ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta:

Koko: px
Aloita esitys sivulta:

Download "ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta:"

Transkriptio

1 RMS22 Päätöksenteko epävarmuuden vallitessa Syksy 28 Harjoitus 8 Ratkaisuehdotuksia Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta: Pankki harkitsee myöntääkö 5. euron lainan asiakkaalle 12% korolla, vai sijoittaako kyseiset 5. euroa valtion obligaatioihin 6% korolla. Pankki arvioi, että 4%:n todennäköisyydellä asiakas ei pysty maksamaan lainaansa takaisin. Pankki voi teettää tutkimuksen asiakkaan luotettavuudesta 5 eurolla. Todennäköisyys, että tutkimus antaa suotuisan tuloksen asiakkaalle, joka pystyy maksamaan lainansa on 77/96. Todennäköisyys, että tutkimus antaa suotuisan tuloksen asiakkaalle, joka ei pysty maksamaan lainaansa on 1/4. 1. Piirrä pankin tilannetta vastaava päätöspuu (ilman todennäköisyyksiä). Ratkaisuehdotus: (Palkkiot kiloeuroissa) maks. Suotuisa tul. Tutkitaan as. maks. Epas. tul. maks. Ei tutkita as. 1

2 2. Kannattaako pankin teettää tutkimus asiakkaasta? Ratkaisuehdotus: lkoot L = maksetaan, ei L = a ei makseta, S = Raportti on suotuisa, ei S = Raportti ei ole suotuisa, T = Asiakas tutkitaan, ei T = Asiakasta ei tutkita, = stetaan obligaatioita, ei = Annetaan laina. Näillä merkinnöillä abstraktein todennäköisyyksin täytetty päätöspuu on muotoa T P (S) P (ei S) ei ei P (L S) P (ei L S) P (L ei S) P (ei L ei S) ei T ei P (L) P (ei L) Prioritodennäkösyydet L:lle on annettu: P(ei L) =,4 ja P(L) =,96. Lisäksi on annettu uskottavuudet P(S L) = 77/96 ja P(ei S L) = 19/96 sekä P(S ei L) = 1/4 ja P(ei S ei L) = 3/4. 2

3 Laskemme sitten päätöspuuhun tarvitsemamme posterioritodennäköisyydet: P(L S) = P(L)P(S L) P(L)P(S L) + P(ei L)P(S ei L) =,96 77/96,96 77/96 +,4 1/4 =,987, P(ei L S) = 1 P(L S) =,13, P(L ei S) = P(L)P(ei S L) P(L)P(ei S L) + P(ei L)P(ei S ei L) =,96 19/96,96 19/96 +,4 3/4 =,864, P(ei L ei S) = 1 P(L ei S) =,136. Sijoittamalla saadut luvut edellisessä edellä rakennettuun päätöspuuhun ja laskemalla odotusarvot normaaliin tapaan lähtien liikkeelle lehdistä saamme täytetyn päätöspuun BLAH maks. Suotuisa tul. Tutkitaan as. maks. Epas. tul. maks. Ei tutkita as. 3

4 3. (a) Kuinka paljon pankin kannattaa korkeintaan maksaa tutkimuksen teettämisestä? (b) Kuinka paljon kannattaisi pankin maksaa oraakkelitutkijalle, joka ilmoittaa välittömasti pystyykö asiakas maksamaan lainansa vai ei? Ratkaisuehdotus: 4. Öljy-yhtiö y:n pitää päättää poratako öljyä paikasta P. Poraaminen maksaa 1.=C. Jos öljyä löytyy, niin siitä saadaan 6..=C. Öljyyhtiö y arvelee, että öljyn löytymisen todennäköisyys on 45%. Ennen varsinaista poraamista Öljy-yhtiö y voi palkata geologin arvioimaan paikkaa P. Geologin palkkaaminen maksaa 1.=C. Geologista tiedetään, että jos hän antaa suotuisan raportin, niin öljyä löytyy. Toisaalta geologi on antanut kerran epäsuotuisan raportin vaikka öljyä onkin lopulta löytynyt. Geologi on tehnyt uransa aikana 1 tutkimusta. Kannattaako Öljy-yhtiö y:n palkata geologi? Ratkaisuehdotus: lkoot 1 = Paikassa P on öljyä, ei = Paikassa P ei ole öljyä, S = Geologin raportti on suotuisa, ei S = Geologin raportti ei ole suotuisa, G = Palkataan geologi, ei G = Ei palkata geologia. Tällöin, symbolisesti, päätöspuu on BLAH Näemme, että päätöstä varten tarvitsemme numeeriset arvot todennäköisyyksille BLAH 5. lkoon mahdollisia, toistensa poissulkevia, maailmantiloja n kappaletta: s 1, s 2,..., s n ja olkoon mahdollisia, toistensa poissulkevia, havaintoja m kappaletta: o 1, o 2,..., o m. Todista Bayesin kaava (1) P(s i o j ) = P(s i )P(o j s i ) n k=1 P(o j s k )P(s k ) kaikille i n, j m. Vihje: Bayesin kaava seuraa loogisesti ehdollisen todennäköisyyden määritelmästä ja Kolmogorovin aksioomista. 1 Merkinnät ja S menevät ristiin vastaavien merkintöjen o ja s kanssa. Luennoija pahoittelee! 4

5 Ratkaisuehdotus: Tarkastelemme aluksi Bayesin kaavan (1) oikean puolen alakertaa n P(o j s k )P(s k ). Huomaamme, että k=1 P(o j s k )P(s k ) = P(o j s k ). Toisaalta täsmälleen yksi maailmantiloista s k, k n, sattuu. Siten n P(o j s k ) = P(o j ). k=1 Siispä Bayesin kaavan (1) oikean puolen alakerta on itse asiassa todennäköisyys P(o j ) ja kaava (1) on sama, kuin kaava (2) P(s i o j ) = P(s i)p(o j s i ). P(o j ) Mutta nyt, kertomalla kaavan (2) molemmat puolet luvulla P(o j ), huomaamme, että kaava (2) onkin yhtäpitävä triviaalin identiteetin P(o j s i ) = P(s i o j ) kanssa. Koska tämä identiteetti pitää aina paikkansa, niin loogisesti Bayesin kaava (1) pitää myös aina paikkansa. 5

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3 Ratkaisuehdotuksia 1. (a) Päätöspuu on matala, jos mitään sattumasolmua ei välittömästi seuraa sattumasolmu eikä mitään päätössolmua

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. päätöspuiden avulla tarkastellaan vasta seuraavissa harjoituksissa.

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. päätöspuiden avulla tarkastellaan vasta seuraavissa harjoituksissa. ORMS00 Päätöksenteko epävarmuuden vallitessa Syksy 008 Harjoitus Ratkaisuehdotuksia Nämä harjoitukset liittyvät päätöspuiden rakentamiseen: varsinaista päätöksentekoa päätöspuiden avulla tarkastellaan

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 5 (Koetentti)

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 5 (Koetentti) ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 200 Harjoitus 5 (Koetentti) Ratkaisuehdotuksia. Öljy-Yhtiö Oy on tehnyt herra K.:n maapalasta ostotarjouksen 200kC. Herra K. voi joko myydä maapalan

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS22 Päätöksenteko epävarmuuden vallitessa Syksy 28 Harjoitus 7 Ratkaisuehdotuksia. Liukuhihnafirma Oy tuottaa jipposensoreita liukuhihnalla. Liukuhihnalla on kuitenkin ylikapasiteettia. Siten Liukuhihnafirma

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Harjoitus 4 Ratkaisuehdotuksia 1. Olkoon herra K.:n hyötyfunktio u(x) = ln x. (a) Onko herra K. riskinkaihtaja, riskinrakastaja vai riskineutraali?

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4 Ratkaisuehdotuksia 1. Omppukone Oy valmistaa liukuhihnalla muistipiirejä kymmenen piirin sarjoissa. Omppukone arvioi, että keskimäärin

Lisätiedot

Osa 1: Todennäköisyys ja sen laskusäännöt. Kokonaistodennäköisyyden ja Bayesin kaavat

Osa 1: Todennäköisyys ja sen laskusäännöt. Kokonaistodennäköisyyden ja Bayesin kaavat Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Kokonaistodennäköisyyden ja Bayesin kaavat TKK (c) Ilkka Mellin (2007) 1 Kokonaistodennäköisyys ja Bayesin kaava >> Kokonaistodennäköisyys

Lisätiedot

Johdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava TKK (c) Ilkka Mellin (2005) 1 Kokonaistodennäköisyys ja Bayesin kaava Kokonaistodennäköisyys ja Bayesin kaava: Johdanto Kokonaistodennäköisyyden

Lisätiedot

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset Todennäköisyyslaskenta I, kesä 207 Helsingin yliopisto/avoin Yliopisto Harjoitus, ratkaisuehdotukset. Kokeet ja Ω:n hahmottaminen. Mitä tarkoittaa todennäköisyys on? Olkoon satunnaiskokeena yhden nopan

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

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Harjoitus 5 Ratkaisuehdotuksia Näissä harjoituksissa viljellään paljon sanaa paradoksi. Sana tulee ymmärtää laajassa mielessä. Suppeassa mielessähän

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Klassinen todennäköisyys ja kombinatoriikka Todennäköisyyden aksioomat Kokonaistodennäköisyys ja Bayesin kaava Bayesin kaava,

Lisätiedot

031021P Tilastomatematiikka (5 op)

031021P Tilastomatematiikka (5 op) 031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division Yleinen todennäköisyys Kertausmateriaalissa esiteltiin koulusta tuttuja todennäköisyysmalleja. Tällä kurssilla todennäköisyys on

Lisätiedot

Aloitamme yksinkertaisella leluesimerkillä. Tarkastelemme yhtä osaketta S. Oletamme että tänään, hetkellä t = 0, osakkeen hinta on S 0 = 100=C.

Aloitamme yksinkertaisella leluesimerkillä. Tarkastelemme yhtä osaketta S. Oletamme että tänään, hetkellä t = 0, osakkeen hinta on S 0 = 100=C. Luku 1 Johdatteleva esimerkki Herra K. tarjoaa osto-option Aloitamme yksinkertaisella leluesimerkillä. Tarkastelemme yhtä osaketta S. Oletamme että tänään, hetkellä t = 0, osakkeen hinta on S 0 = 100=C.

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Haroitus 2 Ratkaisuehdotuksia 1. Työpaikalla ärestetään huumetesti. Testi on 99% varma. Toisin sanoen vain 1% huumeenkäyttäistä ää palastumatta

Lisätiedot

9 Yhteenlaskusääntö ja komplementtitapahtuma

9 Yhteenlaskusääntö ja komplementtitapahtuma 9 Yhteenlaskusääntö ja komplementtitapahtuma Kahta joukkoa sanotaan erillisiksi, jos niillä ei ole yhtään yhteistä alkiota. Jos pysytellään edelleen korttipakassa, niin voidaan ilman muuta sanoa, että

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi M-0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 1: Todennäköisyyslaskennan peruskäsitteet; Todennäköisyyden aksioomat; Todennäköisyyslaskennan peruslaskusäännöt; Kokonaistodennäköisyyden

Lisätiedot

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio. Todennäköisyyslaskenta I, kesä 7 Harjoitus 4 Ratkaisuehdotuksia. Satunnaismuuttujalla X on ns. kaksipuolinen eksponenttijakauma eli Laplacen jakauma: sen tiheysfunktio on fx = e x. a Piirrä tiheysfunktio.

Lisätiedot

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)

Lisätiedot

Korkolasku ja diskonttaus, L6

Korkolasku ja diskonttaus, L6 Korkolasku ja diskonttaus, L6 1 Merkinnät Tarkastellaan tilannetta, jossa pääomalle maksetaan korkoa. Tulemme seuraavassa systemaattisesti käyttämään seuraavia merkintöjä K 0 = alkupääoma p = korkoprosentti

Lisätiedot

Päätöksentekomenetelmät

Päätöksentekomenetelmät L u e n t o Hanna Virta / Liikkeenjohdon systeemit Päätöksentekomenetelmät Luennon sisältö Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Päätösongelmia löytyy joka paikasta Päästökauppa:

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien

Lisätiedot

1. Esitä rekursiivinen määritelmä lukujonolle

1. Esitä rekursiivinen määritelmä lukujonolle Matematiikan laitos Johdatus Diskrettiin Matematiikkaan Harjoitus 4 24.11.2011 Ratkaisuehdotuksia Aleksandr Pasharin 1. Esitä rekursiivinen määritelmä lukujonolle (a) f(n) = (2 0, 2 1, 2 2, 2 3, 2 4,...)

Lisätiedot

Päätöksentekomenetelmät

Päätöksentekomenetelmät L u e n t o Päätöksentekomenetelmät Luennon sisältö Hanna Virta / Liikkeenjohdon systeemit Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Johdanto päätöksentekoon Päätösongelmia löytyy

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2016 Harjoitusten 4 ja 5 ratkaisuehdotuksia

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2016 Harjoitusten 4 ja 5 ratkaisuehdotuksia ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2016 Harjoitusten 4 ja 5 ratkaisuehdotuksia 4 Harjoitukset Harjoitustehtävä 4.1 Tarkastelemme esimerkin 4.1.3 leipuri Pullaa. Kuinka monta pullaa tulee

Lisätiedot

Liite 2: Verkot ja todennäköisyyslaskenta. Todennäköisyyslaskenta ja puudiagrammit

Liite 2: Verkot ja todennäköisyyslaskenta. Todennäköisyyslaskenta ja puudiagrammit Ilkka Mellin Todennäköisyyslaskenta Liite 2: Verkot ja todennäköisyyslaskenta Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyslaskenta ja puudiagrammit >> Puutodennäköisyydet

Lisätiedot

Johdatus todennäköisyyslaskentaan Todennäköisyyslaskenta ja puudiagrammit. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Todennäköisyyslaskenta ja puudiagrammit. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2005) 1 Todennäköisyyslaskenta ja puudiagrammit Puutodennäköisyydet Todennäköisyyslaskennan laskusääntöjen

Lisätiedot

Varma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö

Varma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Unioni, Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Alkeistapahtuma, Ehdollinen todennäköisyys,

Lisätiedot

1. laskuharjoituskierros, vko 4, ratkaisut

1. laskuharjoituskierros, vko 4, ratkaisut 1. laskuharjoituskierros, vko 4, ratkaisut D1. Heitetään kahta virheetöntä noppaa, joiden kuudella tahkolla on silmäluvut 1, 2, 3, 4, 5 ja 6. Tällöin heittotuloksiin liittyvä otosavaruus on S = {(x, y)

Lisätiedot

Todennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit: Esitiedot

Todennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit: Esitiedot TKK (c) Ilkka Mellin (2004) 1 Todennäköisyyslaskenta ja puudiagrammit iite: Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2004) 2 Todennäköisyyslaskenta ja puudiagrammit: Mitä opimme? Verkkoteoria

Lisätiedot

6. Toisen ja korkeamman kertaluvun lineaariset

6. 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

Lisätiedot

Korkolasku, L6. Koronkorko. Korko-kaavat. Aiheet. Yksinkertainen korkolasku. Koronkorko. Jatkuva korkolasku. Korko-kaavat

Korkolasku, L6. Koronkorko. Korko-kaavat. Aiheet. Yksinkertainen korkolasku. Koronkorko. Jatkuva korkolasku. Korko-kaavat Korkolasku, L6 1 Merkinnät Tarkastellaan tilannetta, jossa pääomalle maksetaan korkoa. Tulemme seuraavassa systemaattisesti käyttämään seuraavia merkintöjä K 0 = alkupääoma p = korkoprosentti i = p 100

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 14. syyskuuta 2007 Antti Rasila () TodB 14. syyskuuta 2007 1 / 21 1 Kokonaistodennäköisyys ja Bayesin kaava Otosavaruuden ositus Kokonaistodennäköisyyden

Lisätiedot

2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet

2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04

Lisätiedot

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos: 8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Klassinen todennäköisyys ja kombinatoriikka Klassinen todennäköisyys Olkoon S = {s 1,s 2,...,s n } äärellinen otosavaruus. Oletetaan, että Pr(s i ) = 1, kaikille i = 1, 2,...,n n Tällöin alkeistapahtumat

Lisätiedot

Valintahetket ja pysäytetyt martingaalit

Valintahetket ja pysäytetyt martingaalit 4B Valintahetket ja pysäytetyt martingaalit Tämän harjoituksen tavoitteena on oppia tunnistamaan, mitkä satunnaishetket ovat valintahetkiä ja oppia laskemaan lukuarvoja ja estimaatteja satunnaisprosessien

Lisätiedot

diskonttaus ja summamerkintä, L6

diskonttaus ja summamerkintä, L6 diskonttaus ja summamerkintä, L6 1 Edellä aina laskettiin kasvanut pääoma alkupääoman ja koron perusteella. Seuraavaksi pohdimme käänteistä ongelmaa: Miten suuri tulee alkupääoman K 0 olla, jotta n jakson

Lisätiedot

2. laskuharjoituskierros, vko 5, ratkaisut

2. laskuharjoituskierros, vko 5, ratkaisut 2. laskuharjoituskierros, vko, ratkaisut Aiheet: Klassinen todennäköisyys, kombinatoriikka, kokonaistodennäköisyys ja Bayesin kaava D1. Eräässä maassa autojen rekisterikilpien tunnukset ovat muotoa XXXXNN,

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat: Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva

Lisätiedot

1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.

1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4. HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 206 Kurssikoe 28.0.206 Ratkaisuehdotuksia. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden

Lisätiedot

Nollasummapelit ja bayesilaiset pelit

Nollasummapelit ja bayesilaiset pelit Nollasummapelit ja bayesilaiset pelit Kristian Ovaska HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Seminaari: Peliteoria Helsinki 18. syyskuuta 2006 Sisältö 1 Johdanto 1 2 Nollasummapelit 1 2.1

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS00 Päätöksenteko epävarmuuden vallitessa Syksy 008 Harjoitus 3 Ratkaisuehdotuksia 1. Penan Grilli ja Jaskan Grilli ovat kilpailijoita. Molempien täytyy päättää samanaikaisesti ja toisistaan tietämättä

Lisätiedot

4. Funktion arvioimisesta eli approksimoimisesta

4. Funktion arvioimisesta eli approksimoimisesta 4. Funktion arvioimisesta eli approksimoimisesta Vaikka nykyaikaiset laskimet osaavatkin melkein kaiken muun välttämättömän paitsi kahvinkeiton, niin joskus, milloin mistäkin syystä, löytää itsensä tilanteessa,

Lisätiedot

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme? TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä

Lisätiedot

A-Osio. Ei saa käyttää laskinta, maksimissaan tunti aikaa. Valitse seuraavista kolmesta tehtävästä kaksi, joihin vastaat:

A-Osio. Ei saa käyttää laskinta, maksimissaan tunti aikaa. Valitse seuraavista kolmesta tehtävästä kaksi, joihin vastaat: MAA6 Loppukoe 26..203 Jussi Tyni Muista merkitä vastauspaperiin oma nimesi ja tee etusivulle pisteytysruudukko. Kaikkiin tehtävien ratkaisuihin välivaiheet näkyviin! Lue ohjeet huolella! A-Osio. Ei saa

Lisätiedot

6. laskuharjoitusten vastaukset (viikot 10 11)

6. laskuharjoitusten vastaukset (viikot 10 11) 6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287

Lisätiedot

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka

Lisätiedot

Jaksolliset suoritukset, L13

Jaksolliset suoritukset, L13 , L13 1 Jaksollinen talletus Tarkastellaan tilannetta, jossa asiakas tallettaa pankkitilille toistuvasti yhtäsuuren rahasumman k aina korkojakson lopussa. Asiakas suorittaa talletuksen n kertaa. Lasketaan

Lisätiedot

T-61.281 Luonnollisen kielen tilastollinen käsittely

T-61.281 Luonnollisen kielen tilastollinen käsittely T-6.8 Luonnollisen kielen tilastollinen käsittely Ratkaisut. Ti 7..4, 8:5-: Palautellaan mieliin todennäköisyyslaskuja Versio.. Todennäköisyyksistä ensimmäinen P( sana=lyhenne sana=kolmikirjaiminen ) =.8

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila Kalvoissa käytetään materiaalia P. Palon vuoden 2005 kurssista. 07.09.2007 Antti Rasila () SovTodB 07.09.2007 07.09.2007 1 / 24 1 Todennäköisyyslaskennan

Lisätiedot

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3 Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,

Lisätiedot

Johdatus todennäköisyyslaskentaan Klassinen todennäköisyys ja kombinatoriikka. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Klassinen todennäköisyys ja kombinatoriikka. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Klassinen todennäköisyys ja kombinatoriikka TKK (c) Ilkka Mellin (2005) 1 Klassinen todennäköisyys ja kombinatoriikka Klassinen todennäköisyys Kombinatoriikan perusperiaatteet

Lisätiedot

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾. 24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ

Lisätiedot

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden 1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella

Lisätiedot

(a) Kyllä. Jokainen lähtöjoukon alkio kuvautuu täsmälleen yhteen maalijoukon alkioon.

(a) Kyllä. Jokainen lähtöjoukon alkio kuvautuu täsmälleen yhteen maalijoukon alkioon. HY / Avoin yliopisto Johdatus yliopistomatematiikkaan, kesä 015 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I Seuraavat tehtävät liittyvät kuvauksiin. 1. Merkitään X = {1,,, 4}. Ovatko seuraavat säännöt

Lisätiedot

3. Kirjoita seuraavat joukot luettelemalla niiden alkiot, jos mahdollista. Onko jokin joukoista tyhjä joukko?

3. Kirjoita seuraavat joukot luettelemalla niiden alkiot, jos mahdollista. Onko jokin joukoista tyhjä joukko? HY / Avoin yliopisto Johdatus yliopistomatematiikkaan, kesä 2015 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I Seuraavat tehtävät liittyvät luentokalvoihin 1 14. Erityisesti esimerkistä 4 ja esimerkin

Lisätiedot

Osa 1: Todennäköisyys ja sen laskusäännöt

Osa 1: Todennäköisyys ja sen laskusäännöt Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt - Satunnaiskokeet, otosavaruudet ja tapahtumat - Todennäköisyyden määritteleminen KE (2014) 1 Satunnaiskokeet, otosavaruudet ja tapahtumat

Lisätiedot

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti 12.11.1999 INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E Mat-2.142 Optimointiopin seminaari Referaatti Syksy 1999 1. JOHDANTO Thomas M. Stratin artikkeli Decision Analysis Using Belief Functions käsittelee

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. Jatkossa ratkaisuehdotukset ovat tyypillisesti paljon lakonisempia.

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. Jatkossa ratkaisuehdotukset ovat tyypillisesti paljon lakonisempia. ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Harjoitus 1 Ratkaisuehdotuksia ja selittelyjä Tämänkertaiset ratkaisuehdotukset ovat pitkähköjä, ja ne sisältävät paljon selittelyjä. Jatkossa

Lisätiedot

SARJAT JA DIFFERENTIAALIYHTÄLÖT

SARJAT JA DIFFERENTIAALIYHTÄLÖT SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 43 0.5 0.4 0.3 0.2 0.1 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.1 0.2 0.3 0.4 0.5 0.6 0.7 1 0.8 0.6 0.4 0.2 0.2 0.4 0.6 0.8 1 Kuva 12. Esimerkin 4.26(c kuvauksen

Lisätiedot

= 3 = 1. Induktioaskel. Induktio-oletus: Tehtävän summakaava pätee jollakin luonnollisella luvulla n 1. Induktioväite: n+1

= 3 = 1. Induktioaskel. Induktio-oletus: Tehtävän summakaava pätee jollakin luonnollisella luvulla n 1. Induktioväite: n+1 Matematiikan ja tilastotieteen laitos Matematiikka tutuksi Harjoitus 4 Ratkaisuehdotuksia 4-810 1 Osoita induktiolla, että luku 15 jakaa luvun 4 n 1 aina, kun n Z + Todistus Tarkastellaan ensin väitettä

Lisätiedot

Osa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden aksioomat

Osa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden aksioomat Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Todennäköisyyden aksioomat TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyden aksioomat >> Todennäköisyyden määritteleminen Todennäköisyyden

Lisätiedot

3.7 Todennäköisyysjakaumia

3.7 Todennäköisyysjakaumia MAB5: Todennäköisyyden lähtökohdat 4 Luvussa 3 Tunnusluvut perehdyimme jo jakauman käsitteeseen yleensä ja normaalijakaumaan vähän tarkemmin. Lähdetään nyt tutustumaan binomijakaumaan ja otetaan sen jälkeen

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Nordlund Mat-2.090 Sovellettu todennäköisyyslasku Harjoitus 2 (vko 39/2003) (ihe: tapahtumien todennäköisyys, Laininen luvut 1.6 2.4) 1. Tarkastellaan rinnan- ja sarjaankytketyistä

Lisätiedot

Nyt ensimmäisenä periodina (ei makseta kuponkia) odotettu arvo on: 1 (qv (1, 1) + (1 q)v (0, 1)) V (s, T ) = C + F

Nyt ensimmäisenä periodina (ei makseta kuponkia) odotettu arvo on: 1 (qv (1, 1) + (1 q)v (0, 1)) V (s, T ) = C + F Mat-2.34 Investointiteoria Laskuharjoitus 2/2008, Ratkaisut 29.04.2008 Binomihilan avulla voidaan laskea T vuoden ja tietyn kupongin sisältävän joukkovelkakirjan arvo eli hinta rekursiivisesti vaihtelevan

Lisätiedot

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y )

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y ) MATEMATIIKAN JA TILASTOTIETEEN LAITOS Differentiaaliyhtälöt, kesä 00 Tehtävät 3-8 / Ratkaisuehdotuksia (RT).6.00 3. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: y = + y + y = + y + ( y ) (y

Lisätiedot

Johdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat TKK (c) Ilkka Mellin (2005) 1 Todennäköisyyden aksioomat Todennäköisyyden määritteleminen Todennäköisyyden aksioomat äärellisissä otosavaruuksissa

Lisätiedot

Matematiikan tukikurssi, kurssikerta 3

Matematiikan tukikurssi, kurssikerta 3 Matematiikan tukikurssi, kurssikerta 3 1 Epäyhtälöitä Aivan aluksi lienee syytä esittää luvun itseisarvon määritelmä: { x kun x 0 x = x kun x < 0 Siispä esimerkiksi 10 = 10 ja 10 = 10. Seuraavaksi listaus

Lisätiedot

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen II UUSINTATENTTI 10.5.1996

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen II UUSINTATENTTI 10.5.1996 1 VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen II UUSINTATENTTI 10.5.1996 Tehtävä 1. Tuotantoprosessin käynnistyessä koneille asennetaan tietyt säätöarvot.

Lisätiedot

Tilastollinen päättely, 10 op, 4 ov

Tilastollinen päättely, 10 op, 4 ov Tilastollinen päättely, 0 op, 4 ov Arto Luoma Matematiikan, tilastotieteen ja filosofian laitos Tilastotiede 3304 TAMPEREEN YLIOPISTO Syksy 2006 Kirjallisuutta Garthwaite, Jolliffe, Jones Statistical Inference,

Lisätiedot

Jatkuvat satunnaismuuttujat

Jatkuvat satunnaismuuttujat Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään

Lisätiedot

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla? 6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.

Lisätiedot

Lineaariset yhtälöryhmät ja matriisit

Lineaariset yhtälöryhmät ja matriisit Lineaariset yhtälöryhmät ja matriisit Lineaarinen yhtälöryhmä a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a 2n x n = b 2. a m1 x 1 + a m2 x 2 + + a mn x n = b m, (1) voidaan esittää

Lisätiedot

Yhteistyötä sisältämätön peliteoria jatkuu

Yhteistyötä sisältämätön peliteoria jatkuu Yhteistyötä sisältämätön peliteoria jatkuu Tommi Lehtonen Optimointiopin seminaari - Syksy 2000 / 1 Bayesilainen tasapaino Täysi informaatio Vajaa informaatio Staattinen Nash Bayes Dynaaminen Täydellinen

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 1 Määrittelyjoukoista Tarkastellaan funktiota, jonka määrittelevä yhtälö on f(x) = x. Jos funktion lähtöjoukoksi määrittelee vaikkapa suljetun välin [0, 1], on funktio

Lisätiedot

Johdatus lukuteoriaan Harjoitus 11 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma

Johdatus lukuteoriaan Harjoitus 11 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma Johdatus lukuteoriaan Harjoitus syksy 008 Eemeli Blåsten Ratkaisuehdotelma Tehtävä Todista ketjumurtoluvun peräkkäisille konvergenteille kaava ( ) n induktiolla käyttämällä jonojen ( ) ja ( ) rekursiokaavaa.

Lisätiedot

X k+1 X k X k+1 X k 1 1

X k+1 X k X k+1 X k 1 1 Matematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 4 1. Oletetaan, että X n toteuttaa toisen kertaluvun differenssiyhtälön X k+2 2X k+1 + 2X k = ξ k,

Lisätiedot

https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015

https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 25.10.2016/1 MTTTP5, luento 25.10.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa

Lisätiedot

Luonnollisen päättelyn luotettavuus

Luonnollisen päättelyn luotettavuus Luonnollisen päättelyn luotettavuus Luotettavuuden todistamiseksi määrittelemme täsmällisesti, milloin merkkijono on deduktio. Tässä ei ole sisällytetty päättelysääntöihin iteraatiosääntöä, koska sitä

Lisätiedot

Ratkaisuehdotukset LH 3 / alkuvko 45

Ratkaisuehdotukset LH 3 / alkuvko 45 Ratkaisuehdotukset LH 3 / alkuvko 45 Tehtävä : Olkoot A, B, X R n n, a, b R n ja jokin vektorinormi. Kätetään vektorinormia vastaavasta operaattorinormista samaa merkintää. Nätä, että. a + b a b, 2. A

Lisätiedot

1. a. Ratkaise yhtälö 8 x 5 4 x + 2 x+2 = 0 b. Määrää joku toisen asteen epäyhtälö, jonka ratkaisu on 2 x 1.

1. a. Ratkaise yhtälö 8 x 5 4 x + 2 x+2 = 0 b. Määrää joku toisen asteen epäyhtälö, jonka ratkaisu on 2 x 1. ABIKertaus.. a. Ratkaise yhtälö 8 5 4 + + 0 b. Määrää joku toisen asteen epäyhtälö, jonka ratkaisu on. 4. Jaa polynomi 8 0 5 ensimmäisen asteen tekijöihin ja ratkaise tämän avulla 4 epäyhtälö 8 0 5 0.

Lisätiedot

Johdatus diskreettiin matematiikkaan Harjoitus 2, Osoita että A on hyvin määritelty. Tee tämä osoittamalla

Johdatus diskreettiin matematiikkaan Harjoitus 2, Osoita että A on hyvin määritelty. Tee tämä osoittamalla Johdatus diskreettiin matematiikkaan Harjoitus 2, 23.9.2015 1. Osoita että A on hyvin määritelty. Tee tämä osoittamalla a) että ei ole olemassa surjektiota f : {1,, n} {1,, m}, kun n < m. b) että a) kohdasta

Lisätiedot

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen

Lisätiedot

Matematiikan tukikurssi, kurssikerta 1

Matematiikan tukikurssi, kurssikerta 1 Matematiikan tukikurssi, kurssikerta 1 1 Joukko-oppia Matematiikassa joukko on mikä tahansa kokoelma objekteja. Esimerkiksi joukkoa A, jonka jäseniä ovat numerot 1, 2 ja 5 merkitään A = {1, 2, 5}. Joukon

Lisätiedot

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 5.3.1999

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 5.3.1999 1(5) VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 5.3.1999 Tehtävä 1. Liitteessä on kuvattu yksi luentojen perusesimerkeistä, Raiffan pallouurnia

Lisätiedot

Nykyarvo ja investoinnit, L14

Nykyarvo ja investoinnit, L14 Nykyarvo ja investoinnit, L14 netto netto 1 Tarkastellaan tulovirtaa, joka kestää n jakson ajana, ja jossa jakson j lopussa kassaan tulee tulo k j. k 1 k 2 k 3 k 4 k 5 k 6... k n netto 0 1 2 3 4 5 6...

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kertausluento 2. välikokeeseen Toisessa välikokeessa on syytä osata ainakin seuraavat asiat:. Potenssisarjojen suppenemissäde, suppenemisväli ja suppenemisjoukko. 2. Derivaatan

Lisätiedot

Mallipohjainen klusterointi

Mallipohjainen klusterointi Mallipohjainen klusterointi Marko Salmenkivi Johdatus koneoppimiseen, syksy 2008 Luentorunko perjantaille 5.12.2008 Johdattelua mallipohjaiseen klusterointiin, erityisesti gaussisiin sekoitemalleihin Uskottavuusfunktio

Lisätiedot

1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B.

1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B. HY / Avoin yliopisto Johdatus yliopistomatematiikkaan, kesä 2015 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Seuraavissa tehtävissä harjoitellaan muun muassa kahden joukon osoittamista samaksi sekä joukon

Lisätiedot

Matematiikan tukikurssi, kurssikerta 2

Matematiikan tukikurssi, kurssikerta 2 Matematiikan tukikurssi kurssikerta 1 Relaatioista Oletetaan kaksi alkiota a ja b. Näistä kumpikin kuuluu johonkin tiettyyn joukkoon mahdollisesti ne kuuluvat eri joukkoihin; merkitään a A ja b B. Voidaan

Lisätiedot

rm + sn = d. Siispä Proposition 9.5(4) nojalla e d.

rm + sn = d. Siispä Proposition 9.5(4) nojalla e d. 9. Renkaat Z ja Z/qZ Tarkastelemme tässä luvussa jaollisuutta kokonaislukujen renkaassa Z ja todistamme tuloksia, joita käytetään jäännösluokkarenkaan Z/qZ ominaisuuksien tarkastelussa. Jos a, b, c Z ovat

Lisätiedot

TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä

TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä J. Virtamo 38.3143 Jonoteoria / Todennäköisyyslaskenta 1 TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä Otosavaruus S S on satunnaiskokeen E kaikkien mahdollisten alkeistapahtumien e joukko. Esim. 1. Noppaa

Lisätiedot

f(x 1, x 2 ) = x x 1 k 1 k 2 k 1, k 2 x 2 1, 0 1 f(1, 1)h 1 = h = h 2 1, 1 12 f(1, 1)h 1 h 2

f(x 1, x 2 ) = x x 1 k 1 k 2 k 1, k 2 x 2 1, 0 1 f(1, 1)h 1 = h = h 2 1, 1 12 f(1, 1)h 1 h 2 HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 7 Harjoitus 6 Ratkaisuehdotukset 6.. Olkoon f : G R, G = {(x, x ) R x > }, f(x, x ) = x x. Etsi differentiaalit d k f(, ), k =,,. Ratkaisu:

Lisätiedot

Matemaattinen Analyysi

Matemaattinen Analyysi Vaasan yliopisto, 009-010 / ORMS1010 Matemaattinen Analyysi 7 harjoitus 1 Määritä seuraavien potenssisarjojen suppenemissäteet a) k k x 5)k b) k=1 k x 5)k = k k 1) k ) 1) Suppenemissäteen R käänteisarvo

Lisätiedot

Miten hyvin mallit kuvaavat todellisuutta? Tarvitaan havaintoja.

Miten hyvin mallit kuvaavat todellisuutta? Tarvitaan havaintoja. Luku 1 Johdanto 1.1 Todennäköisyys ja tilastotiede Kurssi käsittelee todennäköisyyslaskentaa ja tilastotiedettä. Laaditaan satunnaisilmiöille todennäköisyysmalleja. Miten hyvin mallit kuvaavat todellisuutta?

Lisätiedot

= 2±i2 7. x 2 = 0, 1 x 2 = 0, 1+x 2 = 0.

= 2±i2 7. x 2 = 0, 1 x 2 = 0, 1+x 2 = 0. HARJOITUS 1, RATKAISUEHDOTUKSET, YLE11 2017. 1. Ratkaise (a.) 2x 2 16x 40 = 0 (b.) 4x 2 2x+2 = 0 (c.) x 2 (1 x 2 )(1+x 2 ) = 0 (d.) lnx a = b. (a.) Toisen asteen yhtälön ratkaisukaavalla: x = ( 16)± (

Lisätiedot

V ar(m n ) = V ar(x i ).

V ar(m n ) = V ar(x i ). Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia

Lisätiedot

Osa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden peruslaskusäännöt

Osa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden peruslaskusäännöt Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Todennäköisyyden peruslaskusäännöt TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyden peruslaskusäännöt >> Uusien tapahtumien muodostaminen

Lisätiedot