Bloom-filtterit. Juho Mäkinen jvmakine(at)cs.hut.fi
|
|
- Anna Sariola
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Bloom-filtterit Juho Mäkie jvmakie(at)cs.hut.fi Semiaariesitelmä T Satuaisalgoritmit Tietotekiika laitos Tekillie korkeakoulu Tiivistelmä Bloom-filtteri o probabilistie tietorakee, joho voidaa talletaa tieto siitä kuuluuko joki elemetti filtteri kuvaamaa joukoo vai ei. Tietorakee säästä käytettyä tilaa sallimalla piee todeäköisyyde virheellisille positiivisille. Tässä esityksessä käsitellää joitai Bloomfilttereide keskeisimpiä omiaisuuksia sekä tarkastellaa erilaisia variaatioita alkuperäisestä tietoraketeesta. Lopuksi katsotaa yleiskatsaus erilaisii Bloom-filtteri sovelluskohteisii. 1 Johdato Tämä semiaarityö aiheea ovat Bloom-filtterit. Esi esittellää Bloom-filtteri toimitaa ja omiaisuuksia. Sitte tarkastellaa erilaisia variaatioita ja parauksia perustietoraketeesee, ja lopuksi käydää läpi yleisiä käyttökohteita Bloom-filttereille. Bloom-filtteri o hajautuksee perustuva probabilistie tietorakee, joka avulla voidaa testata kuuluuko aettu elemetti johoki joukkoo vai ei. Tietorakee o filtteri koska virheelliset positiiviset ovat mahdollisia. Tämä vuoksi lopullista joukkoo kuuluvuutta määritettäessä täytyy Bloom-filtteri positiiviset tulokset vielä tarkistaa jollai muulla meetelmällä. Bloom-filtteri etua varmaa determiistisee testauksee verrattua ovat se aika- ja tilatehokkuus. Bloom-filtterit keksi Burto H. Bloom vuoa 1970 [1]. Häe tavoitteeaa oli kehittää hajautustaululle vaihtoehto, joka mahtuisi kokoaisuudessaa suorittime muistii ja toisi äi merkittävä teholisä verrattua hajautustauluihi, joista osa jouduttii pitämää hitaassa massamuistissa. Bloomfilttereissä hajautusaluee koko o vapaasti valittavissa. Aluee kutistuessa kasvaa kuiteki väärie positiiviste todeäköisyys. Esimerkkisovelluksea Bloom esitti eglai kiele saoje tavutukse. Suuri osa eglai saoista voidaa tavuttaa yksikertaiste säätöje mukaa, mutta oi 10 prosettia saoista joudutaa katsomaa erillisestä saakirjasta luvulla tämä saakirja oli ii suuri että se ei mahtuut suorittime muistii, vaa sitä piti säilyttää hitaalla kovalevyllä. Käyttäe Bloom-filtteriä testaamaa oko saa saakirjassa, saadaa merkittävä tehokkuude paraus. Virheelliset positiiviset eivät haittaa, koska jokaie positiivie osuma tarkistetaa saakirja avulla. 1
2 Kuva 1: Elemeti O lisäämie tyhjää Bloom-filtterii. Tässä esimerkissä käytetää kolmea hajautusfuktiota h1, h2 ja h3 2 Bloom-filtteri Bloom-filtteri käyttämä perustietorakee o bittivektori joka pituus o m bittiä. Tyhjässä filtterissä kaikki bitit ovat asetettu olliksi. Ku filtteri kuvaamaa joukkoo halutaa lisätä uusi objekti, geeroidaa tästä objektista k erilaista hajautusarvoa väliltä [1,m]. Nyt bitit äissä k:ssa osoitteessa asetetaa ykkösiksi. Esimerkki tästä operaatiosta o esitetty kuvassa 1. Joukkoo kuuluvuus testataa vastaavasti taas geeroimalla k bittiosoitetta käyttäe samoja hajautusmeetelmiä kui objektia lisättäessä. Jos kaikki osoitteide osoittamat bitit ovat ykkösiä, raportoidaa positiivie osuma. Jos yksiki bitti o olla, voidaa varmasti todeta että objekti ei kuulu filtteri kuvaamaa joukkoo. Bloom-filtteristä ei voida poistaa sie jo lisätty objektia, koska ei voida tietää kuuluvatko objekti bitit myös joki toise objekti tuistusbitteihi. Tietoraketee tilavaativuus o selvästi O(m) ja objekti testaukse sekä lisäämise aikavaativuudet O(k), olettae että hajautusarvo voidaa laskea vakioajassa. Bloom-filttereillä o myös seuraavat mielekiitoiset omiaisuudet. Oletetaa kaksi Bloomfiltteriä A ja B. Oletetaa lisäksi että molempie filttereide bittivektoreide pituudet ovat yhtä suuret, ja että molemmissa filttereissä käytetää samoja hajautusfuktioita. Nyt A B voidaa laskea helposti laskemalla A: ja B: bittiriakkaie OR-operaatio. Sytyvä filtteri vastaa filtteriä A: ja B: hyväksymie joukkoje uioille. Vastaavasti voidaa laskea A: ja B: hyväksymie joukkoje leikkaus A B tehokkaasti käyttämällä bittiriakkaista AND-operaatiota. 2.1 Virheelliste positiiviste todeäköisyys Tutkitaa seuraavaksi virheellise positiivise todeäköisyyttä. Oletetaa että joukoo o lisätty objektia, ja että hajautusarvot valitsevat jokaise osoittee yhtä suurella todeäköisyydellä. Nyt todeäköisyys sille että tietty bitti b i o olla o P(b i = 0) = ( 1 1 m) k (1) Testattaessa joukkoo lisäämättömä objekti kuulumista siihe, testataa k: satuaise biti tilaa. Näi olle todeäköisyys sille että tällaie objekti reportoidaa virheellisesti joukkoo kuuluvaksi o yhtälö 1 perusteella P fp = ( 1 ( ) 1 m) 1 k k ( ) 1 e k k m (2) 2
3 Tästä o helppo ähdä että väärie positiiviste todeäköisyys pieeee ku m kasvaa, ja suureee : kasvaessa, ku k pysyy vakioa. Yllä oleva virheelliste osumie todeäköisyyde johto olettaa että kahde eri biti tiloje todeäköisyydet ovat toisistaa riippumattomat. Tämä ei kuitekaa pidä täysi paikkaasa. Tästä johtue yhtälö 2 aliarvioi virheelliste positiiviste määrää. Kuiteki m: kasvaessa yhtälö virhe pieeee, jote käytäö sovelluksissa voidaa yhtälöä 2 pitää tarpeeksi hyvää.[2][3] Tutkitaa seuraavaksi mite hajautusfuktioide määrä k tulisi valita. Optimaalie k o luoollisesti sellaie joka miimoi P fp : arvo yhtälössä 2. Oletetaa että sekä m että ovat aettuja vakioita. Määritellää g = k l(1 e k/m ) jolloi P fp = e g. Nyt g: miimi o myös P fp : miimi. Lasketaa g: derivaatta k: suhtee. dg dk = l(1 e k/m ) + k e k/m m 1 e k/m (3) Tämä derivaata ollakohta, joka o myös P fp : globaali miimi, löytyy arvolla (kts. [12]) k = l2 m 0.69m (4) Joka o siis optimaalie hajautusfuktioide määrä jos bittivektori pituus ja elemettie määrä ovat tiedetyt. Sijoitetaa saatu optimi yhtälöö 2. P fp ( ) 1 e k k ( m = 1 e l2) ( l(2)m/ 1 l(2)m/ = ) m/ (5) Tästä ähdää pieimmä virhetodeäköisyyde lisäksi myös se että optimitapauksessa puolet bittivektori biteistä o asetettu ykkösiksi. Käytäössä optimaalista pieemmät k: arvot voivat olla halutumpia, koska e johtavat pieempää aikavaativuutee. Tästä johtue k: arvoa valitessa tulisi ottaa myös huomioo positiivise osuma tarkistamisee kuluva aika, sekä yksittäise hajautusarvo laskemisee ja biti päivittämisee kuluva aika. Tässä kuiteki oletuksea o että osuma tarkistukse aikavaatimus o merkittävästi suurempi kui hajautusarvo laskemie, jolloi yllä laskettu k: arvo o lähellä oikeaa optimia. 3 Hajautusfuktioista Bloom-filtterissä suuri osa lasketatehosta meee ilmeisimmi hajautusarvoje laskemisee. Käytäössä ei kuitekaa tarvita k:ta erilaista hajautusfuktiota, vaa kute artikkelissa [8] äytetää, riittää kaksi toisistaa riippumatota hajautusfuktiota. Jos oletetaa että hajautusfuktiot g 1 ja g 2 ovat toisistaa riippumattomat voidaa äide avulla simuloida k:ta hajautusfuktiota seuraavaa kaava avulla h i=0..k 1 (x) = g 1 (x) + ig 2 (x) mod m (6) Tämä tehostaa filtteri käyttöä huomattavasti, koska k: arvosta riippumatta riittää kahde hajautusfuktio arvo laskemie operaatiota kohde. Tämä hajautusfuktioide riippumattomuude vaatimukse löyhetämie ei käytäössä lisää virheelliste positiiviste määrää merkittävästi. 3
4 4 Pakatut Bloom-filtterit Tutkitaa kuika tehokkaasti alkuperäie Bloom-filtteri käyttää muistia. Tehtäväämme o määrittää optimaalie bittie määrä m o joka tarvitaa määrittämää kuuluuko aettu elemetti joukkoo S, ku joukossa o elemettiä, sallie virheelliset positiiviset korkeitaa todeäköisyydellä ǫ. Oletetaa että mahdollisia elemettejä o kaikkiaa u kappaletta. Nyt meetelmämme tulee määrittää bittivektori jokaiselle erilaiselle kokoiselle joukolle elemettejä. Näitä joukkoja o ( ) u kappaletta. Käsitellää bittijooa b jota käytetää hyväksymää kaikki joukkoo S kuuluvat elemettiä. Näide elemettie lisäksi b voi hyväksyä korkeitaa ǫ(u ) muuta elemettiä, atae hyväksyttyje elemettie maksimimääräksi + ǫ(u ). Nyt yhtä bittiojooa voidaa käyttää hyväksymää mikä tahasa ( ) +ǫ(u ) alijoukosta kokoa. Nyt jos meillä o käytössä m o bittiä, voidaa äillä esittää 2 mo erilaista bittijooa, joide täytyy voida vastata kaikkia mahdollisia : pituisia joukkoja. Tästä saadaa ( u ) Josta voidaa ratkaista m o log 2 ( u ) ( +ǫ(u ) 2 mo ) log 2 ( u ( +ǫ(u ) ) (7) ) ( +ǫu ) log 2 ǫ = log 2 1/ǫ (8) Muistetaa yhtälöstä 5 että Bloom-filtteri paras mahdollie virhetodeäköisyys P fp = (1/2) m l 2/. Jos vaaditaa että P fp ǫ, saadaa ( ) m l ǫ = m log 2 1/ǫ l2 = log 2 elog 2 1/ǫ (9) Tästä ähdää että Bloom-filtteri käyttää log 2 e 1.44 kertaa eemmä bittejä kui teoriassa olisi mahdollista. Koska erityisesti tietoliiketeessä käytettyje bittie määrä o merkittävi etu Bloom-filttereissä, tämä puuttee ratkaisemiseksi kehitettii pakatut Bloom-filtterit [3]. Pakattuje Bloom-filttereide ajatuksea o vähetää Bloom-filtteri tilavaativuutta optimoimalla sitä tilaa joho filtteri bittivektori voi pakata. Varjopuolea filtteri tulee purkaa ee käyttöä, ja taas pakata se jälkee. Pakkausideaa käytetää lähiä siirrettäessä filttereitä verko yli. Määritellää ogelma formaalisti. Esiäki huomataa, että bittivektori voidaa pakata parhaimmillaa tilaa z = mh(p), missä p o todeäköisyys sille että yksittäise biti arvo pakkaamattomassa vektorissa o 1, ja H(p) = p log 2 (p) (1 p)log 2 (1 p) joka o biäärie etropiafuktio. Pakattua Bloom-filtteriä valitessa ogelmaa o löytää sellaiset m ja k jotka miimoivat arvo P fp yhtälöstä 2, ku z ja ovat aetut. Vaihtoehtoisesti voisimme yrittää miimoida pakattua kokoa z ku P fp o aettu. Paperissa [3] todistetaa että piei P fp saavutetaa ku k lähestyy ollaa tai ääretötä. Tällöi P fp lähestyy arvoa 0.5 z/, josta saadaa edellee z = log 2 (1/P fp ). Siis, jos haluamme käyttää mahdollisimma vähä bittejä, tulee meidä asettaa k mahdollisimma lähelle ollaa (käytäössä ykköseksi). Bittivektori koko kasvaa optimitapauksessa äärettömäksi (ku k = 0), mutta suuremmilla k: arvoilla voidaa tarvittava bittivektori pituus laskea : ja k: avulla käyttäe yhtälöä 1, sekä yllä aettua z: määritelmää. Käytäössä teoreettisesti optimaalisia tuloksia ei tietekää voida saavuttaa, mm. pakkausmeetelmie epätäydellisyyde vuoksi. Lisäksi pakkaamattomalla bittivektorilla o yleesä joki 4
5 käytäöllie maksimi, joka rajoittaa kuika pieeksi k voidaa valita. Kuiteki, pakatut Bloomfiltterit pieetävät merkittävästi myös käytäössä virheelliste positiiviste todeäköisyyttä suhteessa siirrettyje bittie määrää. Pakkausmeetelmää voidaa käyttää esimerkiksi aritmeettista koodausta, joka avulla päästää melko lähelle optimaalista pakkausta. 5 Laskevat Bloom-filtterit Laskeva Bloom-filtteri esiteltii esimmäise kerra artikkelissa [5]. Tässä versiossa Bloom-filtteri bittivektori o korvattu kokoaislukulistalla joka jokaie elemetti alussa alustetaa ollaksi. Elemeti lisäys tapahtuu kute aiemmi, paitsi että biti muuttamise sijaa, hajautusarvo äyttämä laskuri arvoa kasvatetaa yhdellä. Joukkoo kuuluvuude testaus tapahtuu kute aiemmiki: jos laskuri o kaikissa k:ssa kohdassa listaa suurempi kui 0, palautetaa tosi. Etua tässä versiossa o se, että yt elemettie poistot filtteristä oistuvat vähetämällä jokaise hajautusarvoje osoittama laskuri arvoa yhdellä. Haittapuolea o kuiteki kasvaut tilavaatimus. Lisäksi mahdolliste ylivuotoje käsittely o hakalaa. 5.1 Spectral Bloom-filtterit Tätä lähestymistapaa kehitettii edellee paperissa [7]. Nyt ajatuksea o käyttää laskevia Bloomfilttereitä talletamaa avaite esiitymisfrekvessejä. Yksikertaisi lähestymistapa tähä ogelmaa o käyttää suoraa yllä kuvattua implemetaatiota lisäyksissä ja poistoissa. Ku tarkistetaa avaime esiitymie määrää, palautetaa piei avaime hajautusfuktioide osoittamista arvoista. Tässä tapauksessa todeäköisyys sille, että palautettu arvo ei ole todellie esiitymie määrä, o P fp : arvo yhtälöstä 2 [7]. Tästä meetelmästä esitettii myös kaksi paraettua versiota. Esimmäisessä versiossa ajatuksea o lisäykse yhteydessä kasvattaa vai iitä laskureita, joide arvo o kaikkie hajautusarvoje viittaamie laskureide joukosta piei. Tämä luoollisesti tekee poistoje tekemise mahdottomaksi, mutta pieetää virheide määrää huomattavasti. Toie parausehdotus oli käyttää toista laskevaa Bloom-filtteriä käsittelemää tapauksia, joissa voidaa arvella virhee todeäköisyys suureksi. Tällaisiksi tapauksiksi esitettii e, joissa piei laskuri arvo esiityy vai yhdessä laskurissa tarkistettavie laskureide joukosta. Tällöi haku/päivitys tehdää toissijaisee filtterii, aiva kute yllä kuvatussa yksikertaisessa algoritmissa. Tämä paraus ei pieeä virheide todeäköisyyttä aiva yhtä tehokkaasti kui pieimpie laskureide päivittämisee perustuva versio, mutta sallii poistoje tekemise. 6 Bloomier filtterit Bloomier filttereissä [6] ajatuksea o käyttää ormaaleja Bloom filttereitä luomaa tietorakee joho voidaa talletaa kyllä/ei -arvo sijaa joki umeerie arvo kulleki lisättävälle elemetille. Tietorakee sallii Bloom-filttereide tapaa virheellisiä positiivisia, jotka tässä tapauksessa ilmeevät virheelliseä arvoa elemetille jota ei ole tietoraketeesee lisätty. Jos elemetti o kuiteki aiemmi tietoraketeesee lisätty, palauttavat haut aia oikea arvo. Käsitellää tapausta jossa elemetti voi saada vai arvo 0 tai 1. Määritetää kaksi Bloom-filtteriä A 1 ja B 1. Ilmeie tapaus etsittäessä elemeti x arvoa, o testata x molemmilla filttereillä. Tämä ei kuitekaa toimi, sillä virheelliste positiiviste takia molemmat filtterit saattavat äyttää x: kuuluva vastaavii arvojoukkoihi. Tässä tapauksessa aiaki toie palauttaa virheellise positiivise, 5
6 koska samaa elemettiä ei koskaa lisätä molempii filttereihi. Tämä tapaukse ratkaisemiseksi tarvitaa kaksi uutta filtteriä, A 2 ja B 2. A 2 sisältää yt ollaksi mappautuvat elemetit jotka palauttavat virheellise positiivise B 1 :ssä. Vastaavasti ykköseksi mappautuvat elemetit sisältyvät filtterii B 2 ku A1 palauttaa virheellise positiivise. Edellee jos myös ämä filtterit palauttavat molemmat positiivise tulokse, jatketaa seuraavii filttereihi kues jompi kumpi palauttaa egatiivise. Elemeti lisäämie tapahtuu lisäämällä se arvosa mukaisee filtterii. Sitte testataa palauttaako toie filtteri väärä positiivise, jolloi samalaie lisäys tehdää myös seuraava taso filttereihi. Koska virheellise positiivise todeäköisyys o hyvi piei, putoaa filttereihi lisättävie elemettie määrä hyvi opeasti filtteripiossa syvemmälle metäessä. Yllä kuvattu meetelmä yleistyy helposti mielivaltaisille luvuille, ekoodaamalla e q: pituisiksi bittijooiksi, ja käyttämällä q:ta erillistä yllä kuvattua filtterijooa talletamaa kuki bitti. 7 Bloom-filttereide käyttökohteita 7.1 Tietokaat Bloom-filttereitä o käytetty opeuttamaa tietokataoperaatioita käyttämällä iitä hyödyksi muutostiedostoje (differetial file) käsittelyssä.[4] Muutostiedosto o piei, muistii mahtuva välimuistitiedosto joka sisältää suurempaa tietokataa muutetut tietueet. Jos muutokset tapahtuvat suurissa ryppäissä. voidaa muutostiedostoa ylläpitämällä opeuttaa tietokaa toimitaa, kirjoittamalla muutokset varsiaisee tietokataa myöhemmi. Nyt Bloom-filttereitä voidaa käyttää pitämää yllä tietoa siitä, mitkä tietueet ovat muutostiedostossa. Virheellie positiivie ei haittaa, koska jos haettavaa tietuetta ei löydykää muutostietueesta, haetaa se sitte varsiaisesta tietokaasta. Toie tietokata-alue, jossa Bloom-filtterit tehostavat operaatioita suuresti, o hajautetut tietokaat. Esimerkiksi hajautettuje relaatiotietokatoje JOIN-operaatio toteutuksessa voidaa Bloom-filttereillä vähetää huomattavasti siirrettävä tiedo määrää. Oletetaa esimerkiksi että halutaa tietää e työtekijät jotka asuvat kaupugeissa joide väkiluku o yli asukasta. Kaupukie väkiluvut sisältävä tietokata o eri palvelimella kui työtekijöide asuipaikat. Ilmeie ratkaisu olisi lähettää koko kaupukitietokata työtekijäpalvelimelle, ja tehdä operaatio siellä, mutta tämä vaatisi suurte tietomäärie siirtämistä. Tehokkaampi tapa o luoda kaikista yli asukkaa kaupugeista Bloom-filtteri, ja lähettää tämä toiselle palvelimelle. Nyt tämä työtekijäpalveli voi lähettää vai e työtekijä/kaupuki parit joide kaupuki löytyy filtteristä takaisi kaupukipalvelimelle, jossa lopulta virheelliset positiiviset poistetaa. [4] 7.2 Tietoverkot Tietoverkoissa o moia mahdollisia käyttöjä Bloom-filttereille. Tämä osio esimerkit perustuvat artikkelii [4], josta kiiostueet voivat lukea lisää mahdollisia käyttökohteita. Tietoliiketeessä o tärkeää yrittää miimoida siirrettävä data määrää. Tietoverkoissa sytyy moia tilateita joissa halutaa tietää joukko objekteja jotka ovat saatavilla verko ylitse. Tällaisissa tapauksissa voidaa lähettää joukkoa kuvaava lista sijaa Bloom-filtteri joukosta. Koska Bloomfiltterit ovat kooltaa yleesä huomattavasti pieempiä kui täydelliset listat jouko alkioista, säästyy tässä huomattava määrä siirrettävää dataa. Tähä ideaa pohjautue o kehitetty proxy-palvelite Web cacheje päivitysprotokolla.[5] Jos tällaiselta palvelimelta haetaa sivua, jota se välimuistista ei löydy, täytyy se edellee hakea sivu joltai muulta palvelimelta. Protokolla ideaa o että palvelimet lähettävät tasaisi väliajoi Bloom-filtteri sisältämistää sivuista kaikille muille palvelimille. 6
7 Nyt palvelimet voivat opeasti tarkistaa filttereistää miltä palvelimilta haettu sivu voisi löytyä. Satuaiset virheelliset positiiviset eivät haittaa, koska tässä tapauksessa palveli jolta tietoa haetaa voi ilmoittaa ettei tietoa löytyytkää. Toie tietoliiketee alue jossa Bloom-filttereillä o saatu merkittäviä teholisiä o tiedohaku hajautetuista peer-to-peer tietovarastoista [9]. Tässä protokollassa jokaie verko solmu pitää jokaiselle avoimelle yhteydelle yllä d: pituista listaa Bloom-filttereitä. Tässä listassa esimmäie filtteri vastaa yhteyde takaa olevasta koeesta saatavia tiedostoja, toie filtteri yhteydestä kahde hypy takaa olevista koeista saatavia tiedostoja, je. Ku solmuu saapuu kysely tietystä tiedostosta, Tarkistetaa kaikista filtterilistoista, löytyykö tiedosto esimmäisestä filtteristä. Jos äi o, lähetetää kysely vastaavalle seuraavalle solmulle. Muute jatketaa testaamalla kaikki toiset filtterit, je. Tässä protokollassa d: suuruus määrää kuika kauas tiedostot äkyvät verkossa. Jos virheellise positiivise takia viesti saapuu solmuu josta tiedostoa ei ole saatavilla, katkaistaa haku, ja haetaa samaa tiedostoa hitaammalla determiistisellä algoritmilla. Bloom-filttereitä o myös ehdotettu tehostamaa multicast reititystä. Multicast reititi talletaa jokaiselle multicast-osoitteelle lista yhteyksistä joihi multicast o yhdistetty. Ku multicast paketti saapuu reitittimee, lähettää se paketi edellee kaikkii listattuihi yhteyksii. Vaihtoehtoie tapa o säilyttää jokaiselle yhteydelle Bloom-filtteriä joka tuistaa yhteytee liitettyjä multicast osoitteita. Nyt paketi saapuessa tarkistettaisii kaikkie yhteyksie filtterit edellee lähetystä varte. Etua tässä o se, että yt ei tarvitse talletaa kokoaisia listoja multicast osoitteista. Virheelliset positiivisetkaa eivät ole ogelma, koska virheellisesti reititetyt paketit voidaa tiputtaa pois seuraavissa reitittimissä. Lisäksi Bloom-filttereitä o käytetty Tietoliiketee tehokkaasee filtteröitii [10]. Tässä toteutuksessa Bloom-filtteri toteutettii suoraa laitteistolle FPGA (Field Programmable Gate Array) - tekologiaa käyttäe. Positiiviset osumat tarkistettii edellee hitaammalla hash taululla. Verkkoprotokollia suuiteltaessa o keskeistä että datapakettie joutumie silmukoihi reitityksessä estetää. Yleisi keio tämä estämisee o pitää kussaki paketissa TTL laskuria, jota väheetää kussaki reitittimessä yhdellä, ja laskuri saavuttaessa olla, paketti poistetaa verkosta. Vaihtoehdoksi tälle meetelmälle o esitetty piee Bloom-filtteri pitämistä paketi headerissa.[11] Tässä järjestelyssä kuki reititi tarkistaa löytyykö se idetifikaatiotietue filtteristä, ja jos äi o, pieetää paketi pietä TTL laskuria. Laskuri laskettua ollaa poistetaa paketti verkosta. Eteepäi reititettäessä reititi lisää oma tietueesa paketi filtterii. Tässä Bloom-filtteristä o se etu että voidaa käyttää huomattavasti pieempää TTL laskuria kui ormaalisti. Pelkkää filtterii ei kuitekaa voida turvautua virheelliste positiiviste takia. 7.3 Muita käyttökohteita Vaikka tietokaat sekä tietoverkot ovat merkittävimmät Bloom-filttereide sovelluskohteet, o iillä rusaasti käyttöä myös muilla alueilla. Teksti käsittelyssä äitä o käytetty Bloomi alkuperäise tavutusohjelma lisäksi mm. saoje oikeikirjoitukse testaamisee. Tässä oikeikirjoitussaakirjasta luodaa Bloom-filtteri, jolla voidaa sitte tehokkaasti tarkistaa kuuluuko saa oikeikirjoitettuje saoje joukkoo. Haittapuolea tässä lähestymistavassa o se että pieellä todeäköisyydellä väärikirjoitetut saat hyväksytää. 7
8 Viitteet [1] Bloom, B.H. 1970, Space/time trade-offs i hash codig with allowable errors, Commuicatios of the ACM, vol. 13, o. 7, pp [2] Bose, P., Guo, H., Kraakis, E., Maheshwari, A., Mori, P., Morriso, J., Smid, M. & Tag, Y. O the false-positive rate of Bloom filters, Submitted uder review, Temporary versio available at mori/publicatios/ds/bloom-submitted.pdf [3] Mitzemacher, M. 2002, Compressed bloom filters, IEEE/ACM Trasactios o Networkig (TON), vol. 10, o. 5, pp [4] Broder, A. & Mitzemacher, M. 2004, Network Applicatios of Bloom Filters: A Survey, Iteret Mathematics, vol. 1, o. 4, pp [5] Fa, L., Cao, P., Almeida, J. & Broder, A.Z. 2000, Summary cache: a scalable wide-area web cache sharig protocol, IEEE/ACM Trasactios o Networkig (TON), vol. 8, o. 3, pp [6] Chazelle, B., Kilia, J., Rubifeld, R. & Tal, A. 2004, The Bloomier filter: a efficiet data structure for static support lookup tables, Proceedigs of the fifteeth aual ACM-SIAM symposium o Discrete algorithms, pp [7] Cohe, S. & Matias, Y. 2003, Spectral bloom filters, Proceedigs of the 2003 ACM SIGMOD iteratioal coferece o Maagemet of data, pp [8] Kirsch, A. & Mitzemacher, M. 2006, Less Hashig, Same Performace: Buildig a Better Bloom Filter, Proceedigs of the 14th Aual Europea Symposium o Algorithms, pp [9] Rhea, S. & Kubiatowicz, J. 2002, Probabilistic locatio ad routig, INFOCOM 2002.Twety-First Aual Joit Coferece of the IEEE Computer ad Commuicatios Societies.Proceedigs.IEEE, vol. 3. [10] Attig, M., Dharmapurikar, S. & Lockwood, J. 2004, Implemetatio results of bloom filters for strig matchig, Field-Programmable Custom Computig Machies, 2004.FCCM th Aual IEEE Symposium o, pp [11] Whitaker, A. & Wetherall, D. 2002, Forwardig without loops i Icarus, Ope Architectures ad Network Programmig Proceedigs, 2002 IEEE, pp [12] Mitzemacher, M. & Upfal, E. 2005, Probability ad Computig: Radomized Algorithms ad Probabilistic Aalysis, Cambridge Uiversity Press. 8
Sormenjälkimenetelmät
Sormejälkimeetelmät Matti Risteli mristeli@iksula.hut.fi Semiaariesitelmä 23.4.2008 T-106.5800 Satuaisalgoritmit Tietotekiika laitos Tekillie korkeakoulu Tiivistelmä Sormejälkimeetelmät ovat satuaisuutta
Lisätiedot811312A Tietorakenteet ja algoritmit , Harjoitus 1 ratkaisu
83A Tietoraketeet ja algoritmit 06-07, Harjoitus ratkaisu Harjoitukse aiheea o algoritmie oikeellisuus. Tehtävä. Kahvipurkkiogelma. Kahvipurkissa P o valkoisia ja mustia kahvipapuja, yhteesä vähitää kaksi
LisätiedotT Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen
T-1.1 Datasta tietoo, syksy 5 Laskuharjoitus.1., ratkaisuja Joui Seppäe 1. Simuloidaa tasoittaista algoritmia. Esimmäisessä vaiheessa ehdokkaia ovat kaikki yhde muuttuja joukot {a}, {b}, {c} ja {d}. Aaltosulkeide
LisätiedotEpäyhtälöoppia matematiikkaolympialaisten tehtäviin
Epäyhtälöoppia matematiikkaolympialaiste tehtävii Jari Lappalaie ja Ae-Maria Ervall-Hytöe 0 Johdato Epäyhtälöitä reaaliluvuille Cauchy epäyhtälö Kaikille reaaliluvuille a, a,, a ja b, b,, b pätee Cauchy
LisätiedotHarjoitustehtävien ratkaisuja
3. Mallitamie lukujooje avulla Lukujoo määritelmä harjoituksia Harjoitustehtävie ratkaisuja 3. Laske lukujoo viisi esimmäistä jäsetä, ku a) a 6 ja b) a 6 ja 3 8 c) a ja 3 a) 6,, 8, 4, 30. b) 8,, 6, 0,
LisätiedotSMG-4200 Sähkömagneettisten järjestelmien lämmönsiirto Ehdotukset harjoituksen 6 ratkaisuiksi
SMG-400 Sähkömageettiste järjestelmie lämmösiirto Ehdotukset harjoitukse 6 ratkaisuiksi Tarkastellaa suljetu järjestelmä tehotasaaioa joka o P + P P = P i g out st Oletetaa että verkotetussa alueessa jossa
LisätiedotSolmu 3/2010 1. toteutuu kaikilla u,v I ja λ ]0,1[. Se on aidosti konveksi, jos. f ( λu+(1 λ)v ) < λf(u)+(1 λ)f(v) (2)
Solmu 3/200 Epäyhtälöistä, osa 2 Markku Halmetoja Mätä lukio Välillä I määriteltyä fuktiota saotaa koveksiksi, jos se kuvaaja o alaspäi kupera, eli jos kuvaaja mitkä tahasa kaksi pistettä yhdistävä jaa
Lisätiedot= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1
35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,
LisätiedotTodennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa.
Testimuuttuja kriittie arvo 5 %: merkitsevyystasolla katsotaa taulukosta. Kriittie arvo o 9,488. Koska laskettu arvo 4,35 o pieempi kui taulukosta saatu kriittie arvo 9,488, ii ollahypoteesi jää voimaa.
Lisätiedot811312A Tietorakenteet ja algoritmit, , Harjoitus 4, Ratkaisu
81112A Tietoraketeet ja algoritmit, 217-218, Harjoitus 4, Ratkaisu Harjoitukse aiheita ovat algoritmie aikakompleksisuus ja lajittelualgoritmit Tehtävä 4.1 Selvitä seuraavie rekursioyhtälöide ratkaisuje
LisätiedotKertaa tarvittaessa induktiota ja rekursiota koskevia tietoja.
MATEMATIIKAN JA TILASTOTIETEEN LAITOS Aalyysi I Harjoitus 5. 0. 2009 alkavalle viikolle Ratkaisuehdotuksia ( sivua) (Rami Luisto) Laskuharjoituksista saa pistettä, jos laskettu vähitää 50 tehtävää; 3 pistettä,
LisätiedotEsimerkki 2 (Kaupparatsuongelma eli TSP)
10 Esimerkki 2 (Kaupparatsuogelma eli TSP) Kauppamatkustaja o kierrettävä kaupukia site, että hä lähtee kaupugista 1 ja palaa sie sekä käy jokaisessa muussa kaupugissa täsmällee kerra. Matka kaupugista
LisätiedotRATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan
RATKAISUT 8 17 8 a) Paraabelie y x ja y x + x + 1 leikkauspisteet saadaa määritettyä, ku esi ratkaistaa yhtälö x x + x + 1, eli x x, joka o yhtäpitävä yhtälö x x. Toise astee yhtälö ratkaisukaavalla saadaa
Lisätiedot( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.
Kombiatoriikka, kesä 2010 Harjoitus 2 Ratkaisuehdotuksia (RT) (5 sivua) Käytä tehtävissä 1-3 kombiatorista päättelyä. 1. Osoita, että kaikilla 0 b a pätee ( ) a a ( ) k 1 b b 1 kb Biomikertoime määritelmä
Lisätiedotja läpäisyaika lasketaan (esim) integraalilla (5.3.1), missä nyt reitti s on z-akselilla:
10 a) Valo opeus levyssä o vakio v 0 = c / 0, jote ajaksi matkalla L laskemme L t0 = = 0 L. v0 c b) Valo opeus levyssä riippuu z:sta: c c v ( z) = = ( z ) 0 (1 + 3az 3 ) ja läpäisyaika lasketaa (esim)
Lisätiedot4.3 Signaalin autokorrelaatio
5 4.3 Sigaali autokorrelaatio Sigaali autokorrelaatio kertoo kuika paljo sigaali eri illä korreloi itsesä kassa (josta imiki). Se o Fourier-muuokse ohella yksi käyttökelpoisimmista sigaalie aalysoitimeetelmistä.
Lisätiedot3 10 ei ole rationaaliluku.
Harjoitukset / 011 RATKAISUT Lukuteoria 1. Etsi Eratostheee seulalla samatie kaikki lukua 400 pieemmät alkuluvut. (Tai ohjelmoi tietokoeesi etsimää paljo lisää.) Kirjoita rivii kaikki luvut 1-00. Poista
Lisätiedotn = 100 x = 0.6 99%:n luottamusväli µ:lle Vastaus:
1. Tietyllä koeella valmistettavie tiivisterekaide halkaisija keskihajoa tiedetää oleva 0.04 tuumaa. Kyseisellä koeella valmistettuje 100 rekaa halkaisijoide keskiarvo oli 0.60 tuumaa. Määrää 95%: ja 99%:
Lisätiedot2. Mittaus ja data 2.1. Johdanto. 2.2. Mittaustyypit
2. Mittaus ja data 2.. Johdato Voidaksemme keksiä tosimaailma relaatioita tarkastelemme sitä kuvaavaa dataa, jote esiksi selvitämme, mitä data perimmiltää o. Data kerätää kuvaamalla mielekiitoaluee oliot
LisätiedotStokastiikan perusteet Harjoitukset 1 (Todennäköisyysavaruus, -mitta ja -funktio) 2.11.2015
Stokastiika perusteet Harjoitukset (Todeäköisyysavaruus, -mitta ja -fuktio) 2..205. Määritä potessijoukko 2,ku (a) {0, } (b) {(0, ]} ja ku (c) (0, ]. Ratkaisu: (a) 2 {;, {0}, {}, {0, }} (b) 2 {;, {(0,
LisätiedotOtantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä
Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria
Lisätiedot4.7 Todennäköisyysjakaumia
MAB5: Todeäöisyyde lähtöohdat.7 Todeäöisyysjaaumia Luvussa 3 Tuusluvut perehdyimme jo jaauma äsitteesee yleesä ja ormaalijaaumaa vähä taremmi. Lähdetää yt tutustumaa biomijaaumaa ja otetaa se jälee ormaalijaauma
LisätiedotTehtäviä neliöiden ei-negatiivisuudesta
Tehtäviä epäyhtälöistä Tehtäviä eliöide ei-egatiivisuudesta. Olkoo a R. Osoita, että 4a 4a. Ratkaisu. 4a 4a a) a 0 a ) 0.. Olkoot a,, R. Osoita, että a a a. Ratkaisu. Kerrotaa molemmat puolet kahdella:
LisätiedotDiskreetin Matematiikan Paja Ratkaisuja viikolle 4. ( ) Jeremias Berg. n(n + 1) 2. k =
Diskreeti Matematiika Paja Ratkaisuja viikolle 4. (7.4-8.4) Jeremias Berg. Osoita iduktiolla että k = ( + ) Ratkaisu: Kute kaikissa iduktiotodistuksissa meidä täytyy siis osoittaa asiaa. Ns. perustapaus,
Lisätiedot10 Kertolaskusääntö. Kahta tapahtumaa tai satunnaisilmiötä sanotaan riippumattomiksi, jos toisen tulos ei millään tavalla vaikuta toiseen.
10 Kertolaskusäätö Kahta tapahtumaa tai satuaisilmiötä saotaa riippumattomiksi, jos toise tulos ei millää tavalla vaikuta toisee. Esim. 1 A = (Heitetää oppaa kerra) ja B = (vedetää yksi kortti pakasta).
LisätiedotMATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai
MATP53 Approbatur B Harjoitus, ratkaisut Maaatai..05. (Lämmittelytehtävä.) Oletetaa, että op = 7 tutia työtä. Kuika mota tutia Oili Opiskelija työsketelee itseäisesti kurssilla, joka laajuus o 4 op, ku
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II
Otokset MS-A050 Todeäköisyyslaskea ja tilastotietee peruskurssi Lueot, osa II Kaksi hyödyllista jakaumaa 3 Estimoiti G. Gripeberg 4 Luottamusvälit Aalto-yliopisto. helmikuuta 05 5 Hypoteesie testaus 6
LisätiedotTILASTOT: johdantoa ja käsitteitä
TILASTOT: johdatoa ja käsitteitä TOD.NÄK JA TILASTOT, MAA10 Tilastotietee tehtävää o esittää ja tulkita tutkimuskohteesee liittyvää havaitoaieistoa eli tilastoaieistoa. Tutkitaa valittua joukkoa ja se
LisätiedotLIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3
LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi
Lisätiedot2.5. Eksponenttifunktio ja eksponenttiyhtälöt
Eksoettifuktio ja -htälöt Eksoettifuktio ja eksoettihtälöt Ku otessi käsitettä laajeetaa sallimalla eksoetille muitaki arvoja kui kokoaislukuja, tämä taahtuu ii, että ii saotut otessikaavat ovat voimassa,
Lisätiedot****************************************************************** ****************************************************************** 7 Esim.
8.3. Kombiaatiot MÄÄRITELMÄ 6 Merkitä k, joka luetaa yli k:, tarkoittaa lause- ketta k = k! ( k)! 6 3 2 1 6 Esim. 1 3 3! = = = = 3! ( 3)! 3 2 1 3 2 1 3 2 1 Laskimesta löydät äppäime, jolla kertomia voi
LisätiedotTyö 55, Säteilysuojelu
Työ 55, Säteilysuojelu Ryhmä: 18 Pari: 1 Joas Alam Atti Tehiälä Selostukse laati: Joas Alam Mittaukset tehty: 7.4.000 Selostus jätetty: 1.5.000 1. Johdato Tutkimme työssämme kolmea eri säteilylajia:, ja
LisätiedotAlgebra I Matematiikan ja tilastotieteen laitos Ratkaisuehdotuksia harjoituksiin 5 (6 sivua)
Algebra I Matematiika ja tilastotietee laitos Ratkaisuehdotuksia harjoituksii 5 (6 sivua) 14.2. 17.2.2011 1. Määritellää kuvaus f : S 3 S 3, f(α) = (123) α. Osoita, että f o bijektio. Mikä o se kääteiskuvaukse
Lisätiedot2 avulla. Derivaatta on nolla, kun. g( 3) = ( 3) 2 ( 3) 5 ( 3) + 6 ( 3) = 72 > 0. x =
TAMMI PYRAMIDI NUMEERISIA JA ALGEBRALLISIA MENETELMIÄ PARITTOMAT RATKAISUT 7 Tiedosto vai hekilökohtaisee käyttöö. Kaikelaie sisällö kopioiti kielletty. a) g( ) = 5 + 6 Koska g o eljäe astee polyomi, ii
LisätiedotS Laskennallinen systeemibiologia
S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kurssikerta 3 1 Lisää iduktiota Jatketaa iduktio tarkastelua esimerki avulla. Yritetää löytää kaava : esimmäise (positiivise) parittoma luvu summalle eli summalle 1 + 3 + 5 + 7 +...
LisätiedotLasketaan kullekin a euron maksuerälle erikseen, kuinka suureksi erä on n vuodessa kasvanut:
Varsi arkiäiväisiä, geometrise joo teoriaa liittyviä käytäö sovellutuksia ovat jaksottaisii maksuihi ja kuoletuslaiaa (auiteettilaiaa) liittyvät robleemat. Tällaisii joutuu lähes jokaie yhteiskutakeloie
Lisätiedot2.3.1. Aritmeettinen jono
.3.1. Aritmeettie joo -joo, jossa seuraava termi saadaa edellisestä lisäämällä sama luku a, a + d, a+d, a +3d, Aritmeettisessa joossa kahde peräkkäise termi erotus o aia vakio: Siis a +1 a d (vakio Joo
LisätiedotNormaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
LisätiedotVerkoston ulkoisvaikutukset
Verkosto ulkoisvaikutukset Varia luku 35 Luettavaa Varia (2006, 7. paios, luku 35, s.658 655) Forget produtivity: more people should joi Faebook saatavilla http://www.ab.et.au/ews/stories/2008/1 1/27/2431283.htm
LisätiedotNoora Nieminen. Hölderin epäyhtälö
Noora Niemie Hölderi epäyhtälö Matematiika aie Turu yliopisto 4. huhtikuuta 2008 Sisältö 1 Johdato 1 2 Cauchy-Schwarzi epäyhtälö 2 2.1 Cauchy-Schwarzi epäyhtälö todistus............. 2 2.2 Aritmeettis-geometrise
LisätiedotAlgoritmi on periaatteellisella tasolla seuraava:
Algoritmi on periaatteellisella tasolla seuraava: Dijkstra(V, E, l, v 0 ): S := { v 0 } D[v 0 ] := 0 for v V S do D[v] := l(v 0, v) end for while S V do valitse v V S jolle D[v] on minimaalinen S := S
LisätiedotÄärettämän sarjan (tai vain sarjan) sanotaan suppenevan eli konvergoivan, jos raja-arvo lims
75 4 POTENSSISARJOJA 4.1 ÄÄRETTÖMÄT SARJAT Lukujoo { a k } summaa S a a a a a k 0 1 k k0 saotaa äärettömäksi sarjaksi. Summa o s. osasumma. S a a a a a k 0 1 k0 Äärettämä sarja (tai vai sarja) saotaa suppeeva
LisätiedotTalousmatematiikka (3 op) Sisältö. Tero Vedenjuoksu. Yhteystiedot: Tero Vedenjuoksu tero.vedenjuoksu@oulu.fi Työhuone M231
Talousmatematiikka (3 op) Tero Vedejuoksu Oulu yliopisto Matemaattiste tieteide laitos 2010 Sisältö Yhteystiedot: Tero Vedejuoksu tero.vedejuoksu@oulu.fi Työhuoe M231 Kurssi kotisivu http://cc.oulu.fi/~tvedeju/talousmatematiikka/
LisätiedotRyhmän osajoukon generoima aliryhmä ja vapaat ryhmät
Ryhmä osajouko geeroima aliryhmä ja vapaat ryhmät LuK-tutkielma Joose Heioe Matemaattiste tieteide tutkito-ohjelma Oulu yliopisto Kevät 2017 Sisältö Johdato 2 1 Ryhmät ja aliryhmät 2 1.1 Ryhmä.................................
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kurssikerta 1 Iduktiotodistus Iduktiotodistukse logiikka Tutkitaa tapausta, jossa haluamme todistaa joki väittee P() site, että se pätee kaikilla luoollisissa luvuilla. Eli halutaa
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy 08 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var
LisätiedotSukupuu -ohjelma. Ossi Väre (013759021) Joni Virtanen (013760641)
Sukupuu -ohjelma Ossi Väre (013759021) Joni Virtanen (013760641) 7.11.2011 1 Johdanto Toteutimme C -kielellä sukupuuohjelman, johon käyttäjä voi lisätä ja poistaa henkilöitä ja määrittää henkilöiden välisiä
LisätiedotMarkov-ketjun hetkittäinen käyttäytyminen
Matematiika ja systeemiaalyysi laitos 1B Markov-ketju hetkittäie käyttäytymie Tämä harjoitukse tavoitteea o oppia muodostamaa Markov-malleja satuaisilmiöille, piirtämää tiettyä siirtymämatriisia vastaava
LisätiedotMatematiikan tukikurssi. Kertausta 1. välikokeeseen. Tehtävät
Matematiika tukikurssi Kertausta. välikokeesee Tehtävät Algebraa Tämä kappale sisältää rusaasti harjoitustehtäviä. Suurimpaa osaa tehtävistä löytyy ratkaisut lopusta. Syyä rusaasee tehtävämäärää o, että
LisätiedotEX1 EX 2 EX =
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var X,
LisätiedotMATEMATIIKAN JA TILASTOTIETEEN LAITOS
f ( ) JYVÄSKYLÄN YLIOPISTO Harjoituste 3 ratkaisut MATEMATIIKAN JA TILASTOTIETEEN LAITOS Topologiset vektoriavaruudet 3.1. Jokaie kompakti joukko K R määrää fuktioavaruudessa E = C(R ) = {f : R R f o jatkuva}
Lisätiedot5.3 Matriisin kääntäminen adjungaatilla
Vaasa yliopisto julkaisuja 08 Sec:MatIvAdj 53 Matriisi käätämie adjugaatilla Määritelmä 3 -matriisi A adjugaatti o -matriisi adj(a) (α i j ), missä α i j ( ) i+ j det(a ji ) (, joka o siis alkioo a ji
LisätiedotOtantajakauman käyttö päättelyssä
Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6A
Tilastollie päättömyys, kevät 07 Harjoitus 6A Heikki Korpela 8. helmikuuta 07 Tehtävä. Moistee teht. 5.. Olkoo Y,..., Y riippumato otos ekspoettiperhee jakaumasta, joka ptf/tf o muotoa fy i ; θ cθhye φθtyi
LisätiedotTilastollinen 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.
Lisätiedot1. osa, ks. Solmu 2/ Kahden positiivisen luvun harmoninen, geometrinen, aritmeettinen ja + 1 u v 2 1
Epäyhtälötehtävie ratkaisuja. osa, ks. Solmu 2/200. Kahde positiivise luvu harmoie, geometrie, aritmeettie ja kotraharmoie keskiarvo määritellää yhtälöillä H = 2 +, G = uv, A = u + v 2 u v ja C = u2 +
LisätiedotKuluttajahintaindeksi (KHI) Kuluttajahintaindeksi (KHI) Kysymys Miten mitata rahan arvon muutoksia?
Kuluttajahitaideksi (KHI) Kysymys Mite mitata raha arvo muutoksia? Kuluttajahitaideksi (KHI) o sovittu kulutustavaroide ja palveluide hitakehitykse mittari. KHI muodostetaa paiotettua keskiarvoa eri pääryhmie
Lisätiedot3.2 Polynomifunktion kulku. Lokaaliset ääriarvot
3. Polyomifuktio kulku. Lokaaliset ääriarvot Tähäastiste opitoje perusteella osataa piirtää esiasteise polyomifuktio kuvaaja, suora, ku se yhtälö o aettu. Osataa myös pääpiirtei hahmotella toise astee
Lisätiedot(a) L on listan tunnussolmu, joten se ei voi olla null. Algoritmi lisäämiselle loppuun:
Tietorakenteet ja algoritmit, kevät 201 Kurssikoe 1, ratkaisuja 1. Tehtävästä sai yhden pisteen per kohta. (a) Invariantteja voidaan käyttää algoritmin oikeellisuustodistuksissa Jokin väittämä osoitetaan
LisätiedotOhjelmoinnin perusteet Y Python
Ohjelmoinnin perusteet Y Python T-106.1208 15.3.2010 T-106.1208 Ohjelmoinnin perusteet Y 15.3.2010 1 / 56 Tiedostoista: tietojen tallentaminen ohjelman suorituskertojen välillä Monissa sovelluksissa ohjelman
LisätiedotTietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari Korhonen
Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari 1 1. JOHDANTO 1.1 Määritelmiä 1.2 Tietorakenteen ja algoritmin valinta 1.3 Algoritmit ja tiedon määrä 1.4 Tietorakenteet ja toiminnot 1.5 Esimerkki:
Lisätiedot58131 Tietorakenteet ja algoritmit (syksy 2015) Toinen välikoe, malliratkaisut
Tietorakenteet ja algoritmit (syksy 0) Toinen välikoe, malliratkaisut. (a) Alussa puu näyttää tältä: Lisätään 4: 4 Tasapaino rikkoutuu solmussa. Tehdään kaksoiskierto ensin oikealle solmusta ja sitten
LisätiedotInsinöörimatematiikka IA
Isiöörimatematiikka IA Harjoitustehtäviä. Selvitä oko propositio ( p q r ( p q r kotradiktio. Ratkaisu: Kirjoitetaa totuustaulukko: p q r ( p q r p q r ( p q r ( p q r 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Lisätiedot811312A Tietorakenteet ja algoritmit, , Harjoitus 3, Ratkaisu
111A Tietoraketeet ja algoritmit, 016-017, Harjoitus, Ratkaisu Harjoitukse aiheita ovat algoritmie aikakompleksisuus ja lajittelualgoritmit Tehtävä.1 Selvitä seuraavie rekursioyhtälöide ratkaisuje kompleksisuusluokat
Lisätiedot9.7 Matriisinormit. Vaasan yliopiston julkaisuja 225. Ei siis lainkaan ongelmia defektiivisyydestä.
Vaasa yliopisto julkaisuja 225 U = 0.1213-0.9359-0.3307-0.1005-0.3430 0.9339 0.9875 0.0801 0.1357 S = V = >> 4.5221 0 0 0 2.2793 0 0 0 1.1642 0.0537-0.8212-0.5681 0.4414-0.4908 0.7512 0.8957 0.2911-0.3361
LisätiedotJohdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli TKK (c) Ilkka Melli (2005) Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää
LisätiedotPäähakemisto Tehtävien ratkaisut -hakemisto. 203. Vuosi Indeksi 2008 108,3 2012 116,7. a) Jakamalla 1,07756 7,76 %. c) Jakamalla 0,92802
Päähakemisto Tehtävie ratkaisut -hakemisto 2 Raha 202. Vuosi Ideksi 2007 104,1 2009 108,3 108,3 a) Jakamalla 1,040345 104,1 saadaa iflaatioprosetiksi 4,03 %. 104,1 b) Jakamalla 0,96121 saadaa, että raha
Lisätiedot3 x < < 3 x < < x < < x < 9 2.
Matematiika johdatokurssi Kertaustehtävie ratkaisuja 1. Ratkaise epäyhtälöt: a) 3 x < 3, b) 5x + 1. Ratkaisu. a) Ratkaistaa epäyhtälö poistamalla esi itseisarvot: 3 x < 3 3 < 3 x < 3 9 < x < 3 3 < x
LisätiedotPäähakemisto Tehtävien ratkaisut -hakemisto. 203. Vuosi Indeksi 2003 105,1 2007 110,8. a) Jakamalla 110,8 1,05423 saadaan inflaatioprosentiksi noin
Päähakemisto Tehtävie ratkaisut -hakemisto 2 Raha 202. Vuosi Ideksi 2002 104,2 2004 106,2 a) Jakamalla 106,2 1,01919 saadaa iflaatioprosetiksi 1,92 %. 104,2 b) Jakamalla 104,2 0,98116 saadaa, että raha
LisätiedotTietorakenteet ja algoritmit - syksy 2015 1
Tietorakenteet ja algoritmit - syksy 2015 1 Tietorakenteet ja algoritmit - syksy 2015 2 Tietorakenteet ja algoritmit Johdanto Ari Korhonen Tietorakenteet ja algoritmit - syksy 2015 1. JOHDANTO 1.1 Määritelmiä
LisätiedotTilastolliset menetelmät: Tilastolliset testit
Tilastolliset meetelmät Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille. Testejä järjestysasteikollisille muuttujille.
Lisätiedot3.6. Geometrisen summan sovelluksia
Tyypillie geometrise summa sovellusalue o taloude rahoituslaskut mutta vai tyypillie. Tammikuu alussa 988 vahemmat avaavat pitkäaikaistili Esikoisellee. Tiliehdot ovat seuraavat. Korko kiiteä 3,85 % pa
Lisätiedot58131 Tietorakenteet ja algoritmit (kevät 2016) Ensimmäinen välikoe, malliratkaisut
58131 Tietorakenteet ja algoritmit (kevät 2016) Ensimmäinen välikoe, malliratkaisut 1. Palautetaan vielä mieleen O-notaation määritelmä. Olkoon f ja g funktioita luonnollisilta luvuilta positiivisille
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kertauslueto. välikokeesee Algebraa Tämäkertaie kurssimoiste sisältää rusaasti harjoitustehtäviä. Syyä tähä o se, että matematiikkaa oppii parhaite itse tekemällä ja laskemalla.
LisätiedotJohnson, A Theoretician's Guide to the Experimental Analysis of Algorithms.
Kokeellinen algoritmiikka (3 ov) syventäviä opintoja edeltävät opinnot: ainakin Tietorakenteet hyödyllisiä opintoja: ASA, Algoritmiohjelmointi suoritus harjoitustyöllä (ei tenttiä) Kirjallisuutta: Johnson,
LisätiedotMat-2.090 Sovellettu todennäköisyyslasku A
Mat-.090 Sovellettu todeäköiyylaku A Mat-.090 Sovellettu todeäköiyylaku A / Ratkaiut Aiheet: Avaiaat: Tilatollite aieito keräämie ja mittaamie Tilatollite aieitoje kuvaamie Oto ja otojakaumat Aritmeettie
LisätiedotHEIJASTUMINEN JA TAITTUMINEN
S-08-0 OPTIIKKA /6 HEIJASTUMINEN JA TAITTUMINEN Laboratoriotyö S-08-0 OPTIIKKA /6 Sisällysluettelo Teoria... 3 Työ suoritus... 4. Kokoaisheijastus... 4. Brewsteri kulma... 5 3 Mittauspöytäkirja... 6 S-08-0
LisätiedotTKHJ:ssä on yleensä komento create index, jolla taululle voidaan luoda hakemisto
Indeksin luonti ja hävitys TKHJ:ssä on yleensä komento create index, jolla taululle voidaan luoda hakemisto Komentoa ei ole standardoitu ja niinpä sen muoto vaihtelee järjestelmäkohtaisesti Indeksi voidaan
LisätiedotKombinatoriikka. Iiro Honkala 2015
Kombiatoriikka Iiro Hokala 2015 Sisällysluettelo 1. Haoi torit 1 2. Lokeroperiaate 3 3. Tuloperiaate 3 4. Permutaatioista ja kombiaatioista 4 5. Toistokombiaatioista 5 6. Biomikertoimista 5 7. Multiomikertoimista
Lisätiedot- menetelmän pitää perustua johonkin standardissa ISO 140-5 esitetyistä menetelmistä
RAKENNUKSEN ULKOVAIPAN ÄÄNENERISTYSTÄ KOSKEVAN ASEMAKAAVAMÄÄRÄYKSEN TOTEUTUMISEN VALVONTA MITTAUKSIN Mikko Kylliäie, Valtteri Hogisto 2 Isiööritoimisto Heikki Helimäki Oy Piikatu 58 A, 3300 Tampere mikko.kylliaie@helimaki.fi
LisätiedotA ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.
Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =
Lisätiedot3.2 Sijaintiluvut. MAB5: Tunnusluvut
MAB5: Tuusluvut 3.2 Sijaitiluvut Sijaitiluvut ovat imesä mukaiset: e etsivät muuttuja tyypillise arvo, jos sellaie o olemassa, tai aiaki luvu, joka lähellä muuttuja arvoja o eite. Sijaitiluvut jaetaa kahtee
Lisätiedot3.9. Mallintaminen lukujonojen avulla harjoituksia
3.9 Mallitamie lukujooje avulla harjoituksia 3.9. Mallitamie lukujooje avulla harjoituksia Lukujoo määritelmä harjoituksia 3. Laske lukujoo viisi esimmäistä jäsetä, ku a) a 6 ja b) a 6 ja 3 8 c) a ja 3
LisätiedotTiedonsiirto- ja rajapintastandardit
Tiedonsiirto- ja rajapintastandardit Viitekehys Julkishallinnon perustietovarantojen rajapinnat (PERA) työryhmän tulokset valmiit syksyllä 2011 Määrittelee teknisen arkkitehtuuriratkaisun tietovarantojen
Lisätiedotpq n s n Kyllä Ei N Jäsenyys 5,4% 94.6 % 1500 Adressi 21,6% 78.4 % 1495 Lahjoitus 23,7% 76.3 % 1495 Mielenosoitus 1,1% 98.9 % 1489
Perusjoukko ja otos Kvatitatiiviset meetelmät Sami Fredriksso Yleie valtio-oppioppi Havaitoyksikkö o empiirise mittaukse kohde Perusjoukko o kaikkie havaitoyksiköide muodostama kokoaisuus Otos o perusjoukkoa
LisätiedotKaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut
Mat-2.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Kaksiulotteie ormaalijakauma Mitta-asteikot Havaitoaieisto kuvaamie ja otostuusluvut Avaisaat: Ehdollie jakauma, Ehdollie odotusarvo, Ehdollie variassi,
LisätiedotC (4) 1 x + C (4) 2 x 2 + C (4)
http://matematiialehtisolmu.fi/ Kombiaatio-oppia Kuia mota erilaista lottoriviä ja poeriättä o olemassa? Lotossa arvotaa 7 palloa 39 pallo jouosta. Poeriäsi o viide orti osajouo 52 orttia äsittävästä paasta.
LisätiedotLuento 5: Peliteoriaa
Luento 5: Peliteoriaa Tässä kappaleessa tutustutaan hieman peliteoriaan. Keskeisiä asioita ovat Nash-tasapaino ja sekastrategia. Cournot n duopolimalli vuodelta 1838 toimii oivallisena havainnollistuksena
LisätiedotTietorakenteet, laskuharjoitus 7, ratkaisuja
Tietorakenteet, laskuharjoitus, ratkaisuja. Seuraava kuvasarja näyttää B + -puun muutokset lisäysten jälkeen. Avaimet ja 5 mahtuvat lehtisolmuihin, joten niiden lisäys ei muuta puun rakennetta. Avain 9
Lisätiedot815338A Ohjelmointikielten periaatteet Harjoitus 3 vastaukset
815338A Ohjelmointikielten periaatteet 2015-2016. Harjoitus 3 vastaukset Harjoituksen aiheena ovat imperatiivisten kielten muuttujiin liittyvät kysymykset. Tehtävä 1. Määritä muuttujien max_num, lista,
LisätiedotSisältö. Työn idea Protokollat. Harjoitustyön käytäntöjä. Työn demoaminen. Etäisyysvektori Linkkitila. Palvelin Moodle SSH-tunnelit
Harjoitustyöinfo Sisältö Työn idea Protokollat Etäisyysvektori Linkkitila Harjoitustyön käytäntöjä Palvelin Moodle SSH-tunnelit Työn demoaminen 2 Työn idea Tehdään ohjelma, joka annetun reititysdatan perusteella
LisätiedotKompleksiluvut. Johdanto
Kompleksiluvut Johdato Tuomo Pirie tuomo.pirie@tut.fi Aikoje kuluessa o matematiikassa kohdattu tilateita, jolloi käytetyt määrittelyt ja rajoitukset (esimerkiksi käytetyt lukujoukot) eivät ole olleet
LisätiedotLASKENNALLISEN TIETEEN ERIKOISKURSSI kl 2000
LASKENNALLISEN TIETEEN ERIKOISKURSSI kl 2000 Laskuharjoitus Detaljibalassi Osoita, että siirtymätodeäköisyydet π m α m ; ρ, m ρ α m ----- ; ρ < ρ, m m π m, m m ja π m ρ α m ------------------ ρ +, m π
LisätiedotTodennäköisyyslaskenta I. Heikki Ruskeepää
Todeäköisyyslasketa I Heikki Ruskeepää 2012 Sisällys 2 1 Todeäköisyys 3 1.1 Klassie todeäköisyys 3 1.2 Kombiatoriikkaa 4 1.3 Aksiomaattie todeäköisyys 8 1.4 Ehdollie todeäköisyys 13 1.5 Riippumattomuus
LisätiedotOhjelmoinnin peruskurssi Y1
Ohjelmoinnin peruskurssi Y1 CSE-A1111 30.9.2015 CSE-A1111 Ohjelmoinnin peruskurssi Y1 30.9.2015 1 / 27 Mahdollisuus antaa luentopalautetta Goblinissa vasemmassa reunassa olevassa valikossa on valinta Luentopalaute.
LisätiedotT TESTAUSRAPORTTI - MedicMinder "!! # $! %!!# & #
T-76.115 TESTAUSRAPORTTI - MedicMider! " " #!! $ % % $! " " #! &! #! $ $ ' % ( %!! % # ) # #! $ $! * +! " " #! $ ' % ( " &! " $!! $ $ $ % % )! #! % % ) $ % # #! + +! " " #! &! $, $ $ $!! "!! # $! %!!#
LisätiedotPuolijohdekomponenttien perusteet A Ratkaisut 5, Kevät Ideaalisen normaalimoodin pnp-transistorin kollektorivirta on.
OY/PJKOMP R5 7 Puolijohdekooettie erusteet 57A Ratkaisut 5, Kevät 7. (a) deaalise oraalioodi -trasistori kollektorivirta o,6 L -9 D Ł L - C 3,6 5-6,9...A» 8, A L 6-4 s - Ø qu Œex º Ł k T deaalise oraalioodi
Lisätiedot3 Lukujonot matemaattisena mallina
3 Lukujoot matemaattisea mallia 3. Aritmeettie ja geometrie joo 64. a) Lukujoo o aritmeettie joo, joka yleie jäse o a 3 ( ) 4 34 4 4 b) Lukujoo o geometrie joo, joka yleie jäse o c) Lukujoo o geometrie
Lisätiedot