmä ( ta c ), oselja

Lisätiedot

VÄRÄHTELYMEKANIIKKA SESSIO 24: Usean vapausasteen vaimenematon ominaisvärähtely osa 2

VÄRÄHTELYMEKANIIKKA SESSIO 24: Usean vapausasteen vaimenematon ominaisvärähtely osa 2 / ÄRÄHELYMEKANIIKKA SESSIO : Usea vapausastee vaeeato oasvärähtely osa MONINKERAISE OMINAISAAJUUDE Sesso MS oreeratu oasuodo { lasetaeetelässä oletett, että o ysertae oasulataauus. arastellaa velä tapausta,

Lisätiedot

Epälineaaristen pienimmän neliösumman tehtävien ratkaiseminen numeerisilla optimointimenetelmillä (valmiin työn esittely)

Epälineaaristen pienimmän neliösumman tehtävien ratkaiseminen numeerisilla optimointimenetelmillä (valmiin työn esittely) Epälneaarsten penmmän nelösumman tehtäven ratkasemnen numeerslla optmontmenetelmllä valmn työn esttely Lar Pelkola 9.9.014 Ohjaaja/valvoja: Prof. Harr Ehtamo yön saa tallentaa ja julkstaa Aalto-ylopston

Lisätiedot

Naulalevylausunto Kartro PTN naulalevylle

Naulalevylausunto Kartro PTN naulalevylle LAUSUNTO NRO VTT-S-04256-14 1 (6) Tilaaja Tilaus Yhteyshenilö ITW Construction Products Oy Jarmo Kytömäi Timmermalmintie 19A 01680 Vantaa 18.9.2014 Jarmo Kytömäi VTT Expert Services Oy Ari Kevarinmäi PL

Lisätiedot

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt FYSP103 / 1 KAASUTUTKIMUS Työn tavotteta havannollstaa deaalkaasun tlanyhtälöä oppa, mten lman kosteus vakuttaa havattavn lmöhn ja mttaustuloksn kerrata mttauspöytäkrjan ja työselostuksen laatmsta Luento-

Lisätiedot

AquaPro 3-10 11-18 19-26 27-34. Bedienungsanleitung Operating instructions Gebruiksaanwijzing Käyttöohje FIN. 046.01.00 Rev.0607

AquaPro 3-10 11-18 19-26 27-34. Bedienungsanleitung Operating instructions Gebruiksaanwijzing Käyttöohje FIN. 046.01.00 Rev.0607 046.01.00 Rev.0607 D GB NL FIN Bedenungsanletung Operatng nstructons Gebruksaanwjzng Käyttöohje 3-10 11-18 19-26 27-34 120 Automaattnen pyörvä laser kallstustomnnolla: Itsetasaus vaakasuorassa tasossa

Lisätiedot

1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT

1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT imat-2.104 Tilastollisen analyysin perusteet / Tehtävät Aiheet: Avainsanat: Ysisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Koonaisesiarvo,

Lisätiedot

Hanoin tornit. Merkitään a n :llä pienintä tarvittavaa määrää siirtoja n:lle kiekolle. Tietysti a 1 = 1. Helposti nähdään myös, että a 2 = 3:

Hanoin tornit. Merkitään a n :llä pienintä tarvittavaa määrää siirtoja n:lle kiekolle. Tietysti a 1 = 1. Helposti nähdään myös, että a 2 = 3: Hanoin tornit Oloot n ieoa asetettu olmeen tanoon uvan osoittamalla tavalla (uvassa n = 7). Siirtämällä yhtä ieoa errallaan, ieot on asetettava toiseen tanoon samaan järjestyseen. Isompaa ieoa ei missään

Lisätiedot

( ) ( ) Tällöin. = 1 ja voimme laskea energiatason i. = P n missä

( ) ( ) Tällöin. = 1 ja voimme laskea energiatason i. = P n missä S-445 FYSIIKKA III (Sf) Sysy 4, LH Ratasut LHSf-* ohesen uvan esttämää systeemä Systeemssä on 5 huasta joden yhtenen energa on U = 6ε Kunn energatason degeneraatotejä on Olettaen, että systeem noudattaa

Lisätiedot

MS-A0402 Diskreetin matematiikan perusteet

MS-A0402 Diskreetin matematiikan perusteet MS-A0402 Disreetin matematiian perusteet Osa 3: Kombinatoriia Riia Kangaslampi 2017 Matematiian ja systeemianalyysin laitos Aalto-yliopisto Kombinatoriia Summaperiaate Esimeri 1 Opetusohjelmaomiteaan valitaan

Lisätiedot

M 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon

M 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon Matematiian ja tilastotieteen laitos Stoastiset differentiaaliyhtälöt Rataisuehdotelma Harjoituseen 7 1. Näytä, että uvaus M M M 2, un M 2 M = sup E M 2 t 2 t 0 on normi jouossa M 2 = { M : M on martingaali

Lisätiedot

Naulalevylausunto LL13 naulalevylle

Naulalevylausunto LL13 naulalevylle LAUSUNTO NRO VTT-S-3259-12 1 (4) Tilaaja Tilaus Yhteyshenilö Lahti Levy Oy Asonatu 11 151 Lahti 27.4.212 Simo Jouainen VTT Expert Services Oy Ari Kevarinmäi PL 11, 244 VTT Puh. 2 722 5566, Fax. 2 722 73

Lisätiedot

Interaktiiviset menetelmät

Interaktiiviset menetelmät Interatiiviset menetelmät. Johdanto. Interatiivinen SWT-menetelmä 3. GDF-menetelmä 4. Yhteenveto Optimointiopin seminaari - Kevät 000 /. Johdanto Interatiivisissa menetelmissä päätösenteijä ja analyytio

Lisätiedot

HASSEN-WEILIN LAUSE. Kertausta

HASSEN-WEILIN LAUSE. Kertausta HASSEN-WEILIN LAUSE Kertausta Käytetään seuraava merkntjä F = F/F q on sukua g oleva funktokunta Z F (t = L F (t (1 t(1 qt on funktokunnan F/F q Z-funkto. α 1, α 2,..., α 2g ovat polynomn L F (t nollakohten

Lisätiedot

MS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I

MS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I MS-A00 Disreetin matematiian perusteet Esimerejä ym., osa I G. Gripenberg Jouo-oppi ja logiia Todistuset logiiassa Indutioperiaate Relaatiot ja funtiot Funtiot Aalto-yliopisto. maalisuuta 0 Kombinatoriia

Lisätiedot

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0.

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0. BM20A5800 - Funktot, lneaaralgebra, vektort Tentt, 26.0.206. (a) Krjota yhtälöryhmä x + 2x 3 = a 2x + x 2 + 5x 3 = b x x 2 + x 3 = c matrsmuodossa Ax = b ja ratkase x snä erkostapauksessa kun b = 0. Mllä

Lisätiedot

Yrityksen teoria ja sopimukset

Yrityksen teoria ja sopimukset Yrtyksen teora a sopmukset Mat-2.4142 Optmontopn semnaar Ilkka Leppänen 22.4.2008 Teemoa Yrtyksen teora: tee va osta? -kysymys Yrtys kannustnsysteemnä: ylenen mall Työsuhde vs. urakkasopmus -analyysä Perustuu

Lisätiedot

[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k.

[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k. ehtävä. x( + ) x( y x( + e ( y x( + e ( E v E e ( ) e ( R E[ v v ] E e e e e e e e e 6 estimointivirhe: ~ x( x( x$( x( - b y ( - b y ( estimointivirheen odotusarvo: x( - b x( - b e ( - b x( - b e ( ( -

Lisätiedot

6. Stokastiset prosessit (2)

6. Stokastiset prosessit (2) Ssältö Markov-prosesst Syntymä-kuolema-prosesst luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 6 Markov-prosess Esmerkk Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella

Lisätiedot

Moraalinen uhkapeli: N:n agentin tapaus eli moraalinen uhkapeli tiimeissä

Moraalinen uhkapeli: N:n agentin tapaus eli moraalinen uhkapeli tiimeissä Moraalnen uhkapel: N:n agentn tapaus el moraalnen uhkapel tmessä Mat-2.4142 Optmontopn semnaar Ismo Räsänen 4.3.2008 S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn

Lisätiedot

8 USEAN VAPAUSASTEEN SYSTEEMIN VAIMENEMATON PAKKOVÄRÄHTELY

8 USEAN VAPAUSASTEEN SYSTEEMIN VAIMENEMATON PAKKOVÄRÄHTELY Värähelymeaa 8. 8 USEAN VAPAUSASEEN SYSEEMIN VAIMENEMAON PAKKOVÄRÄHELY 8. Normaalmuoomeeelmä Usea vapausasee syseem leyhälöde (7.) raaseme vaa aava (7.7) a (7.8) homogeese yhälö ylese raasu { } lsäs paovomaveora

Lisätiedot

Naulalevylausunto LL13 Combi naulalevylle

Naulalevylausunto LL13 Combi naulalevylle LAUSUNTO NRO VTT-S-0361-1 1 (5) Tilaaja Tilaus Yhteyshenilö Lahti Levy Oy Asonatu 11 15100 Lahti 7.4.01 Simo Jouainen VTT Expert Services Oy Ari Kevarinmäi PL 1001, 0044 VTT Puh. 00 7 5566, ax. 00 7 7003

Lisätiedot

ABTEKNILLINEN KORKEAKOULU

ABTEKNILLINEN KORKEAKOULU ABTEKNILLINEN KORKEAKOULU Tetoverkkolaboratoro 6. Stokastset prosesst () Luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 5 6. Stokastset prosesst () Ssältö Markov-prosesst Syntymä-kuolema-prosesst

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

Luento 6 Luotettavuus Koherentit järjestelmät Aalto-ylosto erustetede korkeakoulu Matematka a systeemaalyys latos Lueto 6 Luotettavuus Koherett ärestelmät Aht Salo Systeemaalyys laboratoro Matematka a systeemaalyys latos Aalto-ylosto erustetede korkeakoulu

Lisätiedot

Kaupunkisuunnittelu 17.8.2015

Kaupunkisuunnittelu 17.8.2015 VANTAAN KAUPUNKI MIEIPITEIDEN KOONTI Kaupunisuunnittelu..0 MR :N MUKAISEEN KUUEMISKIRJEESEEN..0 VASTAUKSENA SAADUT MIEIPITEET JA KANNANOTOT ASEMAKAAVAN MUUTOKSESTA NRO 009, MARTINAAKSO YHTEENSÄ KANNANOTTOJA

Lisätiedot

MALLIVASTAUKSET S Fysiikka III (EST) (6 op) 1. välikoe

MALLIVASTAUKSET S Fysiikka III (EST) (6 op) 1. välikoe MALLIVASTAUKSET S-4.7 Fysa III (EST) (6 op). väloe 7..7. Astassa on, µmol vetyä ( ) ja, µg typpeä ( ). Seosen lämpötla on K ja pane, Pa. Lase a) astan tlavuus, b) vedyn ja typen osapaneet ja c) moleyylen

Lisätiedot

Törmäysten havaitseminen tietokoneanimaatiossa. Jyrki Rasku

Törmäysten havaitseminen tietokoneanimaatiossa. Jyrki Rasku Törmäysten havatsemnen tetooneanmaatossa Jyr Rasu Tamereen ylosto Tetoenästtelyteteden latos Tetoenästtelyo / Vuorovauttenen tenologa Pro gradu -tutelma Elouu 003 Tamereen ylosto Tetoenästtelyteteden latos

Lisätiedot

r i m i v i = L i = vakio, (2)

r i m i v i = L i = vakio, (2) 4 TÖRMÄYKSET ILMATYYNYPÖYDÄLLÄ 41 Erstetyn systeemn sälymslat Kun kaks kappaletta törmää tosnsa ne vuorovakuttavat keskenään tetyn ajan Vuorovakutuksella tarkotetaan stä että kappaleet vahtavat keskenään

Lisätiedot

PPSS. Roolikäyttäytymisanalyysi 28.03.2011. Tämän raportin on tuottanut: MLP Modular Learning Processes Oy Äyritie 8 A FIN 01510 Vantaa info@mlp.

PPSS. Roolikäyttäytymisanalyysi 28.03.2011. Tämän raportin on tuottanut: MLP Modular Learning Processes Oy Äyritie 8 A FIN 01510 Vantaa info@mlp. PP Roolkäyttäytymsanalyys Roolkäyttäytymsanalyys Rool: Krjanptäjä Asema: Laskentapäällkkö Organsaato: Mallyrtys Tekjä: Matt Vrtanen 8.0.0 Tämän raportn on tuottanut: MLP Modular Learnng Processes Oy Äyrte

Lisätiedot

Uuden eläkelaitoslain vaikutus allokaatiovalintaan

Uuden eläkelaitoslain vaikutus allokaatiovalintaan TEKNILLINEN KORKEAKOULU Systeemanalyysn laboratoro Mat-2.108 Sovelletun matematkan erkostyö Uuden eläkelatoslan vakutus allokaatovalntaan Tmo Salmnen 58100V Espoo, 14. Toukokuuta 2007 Ssällysluettelo Johdanto...

Lisätiedot

menetelmän laskennalliset tekniikat

menetelmän laskennalliset tekniikat Smplex-menetelmän menetelmän lasennallset tenat 9. luento: Prmaal-smplex Matemaattsten algortmen ohelmont Kevät 2008 / 1 Prmaal-smplex Degenerotuneen annan ästtely Saraeen valnta Rvn valnta Wolfen menetelmällä

Lisätiedot

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon Taustaa Sekventaalnen vakutuskaavo Sekventaalnen päätöskaavo on 1995 ovalun ja Olven esttämä menetelmä päätösongelmen mallntamseen, fomulontn ja atkasemseen. Päätöspuun omnasuukssta Hyvää: Esttää eksplsttsest

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.4 Tlastollse aals perusteet, evät 7 8. lueto: Usea selttää leaare regressomall Usea selttää leaare regressomall Seltettävä muuttua havattue arvoe vahtelu halutaa selttää selttäve muuttue havattue

Lisätiedot

Jaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen

Jaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen Tosakajärjestelmät Luento : Resurssen hallnta ja prorteett Tna Nklander Jaetut resursst Useat tapahtumat jakavat ohjelma-/lattesto-olota, jossa kesknänen possulkemnen on välttämätöntä. Ratkasuja: Ajonakanen

Lisätiedot

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT COUOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT SISÄTÖ: Coulombn voma Sähkökenttä Coulombn voman a sähkökentän laskemnen pstevaaukslle Jatkuvan vaauksen palottelemnen pstevaauksks

Lisätiedot

Aamukatsaus 13.02.2002

Aamukatsaus 13.02.2002 Indekst & korot New Yorkn päätöskursst, euroa Muutos-% Päätös Muutos-% Helsnk New York (NY/Hel) Dow Jones 9863.7-0.21% Noka 26.21 26.05-0.6% S&P 500 1107.5-0.40% Sonera 5.05 4.99-1.1% Nasdaq 1834.2-0.67%

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-.4 Lneaarnen ohelmont 8..7 Luento 6 Duaaltehtävä (kra 4.-4.4) S ysteemanalyysn Lneaarnen ohelmont - Syksy 7 / Luentorunko Motvont Duaaltehtävä Duaalteoreemat Hekko duaalsuus Vahva duaalsuus Täydentyvyysehdot

Lisätiedot

SU/Vakuutusmatemaattinen yksikkö (5)

SU/Vakuutusmatemaattinen yksikkö (5) SU/Vakuutusmatemaattnen ykskkö 0..06 (5) Rahastoonsrtovelvotteeseen ja perustekorkoon lttyvät laskentakaavat Soveltamnen. Rahastosrtovelvote RSV. Täydennyskerron b 6 Nätä laskentakaavoja sovelletaan täydennyskertomen,

Lisätiedot

3D-mallintaminen konvergenttikuvilta

3D-mallintaminen konvergenttikuvilta Maa-57.270, Fotogammetan, kuvatulknnan ja kaukokatotuksen semnaa 3D-mallntamnen konvegenttkuvlta nna Evng, 58394J 2005 1 Ssällysluettelo Ssällysluettelo...2 1. Johdanto...3 2. Elasa tapoja kuvata kohdetta...3

Lisätiedot

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut) J. Vrtamo Lkenneteora a lkenteenhallnta / Markov-prosesst 1 Markov-prosesst (Jatkuva-akaset Markov-ketut) Tarkastellaan (statonaarsa) Markov-prosessea, oden parametravaruus on atkuva (yleensä aka). Srtymät

Lisätiedot

. C. C Kirjoitetaan sitten auki lineaarisuuden määritelmän oikea puoli: αt{i c1 } + βt{i c2 } = α

. C. C Kirjoitetaan sitten auki lineaarisuuden määritelmän oikea puoli: αt{i c1 } + βt{i c2 } = α SMG-00 Pranals II Ehdotuset harjotusen s ratasus Jotta järjestelmän lneaarsuutta psttään tarastelemaan, on ensn muodostettava htes järjestelmän ssäänmenon ja ulostulon vällle Tällä ertaa tuo htes saadaan

Lisätiedot

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto Ohelmen analsont Ohelmen kuvaamnen kaavolla ohelmen mmärtämnen kaavoden avulla kaavoden tuottamnen ohelmasta Erlasa kaavotppeä: ER-kaavot, tlakaavot, UML-kaavot tetohakemsto vuokaavot (tarkemmn) Vuoanals

Lisätiedot

Talousmatematiikan verkkokurssi. Koronkorkolaskut

Talousmatematiikan verkkokurssi. Koronkorkolaskut Sivu 1/7 oronorolasuja sovelletaan tapausiin, joissa aia on pidempi uin ysi oonainen orojaso, eli aia, jolle oroanta ilmoittaa oron määrän. orolasu: enintään yhden orojason pituisille oroajoille; oronorolasu:

Lisätiedot

Moderni portfolioteoria

Moderni portfolioteoria Modern portfoloteora Helsngn Ylopsto Kansantalousteteen Kanddaatntutkelma 4.12.2006 Juho Kostanen (013297143) juho.kostanen@helsnk.f 2 1. Johdanto... 3 2. Sjotusmarkknat... 4 2.1. Osakemarkknat... 4 2.2.

Lisätiedot

J1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6

J1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6 MATRIISILASKENTA(TFM) MALLIT AV 6 J (II.6.9) Päättele, että avaruusvetorit a, b ja c ovat lineaarisesti riippuvat täsmälleen un vetoreiden virittämän suuntaissärmiön tilavuus =. Tuti tällä riteerillä ovato

Lisätiedot

Hallin ilmiö. Laatija - Pasi Vähämartti. Vuosikurssi - IST4SE. Tekopäivä 2005-9-14 Palautuspäivä 2005-9-28

Hallin ilmiö. Laatija - Pasi Vähämartti. Vuosikurssi - IST4SE. Tekopäivä 2005-9-14 Palautuspäivä 2005-9-28 Jyväskylän Aattkorkeakoulu, IT-nsttuutt IIF00 Sovellettu fyskka, Syksy 005, 4.5 ETS Opettaja Pas epo alln lö Laatja - Pas Vähäartt Vuoskurss - IST4SE Tekopävä 005-9-4 Palautuspävä 005-9-8 8.9.005 /7 LABOATOIOTYÖ

Lisätiedot

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto Kynä-paper -harjotukset Tana Lehtnen 8.8.07 Tana I Lehtnen Helsngn ylopsto Etelä-Suomen ja Lapn lään, 400 opettajaa a. Perusjoukon (populaaton) muodostvat kakk Etelä-Suomen ja Lapn läänn peruskoulun opettajat

Lisätiedot

VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia

VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia 8/ VÄRÄHTELYMEKANIIKKA SESSIO 8: Yhen vapausaseen paovärähely, ransieniuormiusia JOHDANTO c m x () Kuva. Syseemi. Transieniuormiusella aroieaan uormiusheräeä, joa aiheuaa syseemiin lyhyaiaisen liieilan.

Lisätiedot

Kansainvälisen konsernin verosuunnittelu ja tuloksenjärjestely

Kansainvälisen konsernin verosuunnittelu ja tuloksenjärjestely Kansanvälsen konsernn verosuunnttelu ja tuloksenjärjestely Kansantaloustede Pro gradu -tutkelma Talousteteden latos Tampereen ylopsto Toukokuu 2007 Pekka Kleemola TIIVISTELMÄ Tampereen ylopsto Talousteteden

Lisätiedot

Sekatuotantoverstas Job shop. Flow shop vs. Job shop Esko Niemi

Sekatuotantoverstas Job shop. Flow shop vs. Job shop Esko Niemi Seauoanoversas Job shop Seauoanoversaassa öden reysä e ole rajoeu mllään avalla vaan ne vova ulea oman prosessnsa muases mnä ahansa oneden aua Tyypllsä omnasuusa: Tuoee ova vaheleva Työnvahee ja -vaheaja

Lisätiedot

Maanhintojen vikasietoisesta mallintamisesta

Maanhintojen vikasietoisesta mallintamisesta Maanmttaus 8:-2 (2006) 5 Maanmttaus 8:-2 (2006) Saapunut 0.8.2005 ja tarkstettuna.4.2006 Hyväksytty 30.6.2006 Maanhntojen vkasetosesta mallntamsesta Marko Hannonen Teknllnen korkeakoulu, Kntestöopn laboratoro

Lisätiedot

APTEEKKIEN ELÄKEKASSAN TEL:N MUKAISEN LISÄ- ELÄKEVAKUUTUKSEN LASKUPERUSTEET

APTEEKKIEN ELÄKEKASSAN TEL:N MUKAISEN LISÄ- ELÄKEVAKUUTUKSEN LASKUPERUSTEET APTEEKKIEN ELÄKEKASSAN TEL:N MUKAISEN LISÄ- ELÄKEVAKUUTUKSEN LASKUPEUSTEET Koooma 28.3.2006. Viimeisin perustemuutos on ahistettu 16.1.2003. APTEEKKIEN ELÄKEKASSAN TEL:N MUKAISEN LISÄELÄKEVAKUUTUKSEN LASKU-

Lisätiedot

Joulukuun vaativammat valmennustehtävät ratkaisut

Joulukuun vaativammat valmennustehtävät ratkaisut Jouluuun vaativammat valmennustehtävät rataisut. Tapa. Pätee z = x + y, joten z = (x + y = x + y, josta sieventämällä seuraa xy 4x 4y + 4 = 0. Siispä (x (y =. Tästä yhtälöstä saadaan suoraan x =, y = 4

Lisätiedot

Sisältö. Tosiaikajärjestelmät Luento 9: Moniprosessorijärjestelmät. Järjestelmämalli. Keskeiset kysymykset

Sisältö. Tosiaikajärjestelmät Luento 9: Moniprosessorijärjestelmät. Järjestelmämalli. Keskeiset kysymykset Tosaajärjestemät Luento 9: Monprosessorjärjestemät Tna Nander Lu: Rea-Tme Systems uu 9 Ssätö Järjestemäma monprosessorone hajautettu järjestemä Päästä-päähän Tehtävän töden jao prosessoree Resurssen jaautumnen

Lisätiedot

K-KS vakuutussumma on kiinteä euromäärä

K-KS vakuutussumma on kiinteä euromäärä Kesinäinen Henivauutusyhtiö IIIELLA TEKNIIKALLA LAKUPERUTE H-TUTKINTOA ARTEN HENKIAKUUTU REKURIIIELLA TEKNIIKALLA OIMAAOLO 2 AIKALAKU JA AKUUTUIKÄ Tätä lasuperustetta sovelletaan..25 alaen myönnettäviin

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiian tuiurssi Kurssierta 5 Sarjojen suppeneminen Kiinnostusen ohteena on edelleen sarja a n = a + a 2 + a 3 + a 4 + n= Tämä summa on mahdollisesti äärellisenä olemassa, jolloin sanotaan että sarja

Lisätiedot

Ennen kuin mennään varsinaisesti tämän harjoituksen asioihin, otetaan aluksi yksi merkintätekninen juttu. Tarkastellaan differenssiyhtälöä

Ennen kuin mennään varsinaisesti tämän harjoituksen asioihin, otetaan aluksi yksi merkintätekninen juttu. Tarkastellaan differenssiyhtälöä DEE-00 Lineaariset järjestelmät Harjoitus, rataisuehdotuset Ennen uin mennään varsinaisesti tämän harjoitusen asioihin, otetaan alusi ysi merintäteninen juttu Tarastellaan differenssiyhtälöä y y y 0 Vaihtoehtoinen

Lisätiedot

854/2017. Liitteet 1 2. Muutos laskuperusteisiin työntekijän eläkelain mukaista toimintaa harjoittaville eläkesäätiöille

854/2017. Liitteet 1 2. Muutos laskuperusteisiin työntekijän eläkelain mukaista toimintaa harjoittaville eläkesäätiöille Liitteet Muutos lasuperusteisiin työnteijän eläelain muaista toimintaa harjoittaille eläesäätiöille Liite Vauutusteniset suureet Näissä lasuperusteissa esiintyät auutusteniset suureet lasetaan TyEL:n muaisen

Lisätiedot

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio? Mttausteknkan perusteet / luento 7 Mttausepävarmuus Mttausepävarmuus Mttaustulos e ole koskaan täysn oken Mttaustulos on arvo mtattavasta arvosta Mttaustuloksen ja mtattavan arvon ero on mttausvrhe Mkäl

Lisätiedot

Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset

Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset Todennäöisyyslasenta IIa, syys loauu 019 / Hytönen 1. lasuharjoitus, rataisuehdotuset 1. ( Klassio ) Oloot A ja B tapahtumia. Todista lasuaavat (a) P(A B) P(A) + P(B \ A), (b) P(B) P(A B) + P(B \ A), (c)

Lisätiedot

Kokonaislukuoptimointi

Kokonaislukuoptimointi Kokonaslukuotmont Robust dskreett otmont ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28 sältö Robustn lneaarsen kokonasluku- sekä sekalukuotmontongelman

Lisätiedot

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt FYSP103 / 1 KAASUTUTKIUS Työn tavotteta havannollstaa deaalkaasun tlanyhtälöä oa, mten lman kosteus vakuttaa havattavn lmöhn ja mttaustuloksn kerrata mttausöytäkrjan ja työselostuksen laatmsta Luento-

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia. HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla

Lisätiedot

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon S-11435, FYSIIKKA III (ES), Syksy 00, LH 4, Loppuvkko 39 LH4-1* Käyttän Maxwll-Boltzmann-jakauman parttofunktota määrtä a) nrgan nlön kskarvo (E ) skä b) nrgan nlöllnn kskpokkama kskarvosta l nrgan varanss,

Lisätiedot

7. Keko. Tarkastellaan vielä yhtä tapaa toteuttaa sivulla 162 määritelty tietotyyppi joukko

7. Keko. Tarkastellaan vielä yhtä tapaa toteuttaa sivulla 162 määritelty tietotyyppi joukko 7. Keko Tarkastellaan velä yhtä tapaa toteuttaa svulla 6 määrtelty tetotyypp joukko Tällä kertaa emme kutenkaan toteuta normaala operaatovalkomaa, vaan olemme knnostuneta anoastaan kolmesta operaatosta:

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia. HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 2018 Harjoitus 6A Rataisuehdotusia Tehtäväsarja I 1. (Moistee tehtävä 5.4) Kauppias myy mäysiemeiä, joide itävyyde väitetää oleva

Lisätiedot

S-114.240 Hahmontunnistus ihmisläheisissä käyttöliittymissä Kasvojen tunnistus ja identiteetin tarkistus: ZN-Face

S-114.240 Hahmontunnistus ihmisläheisissä käyttöliittymissä Kasvojen tunnistus ja identiteetin tarkistus: ZN-Face S-114.240 Hahmontunnistus ihmisläheisissä äyttöliittymissä Kasvojen tunnistus ja identiteetin taristus: ZN-Face Kalle Korhonen sorhon@cc.hut.fi 13.4.2000 Tiivistelmä: Raportissa tutustutaan aupalliseen

Lisätiedot

Rahastoonsiirtovelvoitteeseen ja perustekorkoon liittyvät laskentakaavat. Soveltaminen

Rahastoonsiirtovelvoitteeseen ja perustekorkoon liittyvät laskentakaavat. Soveltaminen SU/Vakuutusmatemaattnen ykskkö 0.4.05 Rahastoonsrtovelvotteeseen ja perustekorkoon lttyvät laskentakaavat Soveltamnen. Rahastosrtovelvote RSV. Täydennyskerron b 6 Nätä perusteta sovelletaan täydennyskertomen,

Lisätiedot

Yksikköoperaatiot ja teolliset prosessit

Yksikköoperaatiot ja teolliset prosessit Ykskköoperaatot ja teollset prosesst 1 Ylestä... 2 2 Faasen välnen tasapano... 3 2.1 Neste/höyry-tasapano... 4 2.1.1 Puhtaan komponentn höyrynpane... 4 2.1.2 Ideaalnen seos... 5 2.1.3 Epädeaalnen nestefaas...

Lisätiedot

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla

Lisätiedot

Tehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1

Tehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1 Luuteoria Harjoitus 1 evät 2011 Alesis Kosi 1 Tehtävä 1 Näytä: jos a ja b ovat positiivisia oonaisluuja joille (a, b) = 1 ja a c, seä lisäsi b c, niin silloin ab c. Vastaus Kosa a c, niin jaollisuuden

Lisätiedot

Yrityksen teoria. Lari Hämäläinen S ysteemianalyysin. Laboratorio. Teknillinen korkeakoulu

Yrityksen teoria. Lari Hämäläinen S ysteemianalyysin. Laboratorio. Teknillinen korkeakoulu Yrtyksen teora Lar Hämälänen.1.003 Yrtys Organsaato, joka muuttaa tuotantopanokset tuotteks ja tom tehokkaammn kun sen osat erllään Yrtys tenaa rahaa myynthnnan sekä ostohnnan ja aheutuneden kustannuksen

Lisätiedot

menetelmän laskennalliset tekniikat Epäkäyvän kantaratkaisun parantaminen

menetelmän laskennalliset tekniikat Epäkäyvän kantaratkaisun parantaminen Smpex-menetemän menetemän askennaset teknkat 8. ento: Prmaa-smpex S ysteemanayysn Laboratoro Teknnen korkeako Matemaattsten agortmen ohemont Kevät 8 / Epäkäyvän kantaratkasn parantamnen. vaheen yenen smpex-menetemä

Lisätiedot

855/2017. Liitteet 1 2. Laskuperustemuutokset eläkekassoille työntekijän eläkelain mukaista kustannusten jakoa

855/2017. Liitteet 1 2. Laskuperustemuutokset eläkekassoille työntekijän eläkelain mukaista kustannusten jakoa Liitteet Lasuperustemuutoset eläeassoille työnteijän eläelain muaista ustannusten jaoa arten Liite Vauutusteniset suureet Näissä lasuperusteissa esiintyät auutusteniset suureet lasetaan TyEL:n muaisen

Lisätiedot