TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Tilastollinen laadunvalvonta

Koko: px
Aloita esitys sivulta:

Download "TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Tilastollinen laadunvalvonta"

Transkriptio

1 TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Tilastollie laauvalvota Shewharti muuttujakartat ARL I = α ARL II = β x-kartta x = x + + x Ex =µ ja Vx = µ ± k Φx = π x e t t α = Φk β =Φk Φ k S-kartta S = x i x gx = X = S x 3 Γ e x, ku x>0 i

2 ii Γx = ES = Γ Γ Γ VS = Γ 0 s x e s s = c 4, ES = c 5 = c 4 B 5 = max0,c 4 kc 5 B 6 =c 4 + kc 5 = c 5 α = PB 5 <S<B 6 = P B 5 <X< B 6 B5 β =PB 5 <S<B 6 =P + <X< B6 + R-kartta R = maxx,...,x mix,...,x f R r = F t F t r ftft r t, fx = e x µ x µ, Fx =Φ π ER = π ER = π 0 s 0 e u +u s Φu Φu s us = s e u +u s Φu Φu s us VR =ER ER = 3 D = max0, k 3 D = + k 3

3 iii α = π e u Φu Φu D Φu Φu D u β = π e u Φu Φ u D Φu Φ u D u + + Karttoje käyistys x-kartta: m m x i = x, m m S i = S, m m R i = R S-kartta: x ± x ± k S = x ± A 3 S, A 3 = k c 4 c 4 k R = x ± A R, A = k max 0, kc 5 S = B 3 S c 4 + kc 5 c 4 S = B 4 S

4 iv R-kartta: max 0, k 3 R = D 3 R + k 3 R = D 4 R Yksittäisarvokartat MR-kartta: MR = y i y i = maxy i,y i miy i,y i =, 3 = 4 π π Käyistys: MR i = y i y i i =,...,m, MR = m π π A = k, D 3/ 3 = max 0, k m MR i i= π, D 4 =+k Shewharti attribuuttikartat p-kartta p = D Ep = ED =θ, Vp = θ θ max 0,θ k θ θ mi,θ+ k θ θ α = Pθ k θ θ <D<θ+ k θ θ, PD = = θ θ

5 v Käyistys: β =Pθ k θ θ <D<θ+ k θ θ, PD = = θ + θ θ θ m m p i = p max 0, p k p p mi, p + k p p c-kartta Pc = i = i i! e i =0,,... Ec =, Vc = max0, k + k α = P k <c<+ k Käyistys: β =P k <c<+ k, + i Pc = i = e i! α = Γ, k +Γ, + k β =Γ +, k Γ +, + k m c i = c m max0, c k c c + k c

6 vi u-kartta ja epämeriittikartta u-kartta: u = D + + D = D Eu =, Vu = VD = max 0, k + k Epämeriittikartta: α = P k <D<+ k, PD = i = i e i! β =P k < D <+ k, = PD = i = + i e + i! L j= ω j D j i = L j= ω j D j i E = j= L ω j j, V = j= L j= L max 0, ω j j k L ωj j j= j= L ω j j + k L ωj j j= ω j j

7 vii Liukumakartat CUSUM-kartta Ey =m, Vy =v C + r C r = max0,y r k + + C + r = mi0,y r k + C r, C + 0 = C 0 =0 PC + s =F s + k + z s 0 RL + z = mi C + r h + r, C + 0 = z p + j z =PRL+ z = j p + z =PC + h + = F h + + k + z p + j h+ z = p + j xfx + k+ z x + p + j 0F k+ z j =, 3,... 0 ARL ± I = ARL ± II = j= j= jp ± j jp ± j 0, Ey =m 0, Ey =m + δ± EWMA-kartta Ey =m, Vy =v z 0 = m z i = y i + z i i =,,... i z i = j y i j + i z 0 j=0 Ez i =m, Vz i = i v

8 viii i LCL i = m kv i UCL i = m + kv LCL = m kv UCL = m + kv ARL z =+ UCL LCL u z ARL u f u RL z = mi r, z 0 = z z r LCL tai z r UCL p j z =PRL z = j UCL z LCL z p z = F + F p j z = UCL LCL ARL I = ARL II = u z p j uf u jp j m, Ey =m j= jp j m, Ey =m + δ j= Moimuuttujakartat x = x + + x S = S = x i xx i x T x i µx i µ T Ex =µ, Vx = Σ

9 ix x = m x + + x m, S = m S + + S m fx = π p/ etσ e x µt Σ x µ χ -kartta X = x µ T Σ x µ EX =p, VX =p Hotelligi kartat T M = x µ T S x µ UCL = p p F p, p, α T = x x T S x x UCL i = pi i i p + F p,i i p+, α, UCL = χ p, α W -kartta: W = p l e Alti kartat l et S etσ + traceσ S S -kartta: et S etσ UCL = χ pp+/, α = p ets etσ χ,,..., p EetS = b etσ, VetS = b etσ b =! p! p, b = max0, b k b etσ b + k b etσ! +! p! p +! p b

10 x Kykyieksit m = USL + LSL, = USL LSL Ieksit Kae ieksit: Taguchi ieksi: C P = 3 C PL = µ LSL 3 C PU = USL µ 3 C PK = mic PL,C PU = µ m 3 Pear Kotz Johso-ieksi: C PM = 3 +µ T Y L = 00 Φ Y = 00 Φ C A = µ T LSL µ USL µ %, Y U = 00Φ USL µ LSL µ Φ % Y L = 00Φ3C PL %, Y U = 00Φ3C PU % % Boylesi ieksi: 00Φ3C PK % Y<00Φ3C PK % C PS = 3 Φ Φ USL µ Y = 00Φ3C PS % + µ LSL Φ

11 xi Ieksie estimoiti ja testaus ˆµ = x, ˆ = S b = S C P : testaus: Ĉ P = 3S b, Ĉ PK = Ĉ PL = x LSL 3S b, Ĉ PM = x m 3S b 3 Sb +x T Ĉ PU = USL x, Ĉ A = x T 3S b X = S b = 9 Ĉ P C A : testaus: CA a PĈA a = Φ C PL : testaus: C PU : testaus: C PM : testaus: = C P Ĉ P CA +a +Φ X = S b, U = x µ /, = µ LSL / =3 C PL 3 ĈPL = U +3 C PL X X = S b, U = x µ /, = µ USL / = 3 C PU 3 ĈPU = U 3 C PU X X = S b, U = x µ /, δ = µ T / C PK : testaus: 9 Ĉ PM = X +U + δ X = S b, U = x µ /, ν = δ = 3C PK = ν 3 C PK, δ = µ m /

12 xii 3ĈPK = x m S b = ν U + δ X F y = Γ by 0 x 3 e x Φν y x + δ Φ ν + y x + δ x, ν, ku y>0 by = y, ku y 0 Tarkastusotata: attribuuttiotata Yksikertaie otata PD = = M N M =0,..., N TN T N c P AA T =, T = M N N =0 c fθ,, c =P AB θ =P A θ = θ θ =0 fθ,, c + fθ,, c = θ c+ θ c c + fθ, +,c fθ,, c = θ c+ θ c c fθ,, c = θ c θ c θ c ATIθ =P A θ+n P A θ AOQθ =θp A θ tai AOQθ = θp A θ N

13 xiii Kaksikertaie otata P A θ = c =0 θ θ + ASNθ = + c t=c + =0 c 3 t c =c + t θ θ θ t+ θ + t Tarkastusotata: muuttujaotata Ala- ja yläpuolie tarkastus µ L P A µ =Φ / x0 µ θ =Φ U µ, P A µ =Φ /. µ x0, θ =Φ µ = x 0 Φ θ, µ = x 0 + Φ θ µ = x 0 Φ p, µ = x 0 + Φ p µ = x 0 Φ p, µ = x 0 + Φ p = Φ α+φ β Φ p Φ p L = µ + Φ α =x 0 Φ p + Φ α U = µ Φ α =x 0 + Φ p Φ α Kaksipuolie tarkastus U µ L µ P A µ =Φ / Φ / x µ µ x θ =Φ +Φ

KURSSIN TILASTOMATEMATIIKKA KAAVOJA

KURSSIN TILASTOMATEMATIIKKA KAAVOJA KURSSIN TILASTOMATEMATIIKKA KAAVOJA X = S = s = Otossuureita X i tai x = x i (otoskeskiarvo) (X i X) = (x i x) = Xi x i E(X) =µ, var(x) = σ X x tai, E(S )=σ (otosvariassi) Normaalijakautuee populaatio

Lisätiedot

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ). HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä

Lisätiedot

Word Taulukko-ominaisuus

Word Taulukko-ominaisuus Word Taulukko-ominaisuus Koulutusmateriaalin tiivistelmä 17.3.2014 JAO Seuranen Valtteri Valtteri Seuranen Tehtävä 1[1] Sisällys Taulukon luominen Word-ohjelmalla... 2 Taulukon muokkaaminen... 7 Rakenne

Lisätiedot

M Pv + q = 0, M = EIκ = EIv, (EIv ) + Pv = q. v(x) = Asin kx + B cos kx + Cx + D + v p. P kr = π2 EI L n

M Pv + q = 0, M = EIκ = EIv, (EIv ) + Pv = q. v(x) = Asin kx + B cos kx + Cx + D + v p. P kr = π2 EI L n ÄÙ Ù ½ ËØ Ð Ù Ú Ó Ó ÐÑ ½º½ ÈÙÖ Ø ØØÙ Ø ÚÙØ ØØÙ ÙÚ Ì Ô ÒÓ ÓØ Q v + q =, M = Q, ½º½µ ÑÑÓ ÐÐ ÙÚ ÐÐ M v + q =, M = EIκ = EIv, (EIv ) + v = q. ½º¾µ ½º µ ½º µ EI = Ú Ó ÆÙÖ Ù ÚÓ Ñ v (4) + k v = q EI, k = EI,

Lisätiedot

LAADUNVALVONTA JA TARKASTUSOTANTA. Keijo Ruohonen

LAADUNVALVONTA JA TARKASTUSOTANTA. Keijo Ruohonen LAADUNVALVONTA JA TARKASTUSOTANTA Keijo Ruohonen 23 Sisältö 1 I SHEWHARTIN MUUTTUJAKARTAT 1 1.1 Yleistä 2 1.2 x-kartta 7 1.3 S-kartta 12 1.4 R-kartta 15 1.5 Karttojen käynnistys 16 1.6 Yksittäisarvokartat

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 Kuinka hyvä ennuste on? Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki

Lisätiedot

Talousmatematiikan perusteet, L2 Kertaus Aiheet

Talousmatematiikan perusteet, L2 Kertaus Aiheet Talousmatematiikan perusteet, L2 Kertaus 1 Laskutoimitukset tehdään seuraavassa järjestyksessä 1. Sulkujen sisällä olevat lausekkeet (alkaen sisältä ulospäin) 2. potenssit ja juurilausekkeet 3. kerto-

Lisätiedot

Tilastollinen aineisto Luottamusväli

Tilastollinen aineisto Luottamusväli Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden

Lisätiedot

Liikkuvan varauksen kenttä

Liikkuvan varauksen kenttä Luku 13 Liikkuvan varauksen kenttä Tässä luvussa tutustutaan liikkuvan varauksen aiheuttamaan kenttään. Jokaisen sähködynaamikon on laskettava ainakin kerran elämässään Liénardin ja Wiechertin potentiaalit

Lisätiedot

TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Luotettavuusteoria

TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Luotettavuusteoria TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Luoeavuueoria Dekripiivinen luoeavuu R() =P(T>) R(x ) =P(T>+ x T>) r() = f() R() R() =e R(x ) =e r() d +x r() d F () R() f() r() F () R() f() F () df () d R()

Lisätiedot

Liikkuvan varauksen kenttä

Liikkuvan varauksen kenttä Luku 14 Liikkuvan varauksen kenttä Tässä luvussa tutustutaan liikkuvan varauksen aiheuttamaan kenttään. Asiaa on käsitelty RMC:n luvussa 21 ja CL:n luvussa 13. Jokaisen sähködynaamikon on laskettava ainakin

Lisätiedot

Talousmatematiikan perusteet, L2 Kertaus Aiheet

Talousmatematiikan perusteet, L2 Kertaus Aiheet Talousmatematiikan perusteet, L2 Kertaus 1 Laskutoimitukset tehdään seuraavassa järjestyksessä 1. Sulkujen sisällä olevat lausekkeet (alkaen sisältä ulospäin) 2. potenssit ja juurilausekkeet 3. kerto-

Lisätiedot

Kreikka'(10'op)' Avoin&yliopisto,&kesä&2014& TT,&MA&Ulla&Tervahauta&&&TM&Nina&Nikki& & KÄYTÄNNÖN'ASIOITA'

Kreikka'(10'op)' Avoin&yliopisto,&kesä&2014& TT,&MA&Ulla&Tervahauta&&&TM&Nina&Nikki& & KÄYTÄNNÖN'ASIOITA' Kreikka'(10'op)' Avoinyliopisto,kesä2014 TT,MAUllaTervahautaTMNinaNikki KÄYTÄNNÖN'ASIOITA' Yleistä' Luennot: 15.5.A27.5.sekä2.6.A18.6.2014,maAto16.15A18.45/Tervahauta 30.7.A28.8.2014maAtoklo16.15A18.45/Nikki

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

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio. Määritelmä 4.3. Estimaattoria X(Y ) nimitetään lineaariseksi projektioksi, jos X on lineaarinen kuvaus ja E[(X X(Y )) Y] 0 }{{} virhetermi Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään tiedetään, että ainakin kaksi

Lisätiedot

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1 Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että

Lisätiedot

Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t

Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t 2 1 0 1 2 Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin

Lisätiedot

1. (a) (2p.) Systeemin infinitesimaalista siirtoa matkan ɛ verran esittää operaattori

1. (a) (2p.) Systeemin infinitesimaalista siirtoa matkan ɛ verran esittää operaattori FYSA5 Kvanttimekaniikka I, Osa B 7.. tentti: 4 tehtävää, 4 tuntia. a) p.) Systeemin infinitesimaalista siirtoa matkan ɛ verran esittää operaattori T ɛ) = iɛ h P. Osoita tämän avulla, että äärellistä siirtoa

Lisätiedot

sin θ θ θ r 2 sin 2 θ φ 2 = 0.

sin θ θ θ r 2 sin 2 θ φ 2 = 0. Mtemtiikn j tilstotieteen litos Osittisdifferentiliyhtälöt Kevät 21 Hrjoitus 9 Rtkisuj Jussi Mrtin 1. Osoit, että Lplce-yhtälö pllokoordinteiss on 2 u 1 r 2 2 u r r 1 r 2 sin θ u 1 2 u sin θ θ θ r 2 sin

Lisätiedot

Differentiaali- ja integraalilaskenta 3 Laskuharjoitus 7 /

Differentiaali- ja integraalilaskenta 3 Laskuharjoitus 7 / M-A3x Differentiaali- ja integraalilaskenta 3, IV/216 Differentiaali- ja integraalilaskenta 3 Laskuharjoitus 7 / 14.-16.3. Harjoitustehtävät 37-4 lasketaan alkuviikon harjoituksissa. Kotitehtävät 41-43

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden 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

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Melli Tilastolliset meetelmät Osa 2: Otokset, otosjakaumat ja estimoiti Estimoitimeetelmät TKK (c) Ilkka Melli (2007) Estimoitimeetelmät >> Todeäköisyysjakaumie parametrie estimoiti Suurimma uskottavuude

Lisätiedot

Osittaisdifferentiaaliyhtälöt

Osittaisdifferentiaaliyhtälöt Osittaisdifferentiaaliyhtälöt Harjoituskokoelmat 4 ja 5, kevät 2011 Palautus Eemeli Blåstenille to 23.6. klo 16.00 mennessä 1. Ratkaise Dirichlet ongelma u(x, y) = 0, x 2 + y 2 < 1, u(x, y) = y + x 2,

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Tilastollinen päättely II, kevät 2017 Harjoitus 3B Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.

Lisätiedot

Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg)

Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg) Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus 4 9.4.-23.4.200 Malliratkaisut (Sauli Lindberg). Näytä, että Lusinin lauseessa voidaan luopua oletuksesta m(a)

Lisätiedot

ARMA(p, q)-prosessin tapauksessa maksimikohdan määrääminen on moniulotteinen epälineaarinen optimointiongelma.

ARMA(p, q)-prosessin tapauksessa maksimikohdan määrääminen on moniulotteinen epälineaarinen optimointiongelma. missä µ = c φ ja C j,k = Γj k) = σ 2 φj k φ 2. ARMAp, q)-prosessin tapauksessa maksimikohdan määrääminen on moniulotteinen epälineaarinen optimointiongelma. Käytännösssä optimointi tehdään numeerisesti

Lisätiedot

Johdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteesee Estimoitimeetelmät TKK (c) Ilkka Melli (2005) 1 Estimoitimeetelmät Todeäköisyysjakaumie parametrie estimoiti Momettimeetelmä Normaalijakauma parametrie estimoiti Ekspoettijakauma

Lisätiedot

MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta

MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta 8..206 Gripenberg, Nieminen, Ojanen, Tiilikainen, Weckman Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi

Lisätiedot

Pro gradu -tutkielma Meteorologia SUOMESSA ESIINTYVIEN LÄMPÖTILAN ÄÄRIARVOJEN MALLINTAMINEN YKSIDIMENSIOISILLA ILMAKEHÄMALLEILLA. Karoliina Ljungberg

Pro gradu -tutkielma Meteorologia SUOMESSA ESIINTYVIEN LÄMPÖTILAN ÄÄRIARVOJEN MALLINTAMINEN YKSIDIMENSIOISILLA ILMAKEHÄMALLEILLA. Karoliina Ljungberg Pro gradu -tutkielma Meteorologia SUOMESSA ESIINTYVIEN LÄMPÖTILAN ÄÄRIARVOJEN MALLINTAMINEN YKSIDIMENSIOISILLA ILMAKEHÄMALLEILLA Karoliina Ljungberg 16.04.2009 Ohjaajat: Ari Venäläinen, Jouni Räisänen

Lisätiedot

LUKU 10. Yhdensuuntaissiirto

LUKU 10. Yhdensuuntaissiirto LUKU hdensuuntaissiirto Olkoot (M, N) suunnistettu pinta, p M ja v p R 3 p annettu vektori pisteessä p (vektorin v p ei tarvitse olla pinnan M tangenttivektori). Tällöin vektori (v p N(p)) N(p) on vektorin

Lisätiedot

JYVÄSKYLÄN YLIOPISTO. 5. Olkoon f : [0, 1] R kasvava. Osoita, että joukko. {x [0, 1] f ei ole jatkuva pisteessä x} on numeroituva. [Vihje: Lause 1.2.

JYVÄSKYLÄN YLIOPISTO. 5. Olkoon f : [0, 1] R kasvava. Osoita, että joukko. {x [0, 1] f ei ole jatkuva pisteessä x} on numeroituva. [Vihje: Lause 1.2. Harjoitukset 1 16.9.25 1. Merkitään Z + = {x Z x > }. Osoita, että f : Z + Z + Z +, f(x, y) = 2 x 1 (2y 1), on bijektio. Piirrä kuva. Perinteisempi kuvaus Z + Z + Z + on (x, y) (x + y 1)(x + y)/2 (x 1).

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b Tilastollie päättömyys, kevät 07 Harjoitus b Heikki Korpela 3. helmikuuta 07 Tehtävä. a Olkoot Y,..., Y Bθ. Johda uskottavuusosamäärä testisuuree ry, Waldi testisuuree wy ja Rao pistemäärätestisuuree uy

Lisätiedot

u 2 dx, u A f siten, että D(u) = inf D(U). Tarkemmin: Tarkoitus on osoittaa seuraavat minimointitehtävä ja Dirichlet n tehtävä u A f ja

u 2 dx, u A f siten, että D(u) = inf D(U). Tarkemmin: Tarkoitus on osoittaa seuraavat minimointitehtävä ja Dirichlet n tehtävä u A f ja 1. Dirichlet n periaatteesta 1.1. Periaate I. Dirichlet n periaate pohjautuu fysikaaliseen minimienergiaperiaatteeseen ja luo pohjaa osittaisdifferentiaaliyhtälöiden ja variaatiolaskennan välille). Yksinkertaisesti

Lisätiedot

J 2 = J 2 x + J 2 y + J 2 z.

J 2 = J 2 x + J 2 y + J 2 z. FYSA5 Kvanttimekaniikka I, Osa B.. tentti: 4 tehtävää, 4 tuntia. Tarkastellaan pyörimismääräoperaattoria J, jonka komponentit toteuttavat kommutaatiorelaatiot [J x, J y ] = i hj z, [J y, J z ] = i hj x,

Lisätiedot

Harjoitus 1, tehtävä 1

Harjoitus 1, tehtävä 1 Heikki Kallasjoki, 66H, htkallas@cc.hut.fi /34 Harjoitus, tehtävä Oletetaan, että f C(R) on π-jaksollinen funktio ja a R. Näytä, että f(t + a) dt f(t) dt a+π f(t) dt. a () () (3) Tarkastellaan ensin lauseketta

Lisätiedot

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos

Lisätiedot

Reaalianalyysin perusteita

Reaalianalyysin perusteita Reaalianalyysin perusteita Heikki Orelma 16. marraskuuta 2008 Sisältö 1 Johdanto 3 2 Mitallisuus 3 3 Yksinkertaiset funktiot 6 4 Mitat ja integrointi 7 5 Kompleksisten funktioiden integrointi 10 6 Nolla-mittaisten

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3

Lisätiedot

Opiskelijan pikaopas STACK-tehtäviin. Lassi Korhonen, Oulun yliopisto

Opiskelijan pikaopas STACK-tehtäviin. Lassi Korhonen, Oulun yliopisto Opiskelijan pikaopas STACK-tehtäviin Lassi Korhonen, Oulun yliopisto 21.3.2016 SISÄLLYSLUETTELO Oppaan käyttäminen... 2 Vastauksen syöttämisen perusteet... 2 Operaatiot... 2 Luvut ja vakiot... 3 Funktiot...

Lisätiedot

Älä tee mitään merkintöjä kaavakokoelmaan!

Älä tee mitään merkintöjä kaavakokoelmaan! AS-74. Alogie ääö vkokoelm v. Plu ei jälkee! Trk kokoelm ivumäärä! Älä ee miää merkiöjä kvkokoelm! Dymie mllie perukompoei. Sähköie kompoei Vu (reii) u() Ri() el (iduki) u() L di() d odeori i() C du()

Lisätiedot

Projektin arvon aleneminen

Projektin arvon aleneminen Projektin arvon aleneminen sivut 99-07 Optimointiopin seminaari - Syksy 000 / Arvon aleneminen Jatketaan projektin arvon tutkimista. Nyt huomioidaan arvon aleneminen. Syitä esimerkiksi: kaluston vanheneminen

Lisätiedot

Epälineaaristen yhtälöiden ratkaisumenetelmät

Epälineaaristen yhtälöiden ratkaisumenetelmät Epälineaaristen yhtälöiden ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Perusoletus Lause 3.1 Olkoon f : [a, b] R jatkuva funktio siten, että f(a)f(b) < 0. Tällöin funktiolla on ainakin

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 8 To 29.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 8 To 29.9.2011 p. 1/36 p. 1/36 Interpolointi kuutiosplinillä Osavälit: I i = [t i 1,t i ], i = 1,2,...,n

Lisätiedot

6.1 Autokovarianssifunktion karakterisaatio aikatasossa

6.1 Autokovarianssifunktion karakterisaatio aikatasossa 6. Spektraalianalyysi Tällä kurssilla on käyty läpi eräitä stationääristen aikasarjojen ominaispiirteitä, kuten aikasarjaa mallintavan stokastisen prosessin X t odotusarvo E[X t ] ja autokovarianssifunktio

Lisätiedot

5 Tärkeitä yksiulotteisia jakaumia

5 Tärkeitä yksiulotteisia jakaumia 5 Tärkeitä yksiulotteisia jakaumia Jakaumista löytyy lisätietoja ja kuvaajia Wikipediasta. Kirjallisuudessa käytetään useille näistä jakaumista monia erilaisia parametrointeja. Kussakin lähteessä käytetty

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

Aluevarausmerkinnät: T/kem Maakuntakaava

Aluevarausmerkinnät: T/kem Maakuntakaava kk mk mv se jl ma ge pv nat luo un kp me va sv rr rr A AA C P TP T TT T/kem V R RA RM L LM LL LS E ET EN EJ EO EK EP S SL SM SR M MT MU MY W c ca km at p t t/ kem mo vt/kt/st vt/kt st yt tv /k /v ab/12

Lisätiedot

Perusidea: Jaetaan väli [a, b] osaväleihin ja muodostetaan osavälejä vastaavat suorakulmiot/palkit, joiden korkeus funktion arvot kyseisellä välillä.

Perusidea: Jaetaan väli [a, b] osaväleihin ja muodostetaan osavälejä vastaavat suorakulmiot/palkit, joiden korkeus funktion arvot kyseisellä välillä. Lähtötilanne Lähtötilanne Tavoite: Määritellään funktion f : [a, b] R integraali siten, että integraalin arvo yhtyy funktion f kuvaajan ja x-akselin väliin jäävän alueen pinta-alaan. Perusidea: Jaetaan

Lisätiedot

Reuna-Harnack-periaatteesta

Reuna-Harnack-periaatteesta Reuna-Harnack-periaatteesta Teemu Kontoniemi Matematiikan Pro Gradu-tutkielma Jyväskylän yliopisto Matematiikan tilastotieteen laitos 15.1.008 Sisältö 1 Aihe 3 1.1 Johdanto...............................

Lisätiedot

Aineaaltodynamiikka. Aikariippuva Schrödingerin yhtälö. Stationääriset tilat. Ei-stationääriset tilat

Aineaaltodynamiikka. Aikariippuva Schrödingerin yhtälö. Stationääriset tilat. Ei-stationääriset tilat Aieaaltodyamiikka Aikariiuva Scrödigeri ytälö Aieaaltoketä aikariiuvuude määrää ytälö Aieaaltokettie riiuvuus ajasta aikariiuva Scrödigeri ytälö Statioääriset ja ei-statioääriset tilat Aaltoaketit Kvattimekaiika

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 10: Moninkertaisten integraalien sovelluksia

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 10: Moninkertaisten integraalien sovelluksia MS-A22 ifferentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Moninkertaisten integraalien sovelluksia Antti Rasila Aalto-yliopisto Syksy 215 Antti Rasila (Aalto-yliopisto) MS-A22 Syksy 215 1 / 2 Moninkertaisten

Lisätiedot

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Mari Herranen. Ultratulo

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Mari Herranen. Ultratulo TAMPEREEN YLIOPISTO Pro gradu -tutkielma Mari Herranen Ultratulo Informaatiotieteiden yksikkö Matematiikka Marraskuu 2015 Tampereen yliopisto Informaatiotieteiden yksikkö HERRANEN, MARI: Ultratulo Pro

Lisätiedot

Dihedraalinen ryhmä Pro gradu Elisa Sonntag Matemaattisten tieteiden laitos Oulun yliopisto 2013

Dihedraalinen ryhmä Pro gradu Elisa Sonntag Matemaattisten tieteiden laitos Oulun yliopisto 2013 Dihedraalinen ryhmä Pro gradu Elisa Sonntag Matemaattisten tieteiden laitos Oulun yliopisto 2013 Sisältö Johdanto 2 1 Ryhmä 3 2 Symmetrinen ryhmä 6 3 Symmetriaryhmä 10 4 Dihedraalinen ryhmä 19 Lähdeluettelo

Lisätiedot

Käyttövedenlämmitin. KÄYTTÖVEDENLÄMMITIN HAATO HK-15 1/3KW SEINÄ/VAAKA LVI-numero PIKA OD38

Käyttövedenlämmitin. KÄYTTÖVEDENLÄMMITIN HAATO HK-15 1/3KW SEINÄ/VAAKA LVI-numero PIKA OD38 Käyttövedenlämmitin HK-15 1/3KW SEINÄ/VAAKA 5253010 OD38 HK-35 2KW SEINÄ/VAAKA 5253015 RS52 HK-55 2KW SEINÄ/VAAKA 5253020 DE35 HK-100 2KW SEINÄ/VAAKA 5253022 VL77 HM-150 2/3KW SAUNA 5253045 UH93 HM-230

Lisätiedot

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen testaus. Vilkkumaa / Kuusinen 1 Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää

Lisätiedot

KKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.

KKT: log p i v 1 + v 2 x i = 0, i = 1,...,n. TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 7. harjoitus - ratkaisut 1. Oletetaan aluksi, että epäyhtälöt eivät ole aktiivisia p i > 0. Tässä tapauksess KKTehdot

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2016)

ELEC C4140 Kenttäteoria (syksy 2016) ELEC C4140 Kenttäteoria (syksy 2016) Henrik Wallén / versio 21. marraskuuta 2016 Tasoaaltojen heijastus ja läpäisy (Ulaby 8.1 8.5) Kohtisuora heijastus ja läpäisy Tehon heijastus ja läpäisy Snellin laki

Lisätiedot

PIENTALON TERÄSBETONIRUNKO / / html.

PIENTALON TERÄSBETONIRUNKO / / html. PIENTALON TERÄSBETONIRUNKO https://www.virtuaaliamk.fi/opintojaksot/030501/1069228479773/11 29102600015/1130240838087/1130240901124.html.stx Ks Esim opintojaksot: Rakennetekniikka, Betoniraakenteet Luentoaineisto:

Lisätiedot

Väliestimointi (jatkoa) Heliövaara 1

Väliestimointi (jatkoa) Heliövaara 1 Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).

Lisätiedot

031021P Tilastomatematiikka (5 op) viikko 4

031021P Tilastomatematiikka (5 op) viikko 4 031021P Tilastomatematiikka (5 op) viikko 4 Jukka Kemppainen Mathematics Division Tilastollinen aineisto Tilastolliset menetelmät ovat eräs keino tutkia numeerista havaintoaineistoa todennäköisyyslaskentaa

Lisätiedot

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 2016 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2016

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Frekventistiset vs. bayeslaiset menetelmät Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2016)

ELEC C4140 Kenttäteoria (syksy 2016) ELEC C4140 Kenttäteoria (syksy 2016) Henrik Wallén / versio 8. marraskuuta 2016 Tasoaallot, osa 1 (Ulaby 7.1, 7.2, 7.4) Kenttäosoittimet Aikaharmoniset Maxwellin yhtälöt Tasoaaltoratkaisu Tasoaaltoyhtälöt

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2015)

ELEC C4140 Kenttäteoria (syksy 2015) ELEC C4140 Kenttäteoria (syksy 2015) Henrik Wallén Luentoviiko 12 / versio 1. joulukuuta 2015 Antennit (Ulaby 9.1 9.6, 9.9) Hertzin dipoli Kaukokenttä Säteilykuvio ja suuntaavuus Antennin vahvistus ja

Lisätiedot

Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin (yo-kirjoituksissa hyväksytty) on sallittu apuväline tässä kokeessa!

Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin (yo-kirjoituksissa hyväksytty) on sallittu apuväline tässä kokeessa! Aalto yliopiston teknillinen korkeakoulu Mat-1.1040 L4 Tentti ja välikokeiden uusinta 21.5.2010 Gripenberg, Arponen, Siljander Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 10: Moninkertaisten integraalien sovelluksia

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 10: Moninkertaisten integraalien sovelluksia MS-A22 ifferentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Moninkertaisten integraalien sovelluksia Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 217 Antti Rasila (Aalto-yliopisto)

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2015)

ELEC C4140 Kenttäteoria (syksy 2015) ELEC C4140 Kenttäteoria (syksy 2015) Henrik Wallén Luentoviiko 8 / versio 3. marraskuuta 2015 Tasoaallot, osa 1 (Ulaby 7.1, 7.2, 7.4) Kenttäosoittimet Aikaharmoniset Maxwellin yhtälöt Tasoaaltoratkaisu

Lisätiedot

F(x) = P(X x), x R. F(x) = 1º

F(x) = P(X x), x R. F(x) = 1º ËÁË ÄÌ Ö ØØ Ý ÙÐÓØØ ÙÑ ½¼ º½ Ö ØØ ØÙÒÒ ÑÙÙØØÙ º º º º º º º º º º º º º º º º º º ½¼ º¾ ÖÒÓÙÐÐ Ò Ó Ø ÒÓÑ ÙÑ º º º º º º º º º º º º º º º ½¼ º¾º½  ÙÑ Ò ÝÑÑ ØÖ º º º º º º º º º º º º º º º º º º º ½½

Lisätiedot

! #! %! & #!!!!! ()) +

! #! %! & #!!!!! ()) + ! #! %! & #!!!!! ()) + Tiedekunta/Osasto Fakultet/Sektion Faculty Humanistinen tiedekunta Laitos Institution Department Taiteiden tutkimuksen laitos Tekijä Författare Author Matti Pesonen Työn nimi Arbetets

Lisätiedot

Tampereen yliopisto Informaatiotieteiden yksikkö

Tampereen yliopisto Informaatiotieteiden yksikkö Tampereen yliopisto Informaatiotieteiden yksikkö Kevät 017 Luennot: Kerkko Luosto Muistiinpanot: Jesse Railo (013) ja Jussi Klemetti (017) 6 Kartioleikkaukset Vanhan ajan geometrian merkittävimpiä tuloksia

Lisätiedot

u = 2 u (9.1) x + 2 u

u = 2 u (9.1) x + 2 u 9. Poissonin integraali 9.. Poissonin integraali. Ratkaistaan Diriclet n reuna-arvotehtävä origokeskisessä, R-säteisessä ympyrässä D = {(x, y) R x +y < R }, t.s. kun f : D R on annettu jatkuva funktio,

Lisätiedot

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k LUKU 3 Ulkoinen derivaatta Olkoot A R n alue k n ja ω jatkuvasti derivoituva k-muoto alueessa A Muoto ω voidaan esittää summana ω = ω i1 i 2 i k dx i 1 dx i 2 1 i 1

Lisätiedot

f(x 1,x 2 ) = f 1 (x 1 )f 2 (x 2 ) x 2 f(x 1,x 2,...,x n ) = f 1 (x 1 )f 2 (x 2 ) f n (x n ) f 1 (x 1 ) = 1 6, ÙÒ x 1 S 1 f 2 (x 2 ) = = 2 x 2

f(x 1,x 2 ) = f 1 (x 1 )f 2 (x 2 ) x 2 f(x 1,x 2,...,x n ) = f 1 (x 1 )f 2 (x 2 ) f n (x n ) f 1 (x 1 ) = 1 6, ÙÒ x 1 S 1 f 2 (x 2 ) = = 2 x 2 Ú ËÁË ÄÌ ÅÓÒ ÙÐÓØ Ø ÙÑ Ø ½ º½ à ÙÐÓØØ Ø ÙÑ Ø º º º º º º º º º º º º º º º º º º º º º ½ º½º½ Ê ÙÒ ÙÑ Ø ÓÐÐ Ø ÙÑ Ø º º º º º º º º º ½ º½º¾ ÓÐÐ Ò Ó ÓØÙ ÖÚÓÒ ÓÑ Ò ÙÙ º º º º º º º º º ½ º½º À Ö Ö Ø Ñ ÐÐ

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan

Lisätiedot

F dr = F NdS. VEKTORIANALYYSI Luento Stokesin lause

F dr = F NdS. VEKTORIANALYYSI Luento Stokesin lause 91 VEKTORIANALYYI Luento 13 9. tokesin lause A 16.5 tokesin lause on kuin Gaussin lause, mutta yhtä dimensiota alempana: se liittää toisiinsa kentän derivaatasta pinnan yli otetun integraalin ja pinnan

Lisätiedot

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita

Lisätiedot

Analyysin peruslause

Analyysin peruslause LUKU 10 Analyysin peruslause 10.1. Peruslause I Aiemmin Cantorin funktion ψ kohdalla todettiin, että analyysin peruslause II ei päde: [0,1] ψ (x) dm(x) < ψ(1) ψ(0). Kasvavalle funktiolle analyysin peruslauseesta

Lisätiedot

Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus KE (2014) 1

Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus KE (2014) 1 Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus KE (2014) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset testit ja testisuureet Virheet

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2015)

ELEC C4140 Kenttäteoria (syksy 2015) ELEC C4140 Kenttäteoria (syksy 2015) Henrik Wallén Luentoviiko 1 / versio 8. syyskuuta 2015 Johdanto (ti) Merkinnät ja yksiköt Kenttä- ja lähdesuureet Maxwellin yhtälöt ja väliaineyhtälöt Aallot ja osoittimet

Lisätiedot

Hysteerinen komedia meistä naisista...(ja vähän myös miehistä)! oivatuotanto.fi

Hysteerinen komedia meistä naisista...(ja vähän myös miehistä)! oivatuotanto.fi H d (j v ö )! H: Kj j j: Apö : S: Tjjj: Lv: V: V-p: Ä: M: Kp: Pv: Nö: Gfi : Kv: S Sd Bjö Jbdó N Hg T P Tj V Gd Ö J Tv K K J Tv, K Kj R H, K W K W Gd Ö J H, K Ld Mj H K Kj K 1 30 j 15 v Ap : Sf Ed 3 Sg,

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö

Lisätiedot

MS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset

MS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,

Lisätiedot

11. Poissonin yhtälö Perusratkaisu. Laplacen yhtälöön liittyvää epähomogeenista osittaisdifferentiaaliyhtälöä

11. Poissonin yhtälö Perusratkaisu. Laplacen yhtälöön liittyvää epähomogeenista osittaisdifferentiaaliyhtälöä . Poissonin yhtälö.. Perusratkaisu. Laplacen yhtälöön liittyvää epähomogeenista osittaisdifferentiaaliyhtälöä u = f kutsutaan Poissonin yhtälöksi ja siihen liittyvvää reuna-arvotehtävää { u = f :ssa, ja

Lisätiedot

Rajoittamattomat kieliopit

Rajoittamattomat kieliopit Rajoittamattomat kieliopit Ohjelmoinnin ja laskennan perusmalleista muistetaan, että kieli voidaan kuvata (esim.) kieliopilla joka tuottaa sen, tai automaatilla joka tunnistaa sen. säännölliset lausekkeet

Lisätiedot

Esimerkki 1 Ratkaise differentiaaliyhtälö

Esimerkki 1 Ratkaise differentiaaliyhtälö Esimerkki 1 Ratkaise differentiaaliyhtälö x 2 y xy =1/x. 1 / K. Tuominen kimmo.i.tuominen@helsinki.fi MApu II 1/20 20 Esimerkki 2 Ratkaise differentiaaliyhtälö x(ln y)y y ln x =0. 2 / K. Tuominen kimmo.i.tuominen@helsinki.fi

Lisätiedot

5.7 Uskottavuusfunktioon perustuvia testejä II

5.7 Uskottavuusfunktioon perustuvia testejä II 5.7 Uskottavuusfunktioon perustuvia testejä II Tässä pykälässä pohditaan edellä tarkasteltujen kolmen testisuureen yleistystä malleihin, joiden parametri on useampiulotteinen, ja testausasetelmiin, joissa

Lisätiedot

( ds ) A (2) ψ ξ dv + ψ 2 ξ dv = ψ 2 ξ ξ 2 ψ ) V

( ds ) A (2) ψ ξ dv + ψ 2 ξ dv = ψ 2 ξ ξ 2 ψ ) V Kenttäteorian matemaattisia apuneuvoja 4..7. Gaussin ja Stokesin lauseet V S ds A = dl A = V S A dv, =, tai ) ds ) A ). Greenin kaavat I : II : 3. Diracin deltafunktio 4. Vektorilaskentaa V V ψ ξ dv +

Lisätiedot

a x a y I xi y i I xyi x i I xyi + y i I yi

a x a y I xi y i I xyi x i I xyi + y i I yi Ê ÒØ Ò Ñ Ò Ò ÓÚ ÐÐÙØÙ Ú Ó Ó ÐÑ º ØÓÙ Ó ÙÙØ ¾¼½¾ ÄÙ Ù ½ Ê ÒØ Ò Ñ Ò Ò ÓÚ ÐÐÙØÙ Ú Ó Ó ÐÑ Ó ½ ½º½ à ÖÖÓ Ø ÐÓ ÎÒØ [ Ixi I xi I xi ÂÓ ÐÐ Ô ÖØ ÐÐ ÔØ Ii ][ a x a ] = [ xi I xi i I xi x i I xi + i I i ]. ½º½µ I

Lisätiedot

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1 Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen

Lisätiedot

Sisäpiirintiedon syntyminen

Sisäpiirintiedon syntyminen Kai Kotiranta Sisäpiirintiedon syntyminen Kontekstuaalinen tulkinta Y liopistollinen väitöskirja, jo k a Lapin yliopiston oikeustieteiden tiedekunnan suostum uksella esitetään julkisesti tarkastettavaksi

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 10: Napa-, sylinteri- ja pallokoordinaatistot. Pintaintegraali.

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 10: Napa-, sylinteri- ja pallokoordinaatistot. Pintaintegraali. MS-A25/MS-A26 Differentiaali- ja integraalilaskenta 2 Luento 1: Napa-, sylinteri- ja pallokoordinaatistot. Pintaintegraali. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät

Lisätiedot

Stationaariset stokastiset prosessit ja ARMA-mallit

Stationaariset stokastiset prosessit ja ARMA-mallit Stationaariset stokastiset prosessit ja ARMA-mallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

KOMPLEKSIANALYYSI I KURSSI SYKSY 2012

KOMPLEKSIANALYYSI I KURSSI SYKSY 2012 KOMPLEKSIANALYYSI I KURSSI SYKSY 212 RITVA HURRI-SYRJÄNEN 6.1. Poluista. 6. Kompleksinen integrointi Olkoon [α, β] suljettu reaaliakselin väli, α < β, ja olkoon A kompleksitason avoin joukko. Polku on

Lisätiedot

KOONTI. Evernotemuistiinpanoista. Kaksi vuotta. ajalta KOONTI. SEKALAISTA II Oppiminen. SEKALAISTA I Oppiminen.

KOONTI. Evernotemuistiinpanoista. Kaksi vuotta. ajalta KOONTI. SEKALAISTA II Oppiminen. SEKALAISTA I Oppiminen. KOONTI KOONTI Historiatiedot SEKALAISTA I Oppiminen SEKALAISTA II Oppiminen TYÖNAHJO Leipätyö Evernotemuistiinpanoista How to draw a lion: - hahmot kehitelty 28.8.2014 - leijonateema 6.8.2014 - järjestysaihio

Lisätiedot