Jatkuva-aikaisia Markov-prosesseja
|
|
- Markku Kivelä
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 5B Jatkuva-aikaisia Markov-prosesseja Tämän harjoituksen tavoitteena on harjoitella jatkuva-aikaisiin Markov-prosesseihin liittyviä hetkittäisiä jakaumia ja tasapainojakaumia. Laskuharjoitukseen kannattaa ottaa mukaan tietokone tai matriisilaskutoimituksiin kykeneväinen laskin. Alla on kuhunkin tehtävään esitetty malliratkaisut punaisella sekä malliratkaisujen lisämateriaalit sinisellä. Tuntitehtävät 5B1 Yrityksen it-henkilö on vastuussa kahden www-palvelimen toiminnasta. Palvelin i toimii keskimäärin l i päivää ennen vikaantumistaan ja vian korjaaminen kestää keskimäärin m i päivää, missä l 1 = 30, l 2 = 100, m 1 = 1 ja m 2 = 2. Palvelinten toiminta- ja korjausajat oletetaan toisistaan riippumattomiksi ja eksponenttijakautuneiksi. It-henkilö korjaa palvelimet vikaantumisjärjestyksessä. (a) Mallinna palvelinten tilaa jatkuva-aikaisella tilajoukon S = {(), (1), (2), (1, 2), (2, 1)} Markov-ketjulla, missä tilajoukon alkiot ovat 0 2 alkion järjestettyjä listoja, jotka kuvaavat korjattavien palvelinten työjonoja. Kirjoita Markov-ketjun generaattorimatriisi ja piirrä siirtymäkaavio. Ratkaisu. Merkitään λ i = 1/l i ja µ i = 1/m i. Nyt koneen i toiminta-aika on L i Exp(λ i ) ja korjausaika M i Exp(µ i ). Voidaan päätellä, että kyseessä on jatkuva-aikaien Markov-ketju, jossa hyppyvauhdit ovat λ i ja µ i (kukin ilmeiselle siirtymälle). Tämä voidaan koota siirtymäkaavioon, jossa kaarten painot siis ovat siirtymäintensiteettejä (=hyppyvauhteja), ja kaaria vastaavat siirtymä-tn:t ovat [kaaren paino]/[kaikkien samasta solmusta lähtevien kaarten yhteispaino]. λ 1 λ µ 1 µ 2 λ 2 λ 1 µ µ 2 Generaattorimatriisin kirjoittamiseksi muistetaan Kytölän käsin kirjoitetuista luentomuistiinpanoista, että jos jatkuva-aikainen ja äärellistilainen Markov-ketju X t on annettu intensiteettien I x y avulla, joilla tilassa x oleva prosessi siirtyy tilaan y 1 / 8
2 (merkitään I x y = 0 jos siirtymää x y ei tapahdu), niin 1 { I x y, x y Q(x, y) = z y I y z, x = y. Tästä saadaan tilajoukon järjestyksellä {(), (1), (2), (1, 2), (2, 1)} (λ 1 + λ 2 ) λ 1 λ µ 1 (λ 2 + µ 1 ) 0 λ 2 0 Q = µ 2 0 (λ 1 + µ 2 ) 0 λ µ 1 µ µ µ 2 (b) Millä todennäköisyydellä kumpikaan palvelimista ei toimi viikon kuluttua, jos ne molemmat toimivat nykyhetkellä? Ratkaisu. Ketjun t:n aikayksikön siirtymämatriisi P t saadaan generaattorimatriisista matriisieksponenttina P t = e tq = n=0 t n n! Qn. Muistetaan, että ajan yksikkönä on päivä. Tietokoneella laskemalla nähdään, että P 7 = e 7Q = Ketjun alkutila on X(0) = 0 eli alkujakauma on µ 0 = (1, 0, 0, 0, 0). Tilajakauma hetkellä t = 7 on siis µ 7 = µ 0 P 7 = [ ], mikä on siis neliömatriisin P 7 ensimmäinen rivi. Viikon kuluttua kumpikaan palvelin ei toimi todennäköisyydellä µ 7 (12) + µ 7 (21) = = (c) Selvitä palvelinten tilaa kuvaavan ketjun tasapainojakauma. Millä todennäköisyydellä yrityksestä löytyy vähintään yksi toimiva palvelin tasapainotilanteessa? Ratkaisu. (Analyyttinen tapa.) Tasapainojakauma π saadaan lauseen [Leskelä 2015, Lause 11.5] mukaan ratkaisemalla matriisiyhtälö πq = 0 eli π(x)q(x, y) = 0, y S, 1 Tämä määritelmä on yhtäpitävä luentomonisteen [Leskelä 2015] kanssa. x S 2 / 8
3 ja hyödyntämällä normalisointiehtoa x S π(x) = 1. Näissä yhtälöissä on 5 tuntematonta ja 6 yhtälöä, joten ratkaiseminen ei ole pelkkää matriisin kääntämistä. Vastaavia laskentatehtäviä tulee eteen myös diskreettiaikaisten Markov-ketjujen tasapainojakaumaa etsittäessä. (Tasapainoehto on πq = 0 tai π(p I) = 0 jatkuvalle tai diskreetille ajalle ja lisäksi normalisaatioehto x S π(x) = 1 molemmille.) Kehittyneempi laskentaohjelmisto tietysti ratkaisee periaatteessa tällaisenkin ongelman. Jos generaattori- tai siirtymämatriisin alkiot ovat numeerisia likiarvoja voi kuitenkin ohjelmisto yllättäen sanoa, että ratkaisua ei ole. Tällöin sopiva laskennallinen kikka on poistaa ensin yksi yhtälöistä πq = 0, ratkaista jäljelle jäänyt yhtälöryhmä (5 tuntematonta ja 5 yhtälöä) ja lopuksi tarkistaa, että numeerisen tarkkuuden rajoissa myös pois jätetty yhtälö toteutuu. Alla oleva lisäys takaa, että tämä kikka toimii itse asiassa aina. Ratkaistaan siis tuurilla tai taidolla yhtälöryhmä πq = 0 yhtälö normalisaatioehdolla x S π(x) = 1. Tulos on π [ ]. Kysytty tn on siis 1 π(12) π(21) = Lisäys. Alla oleva lause on hyödyllinen, kun ratkaistaan likiarvoin annetun Markovketjun tasapainojakaumaa. Lause 5B.1. Olkoon X yhtenäinen jatkuva- tai diskreettiaikainen Markov-ketju ja Q R n n sen generaattorimatriisi tai Q R n n siirtymämatriisin avulla Q = P I. Tällöin korvaamalla mikä tahansa yhtälöryhmän πq = 0 yhtälö normalisaatioehdolla i π(i) = 1 saadaan yhtälöryhmä, jonka kerroinmatriisi on kääntyvä. Tämän kääntyvän yhtälöryhmän ratkaisu π on ketjun yksikäsitteinen tasapainojakauma, joka totetuttaa πq = 0 ja i π(i) = 1. Todistus on karkeasti seuraava: luennoilta tiedämme [Leskelä, Luku 3.3], että yhtälöryhmän πq = 0 ratkaisuavaruus on yksiulotteinen. Kukin Q:n sarake vastaa yhtä ryhmän πq = 0 yhtälöä. Koska Q:n rivisummat ovat nollia, on kuitenkin kaikkien sarakkevektorien summa nollavektori. Näin ollen mikä tahansa sarake (ryhmän πq = 0 yhtälö) voidaan ilmaista toisten lineaarikombinaationa. Erityisesti mikä tahansa ryhmän πq = 0 yhtälö voidaan poistaa muuttamatta ratkaisuavaruutta. Loppu seuraa tasapainojakauman πq = 0, i π(i) = 1 olemassaolosta. (Numeerinen tapa.) Lauseen [Leskelä, Lause 11.8] mukaan yhtenäinen jatkuvaaikainen ja äärellistilainen Markov-ketju suppenee kohti tasapainojakaumaansa ajan kuluessa. Jatkuva-aikainen Markov-ketju on määritelmän mukaan yhtenäinen, joss vastaava siirtymäkaavio on verkkona yhtenäinen. Tämä on selvää y.o. kaaviosta. Otetaan siis pitkän aikavälin aikakehitysmatriisi, esim. e 100Q ja lasketaan se tietokoneella. Havaitaan, että numeerisen tarkkuuden rajoissa kaikki rivit ovat samoja [ ]. 3 / 8
4 Havaitaan myös, että numeerisen tarkkuuden rajoissa tämä tila toteuttaa tasapainoyhtälön [Leskelä 2015, Lause 11.5] [ ] Q = [0, 0, 0, 0, 0], joten kyseessä on tasapainotila. Siis π [ ]. Kysytty tn on siis 1 π(12) π(21) = (d) Jos tasapainotilanteessa havaitaan, että kumpikaan palvelin ei toimi, kauanko odotusarvoisesti kestää, ennen kuin toimintaan saadaan vähintään yksi palvelin? Ratkaisu. Tilat, joissa kumpikaan palvelin ei toimi, ovat 12 ja 21. Tilasta 12 siirrytään vain tilaan 2, satunnaisen Exp(µ 1 )-jakautuneen ajan kuluttua, jonka odotusarvo on m 1 = 1/µ 1 = 1 päivää. Vastaavasti tilasta 21 siirrytään vain tilaan 1, satunnaisen Exp(µ 2 )-jakautuneen ajan kuluttua, jonka odotusarvo on m 2 = 1/µ 2 = 2 päivää. Kun ketjun havaitaan tasapainotilassa kuuluvan tilajoukkoon {12, 21}, niin silloin se on tilassa 12 tn:llä ja tilassa 21 tn:llä π(12) = π(21) = π(12) π(12) + π(21) = π(21) π(12) + π(21) = Odotusarvoisesti toinen palvelin saadaan siis toimimaan päivän kuluttua = 1.79 Kotitehtävät (palautettava kirjallisina pe klo 10:15 mennessä) 5B2 Yrityksen it-henkilö on vastuussa kahden www-palvelimen toiminnasta, jotka toimivat kuten tehtävässä 5B1. Oletetaan nyt kuitenkin, että palvelimet on priorisoitu niin, että it-henkilö korjaa palvelimen 1 heti sen vioittuessa ja tarvittaessa keskeyttää palvelimen 2 korjaustyöt siksi aikaa. (a) Mallinna palvelinten tilaa jatkuva-aikaisella tilajoukon S = {, {1}, {2}, {1, 2}} Markov-ketjulla, missä tilajoukon alkiot ovat järjestämättömiä joukkoja, jotka kuvaavat korjausta odottavia palvelimia. Kirjoita ketjun generaattorimatriisi ja piirrä siirtymäkaavio. Ratkaisu. Edellisen tehtävän kanssa identtisillä perusteluilla ja merkinnöillä saadaan siirtymäkaavio 4 / 8
5 λ 1 λ µ 1 µ 2 λ 2 µ 1 12 λ 1 Tästä saadaan ketjun generaattorimatriisi λ 1 λ 2 λ 1 λ 2 0 Q = µ 1 λ 2 µ 1 0 λ 2 µ 2 0 λ 1 µ 2 λ µ 1 µ 1 (b) Selvitä palvelinten tilaa kuvaavan ketjun tasapainojakauma. Millä todennäköisyydellä yrityksestä löytyy vähintään yksi toimiva palvelin tasapainotilanteessa? Ratkaisu. Edellisen tehtävän tapaan halutaan siis ratkaista yhtälöt πq = 0 ja i π(i) = 1. Edellisen tehtävän lisäyksen hengessä ratkaistaan korvaamalla yksi Q:n saraketta vastaava yhtälö normitusehdolla, λ 1 λ 2 λ 1 λ 2 1 π ˆQ = [0, 0, 0, 1], ˆQ = µ 1 λ 2 µ µ 2 0 λ 1 µ µ 1 1 mistä matriisi kääntämällä saadaan π = [0.948, , , ]. Kuten edellisessä tehtävässä, tp-jakauma voitaisiin myös löytää matriisieksponentin avulla. Vähintään yksi palvelin toimii tasapainotilassa tn:llä 1 π(12) = (c) Jos tasapainotilanteessa havaitaan, että kumpikaan palvelin ei toimi, kauanko odotusarvoisesti kestää, ennen kuin toimintaan saadaan vähintään yksi palvelin? Ratkaisu. Jos molemmat palvelimet ovat rikki, korjataan palvelinta 1. Tämän korjausaika τ on Exp(µ 1 )-jakautunut, joten (kts. teht. 1A2) E(τ) = 1/µ 1 = / 8
6 (d) Vertaa edellisten kohtien tuloksia tehtävän 5B1 tuloksiin. Ratkaisu. Verrataan ensin tehtävien 5B1d ja 5B2c tuloksia. Jos molemmat palvelimet ovat rikki, on jälkimmäisessä tehtävässä tutkittu nopeamman korjattavan priorisointi selvästikin kannattavampaa, eli ainakin toinen palvelin saadaan toimimaan keskimäärin nopeammin tehtävän 5B2 tavalla. Verrataan seuraavaksi tasapainojakaumia (5B1c ja 5B2b), eli pitkän aikavälin käytöstä. Ensiksikin havaitaan, että tilojen (12) ja (21) yhteenlaskettu osuus kaikista päivistä pitkällä aikavälillä on tehtävässä 5B2 pienempi. Myös tässä mielessä tehtävän 5B2 strategia oli siis fiksu. Toisaalta kuitenkin havaitaan, että tilan 0 tn on tasapainotilassa sama tehtävissä 5B1c ja 5B2b. Syy on selvä: korjausjärjestys ei vaikuta siihen, kuinka usein koneet rikkoutuvat ja kuinka kauan korjaus kestää, ja vain nämä kaksi määräävät tilan nolla osuuden. 5B3 Kone toimii odotusarvoisesti 1/λ = 100 päivää ennen rikkoutumistaan ja korjaaminen kestää odotusarvoisesti 1/µ = 10 päivää. Toiminta- ja korjausajat oletetaan toisistaan riippumattomiksi ja eksponenttijakautuneiksi. Toimiessaan (tila 1) kone tuottaa voittoa keskimäärin A = e päivässä ja rikki ollessaan (tila 2) tappiota keskimäärin e päivässä. (a) Jos kone on kuukauden alussa rikki, niin kuinka monta päivää se odotusarvoisesti on rikki kyseisen kuukauden (30 päivää) aikana? Vihje: Tehtävän 5A3 tuloksista on apua. Ratkaisu. Olkoon X t koneen tilaa kuvaava jatkuva-aikainen äärellistilainen prosessi. Eksponentiaalisista ja riippumattomista odotusajoista päätellään, että X t on Markov-prosessi. Valitaan aikayksiköksi päivä. Päätellään kuvauksesta siirtymäkaavio λ 1 2 µ jossa siis tila 1 on kunnossa ja 2 rikki. Järjestämällä tilat järjestykseen 1, 2, vastaa ketjua generaattorimatriisi [ ] λ λ Q =. µ µ Huomaa, että ketju ja notaatiot ovat yhtenevät tehtävän 5A3 kanssa. Tuossa tehtävässä ratkaistiin siirtymämatriisi P (t): P t = 1 [ ] [ ] µ λ + e (λ+µ)t λ λ. (1) λ + µ µ λ λ + µ µ µ 6 / 8
7 Tilan y odotusarvoinen esiintyvyys alkutilalla x on [Leskelä 2015, luku 11.5] M t (x, y) = t s=0 P s (x, y)ds, joten tässä kiinnostaa alkio M t (2, 2). Sijoittamalla matriisin (1) alkio (2, 2) saadaan M t (2, 2) = λt λ + µ + µ (λ + µ) 2 (1 e (λ+µ)t ). Sijoittamalla tähän lukuarvot µ = 1/10, λ = 1/100 ja t = 30 saadaan M 30 (2, 2) (päivää). (b) Jos kone on kuukauden alussa rikki, niin kuinka paljon se odotusarvoisesti tuottaa voittoa omistajalleen kyseisen kuukauden (30 päivää) aikana? Ratkaisu. Luentomonisteen mukaan [Leskelä 2015, luku 11.6] odotusarvoisten kustannusten vaakavektori g t (x) alkutiloilla x S indeksoituna saadaan g t = M t c, jossa c on kustannusten pystyvektori. Kuten edellä, M t (x, y) = t s=0 P s (x, y)ds, joten siirtymämatriisin (1) avulla saadaan g t (2) = = = t s=0 y S t P s (2, y)c(y)ds [ µ λ s=0 λ + µ (1 e (λ+µ)s ) λ + µ + µ ] λ + µ e (λ+µ)s ds [ ] µ λ + µ (t + e (λ+µ)t 1 λt ) λ + µ λ + µ + µ (λ + µ) (1 2 e (λ+µ)t ) Sijoittamalla arvot saadaan g 30 (2) (euroa). (c) Millä vauhdilla kone tuottaa omistajalleen voittoa pitkällä aikavälillä? Ratkaisu. Ergodisuuslauseen [Leskelä 2015, Lause 11.10] mukaan pitkän aikavälin tuottovauhti on tn:llä yksi tasapainojakauman tuottovauhti π(x)c(x). x S 7 / 8
8 Tasapainojakaumaksi ratkaistu tehtävässä 5A3d π = [ µ λ+µ λ λ+µ], joten pitkän aikavälin tuottovauhdiksi saadaan x S π(x)c(x) = 1 (µ λ ) (euroa/päivä). λ + µ Huomaa, että pitkän aikavälin odotusarvoinen tuottovauhti alkaen tilasta 2 voidaan ratkaista suoraan edellisestä tehtävästä ja saada sama tulos: g t (2)/t t 1 (µ λ ). λ + µ Ergodisuuslauseen mukaan kyseessä ei ole kuitenkaan pelkästään odotusarvoinen tuottovauhti vaan myös melkein varma raja. 8 / 8
Jatkuvan aikavälin stokastisia prosesseja
6A Jatkuvan aikavälin stokastisia prosesse Tämän harjoituksen tavoitteena on tutustua uusiutumisprosesseihin tkuva-aikaisiin Markovprosesseihin harjoitella laskemaan niihin liittyviä hetkittäisiä kaumia
LisätiedotMarkov-ketjut pitkällä aikavälillä
2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton; oppia tunnistamaan, milloin
LisätiedotMarkov-kustannusmallit ja kulkuajat
2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua
LisätiedotMarkov-ketjut pitkällä aikavälillä
MS-C2111 Stokastiset prosessit 2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton;
LisätiedotJatkuva-aikaisten Markov-prosessien aikakehitys
5A Jatkuva-aikaisten Markov-prosessien aikakehitys Tämän harjoituksen tavoitteena on harjoitella jatkuva-aikaisiin Markov-prosesseihin liittyviä hetkittäisiä jakaumia ja tutkia niien muutoksia ajassa.
LisätiedotErilaisia Markov-ketjuja
MS-C2 Stokastiset prosessit Syksy 207 3A Erilaisia Markov-ketjuja Tuntitehtävät 3A Lepakoiden rengastaja (tai kuponkien keräilijä) Lepakkoluolassa on lepakkoa, joista jokainen lentää luolasta ulos joka
LisätiedotMarkov-kustannusmallit ja kulkuajat
2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua
LisätiedotPoisson-prosessien ominaisuuksia ja esimerkkilaskuja
4B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Tuntitehtävät 4B1 Eksponentiaalisten odotusaikojen toistuva odottaminen. Satunnaisluvun X sanotaan noudattavan Gamma-jakaumaa parametrein k ja λ,
LisätiedotMarkov-ketjuja suurilla tila-avaruuksilla
3B Markov-ketjuja suurilla tila-avaruuksilla Tuntitehtävät 3B1 Sekoaako korttipakka sekoittamalla? Olkoon S kaikkien 52 kortin korttipakan mahdollisten järjestysten joukko. (a) Perustele, miksi joukossa
Lisätiedot1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.
Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i
LisätiedotEsimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
LisätiedotGeneroivat funktiot, Poisson- ja eksponenttijakaumat
4A Generoivat funktiot, Poisson- ja eksponenttijakaumat Tämän harjoituksen tavoitteena on edelleen tutustua generoivien funktioiden sovelluksiin ja lisäksi harjoitella ratkaisemaan Poisson- ja eksponenttijakaumiin
LisätiedotValintahetket ja pysäytetyt martingaalit
4B Valintahetket ja pysäytetyt martingaalit Tämän harjoituksen tavoitteena on oppia tunnistamaan, mitkä satunnaishetket ovat valintahetkiä ja oppia laskemaan lukuarvoja ja estimaatteja satunnaisprosessien
LisätiedotT Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi
T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 12. maaliskuuta 2002 T-79.179: Stokastinen analyysi 8-1 Stokastinen analyysi, miksi? Tavallinen Petri-verkkojen saavutettavuusanalyysi
LisätiedotPoisson-prosessien ominaisuuksia ja esimerkkilaskuja
5B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Alla on kuhunkin tehtävään esitetty malliratkaisut punaisella sekä malliratkaisujen lisämateriaalit sinisellä. Tuntitehtävät 5B1 Teemu Selänne on
Lisätiedot1 p p P (X 0 = 0) P (X 0 = 1) =
Mat-2.3 Stokastiset rosessit Syksy 2007 Laskuharjoitustehtävät 3 Poroudas/Kokkala. Tarkastellaan Markov-ketjua, jonka tilajoukko on {0, } ja tilansiirtotodennäköisyysmatriisi P Olkoon alkujakauma α 0 a
LisätiedotSyntymä-kuolema-prosessit
J. Virtamo 38.343 Jonoteoria / SK-prosessit Syntymä-kuolema-prosessit Yleistä Syntymä-kuolema-prosessiksi (SK-prosessi) kutsutaan Markov-prosessia, jonka - tila-avaruus on iskreetti - tilat voiaan järjestää
LisätiedotLineaarikombinaatio, 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
LisätiedotMarkov-ketjun hetkittäinen käyttäytyminen
Matematiika ja systeemiaalyysi laitos B Markov-ketju hetkittäie käyttäytymie Tämä harjoitukse tavoitteea o oppia muodostamaa Markov-malleja satuaisilmiöille, piirtämää tiettyä siirtymämatriisia vastaava
LisätiedotMarkov-ketjun hetkittäinen käyttäytyminen
Matematiika ja systeemiaalyysi laitos 1B Markov-ketju hetkittäie käyttäytymie Tämä harjoitukse tavoitteea o oppia muodostamaa Markov-malleja satuaisilmiöille, piirtämää tiettyä siirtymämatriisia vastaava
LisätiedotMatriisilaskenta Luento 8: LU-hajotelma
Matriisilaskenta Luento 8: LU-hajotelma Antti Rasila 2016 Matriisihajotelmat 1/2 Usein matriisiyhtälön Ax = y ratkaiseminen on epäkäytännöllistä ja hidasta. Siksi numeerisessa matriisilaskennassa usein
LisätiedotKannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:
8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden
LisätiedotMartingaalit ja informaatioprosessit
4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu
LisätiedotMS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
LisätiedotMartingaalit ja informaatioprosessit
6A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on oppia tunnistamaan, milloin satunnaisprosessi on martingaali annetun informaatioprosessin suhteen ja milloin satunnaishetki on
LisätiedotMS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42
MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42 Tehtävät 1-4 lasketaan alkuviikon harjoituksissa ryhmissä, ja ryhmien ratkaisut esitetään harjoitustilaisuudessa (merkitty kirjaimella L = Lasketaan).
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 4.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/19 Käytännön asioita Viimeiset harjoitukset on palautettava torstaina 13.6. Laskaripisteensä ja läsnäolonsa voi kukin tarkistaa
LisätiedotKäänteismatriisi 1 / 14
1 / 14 Jokaisella nollasta eroavalla reaaliluvulla on käänteisluku, jolla kerrottaessa tuloksena on 1. Seuraavaksi tarkastellaan vastaavaa ominaisuutta matriiseille ja määritellään käänteismatriisi. Jokaisella
LisätiedotLineaarikuvauksen R n R m matriisi
Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:
Lisätiedotax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.
BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 7, Syksy 206 Tutkitaan yhtälöryhmää x + y + z 0 2x + y + az b ax + y + 2z 0 (a) Jos a 0 ja b 0 niin mikä on yhtälöryhmän ratkaisu? Tulkitse ratkaisu
LisätiedotSTOKASTISET PROSESSIT Peruskäsitteitä
J. Virtamo 38.3143 Jonoteoria / Stokastiset prosessit 1 STOKASTISET PROSESSIT Peruskäsitteitä Usein tarkasteltava järjestelmä kehittyy ajan mukana ja meitä kiinnostaa sen dynaaminen, yleensä satunnaisuutta
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotEnnakkotehtävän ratkaisu
Ennakkotehtävän ratkaisu Ratkaisu [ ] [ ] 1 3 4 3 A = ja B =. 1 4 1 1 [ ] [ ] 4 3 12 12 1 0 a) BA = =. 1 + 1 3 + 4 0 1 [ ] [ ] [ ] 1 0 x1 x1 b) (BA)x = =. 0 1 x 2 x [ ] [ ] [ 2 ] [ ] 4 3 1 4 9 5 c) Bb
LisätiedotMS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48
MS-A3/A5 Matriisilaskenta Malliratkaisut 5 / vko 48 Tehtävä (L): a) Onko 4 3 sitä vastaava ominaisarvo? b) Onko λ = 3 matriisin matriisin 2 2 3 2 3 7 9 4 5 2 4 4 ominaisvektori? Jos on, mikä on ominaisarvo?
LisätiedotOminaisarvo ja ominaisvektori
Ominaisarvo ja ominaisvektori Määritelmä Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka
LisätiedotMatriisilaskenta. Harjoitusten 3 ratkaisut (Kevät 2019) 1. Olkoot AB = ja 2. Osoitetaan, että matriisi B on matriisin A käänteismatriisi.
Matriisilaskenta Harjoitusten ratkaisut (Kevät 9). Olkoot ja A = B = 5. Osoitetaan, että matriisi B on matriisin A käänteismatriisi. Tapa Käänteismatriisin määritelmän nojalla riittää osoittaa, että AB
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
Lisätiedot1 Kannat ja kannanvaihto
1 Kannat ja kannanvaihto 1.1 Koordinaattivektori Oletetaan, että V on K-vektoriavaruus, jolla on kanta S = (v 1, v 2,..., v n ). Avaruuden V vektori v voidaan kirjoittaa kannan vektorien lineaarikombinaationa:
LisätiedotA = a b B = c d. d e f. g h i determinantti on det(c) = a(ei fh) b(di fg) + c(dh eg). Matriisin determinanttia voi merkitä myös pystyviivojen avulla:
11 Determinantti Neliömatriisille voidaan laskea luku, joka kertoo muun muassa, onko matriisi kääntyvä vai ei Tätä lukua kutsutaan matriisin determinantiksi Determinantilla on muitakin sovelluksia, mutta
Lisätiedot7 Vapaus. 7.1 Vapauden määritelmä
7 Vapaus Kuten edellisen luvun lopussa mainittiin, seuraavaksi pyritään ratkaisemaan, onko annetussa aliavaruuden virittäjäjoukossa tarpeettomia vektoreita Jos tällaisia ei ole, virittäjäjoukkoa kutsutaan
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 6.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/22 Kertausta: Kääntyvien matriisien lause Lause 1 Oletetaan, että A on n n -neliömatriisi. Seuraavat ehdot ovat yhtäpitäviä.
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
Lisätiedot1.1. Määritelmiä ja nimityksiä
1.1. Määritelmiä ja nimityksiä Luku joko reaali- tai kompleksiluku. R = {reaaliluvut}, C = {kompleksiluvut} R n = {(x 1, x 2,..., x n ) x 1, x 2,..., x n R} C n = {(x 1, x 2,..., x n ) x 1, x 2,..., x
LisätiedotKäänteismatriisin ominaisuuksia
Käänteismatriisin ominaisuuksia Lause 1.4. Jos A ja B ovat säännöllisiä ja luku λ 0, niin 1) (A 1 ) 1 = A 2) (λa) 1 = 1 λ A 1 3) (AB) 1 = B 1 A 1 4) (A T ) 1 = (A 1 ) T. Tod.... Ortogonaaliset matriisit
LisätiedotLineaariset kongruenssiyhtälöryhmät
Lineaariset kongruenssiyhtälöryhmät LuK-tutkielma Jesse Salo 2309369 Matemaattisten tieteiden laitos Oulun yliopisto Sisältö Johdanto 2 1 Kongruensseista 3 1.1 Kongruenssin ominaisuuksia...................
LisätiedotT Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi
T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 15. maaliskuuta 2004 T-79.179: Stokastinen analyysi 8-1 Mihin tarvitaan stokastista analyysiä? Saavutettavuusanalyysissä
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 30.5.2013 HY / Avoin yliopisto Jokke Häsä, 1/19 Käytännön asioita Kurssi on suunnilleen puolessa välissä. Kannattaa tarkistaa tavoitetaulukosta, mitä on oppinut ja
LisätiedotLiikenneongelmien aikaskaalahierarkia
J. Virtamo 38.3141 Teleliikenneteoria / HOL-esto 1 Liikenneongelmien aikaskaalahierarkia AIKASKAALAHIERARKIA Kiinnostavat aikaskaalat kattavat laajan alueen, yli 13 dekadia! Eri aikaskaaloissa esiintyvät
Lisätiedot802118P Lineaarialgebra I (4 op)
802118P Lineaarialgebra I (4 op) Tero Vedenjuoksu Oulun yliopisto Matemaattisten tieteiden laitos 2012 Lineaarialgebra I Yhteystiedot: Tero Vedenjuoksu tero.vedenjuoksu@oulu.fi Työhuone M206 Kurssin kotisivu
LisätiedotMatriisialgebra harjoitukset, syksy x 1 + x 2 = a 0
MATRIISIALGEBRA, s, Ratkaisuja/ MHamina & M Peltola 22 Virittääkö vektorijoukko S vektoriavaruuden V, kun a V = R 3 ja S = {(1,0, 1,(2,0,4,( 5,0,2,(0,0,1} b V = P 2 (R ja S = {t1,t 2 1,t 2 t} ( ( 1 0 c
LisätiedotTehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2015 Harjoitus 4 Ratkaisut palautettava viimeistään maanantaina 862015 klo 1615 Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
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 21
Lisätiedot3 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
LisätiedotTalousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi
Talousmatematiikan perusteet: Luento 11 Lineaarikuvaus Matriisin aste Käänteismatriisi Viime luennolla Käsittelimme matriisien peruskäsitteitä ja laskutoimituksia Vakiolla kertominen, yhteenlasku ja vähennyslasku
LisätiedotVektoreiden virittämä aliavaruus
Vektoreiden virittämä aliavaruus Määritelmä Oletetaan, että v 1, v 2,... v k R n. Näiden vektoreiden virittämä aliavaruus span( v 1, v 2,... v k ) tarkoittaa kyseisten vektoreiden kaikkien lineaarikombinaatioiden
LisätiedotSyntymä-kuolema-prosessit
J. Virtamo Liikenneteoria ja liikenteenhallinta / SK-prosessit Syntymä-kuolema-prosessit Yleistä Syntymä-kuolema-prosessiksi (SK-prosessi) kutsutaan Markov-prosessia, jonka - tila-avaruus on iskreetti
Lisätiedot8 KANNAT JA ORTOGONAALISUUS. 8.1 Lineaarinen riippumattomuus. Vaasan yliopiston julkaisuja 151
Vaasan yliopiston julkaisuja 151 8 KANNAT JA ORTOGONAALISUUS KantaOrthogon Sec:LinIndep 8.1 Lineaarinen riippumattomuus Lineaarinen riippumattomuus on oikeastaan jo määritelty, mutta kirjoitamme määritelmät
LisätiedotMatemaattinen Analyysi, s2016, L2
Matemaattinen Analyysi, s2016, L2 riippumattomuus, 1 Esimerkkejä esimerkki Dieetti-välipala 1: Opiskelija Ken Obi on dieetillä. Lenkin jälkeen Ken pysähtyy välipalalle. Dieetin mukaan hänen pitäisi saada
LisätiedotLiittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij.
Liittomatriisi Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä (cof A) ij =( 1) i+j det A ij kaikilla i, j = 1,...,n. Huomautus 8 Olkoon A 2 M(n, n). Tällöin kaikilla
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
LisätiedotTalousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi
Talousmatematiikan perusteet: Luento 10 Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi Lineaarikuvaus Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta, jossa käytetään
LisätiedotHarjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,
Differentiaaliyhtälöt, Kesä 06 Harjoitus 3 Kaikissa tehtävissä, joissa pitää tarkastella kriittisten pisteiden stabiliteettia, jos kyseessä on satulapiste, ilmoita myös satulauraratkaisun (tai kriittisessä
LisätiedotLineaariset yhtälöryhmät ja matriisit
Lineaariset yhtälöryhmät ja matriisit Lineaarinen yhtälöryhmä a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a 2n x n = b 2. a m1 x 1 + a m2 x 2 + + a mn x n = b m, (1) voidaan esittää
LisätiedotNumeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35
Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen
LisätiedotTehtäväsarja I Kertaa tarvittaessa materiaalin lukuja 1 3 ja 9. Tarvitset myös luvusta 4 määritelmän 4.1.
HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2015 Harjoitus 2 Ratkaisut palautettava viimeistään maanantaina 25.5.2015 klo 16.15. Tehtäväsarja I Kertaa tarvittaessa materiaalin lukuja
LisätiedotLineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg
Vaasan yliopisto, syksy 218 Lineaarialgebra II, MATH124 Matti laaksonen, Lassi Lilleberg Tentti T1, 284218 Ratkaise 4 tehtävää Kokeessa saa käyttää laskinta (myös graafista ja CAS-laskinta), mutta ei taulukkokirjaa
Lisätiedot2.8. Kannanvaihto R n :ssä
28 Kannanvaihto R n :ssä Seuraavassa kantavektoreiden { x, x 2,, x n } järjestystä ei saa vaihtaa Vektorit ovat pystyvektoreita ( x x 2 x n ) on vektoreiden x, x 2,, x n muodostama matriisi, missä vektorit
LisätiedotPäättelyn voisi aloittaa myös edellisen loppupuolelta ja näyttää kuten alkupuolella, että välttämättä dim W < R 1 R 1
Lineaarialgebran kertaustehtävien b ratkaisuista. Määritä jokin kanta sille reaalikertoimisten polynomien lineaariavaruuden P aliavaruudelle, jonka virittää polynomijoukko {x, x+, x x }. Ratkaisu. Olkoon
LisätiedotBM20A0700, Matematiikka KoTiB2
BM20A0700, Matematiikka KoTiB2 Luennot: Matti Alatalo, Harjoitukset: Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luku 7. 1 Kurssin sisältö Matriiseihin
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
LisätiedotAiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa.
Yhtälöryhmän ratkaisujen lukumäärä, L8 Esimerkki kvadraattinen Haluamme ratkaista n 4x + y z = x + y + z = 5 x + y + z = 4 4 x 4 + y x y z = + z 5 4 = 5 4 Esimerkki kvadraattinen Yhtälöryhmä on kvadraattinen,
Lisätiedot2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio
x = x 2 = 5/2 x 3 = 2 eli Ratkaisu on siis x = (x x 2 x 3 ) = ( 5/2 2) (Tarkista sijoittamalla!) 5/2 2 Tämä piste on alkuperäisten tasojen ainoa leikkauspiste Se on myös piste/vektori jonka matriisi A
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
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
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Luentokalvot 5 1
LisätiedotMS-A0104 Differentiaali- ja integraalilaskenta 1 (ELEC2) MS-A0106 Differentiaali- ja integraalilaskenta 1 (ENG2)
MS-A4 Differentiaali- ja integraalilaskenta (ELEC2) MS-A6 Differentiaali- ja integraalilaskenta (ENG2) Harjoitukset 3L, syksy 27 Tehtävä. a) Määritä luvun π likiarvo käyttämällä Newtonin menetelmää yhtälölle
LisätiedotJohdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö
Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
LisätiedotRatkaisuehdotukset LH 3 / alkuvko 45
Ratkaisuehdotukset LH 3 / alkuvko 45 Tehtävä : Olkoot A, B, X R n n, a, b R n ja jokin vektorinormi. Kätetään vektorinormia vastaavasta operaattorinormista samaa merkintää. Nätä, että. a + b a b, 2. A
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
Lisätiedot5 Lineaariset yhtälöryhmät
5 Lineaariset yhtälöryhmät Edellisen luvun lopun esimerkissä päädyttiin yhtälöryhmään, jonka ratkaisemisesta riippui, kuuluuko tietty vektori eräiden toisten vektorien virittämään aliavaruuteen Tämäntyyppisiä
LisätiedotMarkov-prosessit (Jatkuva-aikaiset Markov-ketjut)
J. Virtamo 38.3143 Jonoteoria / Markov-prosessit 1 Markov-prosessit (Jatkuva-aikaiset Markov-ketut) Tarkastellaan (stationaarisia) Markov-prosessea, oiden parametriavaruus on atkuva (yleensä aika). Siirtymät
Lisätiedota) Sievennä lauseke 1+x , kun x 0jax 1. b) Aseta luvut 2, 5 suuruusjärjestykseen ja perustele vastauksesi. 3 3 ja
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 1.10.2018 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
LisätiedotYhteenlaskun ja skalaarilla kertomisen ominaisuuksia
Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia Voidaan osoittaa, että avaruuden R n vektoreilla voidaan laskea tuttujen laskusääntöjen mukaan. Huom. Lause tarkoittaa väitettä, joka voidaan perustella
LisätiedotStokastiset prosessit. Lasse Leskelä Aalto-yliopisto
Stokastiset prosessit Lasse Leskelä Aalto-yliopisto 7. elokuuta 2018 Sisältö 1 Satunnaisluvut ja satunnaisvektorit 5 1.1 Todennäköisyysjakauma...................... 5 1.2 Satunnaismuuttuja.........................
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
LisätiedotLU-hajotelma. Esimerkki 1 Matriisi on yläkolmiomatriisi ja matriisi. on alakolmiomatriisi. 3 / 24
LU-hajotelma 1 / 24 LU-hajotelma Seuravassa tarkastellaan kuinka neliömatriisi voidaan esittää kahden kolmiomatriisin tulona. Käytämme alkeismatriiseja tälläisen esityksen löytämiseen. Edellä mainittua
LisätiedotMS-A0003/A Matriisilaskenta Laskuharjoitus 6
MS-A3/A - Matriisilaskenta Laskuharjoitus 6 Ratkaisuehdotelmia. Diagonalisointi on hajotelma A SΛS, jossa diagonaalimatriisi Λ sisältää matriisin A ominaisarvot ja matriisin S sarakkeet ovat näitä ominaisarvoja
LisätiedotKäänteismatriisin. Aiheet. Käänteismatriisin ominaisuuksia. Rivioperaatiot matriisitulona. Matriisin kääntäminen rivioperaatioiden avulla
Käänteismatriisi, L5 1 Tässä kalvosarjassa käsittelemme neliömatriiseja. Ilman asian jatkuvaa toistamista oletamme seuraavassa, että kaikki käsittelemämme matriisit ovat neliömatriiseja. Määritelmä. Olkoon
LisätiedotSimilaarisuus. Määritelmä. Huom.
Similaarisuus Määritelmä Neliömatriisi A M n n on similaarinen neliömatriisin B M n n kanssa, jos on olemassa kääntyvä matriisi P M n n, jolle pätee Tällöin merkitään A B. Huom. Havaitaan, että P 1 AP
LisätiedotOrtogonaaliset matriisit, määritelmä 1
, määritelmä 1 Määritelmä (a). Neliömatriisi Q on ortogonaalinen, jos Q T Q = I. Määritelmästä voidaan antaa samaa tarkoittavat, mutta erilaiselta näyttävät muodot: Määritelmä (b). n n neliömatriisi Q,
LisätiedotEstynyt puheluyritys menetetään ei johda uusintayritykseen alkaa uusi miettimisaika: aika seuraavaan yritykseen Exp(γ) pitoaika X Exp(µ)
J Virtamo 383143 Jonoteoria / Engsetin järjestelmä 1 Äärellinen lähdepopulaatio: M/M/s/s/n-järjestelmä Tarkastellaan estojärjestelmää (ei odotuspaikkoja) tapauksessa, jossa saapumiset tulevat äärellisestä
Lisätiedot5 Ominaisarvot ja ominaisvektorit
5 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin A
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
LisätiedotSovellettu 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
LisätiedotMatematiikka ja teknologia, kevät 2011
Matematiikka ja teknologia, kevät 2011 Peter Hästö 27. tammikuuta 2011 Matemaattisten tieteiden laitos Sisältö Kurssi koostuu kuudesta (seitsemästä) toisistaan riippumattomasta luennosta. Aihepiirit ovat:
LisätiedotOrtogonaalisen kannan etsiminen
Ortogonaalisen kannan etsiminen Lause 94 (Gramin-Schmidtin menetelmä) Oletetaan, että B = ( v 1,..., v n ) on sisätuloavaruuden V kanta. Merkitään V k = span( v 1,..., v k ) ja w 1 = v 1 w 2 = v 2 v 2,
LisätiedotKaksirivisen matriisin determinantille käytämme myös merkintää. a 11 a 12 a 21 a 22. = a 11a 22 a 12 a 21. (5.1) kaksirivine
Vaasan yliopiston julkaisuja 97 5 DETERMINANTIT Ch:Determ Sec:DetDef 5.1 Determinantti Tämä kappale jakautuu kolmeen alakappaleeseen. Ensimmäisessä alakappaleessa määrittelemme kaksi- ja kolmiriviset determinantit.
LisätiedotLineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä)
Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe 26.10.2017 Ratkaisuehdotus 1. (35 pistettä) (a) Seuraavat matriisit on saatu eräistä yhtälöryhmistä alkeisrivitoimituksilla. Kuinka monta ratkaisua yhtälöryhmällä
Lisätiedot