S Havaitseminen ja toiminta

Koko: px
Aloita esitys sivulta:

Download "S-114.2720 Havaitseminen ja toiminta"

Transkriptio

1 S Havaitseminen ja toiminta Heikki Hyyti 60451P Harjoitustyö 1 psykofyysiset kokeet ja neuroanatomia Unit 1: Käy hermosolun osat läpi. Tarvitset tietoja myöhemmissä tehtävissä. OK Opettele kalium-natrium-pumpun toiminta. Tarvitset tietoja pian. OK 1.2 Selitä pääpiirteittään aktiopotentiaalin synty ja eteneminen hermosolussa. (6) Aluksi hermosolun solukalvo on -70mV lepopotentiaalissaan. Hermosolun dendriitteihin tulee ajallisesti ja spatiaalisesti summautuneena kemiallisia tai sähköisiä viestejä muista soluista. Kemiallinen viesti voi olla inhiboiva (vähentävä) tai eksitoiva (lisäävä). Kemialliset välittäjäaineet sitoutuvat postsynaptisen (synapsiraon jälkimmäisen) solun reseptoreihin ja avaavat ionikanavia. Ionikanavien kautta soluun pääsee solun ulkoisesta tilasta ioneja ja toisinpäin. Ionipumppu pitää solukalvon välillä tietyn ionitasapainon, josta johtuu lepopotentiaali. Solun sisäinen potentiaali alkaa nousta, kun natrium-ionikanavat aukenevat ja Na+ -ionit alkavat virrata sisään soluun depolarisoiden solun. Kun solun potentiaali on noussut laukaisukynnyksen yli aukenevat kalium-ionikanavat ja K+ -ionit alkavat virrata ulos solusta, jolloin solukalvon potentiaaliero muuttuu taas negatiiviseksi (hyperpolarisaatio). Nyt natrium-kalium-pumppu alkaa taas siirtää natriumia ulos ja kaliumia sisään palauttaen alkuperäisen tilanteen. Kun hermosolun solukalvon potentiaali aksonin juuressa on noussut kynnysjännitteen tasolle, laukeaa aktiopotentiaali. Se lähtee etenemään aksonissa kaikki tai ei mitään periaatteella. Jänniteherkät ionikanavat aukenevat ja sulkeutuvat kukin vuorollaan niin, että potentiaaliero lähtee etenemään pitkin aksonia vain yhteen suuntaan. Jos hermosolun aksonilla on myeliinituppeja, potentiaaliero johtuu tupen yli ja reaktio etenee Ranvierin kuroumasta toiseen näin nopeuttaen signaalin etenemistä huomattavasti.

2 1.3 Selitä temporaalinen ja spatiaalinen summautuminen. (6) Temporaalisessa eli ajallisessa summautumisessa hermosolun dendriitteihin tulee eri aikoina ärsytystä joko kemiallisesti tai fyysisesti. Yhden signaalin aiheuttama eksitaatio tai inhibitio, joka soluun tulee kestää tietyn ajan. Jos tämän ajan sisällä tulee useampia erillisiä signaaleita, vaikuttavat ne toisiinsa summautuen. Jos presynaptinen solu laukoo tiheään tahtiin, aiheuttaa se suuremman muutoksen postsynaptisen solun toimintaan, kuin hitaaseen tahtiin laukova presynaptinen solu. Spatiaalinen eli paikasta riippuva summautuminen tarkoittaa sitä, että eri hermosolujen dendriitteihin tulee yhtäaikaisesti tai lähes yhtäaikaisesti signaalia toisista hermosoluista tai ulkoisesta ärsykkeestä. Nämä signaalit summautuvat toisiinsa hermosolussa Mitä hyötyä lateraalisesta inhibitiosta voisi olla näköjärjestelmässä? (6) Lateraalisen inhibition avulla näköjärjestelmässä voidaan toteuttaa erilaisia reseptiivisiä kenttiä. Verkkokalvolla vierekkäisiä soluja inhiboidaan, jolloin syntyy on-center-off-surround tyyppinen reseptiivinen kenttä. Tämän avulla reunojen tunnistaminen ja havaitseminen helpottuu. Silmän verkkokalvolta lähtee vain vähän hermoja kohti aivoja verkkokalvon tappi ja sauvasolujen lukumäärään verrattuna. Jotta koko näkökentästä saataisiin tietoja aivoihin, on signaalia pakostikin pakattava ja summattava toisiinsa. Jos lateraalista inhibitiota ei olisi, niin vierekkäiset signaalit olisi vain summattava toisiinsa. Tällöin näkisimme kaiken pehmennettynä (blur-efekti). Jotta voisimme vielä eroottaa rajapinnat ja kappaleiden muodot ja koot tarkasti, pitää vierekkäisten tappien ja sauvojen arvolla inhiboida vierekkäisten solujen toimintaa. Tästä epäselvästä reunoja vahvistavasta signaalista aivot luovat näkemämme tarkan kuvan.

3 Mitä eroa on aivokuoren yksinkertaisilla, kompleksisilla ja hyperkompleksisilla soluilla? (6) Aivokuoren yksinkertaisissa soluissa summataan verkkokalvolta tulleiden reseptiivisten kenttien informaatiota toisiinsa niin, että syntyy tiettyyn suuntaan reseptiivisiä kenttiä. Tämä saavutetaan esimerkiksi niin että on-center-offsurround reseptiivisiä kenttiä summataan niin että pystysuunnassa keskustat pysyvät samassa paikassa. Tällöin saadaan pystysuuntaan on-alue, jonka ympärillä on off-alue. Tämä solu reagoi nyt näkökentässä oleviin pystysuuntaisiin juoviin. Kompleksit soluissa on yhdistetty vielä useamman aikaisemman hermosolun signaalinkäsittelyä. Nämä solut reagoivat monimutkaisempaan nähtyyn signaaliin, kuten tietyn suuntaiseen liikkeeseen. Tällainen tietynsuuntaisen liikkeen havaitseminen saavutetaan neuroverkolla, jossa samaan suuntaan aktiivisia eri paikoissa olevia reseptiivisiä kenttiä summataan yhteen tietyn suuruisilla viiveillä. Näin saadaan haluttuun suuntaan tietyllä nopeudella reagoiva solu. Hyperkompleksit solut ovat vieläkin monimutkaisempia. Niissä solun aktivaatioon vaikuttavat kompleksien solujen tapaan suunta ja nopeus, mutta myös tiettyyn suuntaan olevan liikkuvan viivan pituus.

4 Unit 5.1: Tee tehtävä (kymmenkunta arvausta riittänee). Miksi tämä kyseinen tehtävä ei ole hyvä selvittämään kuinka paljon koehenkilön vastauksissa on hajontaa? (4) Tehtävässä pitää palkkia vetämällä muuttaa punaisen kolmion alaa ja yrittää estimoida sillä sinisen kolmion alaa. Tehtävässä eri kerroilla palkki vaikuttaa aina saman verran kolmion kokoon. Tällöin kun palkin siirtää aina samaan paikkaan, niin saa aina samankokoisen kolmion. Kun oppii mihin kohtaan palkki pitää siirtää, saa aina saman tuloksen. Lisäksi kolmion koolle ei ole kauhean paljoa diskreettejä kokovaihtoehtovalintoja, vaan yleensä valinta loksahtaa aina samaan kohtaan. Kaiken tämän lisäksi kolmiot ovat aina samassa kohdassa ja samanvärisiä, eikä testistä saa varmuutta oikeastaan minkään vaikutuksesta mihinkään Käytännössä käyrä on kaareva. Mitä voit sen perusteella päätellä havaitsemista: onko se determinististä vaiko satunnaista/tilastollista? Miksi? (5) Havaitsemiseen vaikuttaa monet satunnaiset tekijät, jolloin tietyllä herkkyydellä havaitaan vain tietty osa todellisista tapahtumista. Tällöin havaitseminen on satunaista, tietyn havaitsemistodennäköisyyden ohjaamaa ja sitä voidaan mallintaa tilastollisin apuvälinein.

5 5.1.4 Olkoon SS vakioärsykkeen pituus ja VS vertailuärsykkeen pituus. Kuinka usein vertailuärsyke arvioidaan vakioärsykettä pidemmäksi kohdassa SS+ I? (4) VS arvioidaan kohdassa SS+ I 75% todennäköisyydellä pidemmäksi kuin SS. Kun vakio- ja vertailuärsykkeen ero on suurempi kuin erotuskynnys, kuinka usein vertailuärsyke arvioidaan eri pituiseksi kuin vakioärsyke? (3) Kohdassa, jossa vakio ja vertailuärsykkeellä on erotuskynnyksen verran eroa eli ollaan paikassa SS+ I. Tässä huomataan 75% todennäköisyydellä viiva pidempänä ja 25% todennäköisyydellä viiva pienempänä. Tässä tapauksessa viivoja ei nähdä samanpituisena. Yksi ärsykkeistä sattui osumaan PSE:n (Point of subjective equality piste, jossa molemmat ärsykkeet näyttävät yhtä suurilta) kohdalle. Yleensä näin ei kuitenkaan käy. Miten määrittäisit PSE:n tällaisessa tapauksessa? (2) Piirrän toisen viivan lyhyemmiksi tunnistettujen havaintojen läpi ja toisen pitkiksi tunnistettujen havaintojen läpi. PSE on näiden leikkauspiste. Miksi 75%:n todennäköisyyttä käytetään erotuskynnyksen kriteerinä kun havaintokynnyksen kriteeri on 50%:n todennäköisyys. (3) Tässä tapauksessa pitää valita kahdesta vaihtoehdosta - lyhyempi tai pitempi. Arvauksen todennäköisyys on 50% joten jos arvaukseen lisätään puolet havainnon varmuutta saadaan 75% todennäköisyysraja. Millainen vakioärsykkeen tulisi olla jotta erotuskynnys ja havaintokynnys olisivat samat? (3) Erotuskynnyksen mittaista viivanpätkää, eli hyvin lyhyttä vakioärsykettä joka juuri ja juuri nähtäisiin Miten erotuskynnys ja pienin havaittava ero (JND) liittyvät toisiinsa? (5) JND testattaessa mitataan eroa joka on juuri havaittavissa. JND on vähintään erotuskynnyksen suuruinen Millainen yhteys JND:llä ja ärsykkeen intensiteetillä/suuruudella on? (5) JND on erotus testiärsykkeestä ja malliärsykkeestä.

6 Unit 5.2: Miten pelkästään nousevien sarjojen käyttäminen vaikuttaa erotuskynnykseen? (3) Erotuskynnys tulisi hieman todellista korkeammalle, koska se tulisi havainnossa tulleiden virheiden verran korkeammalle kuin todellinen erotuskynnys on Älä käytä yhtäsuuruusmerkkiä kuin kerran joka sarjassa (tehtävä toimii hieman hassusti yleensä yhtäsuuruusmerkkiä ei edes ole). Etsi JND:si. Jos kaikki nousevat sarjat alkaisivat samalta intensiteettitasolta, miten se vaikuttaisi JND:stä saatuun tulokseen? (3) Ohjelma ei toiminut täydellisesti, eikä osannut laskea JND:täni. Jos kaikki nousevat sarjat alkaisivat samalta intensiteettitasolta, niin oppisin millä kohdalla kolmio muuttuu isommaksi. Tottuminen vaikuttaa tuloksiin niin, että joka mittauskerralta saataisiin lähes sama tulos, tästä laskettu JND ei olisi todellinen pienin havaittava ero, vaan todennäköisesti hieman pienempi kuin todellinen JND Mitkä ovat porrasmenetelmän edut ja haitat? (3) Menetelmällä saadaan nopeasti jonkin suuntainen estimaatti havaintokynnyksestä. Menetelmällä ei kuitenkaan saada havaintokynnyksestä muuta tietoa kuin estimaatti. Esimerkiksi havaintokynnyksen jyrkkyys jää tuntemattomaksi. Lisäksi menetelmän tarkkuus riippuu portaan koosta Säätömenetelmän merkittävin etu? (3) Säätömenetelmällä saadaan tarkka lopputulos kaikkine virherajoineen Etsi ylä- ja alarajasi (Sv judged shorter/longer). Määritä PSE:si. Miten teit sen? (4) Ylä- ja alaraja osui samaan kohtaan 212 pikselin kohdalle. Palikan pituus oli 188pikseliä. PSE on käyrien leikkauspisteessä 188 pikselin kohdalla.

7 5.2.6 Tee koe: "." on oikea ja "," vasen pallo. Millaisen tuloksen sait? Miksi havaintotarkkuuden parantuessa reaktioaika lyhenee? (8) 400ms 20% erolla ja 600ms 5% erolla. Näiden pisteiden välillä oli lähes suora viiva. Isompien eroavaisuuksien huomaaminen on helpompaa, siksi reaktioaika lyhenee. Unit 5.5: Millainen suhde Weberin lain kertoimella k (Weber's fraction) on herkkyyteen (kuinka helposti eroja tai muutoksia havaitaan)? (4) k = I / I Erilaisissa tilanteissa ja ärsyketyypeissä k on erilainen kerroin sille, miten pienin ero I havaitaan tietystä ärsykkeen koosta I Miten Stevensin lain eksponentti liittyy havaittuun intensiteettiin? (4) Psykologinen vahvistus, S = ai^m m on jokaisessa tapauksessa fysikaalisesti mitattu exponentiaalinen kerroin. Mitatun havainnon vahvuus käyttäytyy tämän eksponenttifunktion kaltaisesti todelliseen ärsykkeeseen I nähden.

Hermoimpulssi eli aktiopotentiaali

Hermoimpulssi eli aktiopotentiaali Hermoimpulssi eli aktiopotentiaali Piirrä opettajan johdolla kuvat hermoimpulssin etenemisestä 1. KAIKKI solut ovat sähköisesti varautuneita o sähköinen varaus solun sisäpuolella on noin 70 millivolttia

Lisätiedot

S-114.2720 Havaitseminen ja toiminta

S-114.2720 Havaitseminen ja toiminta S-114.2720 Havaitseminen ja toiminta Heikki Hyyti 60451P Harjoitustyö 2 visuaalinen prosessointi Treismanin FIT Kuva 1. Kuvassa on Treismanin kokeen ensimmäinen osio, jossa piti etsiä vihreätä T kirjainta.

Lisätiedot

HERMOSTON FYSIOLOGIA I

HERMOSTON FYSIOLOGIA I Hermoston fysiologia I 1 HERMOSTON FYSIOLOGIA I Biosähköiset ilmiöt Kalvopotentiaali Hermosolun lepopotentiaali Hermosolun aktiopotentiaali Ionikanavat Intrasellulaarinen/ekstrasellulaarinen mittaus Neuronin

Lisätiedot

Ihminen havaitsijana: Luento 6. Jukka Häkkinen ME-C2600

Ihminen havaitsijana: Luento 6. Jukka Häkkinen ME-C2600 Ihminen havaitsijana: Luento 6 Jukka Häkkinen ME-C2600 Kevät 2016 1 Luento 6 Kontrastiherkkyys Muodon havaitseminen 2 Campbell-Robson-kuva Vaakasuunta = juovaston frekvenssi Pystysuunta = juovaston kontrasti

Lisätiedot

Neuronin Fysiologia. Lepojännite ja aktiopotentiaali

Neuronin Fysiologia. Lepojännite ja aktiopotentiaali Neuronin Fysiologia Lepojännite ja aktiopotentiaali Molekyylitasolla hermosolun toiminnalliset yksiköt koostuvat hermovälittjä-reseptoreista sekä Receptors and channels Ionotropic G-protein coupled Enzyme

Lisätiedot

Lääketiede Valintakoeanalyysi 2015 Fysiikka. FM Pirjo Haikonen

Lääketiede Valintakoeanalyysi 2015 Fysiikka. FM Pirjo Haikonen Lääketiede Valintakoeanalyysi 5 Fysiikka FM Pirjo Haikonen Fysiikan tehtävät Väittämä osa C (p) 6 kpl monivalintoja, joissa yksi (tai useampi oikea kohta.) Täysin oikein vastattu p, yksikin virhe/tyhjä

Lisätiedot

! 7! = N! x 8. x x 4 x + 1 = 6.

! 7! = N! x 8. x x 4 x + 1 = 6. 9. 10. 2008 1. Pinnalta punaiseksi maalattu 3 3 3-kuutio jaetaan 27:ksi samankokoiseksi kuutioksi. Mikä osuus 27 pikkukuution kokonaispinta-alasta on punaiseksi maalattu? 2. Positiivisen kokonaisluvun

Lisätiedot

Kuulohavainnon perusteet

Kuulohavainnon perusteet Kuulohavainnon ärsyke on ääni - mitä ääni on? Kuulohavainnon perusteet - Ääni on ilmanpaineen nopeaa vaihtelua: Tai veden tms. Markku Kilpeläinen Käyttäytymistieteiden laitos, Helsingin yliopisto Värähtelevä

Lisätiedot

S Laskennallinen Neurotiede

S Laskennallinen Neurotiede S-114.3812 Laskennallinen Neurotiede Laskuharjoitus 3 8.12.2006 Heikki Hyyti 60451P Tehtävä 2 Tehtävässä 2 piti tehdä 100 hermosolun assosiatiivinen Hopfield-muistiverkko. Verkko on rakennettu Matlab-ohjelmaan

Lisätiedot

pitkittäisaineistoissa

pitkittäisaineistoissa Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf

Lisätiedot

Johtuuko tämä ilmastonmuutoksesta? - kasvihuoneilmiön voimistuminen vaikutus sääolojen vaihteluun

Johtuuko tämä ilmastonmuutoksesta? - kasvihuoneilmiön voimistuminen vaikutus sääolojen vaihteluun Johtuuko tämä ilmastonmuutoksesta? - kasvihuoneilmiön voimistuminen vaikutus sääolojen vaihteluun Jouni Räisänen Helsingin yliopiston fysiikan laitos 15.1.2010 Vuorokauden keskilämpötila Talvi 2007-2008

Lisätiedot

Havaintopsykologia I. Havaintopsykologia: Miksi ja miten? Markku Kilpeläinen. Markku Kilpeläinen

Havaintopsykologia I. Havaintopsykologia: Miksi ja miten? Markku Kilpeläinen. Markku Kilpeläinen Kurssilla painotetaan hieman eri asioita kuin kirjassa. Tentissä painotukset vastaavat suunnilleen luentojen painotuksia. Tentissä menestyy hyvin luentojen perusteella ja lukemalla kirjasta asiat, joita

Lisätiedot

Ylioppilastutkintolautakunta S tudentexamensnämnden

Ylioppilastutkintolautakunta S tudentexamensnämnden Ylioppilastutkintolautakunta S tudentexamensnämnden MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ.9.013 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten piirteiden ja sisältöjen luonnehdinta ei sido ylioppilastutkintolautakunnan

Lisätiedot

pitkittäisaineistoissa

pitkittäisaineistoissa Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon

Lisätiedot

BIOSÄHKÖISET MITTAUKSET

BIOSÄHKÖISET MITTAUKSET TEKSTIN NIMI sivu 1 / 1 BIOSÄHKÖISET MITTAUKSET ELEKTROENKEFALOGRAFIA EEG Elektroenkegfalografialla tarkoitetaan aivojen sähköisen toiminnan rekisteröintiä. Mittaus tapahtuu tavallisesti ihon pinnalta,

Lisätiedot

Virhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.

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

Lisätiedot

7. Resistanssi ja Ohmin laki

7. Resistanssi ja Ohmin laki Nimi: LK: SÄHKÖ-OPPI Tarmo Partanen Teoria (Muista hyödyntää sanastoa) 1. Millä nimellä kuvataan sähköisen komponentin (laitteen, johtimen) sähkön kulkua vastustavaa ominaisuutta? 2. Miten resistanssi

Lisätiedot

Hermosolu tiedonkäsittelyn perusyksikkönä. Muonion lukio Noora Lindgrén

Hermosolu tiedonkäsittelyn perusyksikkönä. Muonion lukio Noora Lindgrén Hermosolu tiedonkäsittelyn perusyksikkönä Muonion lukio 20.8.2018 Noora Lindgrén Hermosolu perusyksikkönä äärimmäisen monimutkaisessa verkostossa Aivoissa on lähes sata miljardia hermosolua Aivojen toiminta

Lisätiedot

= = = 1 3.

= = = 1 3. 9. 10. 2008!"$#&%(')'*,#.-/* P1. lkuperäisen punaisen kuution pinta koostuu kuudesta 3 3-neliöstä, joten sen ala on 6 3 2 = 54. Koska 3 3 =, kuutio jakautuu leikatessa yksikkökuutioksi, joiden kokonaispinta-ala

Lisätiedot

Pelaisitko seuraavaa peliä?

Pelaisitko seuraavaa peliä? Lisätehtävä 1 seuraavassa on esitetty eräs peli, joka voidaan mallintaa paramterisena tilastollisena mallina tehtävänä on selvittää, kuinka peli toimii ja näyttää mallin takana oleva apulause (Tehtävä

Lisätiedot

Kertaus. Markku Kilpeläinen RESEPTIIVISET KENTÄT. Eräitä näköjärjestelmän reseptiivisen kentän tyyppejä. Retinan ganglion ja LGN -solut

Kertaus. Markku Kilpeläinen RESEPTIIVISET KENTÄT. Eräitä näköjärjestelmän reseptiivisen kentän tyyppejä. Retinan ganglion ja LGN -solut Eräitä näköjärjestelmän reseptiivisen kentän tyyppejä Kertaus Markku Kilpeläinen Käyttäytymistieteiden laitos, Helsingin yliopisto Page 1 of 17 Retinan ganglion ja LGN -solut Valostimulaatio lisää ON -

Lisätiedot

Opetusmateriaali. Tutkimustehtävien tekeminen

Opetusmateriaali. Tutkimustehtävien tekeminen Opetusmateriaali Tämän opetusmateriaalin tarkoituksena on opettaa kiihtyvyyttä mallintamisen avulla. Toisena tarkoituksena on hyödyntää pikkuautoa ja lego-ukkoa fysiikkaan liittyvän ahdistuksen vähentämiseksi.

Lisätiedot

Tänään ohjelmassa. Kognitiivinen mallintaminen Neuraalimallinnus laskarit. Ensi kerralla (11.3.)

Tänään ohjelmassa. Kognitiivinen mallintaminen Neuraalimallinnus laskarit. Ensi kerralla (11.3.) Tänään ohjelmassa Kognitiivinen mallintaminen Neuraalimallinnus 26.2. Nelli Salminen nelli.salminen@helsinki.fi D433 autoassosiaatio, attraktorin käsite esimerkkitapaus: kolme eri tapaa mallintaa kategorista

Lisätiedot

Neuronifysiologia 2. Jänniteherkät ionikanavat

Neuronifysiologia 2. Jänniteherkät ionikanavat Neuronifysiologia 2 Jänniteherkät ionikanavat Jänniteherkät ionikanavat Tyyppi Na + kanavat K + kanavat Ca 2+ kanavat Merkitys aktiopotentiali aktiopotentiali inhibiitio transmitteri vapautuminen plastisiteetti

Lisätiedot

Digitaalinen signaalinkäsittely Kuvankäsittely

Digitaalinen signaalinkäsittely Kuvankäsittely Digitaalinen signaalinkäsittely Kuvankäsittely Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen, Signaalinkäsittelyn menetelmät,

Lisätiedot

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170 VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 4.6.2013 Ratkaisut ja arvostelu 1.1 Satunnaismuuttuja X noudattaa normaalijakaumaa a) b) c) d) N(170, 10 2 ). Tällöin P (165 < X < 175) on likimain

Lisätiedot

Tekijä MAA2 Polynomifunktiot ja -yhtälöt = Vastaus a)

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

Lisätiedot

Kuulohavainto ympäristössä

Kuulohavainto ympäristössä Weber-Fechner Kivun gate control fys _ muutos hav _ muutos k fys _ taso Jos tyypillisessä sisätilavalaistuksessa (noin 100 cd/m2), voi havaita seinällä valotäplän, jonka kirkkaus on 101 cd/m2). Kuinka

Lisätiedot

Ihminen havaitsijana: Luento 5. Jukka Häkkinen ME-C2000

Ihminen havaitsijana: Luento 5. Jukka Häkkinen ME-C2000 Ihminen havaitsijana: Luento 5 Jukka Häkkinen ME-C2000 Kevät 2017 1 Luento 5 Näön perusprosessit Näköjärjestelmän rakenne 2 Verkkokalvon välittämä kuva maailmasta 1. Kontrastitieto: On- ja Off-rata 2.

Lisätiedot

Kenguru Student (lukion 2. ja 3. vuosi) sivu 1 / 6

Kenguru Student (lukion 2. ja 3. vuosi) sivu 1 / 6 Kenguru Student (lukion 2. ja 3. vuosi) sivu 1 / 6 NIMI LUOKKA/RYHMÄ Pisteet: Kenguruloikan pituus: Irrota tämä vastauslomake tehtävämonisteesta. Merkitse tehtävän numeron alle valitsemasi vastausvaihtoehto.

Lisätiedot

Kognitiivinen mallintaminen Neuraalimallinnus, luento 1

Kognitiivinen mallintaminen Neuraalimallinnus, luento 1 Kognitiivinen mallintaminen Neuraalimallinnus, luento 1 Nelli Salminen nelli.salminen@helsinki.fi D433 Neuraalimallinnuksen osuus neljä luentokertaa, muutokset alla olevaan suunnitelmaan todennäköisiä

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman

Lisätiedot

Nimi: Muiden ryhmäläisten nimet:

Nimi: Muiden ryhmäläisten nimet: Nimi: Muiden ryhmäläisten nimet: PALKKIANTURI Työssä tutustutaan palkkianturin toimintaan ja havainnollistetaan sen avulla pienten ainepitoisuuksien havainnointia. Työn mittaukset on jaettu kolmeen osaan,

Lisätiedot

Vanhankaupunginkosken ultraäänikuvaukset Simsonar Oy Pertti Paakkolanvaara

Vanhankaupunginkosken ultraäänikuvaukset Simsonar Oy Pertti Paakkolanvaara Vanhankaupunginkosken ultraäänikuvaukset 15.7. 14.11.2014 Simsonar Oy Pertti Paakkolanvaara Avaintulokset 2500 2000 Ylös vaellus pituusluokittain: 1500 1000 500 0 35-45 cm 45-60 cm 60-70 cm >70 cm 120

Lisätiedot

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Yhtälöryhmä 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 =

Lisätiedot

2 Pistejoukko koordinaatistossa

2 Pistejoukko koordinaatistossa Pistejoukko koordinaatistossa Ennakkotehtävät 1. a) Esimerkiksi: b) Pisteet sijaitsevat pystysuoralla suoralla, joka leikkaa x-akselin kohdassa x =. c) Yhtälö on x =. d) Sijoitetaan joitain ehdon toteuttavia

Lisätiedot

Aluksi. 1.1. Kahden muuttujan lineaarinen yhtälö

Aluksi. 1.1. Kahden muuttujan lineaarinen yhtälö Aluksi Matematiikan käsite suora on tarkalleen sama asia kuin arkikielen suoran käsite. Vai oliko se toisinpäin? Matematiikan luonteesta johtuu, että sen soveltaja ei tyydy pelkkään suoran nimeen eikä

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo

Lisätiedot

KERTAUS KERTAUSTEHTÄVIÄ K1. P( 1) = 3 ( 1) + 2 ( 1) ( 1) 3 = = 4

KERTAUS KERTAUSTEHTÄVIÄ K1. P( 1) = 3 ( 1) + 2 ( 1) ( 1) 3 = = 4 KERTAUS KERTAUSTEHTÄVIÄ K1. P( 1) = 3 ( 1) + ( 1) + 3 ( 1) 3 = 3 + 3 = 4 K. a) x 3x + 7x 5x = 4x + 4x b) 5x 3 (1 x ) = 5x 3 1 + x = 6x 4 c) (x + 3)(x 4) = x 3 4x + 3x 1 = x 3 + 3x 4x 1 Vastaus: a) 4x +

Lisätiedot

Tilastotiede ottaa aivoon

Tilastotiede ottaa aivoon Tilastotiede ottaa aivoon kuinka aivoja voidaan mallintaa todennäköisyyslaskennalla, ja mitä yllättävää hyötyä siitä voi olla Aapo Hyvärinen Laskennallisen data-analyysin professori Matematiikan ja tilastotieteen

Lisätiedot

Ihminen havaitsijana: Luento 11. Jukka Häkkinen ME-C2600

Ihminen havaitsijana: Luento 11. Jukka Häkkinen ME-C2600 Ihminen havaitsijana: Luento 11 Jukka Häkkinen ME-C2600 Kevät 2016 1 Luento 11 Somatosensorinen järjestelmä 2 Somatosensorinen järjestelmä Kosketustunto Lämpötunto Kylmätunto Kiputunto Asento- ja liiketunto

Lisätiedot

2.3 Juurien laatu. Juurien ja kertoimien väliset yhtälöt. Jako tekijöihin. b b 4ac = 2

2.3 Juurien laatu. Juurien ja kertoimien väliset yhtälöt. Jako tekijöihin. b b 4ac = 2 .3 Juurien laatu. Juurien ja kertoimien väliset yhtälöt. Jako tekijöihin. Toisen asteen yhtälön a + b + c 0 ratkaisukaavassa neliöjuuren alla olevaa lauseketta b b 4ac + a b b 4ac a D b 4 ac sanotaan yhtälön

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

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

Järvitesti Ympäristöteknologia T571SA 7.5.2013

Järvitesti Ympäristöteknologia T571SA 7.5.2013 Hans Laihia Mika Tuukkanen 1 LASKENNALLISET JA TILASTOLLISET MENETELMÄT Järvitesti Ympäristöteknologia T571SA 7.5.2013 Sarkola Eino JÄRVITESTI Johdanto Järvien kuntoa tutkitaan monenlaisilla eri menetelmillä.

Lisätiedot

Näköhavainnon perusteet

Näköhavainnon perusteet Perustaajuus, ylä-äänet ja amplitudi: Cone of confusion: Perustaajuus: kuinka usein (kertaa /s) esim. kitaran kieli poikkeaa ensin ylös ja sitten alas perustasosta. Kielen värähtely aiheuttaa ilmanpaineen

Lisätiedot

Kognitiivinen mallintaminen. Nelli Salminen

Kognitiivinen mallintaminen. Nelli Salminen Kognitiivinen mallintaminen Neuraalimallinnus 1.12. Nelli Salminen nelli.salminen@tkk.fi Tänään ohjelmassa autoassosiaatio, Hopfieldin verkko attraktorin käsite ajan esittäminen hermoverkoissa esimerkkitapaus:

Lisätiedot

Harjoitus 2: Matlab - Statistical Toolbox

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

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus Mitkä todennäköisyystulkinnat sopivat seuraaviin väitteisiin?

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus Mitkä todennäköisyystulkinnat sopivat seuraaviin väitteisiin? ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 200 Harjoitus Ratkaisuehdotuksia. Mitkä todennäköisyystulkinnat sopivat seuraaviin väitteisiin? (a) Todennäköisyys että kolikonheitossa saadaan lopulta

Lisätiedot

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio:

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio: Inversio-ongelmista Craig, Brown: Inverse problems in astronomy, Adam Hilger 1986. Havaitaan oppositiossa olevaa asteroidia. Pyörimisestä huolimatta sen kirkkaus ei muutu. Projisoitu pinta-ala pysyy ilmeisesti

Lisätiedot

3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö

3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö 3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö Yhtälön (tai funktion) y = a + b + c, missä a 0, kuvaaja ei ole suora, mutta ei ole yhtälökään ensimmäistä astetta. Funktioiden

Lisätiedot

MS-C2105 Optimoinnin perusteet Malliratkaisut 5

MS-C2105 Optimoinnin perusteet Malliratkaisut 5 MS-C2105 Optimoinnin perusteet Malliratkaisut 5 Ehtamo Demo 1: Arvaa lähimmäksi Jokainen opiskelija arvaa reaaliluvun välillä [0, 100]. Opiskelijat, joka arvaa lähimmäksi yhtä kolmasosaa (1/3) kaikkien

Lisätiedot

SÄHKÖ KÄSITTEENÄ. Yleisnimitys suurelle joukolle ilmiöitä ja käsitteitä:

SÄHKÖ KÄSITTEENÄ. Yleisnimitys suurelle joukolle ilmiöitä ja käsitteitä: FY6 SÄHKÖ Tavoitteet Kurssin tavoitteena on, että opiskelija ymmärtää sähköön liittyviä peruskäsitteitä, tutustuu mittaustekniikkaan osaa tehdä sähköopin perusmittauksia sekä rakentaa ja tutkia yksinkertaisia

Lisätiedot

Tilastotiede ottaa aivoon

Tilastotiede ottaa aivoon Tilastotiede ottaa aivoon kuinka aivoja voidaan mallintaa todennäköisyyslaskennalla, ja mitä yllättävää hyötyä siitä voi olla Aapo Hyvärinen Laskennallisen data-analyysin professori Matematiikan ja tilastotieteen

Lisätiedot

Mittaustekniikka (3 op)

Mittaustekniikka (3 op) 530143 (3 op) Yleistä Luennoitsija: Ilkka Lassila Ilkka.lassila@helsinki.fi, huone C319 Assistentti: Ville Kananen Ville.kananen@helsinki.fi Luennot: ti 9-10, pe 12-14 sali E207 30.10.-14.12.2006 (21 tuntia)

Lisätiedot

Kenguru Écolier (4. ja 5. luokka) sivu 1/5

Kenguru Écolier (4. ja 5. luokka) sivu 1/5 Kenguru Écolier (4. ja 5. luokka) sivu 1/5 3 pisteen tehtävät 1. Miettisen perhe syö 3 ateriaa päivässä. Kuinka monta ateriaa he syövät viikon aikana? A) 7 B) 18 C) 21 D) 28 E) 37 2. Aikuisten pääsylippu

Lisätiedot

Kokelaan sukunimi ja kaikki etunimet selväsi kirjoitetuna. Kaava 1 b =2a 2 b =0,5a 3 b =1,5a 4 b = 1a. 4 5 b =4a 6 b = 5a

Kokelaan sukunimi ja kaikki etunimet selväsi kirjoitetuna. Kaava 1 b =2a 2 b =0,5a 3 b =1,5a 4 b = 1a. 4 5 b =4a 6 b = 5a 1 YLIOPPILASTUTKINTO- LAUTAKUNTA 28.9.2016 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän

Lisätiedot

Tehtävät 1/11. TAMPEREEN YLIOPISTO Informaatiotieteiden tiedekunta Valintakoe Matematiikka ja tilastotiede. Sukunimi (painokirjaimin)

Tehtävät 1/11. TAMPEREEN YLIOPISTO Informaatiotieteiden tiedekunta Valintakoe Matematiikka ja tilastotiede. Sukunimi (painokirjaimin) 1/11 Tehtävä 1 2 3 4 5 6 7 8 9 10 Yhteensä Pisteet (tarkastaja merkitsee) Kokeessa on kymmenen tehtävää, joista jokainen on erillisellä paperilla. Jokaisen tehtävän maksimipistemäärä on 6 pistettä. Ratkaise

Lisätiedot

Aineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin

Aineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin Aineistoista 11.2.09 IK Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin Muotoilussa kehittyneet menetelmät, lähinnä luotaimet Havainnointi:

Lisätiedot

Olkoon seuraavaksi G 2 sellainen tasan n solmua sisältävä suunnattu verkko,

Olkoon seuraavaksi G 2 sellainen tasan n solmua sisältävä suunnattu verkko, Tehtävä 1 : 1 a) Olkoon G heikosti yhtenäinen suunnattu verkko, jossa on yhteensä n solmua. Määritelmän nojalla verkko G S on yhtenäinen, jolloin verkoksi T voidaan valita jokin verkon G S virittävä alipuu.

Lisätiedot

Laskut käyvät hermoille

Laskut käyvät hermoille Laskut käyvät hermoille - Miten ja miksi aivoissa lasketaan todennäköisyyksiä Aapo Hyvärinen Matematiikan ja tilastotieteen laitos & Tietojenkäsittelytieteen laitos Helsingin Yliopisto Tieteen päivät 13.1.2011

Lisätiedot

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin

Lisätiedot

Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2018 Insinöörivalinnan matematiikan koe, , Ratkaisut (Sarja A)

Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2018 Insinöörivalinnan matematiikan koe, , Ratkaisut (Sarja A) Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2018 Insinöörivalinnan matematiikan koe, 2952018, Ratkaisut (Sarja A) 1 Anna kaikissa kohdissa vastaukset tarkkoina arvoina Kohdassa d), anna kulmat

Lisätiedot

Kemiallisen reaktion reaktiodiagrammi

Kemiallisen reaktion reaktiodiagrammi Luento 11 1.4.2016 1 Reaktiokoordinaatti Entsymaattisten reaktioden kinetiikka Elektro-osmoottiset ilmiöt solukalvolla Donnanin potentiaali Solukalvon ionipumput ja kuljetusmekanismit Solukalvon sähköinen

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

Estimointi. Vilkkumaa / Kuusinen 1 Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman

Lisätiedot

Tehtävien ratkaisut

Tehtävien ratkaisut Tehtävien 1948 1957 ratkaisut 1948 Kun juna matkaa AB kulkiessaan pysähtyy väliasemilla, kuluu matkaan 10 % enemmän aikaa kuin jos se kulkisi pysähtymättä. Kuinka monta % olisi nopeutta lisättävä, jotta

Lisätiedot

2.1 Ääni aaltoliikkeenä

2.1 Ääni aaltoliikkeenä 2. Ääni Äänen tutkimusta kutsutaan akustiikaksi. Akustiikassa tutkitaan äänen tuottamista, äänen ominaisuuksia, soittimia, musiikkia, puhetta, äänen etenemistä ja kuulemisen fysiologiaa. Ääni kuljettaa

Lisätiedot

Tampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus

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

Lisätiedot

Hermosto. Enni Kaltiainen

Hermosto. Enni Kaltiainen Hermosto Enni Kaltiainen Hermoston kehittyminen Neurulaatiossa ektodermin solut muodostavat hermostouurteen, joka sulkeutuu hermostoputkeksi ( 8vk ) samalla liitoskohdan solut muodostavat hermostopienan.

Lisätiedot

Kaksi yleismittaria, tehomittari, mittausalusta 5, muistiinpanot ja oppikirjat. P = U x I

Kaksi yleismittaria, tehomittari, mittausalusta 5, muistiinpanot ja oppikirjat. P = U x I Pynnönen 1/3 SÄHKÖTEKNIIKKA Kurssi: Harjoitustyö : Tehon mittaaminen Pvm : Opiskelija: Tark. Arvio: Tavoite: Välineet: Harjoitustyön tehtyäsi osaat mitata ja arvioida vastukseen jäävän tehohäviön sähköisessä

Lisätiedot

XXIII Keski-Suomen lukiolaisten matematiikkakilpailu 23.1.2014, tehtävien ratkaisut

XXIII Keski-Suomen lukiolaisten matematiikkakilpailu 23.1.2014, tehtävien ratkaisut XXIII Keski-Suomen lukiolaisten matematiikkakilpailu 23.1.2014, tehtävien ratkaisut 1. Avaruusalus sijaitsee tason origossa (0, 0) ja liikkuu siitä vakionopeudella johonkin suuntaan, joka ei muutu. Tykki

Lisätiedot

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme? TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman

Lisätiedot

FYSIIKKA (FY91): 9. KURSSI: Kertauskurssi KOE 30.01.2014 VASTAA KUUTEEN (6) TEHTÄVÄÄN!!

FYSIIKKA (FY91): 9. KURSSI: Kertauskurssi KOE 30.01.2014 VASTAA KUUTEEN (6) TEHTÄVÄÄN!! FYSIIKKA (FY91): 9. KURSSI: Kertauskurssi KOE 30.01.2014 VASTAA KUUTEEN (6) TEHTÄVÄÄN!! 1. Vastaa, ovatko seuraavat väittämät oikein vai väärin. Perustelua ei tarvitse kirjoittaa. a) Atomi ei voi lähettää

Lisätiedot

TEHTÄVIEN RATKAISUT. b) 105-kiloisella puolustajalla on yhtä suuri liikemäärä, jos nopeus on kgm 712 p m 105 kg

TEHTÄVIEN RATKAISUT. b) 105-kiloisella puolustajalla on yhtä suuri liikemäärä, jos nopeus on kgm 712 p m 105 kg TEHTÄVIEN RATKAISUT 15-1. a) Hyökkääjän liikemäärä on p = mv = 89 kg 8,0 m/s = 71 kgm/s. b) 105-kiloisella puolustajalla on yhtä suuri liikemäärä, jos nopeus on kgm 71 p v = = s 6,8 m/s. m 105 kg 15-.

Lisätiedot

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Yhtälöryhmä 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

Lisätiedot

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta MS-A00 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta 7.. Gripenberg Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot ja minkä kokeen suoritat! Laskin,

Lisätiedot

203 Asetetaan neliöt tasoon niin, että niiden keskipisteet yhtyvät ja eräiden sivujen välille muodostuu 45 kulma.

203 Asetetaan neliöt tasoon niin, että niiden keskipisteet yhtyvät ja eräiden sivujen välille muodostuu 45 kulma. Pyramidi 3 Geometria tehtävien ratkaisut sivu 1 201 202 Saadaan tapaukset 1) Tason suorat l ja m voivat olla yhdensuuntaiset, mutta eri suorat, jolloin niillä ei ole yhteisiä pisteitä. l a) A B C A B C

Lisätiedot

v 8 v 9 v 5 C v 3 v 4

v 8 v 9 v 5 C v 3 v 4 Verkot Verkko on (äärellinen) matemaattinen malli, joka koostuu pisteistä ja pisteitä toisiinsa yhdistävistä viivoista. Jokainen viiva yhdistää kaksi pistettä, jotka ovat viivan päätepisteitä. Esimerkiksi

Lisätiedot

4 TOISEN ASTEEN YHTÄLÖ

4 TOISEN ASTEEN YHTÄLÖ Huippu Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 7.4.016 4 TOISEN ASTEEN YHTÄLÖ POHDITTAVAA 1. Merkitään toisen neliön sivun pituutta kirjaimella x. Tällöin toisen neliön sivun pituus on

Lisätiedot

Luento 6: 3-D koordinaatit

Luento 6: 3-D koordinaatit Maa-57.300 Fotogrammetrian perusteet Luento-ohjelma 1 2 3 4 5 6 7 8 9 10 11 12 13 Luento 6: 3-D koordinaatit AIHEITA (Alkuperäinen luento: Henrik Haggrén, 16.2.2003, Päivityksiä: Katri Koistinen 5.2.2004

Lisätiedot

Nopeus, kiihtyvyys ja liikemäärä Vektorit

Nopeus, kiihtyvyys ja liikemäärä Vektorit Nopeus, kiihtyvyys ja liikemäärä Vektorit Luento 2 https://geom.mathstat.helsinki.fi/moodle/course/view.php?id=360 Luennon tavoitteet: Vektorit tutuiksi Koordinaatiston valinta Vauhdin ja nopeuden ero

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi

Lisätiedot

MAIDON PROTEIININ MÄÄRÄN SELVITTÄMINEN (OSA 1)

MAIDON PROTEIININ MÄÄRÄN SELVITTÄMINEN (OSA 1) MAIDON PROTEIININ MÄÄRÄN SELVITTÄMINEN (OSA 1) Johdanto Maito on tärkeä eläinproteiinin lähde monille ihmisille. Maidon laatu ja sen sisältämät proteiinit riippuvat useista tekijöistä ja esimerkiksi meijereiden

Lisätiedot

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

Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:

Lisätiedot

8a. Kestomagneetti, magneettikenttä

8a. Kestomagneetti, magneettikenttä Nimi: LK: SÄHKÖ-OPPI 8. Kestomagneetti, magneettikenttä (molemmat mopit) Tarmo Partanen 8a. Kestomagneetti, magneettikenttä Tee aluksi testi eli ympyröi alla olevista kysymyksistä 1-8 oikeaksi arvaamasi

Lisätiedot

VIII LISÄTIETOA 8.1. HAVAINTOVIRHEISTÄ

VIII LISÄTIETOA 8.1. HAVAINTOVIRHEISTÄ 56 VIII LISÄTIETOA 8.1. HAVAINTOVIRHEISTÄ Hyvällä havaitsijalla keskimääräinen virhe tähdenlennon kirkkauden arvioimisessa on noin 0.4 magnitudia silloin, kun meteori näkyy havaitsijan näkökentän keskellä.

Lisätiedot

TASAVIRTAPIIRI - VASTAUSLOMAKE

TASAVIRTAPIIRI - VASTAUSLOMAKE TASAVIRTAPIIRI - VASTAUSLOMAKE Ryhmä Tekijä 1 Pari Tekijä 2 Päiväys Assistentti Täytä mittauslomake lyijykynällä. Muista erityisesti virhearviot ja suureiden yksiköt! 4 Esitehtävät 1. Mitä tarkoitetaan

Lisätiedot

Käy vastaamassa kyselyyn kurssin pedanet-sivulla (TÄRKEÄ ensi vuotta ajatellen) Kurssin suorittaminen ja arviointi: vähintään 50 tehtävää tehtynä

Käy vastaamassa kyselyyn kurssin pedanet-sivulla (TÄRKEÄ ensi vuotta ajatellen) Kurssin suorittaminen ja arviointi: vähintään 50 tehtävää tehtynä Käy vastaamassa kyselyyn kurssin pedanet-sivulla (TÄRKEÄ ensi vuotta ajatellen) Kurssin suorittaminen ja arviointi: vähintään 50 tehtävää tehtynä (vihkon palautus kokeeseen tullessa) Koe Mahdolliset testit

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet

Lisätiedot

OMINAISUUS- JA SUHDETEHTÄVIEN KERTAUS. Tavoiteltava toiminta: Kognitiivinen taso: Ominaisuudet ja suhteet -kertaus

OMINAISUUS- JA SUHDETEHTÄVIEN KERTAUS. Tavoiteltava toiminta: Kognitiivinen taso: Ominaisuudet ja suhteet -kertaus Harjoite 12: Tavoiteltava toiminta: Materiaalit: OMINAISUUS- JA SUHDETEHTÄVIEN KERTAUS Kognitiivinen taso: Ominaisuudet ja suhteet -kertaus Toiminnan tavoite ja kuvaus: Oppilaat ratkaisevat paperi- ja

Lisätiedot

Fy06 Koe 20.5.2015 Kuopion Lyseon lukio (KK) 1/7

Fy06 Koe 20.5.2015 Kuopion Lyseon lukio (KK) 1/7 Fy06 Koe 0.5.015 Kuopion Lyseon lukio (KK) 1/7 alitse kolme tehtävää. 6p/tehtävä. 1. Mitä mieltä olet seuraavista väitteistä. Perustele lyhyesti ovatko väitteet totta vai tarua. a. irtapiirin hehkulamput

Lisätiedot

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

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto Kynä-paperi -harjoitukset Taina Lehtinen 43 Loput ratkaisut harjoitustehtäviin 44 Stressitestin = 40 s = 8 Kalle = 34 pistettä Ville = 5 pistettä Z Kalle 34 8 40 0.75 Z Ville 5 8 40 1.5 Kalle sijoittuu

Lisätiedot

Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa

Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa Martti Vainio, Juhani Järvikivi & Stefan Werner Helsinki/Turku/Joensuu Fonetiikan päivät 2004, Oulu 27.-28.8.2004

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

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

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

Harjoitus 7: NCSS - Tilastollinen analyysi Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen

Lisätiedot

ASUINKERROSTALON ÄÄNITEKNISEN LAADUN ARVIOINTI. Mikko Kylliäinen

ASUINKERROSTALON ÄÄNITEKNISEN LAADUN ARVIOINTI. Mikko Kylliäinen ASUINKERROSTALON ÄÄNITEKNISEN LAADUN ARVIOINTI Mikko Kylliäinen Insinööritoimisto Heikki Helimäki Oy Dagmarinkatu 8 B 18, 00100 Helsinki kylliainen@kotiposti.net 1 JOHDANTO Suomen rakentamismääräyskokoelman

Lisätiedot

Kenguru Ecolier, ratkaisut (1 / 5) 4. - 5. luokka

Kenguru Ecolier, ratkaisut (1 / 5) 4. - 5. luokka 3 pisteen tehtävät Kenguru Ecolier, ratkaisut (1 / 5) 1. Missä kenguru on? (A) Ympyrässä ja kolmiossa, mutta ei neliössä. (B) Ympyrässä ja neliössä, mutta ei kolmiossa. (C) Kolmiossa ja neliössä, mutta

Lisätiedot

763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 2 Kevät 2017

763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 2 Kevät 2017 763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 2 Kevät 207. Nelinopeus ympyräliikkeessä On siis annettu kappaleen paikkaa kuvaava nelivektori X x µ : Nelinopeus U u µ on määritelty kaavalla x µ (ct,

Lisätiedot