Pienimmän Neliösumman Sovitus (PNS)
|
|
- Heli Nurminen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Pienimmän Neliösumman Sovitus (PNS) n = Havaintojen määrä (Kuvan n = 4 punaista palloa) x i = Havaintojen ajat/paikat/... (i = 1,..., n) y i = y(x i) = Havaintojen arvot (i = 1,..., n) σ i = Havaintojen tarkkuus (i = 1,..., n) w i = σ 2 i = Havaintojen painot (i = 1,..., n) Malli havainnoille ȳ ± σ on g( β) = g(x, β), missä β = [β 1, β 2,..., β Q] = Mallin vapaat parametrit, joita on Q kappaletta Kuvan malli on suora g(x, β) = A + Bx eli vapaat parametrit ovat β = [A, B] Residuaalit ovat ɛ i = y i g(x i, β) = Havainnot miinus malli = Kuvan vihreät pystyviivat PNS etsii parhaat β arvot β 1,...β Q, jotka minimoivat χ 2 ( β) = n i=1 w iɛ 2 i = n i=1 [ ɛi σ i ] 2 = n i=1 [ yi g(t i, β) σ i ] 2. Summattu residuaalit jaettuina virheillään korotettuna toiseen potenssiin. Siitä nimi PNS. Hyvässä mallissa χ 2 n.miksi? Hyvässä mallissa n > Q.Miksi?
2 Malleista Malli ḡ on lineaarinen, jos sen kaikki osoittaisderivaatat g/ β i ovat riippumattomia kaikista vapaista parametreista β j. Jos näin ei ole, malli on epälineaarinen. Esimerkki: lineaarinen malli g( β, x) = M + A sin x + B cos x, β = [M, A, B] eli Q = 3 g/ M = 1, g/ A = sin x, g/ B = cos x Esimerkki: epälineearinen malli g = Ae Bx, β = [A, B] eli Q = 2 g/ A = e Bx, g/ B = ABe Bx Lineaarisilla malleilla PNS antaa β:lle yksikäsitteisen ratkaisun β 1. Epälineaarisilla malleilla β:n ratkaisu β 1 riippuu siitä, mikä annetaan (etsitään tavalla tai toisella) ratkaisun alkuarvoksi β 0.
3 python: Pienimmän neliösumman sovitus Data: PNSdata1.dat (n = 3) # # Tama on ohjelmani PNSmalli1. py # Pienimman neliosumman s o v i t u s # import os ; os. system ( clear ) # Tyhjennetaan import numpy as np ; import pylab as p l # Importoidaan import scipy ; from scipy import optimize # Miksi outoa? # def r e s i d u a l s ( beta, y, x ) : epsilon = y (beta [ 0 ] + beta [1] x ) return e p s i l o n # f i l e = PNSdata1. dat #Data x=np. l o a d t x t ( f i l e, skiprows =0, usecols = (0, ) ) #Data y=np. l o a d t x t ( f i l e, skiprows =0, usecols = (1, ) ) #Data beta0=np. ones ( 2 ) ; p r i n t ( beta0=, beta0 ) # Alkuarvo tu=optimize. l e a s t s q ( r e s i d u a l s, beta0, args =( y, x ) ) beta1= tu [ 0 ] ; p r i n t ( beta1=, beta1 ) # Loppuarvo p l. xlim ( [ 0, 4 ] ) ; p l. y lim ( [ 0, 9 ] ) # xy r a j a t p l. p l o t ( x, y, or ) # Data p l o t xx=0.5+np. arange (21)/20. 3 # M a l l i n xx g = beta1 [ 0 ] + beta1 [1] xx ; p l. p l o t ( xx, g ) # M a l l i g ( xx ) p l. s a v e f i g ( PNSmalli1. jpg ) ; p l. show ( ) # Kuva&Nayta python3 PNSmalli1.py tulostaa beta0= [ 1. 1.] beta1= [ ] Tekee kuvan PNSmalli1.jpg (oikealla) x = [x 1, x 2, x 3 ] = x = Data ȳ = [y 1, y 2, y 3 ] = y = Data ḡ = g(x, β) = a + bx = g = Malli β = [a, b] = Vapaat parametrit ɛ = ȳ ḡ = epsilon = Residuaalit optimize.leastq tarvitsee aliohjelman residuals β 0 = beta0 = sovituksen alkuarvo β 1 = beta1 = sovituksen loppuarvo Lineaarinen malli loppuarvo beta1 ei riipu alkuarvosta beta0
4 python: Pienimmän neliösumman sovitus # Tama on ohjelmani PNSmalli2. py # Pienimman neliosumman s o v i t u s keinotekoiseen dataan # import os ; os. system ( clear ) # Tyhjennetaan naytto import numpy as np # Importoidaan... import pylab as p l # " import scipy # " from scipy import optimize # Miksi outo j u t t u? def residuals ( beta, y, x ) : # optimize t a r v i t s e e taman a l i o h j e l m a n epsilon = y (beta [0] np. cos ( x )+beta [1] np. sin ( x ) ) return e p s i l o n n = i n p u t ( Anna datan maara = n = ) ; n= i n t (n) s = i n p u t ( Anna datan v i r h e = s = ) ; s= f l o a t ( s ) x=2. np. pi np. arange (1. n ) / ( n 1) # Keinotekoisen datan x beta0 =1.0+np. zeros ( 2 ) # Alkuperainen beta0 g0=beta0 [0] np. cos ( x )+beta0 [1] np. sin ( x ) # Alkuperainen m a l l i e=s scipy. randn (n ) # Gaussien s a t u n n a i s v i r h e y=g0+e # Keinotekoisen datan y tu = optimize. leastsq ( residuals, beta0, args=(y, x ) ) # PNS d a t a l l e beta1=tu [ 0 ] # Sovituksen beta1 xx=2. np. pi (np. arange (101.)/100) # Sovituksen xx gg=beta0 [0] np. cos ( xx )+ beta0 [1] np. sin ( xx ) # Alkuperainen m a l l i yy=beta1 [0] np. cos ( xx )+ beta1 [1] np. sin ( xx ) # Sovituksen m a l l i p l. p l o t ( x, g0, ob ) ; p l. p l o t ( xx, gg, b ) # Alkuperainen m a l l i p l. p l o t ( x, y, or ) ; p l. p l o t ( xx, yy, r ) # Data & S o v i t e t t u m a l l i p r i n t ( beta0 =, beta0 ) ; p r i n t ( beta1 =, beta1 ) p l. s a v e f i g ( PNSmalli2. jpg ) # Kuva t i e d o s t o p l. ion ( ) ; p l. show ( ) ; p l. w a i t f o r b u t t o n p r e s s ( timeout= 1) python3 PNSmalli2.py tulostaa Anna datan maara = n = 10 Anna datan virhe = s = 0.5 beta0 = [ 1. 1.] beta1 = [ ] sekä tekee alla näkyvän kuvan PNSmalli2.jpg Malli g(x, β) = a cos x + b sin x Vapaat parametrit β = [a, b] Kokeillaan eri n ja s yhdistelmiä Tulos on aina erilainen Mitä tästä opitaan?
5 python: Pienimmän neliösumman sovitus Toinen näyttö: kotisivun PNSmalli3.py Loopin for i in range(4): sisällä Plotattavat käyrät yy ja gg xx = 0 xx 1,..., xx 101 2π = tiheä tasavälinen plottien argumentti yy = g(xx, β 1 ) sovitetty käyrä Kuvat: yy = punainen viiva gg = g(xx, β SIM ) simulointimallin käyrä Kuvat: gg = sininen viiva Varsinaiset plotit pl.axes([z1[i],z2[i],lev,kor]) = plottien paikat pl.xlim([x1,x2]) = x rajat pl.ylim([y1,y2])= y rajat Loopin for i in range(4): sisällä pl.plot(x0,g0, ob ) = siniset ympyrät pl.plot(xx,gg, b ) = sin... jatkuva viiva pl.plot(x0,y0, or ) = punaiset ympyrät pl.plot(xx,yy, r ) = pun... jatkuva viiva txt1=... = formatoitu stringi pl.text(x1... = stringin tulostus kuvaan Loopin for i in range(4):jälkeen pl.savefig( Ppns2.jpg ) = kuvan tallennus jpg muodossa Vain n0=n[i], s0=s[i] ja plotin paikka pl.axes([z1[i],z2[i]... muuttuvat loopin sisällä Kuva PNSmalli3.jpg seuraavalla sivulla
6 python: Pienimmän neliösumman sovitus PNSmalli3.jpg n = 10, σ = 0.1 Vähän tarkkaa dataa PNS tulos OK n = 10, σ = 1.0 Vähän epätarkkaa dataa PNS tulos sinne päin n = 50, σ = 1.0 Paljon epätarkkaa dataa PNS tulos OK n = 50, σ = 5.0 Paljon huonoa dataa PNS tulos sinne päin Sovita väärä malli tähän dataan (esim. suora) Musta laatikko
7 Epälineaarisista malleista PNS Epälineaariset mallit Jetsu & Pelt (1999) A&AS 139, 629 TSPA = Three Stage Period Analysis Samalle datalle monta sopivaa mallia Mikä niistä on oikea?
8 Sinikäyrän sovitus Sinikäyrän sovitus Harjoitustyö: Vaiheet frekvenssillä f best φ i = FRAC[(t i t 0 )f best ], missä t 0 = 0 ja FRAC[x] poistaa argumentin x kokonaislukuosan Esim: FRAC[98.76] = 0.76 Poistaa kokonaiset kierrokset Kaikki kierrokset päällekkäin Havainnot vaiheen funktiona oikealla Sovitetaan malli g(t, β) = M + A cos(2πφ i ) + B sin(2πφ i ), missä vapaat parametrit ovat β = [M, A, B]. Parhaan pienimmän neliösumman mallin M, A ja B arvot annetaan oikealla t = aika = vektori p = periodi = skalaari phi=(t-t0)/p = vektori phi=phi-numpy.floor(i) = vektori x=2*numpy.pi*phi = mallin argumentti 7.76 M = 7.70, A= 0.04, B=
9 Malleista Malleista Epälineaarinen malli g(t, β) = M + A cos(2πft) + B sin(2πft), Malleista Mallien tulkinta on taidelaji missä β =[M, A, B, f ], koska esimerkiksi g/ A=cos(2πft) Sovituksen lopputulos β 1 riippuu vahvasti alkuoletuksesta β 0 Ratkaistaan paras f best tehospektrillä 2πf best = vakio Lineaarinen malli g(t, β) = M + A cos(2πf best t) + B sin(2πf best t), missä β =[M, A, B] β 0 ei vaikuta lopputulokseen β 1 = [M 1, A 1, B 1 ] Jetsu & Pelt (1999, A&AS 139, 629): Käytetään lopuksi epälineaarisen mallin alkuarvona β 0 = [M 1, A 1, B 1, f best ]
10 Malleista Malleista Yleisesti: g(t, β) = K k=0 B k cos(2πkft) + C k sin(2πkft), missä β = [B 0,.., B K, C 1,..., C K, f ] (Huom: C 0 tarpeeton) Tehospektri olettaa sinikäyrän oikeaksi malliksi (K = 1) Todellisuus K on tuntematon Samassa datassa saattaa vaihdella K = 0, 1, 2, 3,...? K = 0 Ei periodisuutta K = 1 1 huippu K = 2 1 tai 2 huippua K = 3 1, 2 tai 3 huippua Paras K arvo mallille voidaan myös ratkaista Esim: Lehtinen et al. (2011: A&A, 527, A136) K = K = K = K =
11 Malleista Signaali kohinan seasta (Kajatkari et al. 2015, A&A) Välillä periodisuutta, välillä ei
Pienimmän Neliösumman Sovitus (PNS)
Pienimmän Neliösumman Sovitus (PNS) n = Havaintojen määrä x i = Havaintojen ajat/paikat/... (i = 1,..., n) y i = y(x i) = Havaintojen arvot (i = 1,..., n) σ i = Havaintojen tarkkuus (i = 1,..., n) w i
LisätiedotHavaitsevan tähtitieteen peruskurssi I. Datan käsittely. Jyri Lehtinen. kevät Helsingin yliopisto, Fysiikan laitos
Datan käsittely Helsingin yliopisto, Fysiikan laitos kevät 2013 3. Datan käsittely Luennon sisältö: Havaintovirheet tähtitieteessä Korrelaatio Funktion sovitus Aikasarja-analyysi 3.1 Havaintovirheet Satunnaiset
LisätiedotL9: Rayleigh testi. Laskuharjoitus
L9: Rayleigh testi Laskuharjoitus Data on tiedoston H7binput.dat 1. sarake: t = t i Ajan hetket ovat t = t 1, t 2,..., t n, missä n n = 528 Laske ja plottaa välillä f min = 1/P max ja f max = 1/P min z(f
LisätiedotL9: Rayleigh testi. Laskuharjoitus
L9: Rayleigh testi Laskuharjoitus Data on tiedoston Rayleighdata.dat 1. sarake: t = t i Ajan hetket ovat t = t 1, t 2,..., t n, missä n = n = 528 Laske ja plottaa välillä f min = 1/P max ja f max = 1/P
Lisätiedotlinux: koneelta toiselle
L8: linux linux: arkistointi tar liittää useampia tiedostoja yhteen samaan arkistoon (engl. archive) Esimerkki 1 tar cvf arkisto.tar *.DAT luo arkiston arkisto.tar, joka sisältää kaikki.dat loppuiset tiedostot
Lisätiedotlinux: Prosessit kill PID lopettaa prosessin PID, jos siihen on oikeudet Ctrl + c lopettaa aktiivisen prosessin L7: linux
L7: linux linux: Prosessit linux: Prosessit Jokainen komento käynnistää vähintään yhden prosessin Jokaiselle prosessilla tunniste PID, jolla prosessiin voidaan viitata. Jokaisella prosesilla on prioriteetti
Lisätiedotlinux: arkistointi jjj
L8: linux linux: arkistointi tar liittää useampia tiedostoja yhteen samaan arkistoon (engl. archive) Esimerkki 1 tar cvf arkisto.tar *.DAT luo arkiston arkisto.tar, joka sisältää kaikki.dat loppuiset tiedostot
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin
Lisätiedotlinux: Prosessit kill PID lopettaa prosessin PID, jos siihen on oikeudet Ctrl + c lopettaa aktiivisen prosessin L7: linux
L7: linux linux: Prosessit linux: Prosessit Jokainen komento käynnistää vähintään yhden prosessin Jokaiselle prosessilla tunniste PID, jolla prosessiin voidaan viitata. Jokaisella prosesilla on prioriteetti
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. marraskuuta 2007 Antti Rasila () TodB 30. marraskuuta 2007 1 / 19 1 Lineaarinen regressiomalli ja suurimman uskottavuuden menetelmä Minimin löytäminen
Lisätiedotlinux linux: käyttäjän oikeudet + lisää ja - poistaa oikeuksia
L6: linux linux linux: käyttäjän oikeudet Käyttäjällä, username, on käyttöoikeus rajattuun levytilaan du -h /home/username/ tulostaa käytetyn levytilan. Yhteenvedon antaa du -h /home/jetsu/ - -summarize
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
Lisätiedotlinux linux: käyttäjän oikeudet + lisää ja - poistaa oikeuksia
L6: linux linux linux: käyttäjän oikeudet Käyttäjällä, username, on käyttöoikeus rajattuun levytilaan du -h /home/username/ tulostaa käytetyn levytilan. Yhteenvedon antaa du -h /home/jetsu/ - -summarize
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
LisätiedotJos havaitaan päivän ylin lämpötila, mittaustuloksissa voi esiintyä seuraavantyyppisiä virheitä:
Mittausten virheet Jos havaitaan päivän ylin lämpötila, mittaustuloksissa voi esiintyä seuraavantyyppisiä virheitä: 1. Luemme lämpömittarin vain asteen tarkkuudella. Ehkä kyseessä on digitaalimittari,
LisätiedotHavaitsevan tähtitieteen peruskurssi I
Havaintokohteita 9. Polarimetria Lauri Jetsu Fysiikan laitos Helsingin yliopisto Havaintokohteita Polarimetria Havaintokohteita (kuvat: @phys.org/news, @annesastronomynews.com) Yleiskuvaus: Polarisaatio
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
Lisätiedoty = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 2 mallit Kevät 219 Tehtävä 1. Laske osittaisderivaatat f x = f/x ja f y = f/, kun f = f(x, y) on funktio a) x 2 y 3 + y sin(2x),
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
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 6
031021P Tilastomatematiikka (5 op) viikko 6 Jukka Kemppainen Mathematics Division Odotusarvojen erotuksen testi, hajonnat σ 1 σ 2 tuntemattomia Oletetaan jälleen, että X ja Y ovat normaalijakautuneita.
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
LisätiedotYhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1
Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia Heliövaara 1 Regressiokertoimien PNS-estimaattorit Määritellään havaintojen x j ja y j, j = 1, 2,...,n
LisätiedotMatemaattinen Analyysi
Vaasan yliopisto, kevät 01 / ORMS1010 Matemaattinen Analyysi. harjoitus, viikko 1 R1 ke 1 16 D11 (..) R to 10 1 D11 (..) 1. Määritä funktion y(x) MacLaurinin sarjan kertoimet, kun y(0) = ja y (x) = (x
LisätiedotVektoriarvoiset funktiot Vektoriarvoisen funktion jatkuvuus ja derivoituvuus
8. Vektoriarvoiset funktiot 8.1. Vektoriarvoisen funktion jatkuvuus ja derivoituvuus 320. Olkoon u reaalimuuttujan vektoriarvoinen funktio R R n ja lim t a u(t) = b. Todista: lim t a u(t) = b. 321. Olkoon
LisätiedotPienimmän neliösumman menetelmä
Pienimmän neliösumman menetelmä Keijo Ruotsalainen Division of Mathematics Funktion sovitus Datapisteet (x 1,...,x n ) Annettu data y i = f(x i )+η i, missä f(x) on tuntematon funktio ja η i mittaukseen
LisätiedotHarjoitus 9: Excel - Tilastollinen analyysi
Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotVirhearviointi. 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
LisätiedotOletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 018 Harjoitus 4 Ratkaisuehdotukset Tehtävä 1. Olkoon U R avoin joukko ja ϕ = (ϕ 1, ϕ, ϕ 3 ) : U R 3 kaksiulotteisen C 1 -alkeispinnan
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 6: 1 Kalmanin suodatin Aiemmin käsitellyt
Lisätiedotlinux: Ympäristömuuttujat
L5: linux linux: Ympäristömuuttujat linux: Ympäristömuuttujat linux komentotulkkki toimii asetettujen ympäristömuuttujien mukaan env kertoo asetetut ympäristömuuttujat Yksi tulostuvista riveistä on tyypillisesti
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) Tavoitteet (teoria): Hahmottaa aikasarjan klassiset komponentit ideaalisessa tilanteessa. Ymmärtää viivekuvauksen vaikutus trendiin. ARCH-prosessin
Lisätiedotx n e x dx = n( e x ) nx n 1 ( e x ) = x n e x + ni n 1 x 4 e x dx = x 4 e x +4( x 3 e x +3( x 2 e x +2( xe x e x ))) = e x
Osittaisintegrointia käyttäen osoita integraalille I n x n e x dx oikeaksi reduktiokaava I n x n e x + ni n ja laske sen avulla mitä on I 4 kun x. x n e x dx n( e x ) nx n ( e x ) x n e x + ni n x 4 e
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 6
031021P Tilastomatematiikka (5 op) viikko 6 Jukka Kemppainen Mathematics Division Satunnaismuuttujien välinen riippuvuus Kokeellisen tutkimuksen keskeinen tehtävä on selvittää mitattavien muuttujien välisiä
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista
Lisätiedot2. Teoriaharjoitukset
2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
LisätiedotMatematiikan perusteet taloustieteilijöille II Harjoituksia kevät ja B = Olkoon A = a) A + B b) AB c) BA d) A 2 e) A T f) A T B g) 3A
Matematiikan perusteet taloustieteilijöille II Harjoituksia kevät 28 1. Olkoon A = Määrää ( 2 1 ) 3 4 1 a) A + B b) AB BA d) A 2 e) A T f) A T B g) 3A ja B = 2 1 6 3 1 2. Laske seuraavat determinantit
LisätiedotMatematiikka B3 - Avoin yliopisto
2. heinäkuuta 2009 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Lisäharjoitustehtävä Kurssin sisältö (1/2) 1. asteen Differentiaali yhtälöt (1.DY) Separoituva Ratkaisukaava Bernoyulli
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
LisätiedotKohdeyleisö: toisen vuoden teekkari
Julkinen opetusnäyte Yliopisto-opettajan tehtävä, matematiikka Klo 8:55-9:15 TkT Simo Ali-Löytty Aihe: Lineaarisen yhtälöryhmän pienimmän neliösumman ratkaisu Kohdeyleisö: toisen vuoden teekkari 1 y y
LisätiedotYhtälöryhmät 1/6 Sisältö ESITIEDOT: yhtälöt
Yhtälöryhmät 1/6 Sisältö Yhtälöryhmä Yhtälöryhmässä on useita yhtälöitä ja yleensä myös useita tuntemattomia. Tavoitteena on löytää tuntemattomille sellaiset arvot, että kaikki yhtälöt toteutuvat samanaikaisesti.
Lisätiedotja B = 2 1 a) A + B, b) AB, c) BA, d) A 2, e) A T, f) A T B, g) 3A (e) A =
Matematiikan perusteet taloustieteilijöille II Harjoituksia kevät 211 1. Olkoon A = Määrää ( 2 1 ) 3 4 1 ja B = 2 1 6 3 1 a) A + B, b) AB, c) BA, d) A 2, e) A T, f) A T B, g) 3A. 2. Laske seuraavat determinantit
LisätiedotKompleksiluvun logaritmi: Jos nyt z = re iθ = re iθ e in2π, missä n Z, niin saadaan. ja siihen vaikuttava
Kompleksiluvun logaritmi: ln z = w z = e w Jos nyt z = re iθ = re iθ e inπ, missä n Z, niin saadaan w = ln z = ln r + iθ + inπ, n Z Logaritmi on siis äärettömän moniarvoinen funktio. Helposti nähdään että
Lisätiedotja B = 2 1 a) A + B, b) AB, c) BA, d) A 2, e) A T, f) A T B, g) 3A (e)
Matematiikan perusteet taloustieteilijöille II Harjoituksia kevät 214 1. Tutki seuraavia jonoja a) (a n )=(3n 1) ( ) 2 b) (a n )= 3 n ( ) 1 c) (a n )= (n + 1)(n +2) 2. Tutki seuraavia sarjoja a) (3k 1)
LisätiedotHarjoitus 3: Regressiomallit (Matlab)
Harjoitus 3: Regressiomallit (Matlab) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Pienimmän neliösumman menetelmä
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7 8
Inversio-ongelmien laskennallinen peruskurssi Luento 7 8 Kevät 2011 1 Iteratiivisista menetelmistä Tähän mennessä on tarkasteltu niin sanottuja suoria menetelmiä, joissa (likimääräinen) ratkaisu saadaan
LisätiedotJuuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
Juuri 0 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 9..08 Kertaus K. a) Alapaineiden pienin arvo on ja suurin arvo 74, joten vaihteluväli on [, 74]. b) Alapaineiden keskiarvo on 6676870774
LisätiedotMS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 10: Stokesin lause
MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 10: Stokesin lause Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 2016 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy
Lisätiedotmin x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4
LisätiedotMallien avulla yritetään kuvata syy-seuraussuhteita. Perusmallituksessa (tunnetut) syyt selittävät mallitettavia seurauksia
Käänteiset tehtävät Mallien avulla yritetään kuvata syy-seuraussuhteita Perusmallituksessa (tunnetut) syyt selittävät mallitettavia seurauksia Useissa käytännön tilanteissa seuraukset tunnetaan tai havaitaan
LisätiedotMS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause.
MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause. Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2015
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Kimmo Berg. Mat Optimointioppi. 9. harjoitus - ratkaisut
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 9. harjoitus - ratkaisut 1. a) Viivahakutehtävä pisteessä x suuntaan d on missä min f(x + λd), λ f(x + λd) = (x
Lisätiedoty (0) = 0 y h (x) = C 1 e 2x +C 2 e x e10x e 3 e8x dx + e x 1 3 e9x dx = e 2x 1 3 e8x 1 8 = 1 24 e10x 1 27 e10x = e 10x e10x
BM0A5830 Differentiaaliyhtälöiden peruskurssi Harjoitus 4, Kevät 017 Päivityksiä: 1. Ratkaise differentiaaliyhtälöt 3y + 4y = 0 ja 3y + 4y = e x.. Ratkaise DY (a) 3y 9y + 6y = e 10x (b) Mikä on edellisen
Lisätiedot110. 111. 112. 113. 114. 4. Matriisit ja vektorit. 4.1. Matriisin käsite. 4.2. Matriisialgebra. Olkoon A = , B = Laske A + B, 5 14 9, 1 3 3
4 Matriisit ja vektorit 4 Matriisin käsite 42 Matriisialgebra 0 2 2 0, B = 2 2 4 6 2 Laske A + B, 2 A + B, AB ja BA A + B = 2 4 6 5, 2 A + B = 5 9 6 5 4 9, 4 7 6 AB = 0 0 0 6 0 0 0, B 22 2 2 0 0 0 6 5
LisätiedotDifferentiaaliyhtälöryhmä
Differentiaaliyhtälöryhmä Ensimmäisen kertaluvun differentiaaliyhtälöryhmä vaikkapa korkeamman kertaluvun yhtälöä vastaava normaaliryhmä voidaan ratkaista numeerisesti täsmälleen samanlaisilla kaavoilla
LisätiedotOptimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0
Optimaalisuusehdot Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0 i = 1,..., m j = 1,..., l missä f : R n R, g i : R n R kaikilla i = 1,..., m, ja h j : R n R kaikilla j = 1,..., l
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 3: Osittaisderivaatta
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 3: Osittaisderivaatta Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu Antti Rasilan luentomonisteeseen
Lisätiedot= 9 = 3 2 = 2( ) = = 2
Ratkaisut 1.1. (a) + 5 +5 5 4 5 15 15 (b) 5 5 5 5 15 16 15 (c) 100 99 5 100 99 5 4 5 5 4 (d) 100 99 5 100 ( ) 5 1 99 100 4 99 5 1.. (a) ( 100 99 5 ) ( ( 4 ( ) ) 4 1 ( ) ) 4 9 4 16 (b) 100 99 ( 5 ) 1 100
LisätiedotS-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
Lisätiedot6. Toisen ja korkeamman kertaluvun lineaariset
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 51 6. Toisen ja korkeamman kertaluvun lineaariset differentiaaliyhtälöt Määritelmä 6.1. Olkoon I R avoin väli. Olkoot p i : I R, i = 0, 1, 2,..., n, ja q : I R jatkuvia
LisätiedotTfy Fysiikka IIB Mallivastaukset
Tfy-.14 Fysiikka B Mallivastaukset 14.5.8 Tehtävä 1 a) Lenin laki: Muuttuvassa magneettikentässä olevaan virtasilmukkaan inusoitunut sähkömotorinen voima on sellainen, että siihen liittyvän virran aiheuttama
LisätiedotVärähdysliikkeet. q + f (q, q, t) = 0. q + f (q, q) = F (t) missä nopeusriippuvuus kuvaa vaimenemista ja F (t) on ulkoinen pakkovoima.
Torstai 18.9.2014 1/17 Värähdysliikkeet Värähdysliikkeet ovat tyypillisiä fysiikassa: Häiriö oskillaatio Jaksollinen liike oskillaatio Yleisesti värähdysliikettä voidaan kuvata yhtälöllä q + f (q, q, t)
LisätiedotLineaarinen toisen kertaluvun yhtälö
Lineaarinen toisen kertaluvun yhtälö Keijo Ruotsalainen Mathematics Division Lineaarinen toisen kertaluvun differentiaaliyhtälö Toisen kertaluvun täydellinen lineaarinen yhtälö muotoa p 2 (x)y + p 1 (x)y
LisätiedotHarjoitus 3: Regressiomallit (Matlab)
Harjoitus 3: Regressiomallit (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Pienimmän neliösumman menetelmä mallin sovittamisessa
LisätiedotBM20A0300, Matematiikka KoTiB1
BM20A0300, Matematiikka KoTiB1 Luennot: Heikki Pitkänen 1 Oppikirja: Robert A. Adams: Calculus, A Complete Course Luku 12 Luku 13 Luku 14.1 Tarvittava materiaali (luentokalvot, laskuharjoitustehtävät ja
LisätiedotDiplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2017 Insinöörivalinnan matematiikan koe , Ratkaisut (Sarja A)
Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 017 Insinöörivalinnan matematiikan koe 30..017, Ratkaisut (Sarja A) 1. a) Lukujen 9, 0, 3 ja x keskiarvo on. Määritä x. (1 p.) b) Mitkä reaaliluvut
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 7 Ti 27.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 7 Ti 27.9.2011 p. 1/39 p. 1/39 Interpolointi Ei tunneta funktion f : R R lauseketta, mutta tiedetään funktion
LisätiedotTilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 2 To 8.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 2 To 8.9.2011 p. 1/33 p. 1/33 Lukujen tallennus Kiintoluvut (integer) tarkka esitys aritmeettiset operaatiot
LisätiedotDynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II
Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
Lisätiedotb) Määritä/Laske (ei tarvitse tehdä määritelmän kautta). (2p)
Matematiikan TESTI, Maa7 Trigonometriset funktiot RATKAISUT Sievin lukio II jakso/017 VASTAA JOKAISEEN TEHTÄVÄÄN! MAOL/LIITE/taulukot.com JA LASKIN ON SALLITTU ELLEI TOISIN MAINITTU! TARKISTA TEHTÄVÄT
LisätiedotEnnustaminen ARMA malleilla ja Kalmanin suodin
Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017
LisätiedotMatemaattisten menetelmien hallinnan tason testi.
Matemaattisten menetelmien hallinnan tason testi. Jokaisessa tehtävässä on vain yksi vaihtoehto oikein.. Laskutoimitusten a) yhteen- ja vähennyslaskun b) kerto- ja jakolaskun c) potenssiin korotuksen järjestys
Lisätiedot9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista
29 9 Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista Tarkastelemme kertalukua n olevia lineaarisia differentiaaliyhtälöitä y ( x) + a ( x) y ( x) + + a ( x) y( x) + a ( x) y= b( x) ( n) ( n
LisätiedotKaksisuuntainen varianssianalyysi. Heliövaara 1
Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän
LisätiedotTilastollisen analyysin perusteet Luento 7: Lineaarinen regressio
Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Sisältö Regressioanalyysissä tavoitteena on tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla
LisätiedotVastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
LisätiedotDierentiaaliyhtälöistä
Dierentiaaliyhtälöistä Markus Kettunen 17. maaliskuuta 2009 1 SISÄLTÖ 1 Sisältö 1 Dierentiaaliyhtälöistä 2 1.1 Johdanto................................. 2 1.2 Ratkaisun yksikäsitteisyydestä.....................
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2018 1. (a) Tunnemme vektorit a = [ 5 1 1 ] ja b = [ 2 0 1 ]. Laske (i) kummankin vektorin pituus (eli itseisarvo, eli normi); (ii) vektorien
LisätiedotKorrelaatiokertoinen määrittely 165
kertoinen määrittely 165 Olkoot X ja Y välimatka- tai suhdeasteikollisia satunnaismuuttujia. Havaintoaineistona on n:n suuruisesta otoksesta mitatut muuttuja-arvoparit (x 1, y 1 ), (x 2, y 2 ),..., (x
LisätiedotJohdatus materiaalimalleihin
Johdatus materiaalimalleihin 2 kotitehtäväsarja - kimmoisat materiaalimallit Tehtävä Erään epälineaarisen kimmoisen isotrooppisen aineen konstitutiivinen yhtälö on σ = f(i ε )I + Ge () jossa venymätensorin
Lisätiedotlinux: Ympäristömuuttujat
L5: linux linux: Ympäristömuuttujat linux: Ympäristömuuttujat linux komentotulkkki toimii asetettujen ympäristömuuttujien mukaan env kertoo asetetut ympäristömuuttujat Yksi tulostuvista riveistä on tyypillisesti
LisätiedotTähtitieteen käytännön menetelmiä Kevät 2009 Luento 5: Python
Tähtitieteen käytännön menetelmiä Kevät 2009 Luento 5: Python 7. helmikuuta 2009 Ohjelmoinnista Ohjelman peruselementtejä Koodin kommentointi Lohkorakenne Ohjausrakenteet If For While Try Funktiot Käyttö
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ
Mat-48 Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ L ẋ = x ẋ = g L sin x rx Epälineaarisen systeemin tasapainotiloja voidaan
LisätiedotJohdatus regressioanalyysiin
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2007) 1 Johdatus regressioanalyysiin >> Regressioanalyysin lähtökohdat ja tavoitteet
LisätiedotHarjoitus Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia:
Differentiaaliyhtälöt, Kesä 216 Harjoitus 2 1. Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia: (a) y = (2 y) 3, (b) y = (y 1) 2, (c) y = 2y y 2. 2. Etsi seuraavien
LisätiedotDifferentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40
Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40 Alkuviikolla harjoitustehtäviä lasketaan harjoitustilaisuudessa. Loppuviikolla näiden harjoitustehtävien tulee olla ratkaistuina harjoituksiin
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotNumeeriset 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:
LisätiedotPylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 2003 LKM 14.8% 11.2% 19.7% 4.9% 3.6% 45.
Pylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 8.8% 8.9%.%.% 9.7%.7% Etelä Länsi Itä Oulu Lappi Ahvenanmaa Länsi Etelä Itä Oulu Lappi Ahvenanmaa Läänien
Lisätiedot