Puutteiden lukumäärän estimointi toisen asteen polynomin avulla
|
|
- Jussi Karjalainen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 JOENSUUN YLIOPISTO TIETOJENKÄSITTELYTIETEEN LAITOS Raorttsarja A Puuttede lukumäärä estmot tose astee olom avulla Matt Nem Reort A-3-5 ACM D.. ISSN ISBN
2 /4 Puuttede lukumäärä estmot tose astee olom avulla Matt Nem Tetojekästteltetee latos Joesuu losto PL, 8 Joesuu Tvstelmä Ohjelmstotuotaossa vodaa estmoda uuttede lukumäärätetoja erlaslla matemaattslla mallella. Tutkmusraortssa sovtetaa tose astee olom mukae kärä regressoaals avulla havatoaestoo. Aestoa o krjallsuudesta saadut, todellsssa ohjelmstorojektessa kerätt uutetedot. Saatua malla arvodaa F-test avulla sekä verrataa aemm saatuh tutkmustuloks. Lsäks selvtetää, kuka olemassaolevaa erusmalla vodaa muuttaa ottamalla huomoo kässä oleva rojekt uutetedot el muodostamalla daame mall. Tulokset osottavat olomse mall soveltuva melko huoost tässä tutkmuksessa kätett uuteaestoo. Aemma tutkmukse erusteella saadut tulokset Norde/Ralegh-jakaumalla ovat arema daamse mall osalta. Avasaat: tose astee olome mall, regressoaals, F-test, uuttede lukumäärä estmot Johdato Tutkmukse lähtökohtaa o tutka erlaste lasketamalle sovuutta ohjelmstotuotaossa lmeeve uuttede malltamsee. Mallus jakaatuu erusmalluksee ja daamsee malluksee Neme () mukasest. Tose astee olome mall erustuu tlastoteteellse tutkmusmeetelmä, regressoaals, matemaattsee raketeesee. Regressoaals (Tlastokeskus, 3) avulla vodaa eustaa hde ta useamma muuttuja vakutusta johok muuhu muuttujaa. Regressoaalsssa esmmäe askel o hde ta useamma muuttuja meäme rumattomaks ja hde muuttuja meäme ruvaks muuttujaks. Regressomall kättö erustuu olettamuksee s-seuraussuhteesta rumattome ja ruva muuttuja välllä. Rumattomat muuttujat selttävät ruva muuttuja vahtelua. Ruva muuttuja arvot vahtelevat rumattome muuttuje arvoje mukaa. Ku ruva ja rumattomat muuttujat o mett, vodaa laskea regressosuora ta -kärä. Se avulla vodaa eustaa rumattome muuttuje muutoste vakutus ruvassa muuttujassa. Kahde muuttuja leaare regresso o muotoa a ja tose astee olome regresso o muotoa a. Kerro kuvaa muuttuje välstä muutosuhdetta: kuka aljo muuttuu, jos muuttuu hde kskö verra; term a uolestaa lmottaa, mssä kohdassa suora ta kärä lekkaa -aksel.
3 /4 Ku havatosteet asetetaa koordaatstoo, e evät leesä sjatse samalla suoralla ta kärällä satuasvahtelu vuoks, vaa hajaatuvat se märlle. Matemaatte ratkasu regressosuoralle erustuu emmä elösumma meetelmälle (Segel, 96; Mlto ja Arold, 995; Nem, ). Se avulla lödetää regressosuora ta -kärä, joka o keskmääräsest kakke lähmää havatostetä. Tämä tutkmus o jatkoa Neme () esttämälle mallukselle. Tutkmuksssa kätetää samaa aestoa, joho t sovelletaa regressoaalsa tose astee olom avulla. Luvussa estetää lee olome mall ja stä vastaave ormaalhtälöde ratkaseme matrslaskea avulla. Esmerk avulla estetää mallus tose astee olom avulla. Luvussa 3 estetää, kuka malla aalsodaa F-test avulla. Luvussa 4 tose astee olom sovtetaa krjallsuudesta saatuu aestoo erusmall ja daamse mall muodostamseks. Saatuja tuloksa arvodaa ja verrataa Neme () saam tuloks. Polome mall. Ylee mall Ylee olome -astee regressomall lmasee ruva muuttuja Y (havatoste) odotusarvo rumattoma muuttuja X (selttäjä) olomsea fuktoa (Putae, 999; Draer ja Smth, 98; Se ja Srvastava, 99). Tämä vodaa lmasta muodossa (Mlto ja Arold, 995) µ Y β β β... β, () jossa o ostve kokoasluku ja suurem ku ks. Asettamalla,, 3 3, 4 4,, mall vodaa uudellee krjottaa leseä leaarsea malla µ Y β β β... β () Parametreja β, β, β,..., β estmotaessa emmä elösumma meetelmällä muodostetaa olome mall Y β β β... β E, (3) jossa Y o ruva muuttuja, ku rumattoma muuttuja arvo o ja E o satuasvrhe (jääös, resduaal) (Mlto ja Arold, 995; Putae, 999), joka o muuttuja Y ja se odotusarvo µ Y β β β... β väle okkeama. Otokse, joka koko o, havatosteet ovat muotoa Y β... β β β E, (4) Tutkmuksessa hödetää SPSS. for Wdows -ohjelmaa.
4 3/4 ku,,,. Vastaava mall kärä saadaa Y... ˆ ˆ µ, (5) jossa ŷ o eustearvo ja,,,..., ovat arametre β, β, β,..., β emmä elösumma estmaatteja. Jotta estmaattarvot saadaa, tät kaava (6) esttämä elöde summa el jääöselösumma SSE mmoda. ( ) [ ] e SSE..., (6) Resduaal e tarkottaa havatostee ja estmaat ŷ välstä eroa. Mmot tuottaa ormaalhtälöt: (7) Tässä tutkmuksessa tarkasteltava tose astee olome mall saadaa kaavasta () ja vodaa krjottaa muotoo: Y β β β µ (8) Malla (8) vastaavat ormaalhtälöt vodaa johtaa htälöstä (7) ja krjottaa muotoo: 3 (9) 4 3
5 4/4. Matrsests Normaalhtälöde ratkasemsessa vodaa hödtää matrslasketaa. Tällö o laadttava sova mallmatrs X (model secfcato matr) ja havatovektor Y (oserved resoses vector) (Putae, 999; Mlto ja Arold, 995), jotka erustuvat lesee kaavaa (3). Malla määrttävät htälöt ovat: Y Y Y β β β β E β β β β E ()... β β β... β E Yhtälöstä () vodaa äätellä mallmatrs X, joka kuk rv esmmäe alko o kköe, ja havatovektor Y seuraavalasks (Mlto ja Arold, 995): Y Y X. Y Y Normaalhtälöde matrsestkse lötämseks tarkastellaa matrsa mallmatrs X trasoos. Nä saadaa X ' X, jossa ' X o X ' X
6 5/4 Matrsestkse lötämseks mall arametre β, β, β,..., β k emmä elösumma estmaatt ratkastaa htälöllä: ' ' ( X X ) X () Yhtälöstä () saadaa emmä elösumma estmaatt laskemalla: ' ' ( X X ) X ˆ β ().3 Esmerkk Tose astee mall ratkasua havaollstetaa kättäe tauluko esmerkkaesto (Mlto ja Arold, 995) havatoarvoja. Taulukko : Esmerkkaesto. Havatokohta Havao arvo 5 4, 5,5 7, 5, 5, 5,8 6, 4,9 5 3, 5 4,6 Tauluko arvolla saadaa ormaalhtälöde (9) alkoks: , jotka sjotettua atavat seuraavat ormaalhtälöt , Nä tose astee olomse mall kärä kertomks muodostuvat 7,3, 3, 33 ja, jotka sjottamalla kaavaa (5) saadaa tose astee kärä htälö esmerkktaauksessa: ( 3,33), ˆ 7,3
7 6/4 Matrslasketaa soveltae tauluko esmerkk vodaa ratkasta : 5 5 4, 5 5,5 7, 5, X 5 5, 5 5,8 4 6, 4 4, , , X X jollo kertomks saadaa X ' X X ( ) ' 7,3-3,33,, jotka ovat samat ku ormaalhtälöde ratkasua saadut kertomet. 3 Mall aalsot F-testllä Tose astee olomse mall kärä vodaa krjottaa htälö (5) erusteella muotoo ˆ (3) Tämä kärä mukase mall sovuutta aestoo vodaa testata esmerkks F-testllä ta t-testllä (Mlto ja Arold, 995). Kummatk testmallt atavat sama tulokse hde selttäjä mallssa (Draer ja Smth, 98; Korela, ). Koska tässä tutkmuksessa tarvtaa va hde selttäjä malla, kädää seuraavassa lä va F-test, joka erustuu tlastotetee huomattava kehttäjä R. A. Fsher mukaa mett teoreettsee jakaumaa (Tlastokeskus, 3). Kuk havatostee okkeama havatostede keskarvosta vodaa lmasta muodossa Ratkasu o suortettu Matla v. 6.-ohjelmstolla.
8 7/4 ( ) ( ˆ ) ˆ (4) josta saadaa ( ) ( ˆ ) ( ˆ ) (5) Yhtälö (5) vodaa tulkta: kokoasvahtelusumma SST jääöselösumma SSE seltettelösumma SSR. Nä mall selttämä osuus vodaa laskea R ( ˆ ) ( ) ( ˆ ) ( ). (6) Tästä R -arvosta kätetää mtstä mall seltsaste 3. Mtä eemmä R okkeaa ollasta, stä arem ksee mall o el stä aremm selttää :tä. Jos R, :llä vodaa täs eustaa :tä, el kakk otokse sjatsevat mall kärällä. Mall seltsaste araee, ku selttäve muuttuje joukkoo lsätää mkä hväsä uus muuttuja. Mall seltsastetta vo ss kasvattaa lsäämällä mall tareeks aljo 'turha' muuttuja. Tästä johtue malle seltsasteta e vo verrata keskeää, ku mallessa o er määrä selttävä muuttuja. Seltsastee R sjasta ok use arem tarkastella korjattua seltsastetta R a (Adjusted R Square, Adjusted R ), koska tämä huomo selttäve muuttuje määrä. Korjaus o teht ottae huomoo mallssa oleve selttäje sekä havatoje lukumäärä. Korjattuja seltsasteta vo vertalla keskeää, mutta korjattu seltsaste vo laskea, jos seltettäväks muuttujaks lsätää huoost selttävä muuttuja. Korjattu seltsaste R a vodaa laskea (Se ja Srvas- tava, 99) seuraavast: Ra ( ˆ ) /( v ) (7) ( ) /( ) 3 Seltsaste kertoo, kuka mota rosetta mall selttää ruva muuttaja vahtelusta. Eustamsessa vaadtaa erttä korkeata seltsastetta, vähtää luokkaa,6 (Maurae et al., 993). Yhde selttävä muuttuja taauksessa seltsaste o hteeväe korrelaatokertome elö kassa: R. r.
9 8/4 Mall hvttä testattaessa F-testllä vodaa kättää vaktueea esttämstaaa ANOVA taulukkoa. Taulukko : ANOVA taulukko (Draer ja Smth, 98; Korela, ). Vahtelulähde Nelösumma Vaausaste 4 Varassestmaatt F-arvo Seltett SSE SSR ( ˆ ) v ( ˆ ) F s. MSR v Jääös s. SSE ( ˆ ) -v- ( ˆ ) v Kokoas SST ( ) - Tutkmukse hotees testaukse leseä deaa o, että muotollaa hotees, joka o vasto alkuerästä oletusta ja se jälkee tutktaa, vodaako tämä hotees kumota emrse aesto erusteella. Tätä alkueräse oletukse vastasta hoteesa kutsutaa mellä ollahotees (ull hothess). Nollahoteesa o taaa merktä H. Nollahotees lsäks tarvtaa vastahotees (alteratve hothess), joka hväkstää, jos ollahotees sttää kumoamaa. Tätä hoteesa merktää H (Mlto ja Arold, 995). F-test hoteest ovat (Korela, ; Mlto ja Arold, 995): H : R el e seltä : vahtelua el β β, H : R > el selttää : vahtelua el β aak hdelle, ku,. SSR / v Hoteese testaamseks lasketaa F-jakauma arvo. Jos F-arvoks saadaa SSE /( v ) suur arvo suhteessa F-jakauma raja-arvoo ja -arvoks 5 e arvo suhteessa merktsevstasoo α, H hlätää ja todetaa : selttävä : vahtelua. Vastaavast, jos F-arvo o e ja -arvo o so, seltet määrä vodaa katsoa mahdollsest stee sattumasta johtue. 4 Vaausasteella tarkotetaa k. vaade havatoje lukumäärää. Tlastollse tuusluvu vaausastede lukumäärä o havatoje lukumäärä ja varatut vaausasteet v o tuusluvu estmomsta varte aestosta laskettuje arametre lukumäärä (Purae, 3). Esmerkks kaavaa (3) vastaavalle malllle v, koska ja tulktaa er arametreks kaava () mukasest. 5 Jokase tlastollse test tuloksea saadaa s. -arvo, joka o e taso, joks α votas asettaa H - hotees hlkäämseks. Jos α, H -hotees vodaa hlätä merktsevstasolla α (Mlto ja Arold, 995).
10 9/4 F-arvot o taulukotu aak luottamusvälelle 6 9 %, 95 % ja 99 %. Taulukko 3: Mall F-jakauma taulukosta ( ), 95 P F v, v f (Draer ja Smth, 98; Mlto ja Arold, 995). -v- \ v ,448 99,5 5, , ,5 8,53 9, 9, , ,487 3,8 9,55 9, , , , 3,5,758...,534..., ,93 3,7,668...,49...,35 Tauluko esmerkkaesto erusteella vodaa johtaa tauluko 5 ANOVA-taulukko, välvaheea tauluko 4 laskelmat. Taulukko 4: ANOVA-tauluko edellttämät laskelmat. Seltett Havatokohta Odotusarvo ŷ Keskarvo ˆ ( ) Jääös ( ŷ) Kokoas ( ) 5 3,5 8,3 57,8888,6 53,5538 5,7 8,3 6,359 3,658,738 5,58 8,3 6,65, ,498 5,44 8,3 4,47,869 4, ,85 8,3 65,4368,985 67,5658 Taulukko 5: ANOVA taulukko. Vahtelulähde Nelösumma Vaausaste Varassestmaatt F-arvo Seltett SSR5,76 MSR7,88 7,58897 Jääös SSE7,9 7 Kokoas SST,78 9 s.,74 Täte F test erusteella hotees H : R vodaa hlätä 95 %: luottamusvälllä, koska taulukosta 5 saatava F-arvo 7,58897 o suurem ku raja-arvo F 4, 737 ja,7, <,5. Samo kaavaa (6) soveltamalla seltsasteeks saadaa 5,76 R, Koska seltsaste o lähes ks, malla vodaa kättää mös eustamsee.,78 6 (-α) % luottamusväl arametrlle θ o väl [ L, L ] ste, että P [ L θ L ] -α. Yksuolese F-test P F v, v f taauksessa tarkastellaa todeäkösttä ( ) α ja Arold, 995)., mssä f o F-jakauma raja-arvo (Mlto
11 /4 4 Soveltame esmerkkaestoo Puuttede malltamseks tose astee olom avulla havatoaestoa kätetää tauluko 6 esmerkkaestoa, joka erustuu IBM Watso Research Ceter tutkmuslatoksessa erää uuteluokttelu, Orthogoal Defect Classfcato (ODC), soveltamsta varte vdestä er rojektsta hakttuh uuteluetteloh (Lu, 995). Esmerkkaesto hajotakuvo o estett kuvassa. Hajotakuvosta ähdää hv, että suhteellse eä arvoja aljo, jotka hajautuvat tasasest er ajakoht. Suur osa havaosta o kutek satuasest hajautueta. Taulukko 6: Esmerkkaesto havatusta uuttesta (Nem, ). Ajakohta Projekt T T T3 T4 T5 T6 T7 T8 T9 T T T ODC ODC ODC ODC ODC PUUTTEET AIKA Kuva : Projektaesto uutehavatoje hajotakuvo. 4. Perusmall Soveltamalla tauluko 6 aestoo luvussa 3 estettä F-testä saadaa tauluko 7 mukaset arvot 95 %: luottamusvälllä 7. Taulukossa o estett F-arvo, raja-arvo, -arvo ja seltsaste erksee kullek rojektlle ja kaklle rojektelle. Taulukosta ähdää, että ksttäsllä rojektella seltsaste o selväst suurem ku olla, mutta aoastaa rojekteja ODC ja ODC6 votas kättää eustamsee. Ottamalla mall mukaa kakk rojektt seltsaste o melke olla, el uuttede lukumäärää e voda selttää tässä esmerkktaauksessa aja 7 Lasketa o suortettu SPSS. for Wdows ohjelmalla.
12 /4 fuktoa. Taulukosta ähdää mös, että merktsevstasolla α,5 hotees H hlättäs va rojekte ODC, ODC ja ODC6 osalta. Taulukko 7. SPSS -ohjelma laskema tuuslukuja esmerkkrojektelle. Projektt / Tuusluvut F-arvo Raja-arvo F v, -v- -arvo R ODC 6,3585 4,56,94,58356 ODC 4, ,56,47,49634 ODC3,688 4,56,889,3949 ODC5,853 4,56,3,38485 ODC6 7, 4,56,35,657 Kakk rojektt, ,6,563,4664 Kuvassa o malla vastaava tose astee olom mukae kärä esmerkkaestolle kakke rojekte osalta ja kuvassa 3 o va hdelle rojektlle el rojektlle ODC. Kuva. Kakke rojekte mall. Kuva 3. Projekt ODC mall. Tuloste vertalemseks Neme () Norde/Ralegh-mall tuottame tuloste kassa o taulukkoo 8 laskettu Plla ja Nar (997) esttämät eustettavuude hvttä osottavat tuusluvut rojektetta. Verrattaessa tauluko 8 voutumasarakkee arvoja vastaav Neme () Norde/Ralegh-jakauma avulla saam arvoh ähdää, että SPSS-ohjelmsto st aremm sjottamaa kärä stejoukkoo ku Neme () esttelemä uuttede estmotohjelmsto. Se sjaa vahtelu ja RMSPE ovat taulukossa 8 samaa suuruusluokkaa ku Neme () Norde/Ralegh-jakaumalle saamat arvot.
13 /4 Taulukko 8: Mall ja havattuje uutearvoje erot. Projekt Voutuma Vahtelu RMSPE ODC -3,3333E -6,8843E,8843E ODC,E,468E,468E ODC3-8,3333E -7,37E,37E ODC5,E,866E,866E ODC6,6667E -6 4,6649E 4,6649E Kakk rojektt 7,776E -6 3,9937E 3,9937E 4. Daame mall Daamse mall tarkotus o Neme () mukaa hödtää olemassa oleva, aeme rojekte erusteella lasketu, mall stetä sekä kässä olevasta rojektsta khetkee saakka kerättjä uutetetoja. Taulukkoo 9 o laskettu kullek tauluko 6 rojektlle F-test mukaset arvot ajahetkllä T3, T6, T9 ja T ottamalla huomoo mude rojekte uuteaesto avulla lasketu mall steet ja tarkasteltava rojekt uutetedot tarkasteltavaa ajakohtaa meessä rojekt edetessä. Taulukosta ähdää, että tllsest seltsaste R eeee rojekt edetessä, el uudet uutetedot heketävät malllla eustettavuutta. Vastaavast usemmssa rojektessa uuse uutetetoje huomome malla laskettaessa kasvattaa -arvoa ja eetää F-arvoa. Taulukko 9. SPSS -ohjelma laskema tuuslukuja esmerkkrojektelle rojekt edetessä. Projektt ajakohtaa T/ Tuusluvut F-arvo Raja-arvo F v, -v- ODC / T 3,7574 3,885,49,47 ODC / T 6,3578 3,68,883,58 ODC / T 9,333 3,555,599,849 ODC / T,6457 3,467,69,3547 ODC / T 3 3,4688 3,885,65,36588 ODC / T 6,675 3,68,554,84 ODC / T 9,475 3,555,9583,473 ODC / T,6884 3,467,9337,65 ODC3 / T 3 3,787 3,885,,8455 ODC3 / T 6 8, ,68,33,5338 ODC3 / T 9,5856 3,555,3,35 ODC3 / T, ,467,85,838 ODC5 / T 3 3,79 3,885,,6845 ODC5 / T 6 3,575 3,68,669,379 ODC5 / T 9,7743 3,555,938,36 ODC5 / T 3,843 3,467,383,6698 ODC6 / T 3,568 3,885,3,63695 ODC6 / T 6 5, ,68,6,437 ODC6 / T 9, ,555,73,777 ODC6 / T,39 3,467,559,6 -arvo R Kuvssa 4 ja 5 o havaollstettu rojekt ODC vakutusta mall ajahetkllä T3 ja T9.
14 3/4 Kuva 4. Projekt ODC vakutus mall Kuva 5. Projekt ODC vakutus mall ajakohdassa T3. ajakohdassa T9. Taulukossa o laskettu mall ja havattuje uutearvoje erot rojekt edetessä. Plla ja Nar (997) esttäme tuuslukuje avulla. Taulukosta ähdää, että voutuma o lkma olla kullak ajahetkellä. Vahtelu ja RMSPE kasvavat usemmssa taauksssa rojekt edetessä, el vakutus o sama suutae ku SPSS-ohjelma tuottame tuuslukuje lmasema vakutus. Nämä tulokset ovat huoommat verrattua Neme () saam tuloks Norde/Ralegh-jakauma avulla. Taulukko : Mall ja havattuje uutearvoje erot. rojekt edetessä. Voutuma Vahtelu RMSPE Projekt T3 T6 T9 T T3 T6 T9 T T3 T6 T9 T ODC,3E-6-5,6E-8-9,5E-7-3,E-5 8,975 4,7463 9, ,759 8,975 4,7463 9, ,759 ODC,9E-6,E 9,5E-8,E-7 3,43 8,863,34 9,396 3,43 8,863,34 9,396 ODC3 6,7E-8-5,6E-8 -,4E-7 -,3E-7 5,837 8,8554,8676 3,93 5,837 8,8554,8676 3,93 ODC5,E -,E-7 4,8E-8 8,3E-8 7,68,74,39,9 7,68,74,39,9 ODC6 6,7E-8 -,E-7-4,8E-8-4,E-8,9 4,4 7,6 6,58,9 4,4 7,6 6,58 5 Yhteeveto Tässä tutkmuksessa kätet aesto hajotakuvosta (kuva ) vodaa havata, että aka ja uuttede lukumäärä evät korrelo hv el leaare ruvuus o e. Fuktoalsta tose astee ruvuutta aestossa o havattavssa jok verra, mutta varskaa eustamsee aestosta laskettua tose astee olomsta malla e vo suostella. Kuva erusteella aesto e möskää ssällä sellasa okkeava havatoja (outler), jotka os-
15 4/4 tamalla malla votas saada aremmaks. Saadut tulokset ovat uuttede mallukse kaalta huooma ku Neme () saamat tulokset Norde/Ralegh-jakaumalla daamse mall osalta. Vtteet: Draer N.R., Smth H.,98. Aled Regresso Aalss, Joh Wle & Sos, New York, ISBN Korela E.,. Regressoaals luetosarja v., Joesuu losto, Tlastotetee latos, Joesuu. htt://jo.joesuu.f/~ek/regr/regr.html. (..3). Lu, M.R. (tom.), 995. Hadook of Software Relalt Egeerg, The McGraw-Hll Comaes, Ic., New York, ISBN Maurae K., Haloe P., Jokela V., 993. SPSS-oas, Kuoo losto, ATK-keskus, Kuoo. Mlto J.S., Arold J.C., 995. Itroducto to Proalt ad Statstcs: Prcles ad Alcatos for Egeerg ad the Comutg Sceces, The McGraw-Hll, Ic., New York, ISBN Nem, M.,. Puuttede lukumäärä estmot Norde/Ralegh-jakauma ja Gammajakauma avulla, Joesuu losto, Tetojekästteltetee latos, Joesuu, ISBN (Korjattu verso saatavssa osotteesta: ft://ft.cs.joesuu.f/u/reorts/a-- 5.df) Nem M.,. PUTTE-Puuttede estmotjärjestelmä, Joesuu losto, Tetojekästteltetee latos, Joesuu, ISBN Plla K., Nar S.V.S., 997. A model for Software Develomet Effort ad Cost Estmato, IEEE Trasactos o Software Egeerg, 3(8), Putae S., 999. Regressoaals I, Tameree losto, Tamere, ISBN Purae, J., 3. Tlastotetee saastoa, Helsg losto, Tlastotetee latos, Helsk. htt://oa5.c.helsk.f/uudet/dahtm/saasto.html (..3). Se A.K., Srvastava M., 99. Regresso Aalss: Theor, Methods, ad Alcatos, Srgel-Verlag, New York, ISBN Segel M.R., 96. Theor ad Prolems of Statstc, McGraw-Hll, New York. Tlastokeskus, 3. Johdatus tlastollsee ajatteluu, Helsk. htt:// (..3).
Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:
Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt,
LisätiedotLuento 6 Luotettavuus Koherentit järjestelmät
Aalto-ylosto erustetede korkeakoulu Matematka a systeemaalyys latos Lueto 6 Luotettavuus Koherett ärestelmät Aht Salo Systeemaalyys laboratoro Matematka a systeemaalyys latos Aalto-ylosto erustetede korkeakoulu
Lisätiedoton tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:
Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Ylee leaare mall Artmeette keskarvo,
LisätiedotMat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:
Mat-1.60 Sovellettu todeäkösyyslasketa Mat-1.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Otos ja otosjakaumat Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, χ -jakauma, Frekvess, Frekvessjakauma,
Lisätiedot= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2
HY / Matematka ja tlastotetee latos Tlastolle päättely II, kevät 28 Harjotus 3A Ratkasuehdotuksa Tehtäväsarja I Olkoot Y,, Y ja Nθ, ) Osota, että T T Y) Y 2 o parametr gθ) θ 2 harhato estmaattor Laske
LisätiedotTKK @ Ilkka Mellin (2008) 1/24
Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,
LisätiedotMTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN
MTTTP SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN Aesto kaavoje () (3), (9) ja () esmerkkeh Lepakot pakallstavat hyötesä lähettämällä korkeataajusta äätä Ne pystyvät pakallstamaa hyöteset
LisätiedotReaaliarvoinen funktio f : on differentioituva pisteessä x, jos f:lle on siinä voimassa kehitelmä. h h. eli. Silloin
MAT-3440 LAAJA MATEMATIIKKA 4 Tampereen teknllnen ylopsto Rsto Slvennonen Kevät 00 4. Vektorfunkton dervaatta. Ketjusääntö.. Reaalarvosen funkton dervaatta Tässä luvussa estetään dervaattakäste ensn reaalarvoselle
LisätiedotTilastolliset menetelmät: Otokset, otosjakaumat ja estimointi
Tlastollset meetelmät Otokset, otosjakaumat ja estmot Tlastollset meetelmät: Otokset, otosjakaumat ja estmot 4. Otokset ja otosjakaumat 5. Estmot 6. Estmotmeetelmät 7. Välestmot TKK @ Ilkka Mell (006)
Lisätiedot1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on
HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.4 Tlastollse aals perusteet, evät 7 8. lueto: Usea selttää leaare regressomall Usea selttää leaare regressomall Seltettävä muuttua havattue arvoe vahtelu halutaa selttää selttäve muuttue havattue
Lisätiedot1. PARAMETRIEN ESTIMOINTI
Mat-.04 Tlastollse aalyys perusteet Mat-.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Estmaatt, Estmaattor, Estmot, Jääöselösumma, Jääösterm, Jääösvarass,
LisätiedotIlkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot
Mat-.09 Sovellettu todeäkösyyslasku Systeemaalyys laboratoro Teklle korkeakoulu SYKSY 00 Ilkka Mell Sovellettu todeäkösyyslasku: Kaavat ja taulukot f XY x X x X y Y ( x, y) exp XY ( XY ) XY XY X X Y Tomttaut
LisätiedotTilastollinen riippuvuus ja korrelaatio
Tlastollset meetelmät Osa 4: Leaare regressoaalyys Tlastolle rppuvuus ja korrelaato KE (204) Tlastolle rppuvuus ja korrelaato >> Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame
LisätiedotIlmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen
Ilmar Juva 45727R Mat-2.108 Sovelletun matematkan erkostyö Jalkaallo-ottelun loutuloksen stokastnen mallntamnen 1 Johdanto Jalkaallo-ottelun loutuloksen mallntamsesta tlastollsn ja todennäkösyyslaskun
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemaalyys laboratoro Mat-.9 Sovellettu todeäkösyyslasku A Nordlud Harjotus 8 (vko 45/3) (Ahe: Raja-arvolauseta, otostuuslukuja, johdatusta estmot, Lae luvut 9.5,.-.6). Olkoo X ~ p(λ), mssä λ
LisätiedotKokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot
TKK (c) Ilkka Mell (2004) Kokoastodeäkösyys ja Kokoastodeäkösyys ja : Johdato Kokoastodeäkösyyde ja Bayes kaavoje systeemteoreette tulkta Johdatus todeäkösyyslasketaa Kokoastodeäkösyys ja TKK (c) Ilkka
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemaalyys laboratoro Mat-.090 Sovellettu todeäkösyyslasku A Nordlud Harotus (vko 49/003) (Ahe: Tlastollsa testeä, regressoaalyysä Lae luvut 5.5, 6) HUOM! Laskarede palautukse takaraa o pokkeuksellsest
LisätiedotKuluttajahintojen muutokset
Kuluttajahntojen muutokset Samu Kurr, ekonomst, rahapoltkka- ja tutkmusosasto Tutkmuksen tausta ja tavotteet Tavaroden ja palveluden hnnat evät muutu jatkuvast, vaan ovat ana jossan määrn jäykkä lyhyellä
LisätiedotMuuttujien välisten riippuvuuksien analysointi
Mat-.4 Tlastollse aalyys peusteet, kevät 7 5. lueto: Tlastolle ppuvuus ja koelaato Muuttuje välste ppuvuukse aalysot Tlastollsssa aalyysessä tutktaa use muuttuje välsä ppuvuuksa Työttömyysastee ppuvuus
LisätiedotTuringin kone on kuin äärellinen automaatti, jolla on käytössään
4 TUINGIN KONEET Ala Turg 1935 36 auha Koe vo srtää auha: T U I N G auhapää: ohjausykskkö: Turg koe o ku äärelle automaatt, jolla o käytössää auhapäätä vasemmalle ta okealle; se vo myös lukea ta krjottaa
Lisätiedot11. Vektorifunktion derivaatta. Ketjusääntö
7 Vektorfunkton dervaatta Ketjusääntö Täydennämme ja kertaamme seuraavassa dfferentaallaskennan teoraa kursslta Laaja matematkka Palautetaan meln dervaatan määrtelmä reaalfunktolle: Funkton f : R R dervaatta
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.
HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.
MS-A0205/MS-A0206 Dfferentaal- ja ntegraallaskenta 2 Luento 7: Lagrangen kertojat. Penmmän nelösumman menetelmä. Jarmo Malnen Matematkan ja systeemanalyysn latos 1 Aalto-ylopsto Kevät 2016 1 Perustuu Antt
LisätiedotTilastolliset menetelmät: Otokset, otosjakaumat ja estimointi. 4. Otokset ja otosjakaumat 5. Estimointi 6. Estimointimenetelmät 7.
Tlastollset meetelmät Otokset, otosjakaumat ja estmot Tlastollset meetelmät: Otokset, otosjakaumat ja estmot 4. Otokset ja otosjakaumat 5. Estmot 6. Estmotmeetelmät 7. Välestmot Ilkka Mell 5 Tlastollset
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6
Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Aheet: Tlastolle rppuvuus ja korrelaato Yhde selttäjä leaare regressomall Regressoaalyys
LisätiedotTilastolliset menetelmät: Lineaarinen regressioanalyysi
Tlastollset meetelmät Leaare regressoaalyys Tlastollset meetelmät: Leaare regressoaalyys 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaalyys 5. Yhde selttäjä leaare regressomall 6. Ylee leaare
LisätiedotSuoran sovittaminen pistejoukkoon
Suora sovttame pstejoukkoo Ku halutaa tutka kahde tlastollse muuttuja rppuvuutta tosstaa, käytetää use leaarsta regressota el suora sovttamsta havatojoukkoo. Sä o aettu joukko havatopareja (x, y ), ja
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4
MS-A Todeäkösyyslaskea ja tlastotetee peruskurss Vkko Tlastollste aestoje kerääme ja mttaame; tlastollste aestoje kuvaame; Otokset ja otosjakaumat; Estmot; Estmotmeetelmät; Vällestmot Mtä tlastotede o?
LisätiedotYksisuuntainen varianssianalyysi. Yksisuuntainen varianssianalyysi. Yksisuuntainen varianssianalyysi. Yksisuuntainen varianssianalyysi: Mitä opimme?
TKK (c Ila Mell (005 Yssuutae varassaals Johdatus tlastoteteesee Yssuutae varassaals Varassaals: Johdato Yssuutae varassaals ja se suorttame Yssuutase varassaals mall ja se parametrot Yssuutase varassaals
LisätiedotTilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot
TKK (c) Ilkka Mell (4) Tlastolle rppuvuus ja korrelaato Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame Pearso korrelaatokertome estmot ja testaus Järjestyskorrelaatokertomet
LisätiedotTilastollinen päättely. 3. Piste-estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet
Mat-1.361 Tlastolle päättely 3. Pste-estmot Tlastolle päättely 3. Pste-estmot 3.1. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste-estmot, Pstetodeäkösyysfukto,
LisätiedotEsitä koherentin QAM-ilmaisimen lohkokaavio, ja osoita matemaattisesti, että ilmaisimen lähdöstä saadaan kantataajuiset I- ja Q-signaalit ulos.
Sgnaalt ja järjestelmät Laskuharjotukset Svu /9. Ampltudmodulaato (AM) Spektranalysaattorlla mtattn 50 ohmn järjestelmässä ampltudmodulaattorn (AM) lähtöä, jollon havattn 3 mpulssa spektrssä taajuukslla
Lisätiedot4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman
4. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7..008 Thomas Hackman 4. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 4. Tähtteteellsten
Lisätiedot3. Datan käsittely lyhyt katsaus
3. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento..0 Thomas Hackman HTTPK I, kevät 0, luento 3 3. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus
LisätiedotUuden eläkelaitoslain vaikutus allokaatiovalintaan
TEKNILLINEN KORKEAKOULU Systeemanalyysn laboratoro Mat-2.108 Sovelletun matematkan erkostyö Uuden eläkelatoslan vakutus allokaatovalntaan Tmo Salmnen 58100V Espoo, 14. Toukokuuta 2007 Ssällysluettelo Johdanto...
LisätiedotKonvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?
TKK (c) Ilkka Mell (004) Kovergesskästteet ja raja-arvolauseet Kovergesskästtetä Suurte lukuje lat Keskee raja-arvolause Keskese raja-arvolausee seurauksa Johdatus todeäkösyyslasketaa Kovergesskästteet
LisätiedotTilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus
Mat-1.361 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.1. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys,
LisätiedotLohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4
TKK (c) lkka Melln (005) Koesuunnttelu TKK (c) lkka Melln (005) : Mtä opmme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Mten varanssanalyysssa tutktaan yhden tekän vakutusta vastemuuttujaan, kun
Lisätiedot13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit
68 3. Leaarset esmmäse kertaluvu dfferetaalsysteemt Tarkastelemme systeemejä () x () t = A() t x() t + b () t, jossa matrs A kertomet ja b ovat välllä I jatkuva. Jatkuve vektorarvoste fuktode avaruutta
LisätiedotMoniulotteiset jakaumat ja havaintoaineistot
Momuuttujameetelmät: Ilkka Mell. Moulotteset jakaumat.. Satuasmuuttujat ja todeäkösyysjakaumat.. Yhtesjakaumat.3. Reuajakaumat ja satuasmuuttuje rumattomuus.4. Ehdollset jakaumat.5. Yhtesjakaume tuusluvut.6.
LisätiedotNäytteenoton virhelähteet, luotettavuuden estimointi ja näytteenottoketjun optimointi
FIAS S5/000 Opas äytteeoto tekste vaatmuste täyttämseks akkredtota varte 5 (9) Lte äytteeoto vrhelähteet, luotettavuude estmot ja äytteeottoketju optmot Pett Mkke äytteeoto vrhelähteet, luotettavuude estmot
LisätiedotMaanhintojen vikasietoisesta mallintamisesta
Maanmttaus 8:-2 (2006) 5 Maanmttaus 8:-2 (2006) Saapunut 0.8.2005 ja tarkstettuna.4.2006 Hyväksytty 30.6.2006 Maanhntojen vkasetosesta mallntamsesta Marko Hannonen Teknllnen korkeakoulu, Kntestöopn laboratoro
LisätiedotJaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen
Tosakajärjestelmät Luento : Resurssen hallnta ja prorteett Tna Nklander Jaetut resursst Useat tapahtumat jakavat ohjelma-/lattesto-olota, jossa kesknänen possulkemnen on välttämätöntä. Ratkasuja: Ajonakanen
LisätiedotTyön tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt
FYSP103 / 1 KAASUTUTKIUS Työn tavotteta havannollstaa deaalkaasun tlanyhtälöä oa, mten lman kosteus vakuttaa havattavn lmöhn ja mttaustuloksn kerrata mttausöytäkrjan ja työselostuksen laatmsta Luento-
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat:
MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 Aheet: Tlastollset testt Avasaat: Artmeette keskarvo Beroull-jakauma
Lisätiedot7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä
Mat.36 Tlastolle päättely 7. Suurmma uskottavuude meetelmä ja asymptootte teora Tlastolle päättely 7. Suurmma uskottavuude meetelmä ja asymptootte teora 7.. Suurmma uskottavuude estmotmeetelmä Akasarja,
LisätiedotFYSA220/2 (FYS222/2) VALON POLARISAATIO
FYSA220/2 (FYS222/2) VALON POLARSAATO Työssä tutktaan valoaallon tulotason suuntasen ja stä vastaan kohtsuoran komponentn hejastumsta lasn pnnasta. Havannosta lasketaan Brewstern lan perusteella lasn tatekerron
Lisätiedot1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä
Johdatus dskreettn matematkkaan Harjotus 3, 30.9.2015 1. Luvut 1, 10 on latettu ympyrän kehälle. Osota, että löytyy kolme verekkästä lukua, joden summa on vähntään 17. Ratkasu. Tällasa kolmkkoja on 10
LisätiedotEpälineaaristen pienimmän neliösumman tehtävien ratkaiseminen numeerisilla optimointimenetelmillä (valmiin työn esittely)
Epälneaarsten penmmän nelösumman tehtäven ratkasemnen numeerslla optmontmenetelmllä valmn työn esttely Lar Pelkola 9.9.014 Ohjaaja/valvoja: Prof. Harr Ehtamo yön saa tallentaa ja julkstaa Aalto-ylopston
LisätiedotTilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus
Mat.36 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys, Otos,
Lisätiedot1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia
Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,
LisätiedotMarkov-prosessit (Jatkuva-aikaiset Markov-ketjut)
J. Vrtamo Lkenneteora a lkenteenhallnta / Markov-prosesst 1 Markov-prosesst (Jatkuva-akaset Markov-ketut) Tarkastellaan (statonaarsa) Markov-prosessea, oden parametravaruus on atkuva (yleensä aka). Srtymät
LisätiedotTarkastellaan kuvan 8.1 (a) lineaarista nelitahoista elementtiä, jonka solmut sijaitsevat elementin kärkipisteissä ja niiden koordinaatit ovat ( xi
Elementtmenetelmän erusteet 8. 8 D-SOLIDIRKEEE 8. ohdanto Kolmulottesa soldelementtejä tartaan kolmulottesten kaaleden mallntamseen. ällön tarkasteltaan kaaleen geometralla e ole ertsrtetä jotka teksät
Lisätiedot1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit
Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,
LisätiedotTilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet
Mat.36 Tlastolle päättely 3. Pste estmot Tlastolle päättely 3. Pste estmot 3.. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste estmot, Pstetodeäkösyysfukto,
LisätiedotKynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto
Kynä-paper -harjotukset Tana Lehtnen 8.8.07 Tana I Lehtnen Helsngn ylopsto Etelä-Suomen ja Lapn lään, 400 opettajaa a. Perusjoukon (populaaton) muodostvat kakk Etelä-Suomen ja Lapn läänn peruskoulun opettajat
LisätiedotTilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot
Todeäkösyyslaskea ja talstotetee peruskurssesmerkkkokoelma 4 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 4 Aheet: Tlastollste aestoje kerääme ja mttaame Tlastollste aestoje kuvaame Otokset
LisätiedotJaksolliset ja toistuvat suoritukset
Jaksollset ja tostuvat suortukset Korkojakson välen tostuva suortuksa kutsutaan jaksollsks suortuksks. Tarkastelemme tässä myös ylesempä tlanteta jossa samansuurunen talletus tehdään tasavälen mutta e
LisätiedotRaja-arvot. Osittaisderivaatat.
1 MAT-13440 LAAJA MATEMATIIKKA 4 Tamperee teklle ylopsto Rsto Slveoe Kevät 2010 Luku 3 Raja-arvot Osttasdervaatat 1 Fuktode raja-arvot Tarkastelemme fuktota f : A, jode määrttelyjoukko A T Muuttujat ovat
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Derivaatta Tarkastellaan funktion f keskimääräistä muutosta tietyllä välillä ( 0, ). Funktio f muuttuu tällä välillä määrän. Kun tämä määrä jaetaan välin pituudella,
LisätiedotGeneroidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0)
Mat-2.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat Korrelaato ja assosaato Hypotees, Järjestyskorrelaatokertomet, χ 2 -rppumattomuustest, Korrelaatokerro, Pstedagramm, Päätössäätö, Nollahypotees,
LisätiedotA250A0100 Finanssi-investoinnit Harjoitukset 24.03.15
A50A000 Fnanss-nvestonnt Hajotukset 4.03.5 ehtävä. akknapotolon keskhajonta on 9 %. Laske alla annettujen osakkeden ja makknapotolon kovaanssen peusteella osakkeden betat. Osake Kovaanss A 40 B 340 C 60
LisätiedotARVIOINTIPERIAATTEET
PSYKOLOGIAN YHTEISVALINNAN VALINTAKOE 2012 ARVIOINTIPERIAATTEET Copyright Helsingin yliopisto, käyttäytymistieteiden laitos, Materiaalin luvaton kopiointi kielletty. TEHTÄVÄ 1. (max. 34.5 pistettä) 1 a.i)
LisätiedotTODENNÄKÖISYYSLASKENNASTA 1
Mka Haapanen mphaapan@ccju Matemaattnen taloustede II Jväsklän lopsto TODNNÄKÖISSLASKNNASTA Satunnasmuuttuja Satunnasmuuttuja on unkto jonka arvo perustuu todennäkösksn todennäkössjakaumaan Satunnasmuuttujaa
LisätiedotKokonaislukuoptimointi
Kokonaslukuotmont Robust dskreett otmont ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28 sältö Robustn lneaarsen kokonasluku- sekä sekalukuotmontongelman
Lisätiedot5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman
5. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7.4.006 Thomas Hackman 5. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 5. Tähtteteellsten
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Montavoteoptmont ja teollsten prosessen hallnta Ylassstentt Juss Hakanen juss.hakanen@jyu.f syksy 2010 Interaktvset menetelmät Idea: päätöksentekjää hyödynnetään aktvsest ratkasuprosessn akana
LisätiedotTilastolliset menetelmät: Lineaarinen regressioanalyysi
Tlastollset meetelmät Leaare regressoaals Tlastollset meetelmät: Leaare regressoaals 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaals 5. Yhde selttäjä leaare regressomall 6. Ylee leaare mall
LisätiedotRatkaisu: Kaikki tehtävän laskutoimitukset on tehty Microsoft Excel -ohjelmalla; ks. taulukkoa tehtävän lopussa.
Mat-.09 Sovellettu todeäköyylaku. harjotuket Mat-.09 Sovellettu todeäköyylaku. harjotuket / Ratkaut Aheet: Avaaat: Regreoaalyy Etmot, Jääöelöumma, Jääöterm, Jääövara, Kekhajota, Kokoaelöumma, Korrelaato,
LisätiedotPellervon taloudellisen tutkimuslaitoksen työpapereita Pellervo Economic Research Institute Working Papers
Pellervo taloudellse tutkmuslatokse työpapereta Pellervo Ecoomc Research Isttute Workg Papers N:o 84 (elokuu 2006) ELINTARVIKKEIDEN JA RAVINTOLAPALVELUIDEN KYSYNTÄ SUOMESSA Petr Sopp Pellervo taloudelle
LisätiedotIlkka Mellin (2006) 1/1
Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,
LisätiedotTimo Tarvainen PUROSEDIMENTIIANALYYSIEN HAVAINNOLLISTAMINEN GEOSTATISTIIKAN KEINOIN. Outokumpu Oy Atk-osasto
Tmo Tarvanen PUROSEDMENTANALYYSEN HAVANNOLLSTAMNEN GEOSTATSTKAN KENON Outokumpu Oy Atk-osasto PUROSEDMENTTANALYYSEN HAVANNOLLSTAMNEN GEOSTATSSTKAN KENON 1. Johdanto Nn sanotulla SKALAn alueella (karttaleht
LisätiedotMat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut
Harjotus, esmerkkratkasut K 1. Olkoon f : C C, f(z) z z. Tutk, mssä pstessä f on dervotuva. Ratkasu 1. Jotta funkto on dervotuva, on sen erotusosamäärän f(z + ) f(z) raja-arvon 0 oltava olemassa ja ss
LisätiedotMat-2.108 Sovelletun matematiikan erikoistyö. Sijoitussalkun optimointi Black-Litterman -mallilla
Mat-2.8 Sovelletu matematka erkostyö Sjotussalku optmot Black-Ltterma -malllla Kar Vatae (4753V) 9.5.24 Ssällysluettelo Johdato...2 2 Sjotussalku optmot Markowtz malllla...3 2. Sjotussalku optmot...5 2.2
LisätiedotBernoullijakauma. Binomijakauma
Beroulljaauma Beroull oe o ahde mahdollse ulostulo oe, jossa taahtumsta äytetää mtysä ostume ja eäostume. Esmerejä: rahahetto (ruua ta laava), lase sytymä (tyttö ta oa), helö verryhmä ( ta c ), oselja
LisätiedotLähdemateriaalina käytetty Pertti Louneston kirjaa Clifford Algebras and spinors [1]
Lähdmatraala kättt Prtt Lousto kraa Clfford Algbras ad spors [] Krtausta Clfford algbra määrtllää algbraks kvadraattsll vktoravaruudll (sm. skalaartulolla. Clfford algbra oka alko vodaa sttää algbra katavktord
LisätiedotTestaa onko lämpökäsittelyllä vaikutusta tankojen keskimääräiseen vetolujuuteen.
Mat-.03 Koesuuttelu ja tlastollset mallt 6. harjotuset Mat-.03 Koesuuttelu ja tlastollset mallt 6. harjotuset / Ratasut Aheet: Avasaat: Yssuutae varassaals Artmeette esarvo, Bartlett test, Box ja Whser
LisätiedotKuntoilijan juoksumalli
Rakenteden Mekankka Vol. 42, Nro 2, 2009, s. 61 74 Kuntoljan juoksumall Matt A Ranta ja Lala Hosa Tvstelmä. Urhelututkmuksen melenknnon kohteena ovat yleensä huppu-urheljat. Tuokon yksnkertastettu juoksumall
Lisätiedoton määritelty tarkemmin kohdassa 2.3 ja pi kohdassa 2.2.
SU/Vakuutusmatemaattnen ykskkö 7.8.08 (7) Rahastoonsrtovelvotteeseen ja perustekorkoon lttyvät laskentakaavat Soveltamnen. Rahastosrtovelvote RSV. Täydennyskerron b 6 Nätä laskentakaavoja sovelletaan täydennyskertomen,
LisätiedotTuotteiden erilaistuminen: hintakilpailu
Tuotteden erlastumnen: hntaklalu Lass Smlä 19.03.003 Otmonton semnaar - Kevät 003 / 1 Johdanto Yrtykset evät yleensä halua tuottaa saman tuoteavaruuden tlan täyttävä tuotteta (syynä Bertrandn aradoks)
Lisätiedot= + + 1 ( 1) + + = Paraabelit leikkaavat pisteessä ( 2, 3). ( 8) ( 8) 4 1 1
Pitkä matmatiikka YO-ko 4.9.4. a) b) ( )( 3) 6 3 + 6 6 + y + + ( ) y + + 3 + + ( ) TNS y ( ) + 3 tai Paraablit likkaavat pistssä (, 3). c) Mrkitää lukua : llä ( ). + 4 + 8 + 8 8 + ( 8) ( 8) 4 ± 8 ± 6 8
LisätiedotCOULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT
COUOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT SISÄTÖ: Coulombn voma Sähkökenttä Coulombn voman a sähkökentän laskemnen pstevaaukslle Jatkuvan vaauksen palottelemnen pstevaauksks
Lisätiedot10.5 Jaksolliset suoritukset
4.5 Jaksollset suortukset Tarkastellaa tlaetta, jossa asakas tallettaa pakktllle tostuvast yhtäsuure rahasumma k aa korkojakso lopussa. Asakas suorttaa talletukse kertaa. Lasketaa tlllä oleva pääoma :e
LisätiedotFunktion derivaatta. Derivaatan määritelmä. Johdanto derivaatan määritelmään
Funktion derivaatta Derivaatan määritelmä Johdanto derivaatan määritelmään Kstään, mikä on kärän sin origoon piirretn tangentin htälö Möhemmin, kun olemme käsitelleet derivaatat, saisimme tämän helpommin,
Lisätiedot2-suuntainen vaihtoehtoinen hypoteesi
Mat-.6 Sovellettu todeäkösyyslasketa. harjotukset Mat-.6 Sovellettu todeäkösyyslasketa B. harjotukset / Ratkasut Aheet: Tlastollset testt Avasaat: Artmeette keskarvo, Beroull-jakauma, F-jakauma, F-test,
Lisätiedot9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli
lueto9.ppt S-38.45 Lkeeteora perusteet Kevät 5 Ykskertae lkeeteoreette mall Puhdas jakojärjestelmä Asakkata saapuu keskmäär opeudella asakasta per akayks. / keskmääräe asakkade välaka Asakkata palvellaa
LisätiedotER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto
Ohelmen analsont Ohelmen kuvaamnen kaavolla ohelmen mmärtämnen kaavoden avulla kaavoden tuottamnen ohelmasta Erlasa kaavotppeä: ER-kaavot, tlakaavot, UML-kaavot tetohakemsto vuokaavot (tarkemmn) Vuoanals
Lisätiedot3.5 Generoivat funktiot ja momentit
3.5. Generovat funktot ja momentt 83 3.5 Generovat funktot ja momentt 3.5.1 Momentt Eräs tapa luonnehta satunnasmuuttujan jakaumaa, on laskea jakauman momentt. Ne määrtellään odotusarvon avulla. Määrtelmä
Lisätiedot9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli
Ssältö Kertausta: ykskertae lkeeteoreette mall M/M/-PS asakasta palvelja asakaspakkaa M/M/-PS asakasta palveljaa asakaspakkaa Sovellus elastse datalketee malltamsee vuotasolla M/M//k/k-PS k asakasta palvelja
LisätiedotPuupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö:
Puupntasen sandwchkattoelementn lujuuslaskelmat. Ssältö: Sandwch kattoelementn rakenne ja omnasuudet Laatan laskennan kulku Tulosten vertalua FEM-malln ja analyyttsen malln välllä. Elementn rakenne Puupntasa
LisätiedotMat Lineaarinen ohjelmointi
Mat-.4 Lneaarnen ohelmont 8..7 Luento 6 Duaaltehtävä (kra 4.-4.4) S ysteemanalyysn Lneaarnen ohelmont - Syksy 7 / Luentorunko Motvont Duaaltehtävä Duaalteoreemat Hekko duaalsuus Vahva duaalsuus Täydentyvyysehdot
LisätiedotKollektiivinen korvausvastuu
Kollektvnen korvausvastuu Sar Ropponen 4.9.00 pävtetty 3..03 Ssällysluettelo JOHDANTO... KORVAUSVASTUUSEEN LIITTYVÄT KÄSITTEET VAHINKOVAKUUTUKSESSA... 3. MERKINNÄT... 3. VAHINGON SELVIÄMINEN JA KORVAUSVASTUU...
LisätiedotSU/Vakuutusmatemaattinen yksikkö (5)
SU/Vakuutusmatemaattnen ykskkö 0..06 (5) Rahastoonsrtovelvotteeseen ja perustekorkoon lttyvät laskentakaavat Soveltamnen. Rahastosrtovelvote RSV. Täydennyskerron b 6 Nätä laskentakaavoja sovelletaan täydennyskertomen,
LisätiedotKuinka väestö sijoittuu siirryttäessä tietoyhteiskuntaan?
Kunka väestö sjottuu srryttäessä tetoyhteskuntaan? Esmerkknä Itä-Suom Oll Lehtonen & Markku Tykkylänen Johdanto 199-luvulla ja 2-luvun alussa väestönkasvu kesktty van muutamalle suurmmalle kaupunkseudulle,
Lisätiedotr i m i v i = L i = vakio, (2)
4 TÖRMÄYKSET ILMATYYNYPÖYDÄLLÄ 41 Erstetyn systeemn sälymslat Kun kaks kappaletta törmää tosnsa ne vuorovakuttavat keskenään tetyn ajan Vuorovakutuksella tarkotetaan stä että kappaleet vahtavat keskenään
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.204 Tlastollsen analyysn perusteet, kevät 2007 5. luento: Tlastollnen rppuvuus ja korrelaato Ka Vrtanen Muuttujen välsten rppuvuuksen analysont Tlastollsssa analyysessä tutktaan usen muuttujen välsä
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotVarianssianalyysi. Varianssianalyysi. Varianssianalyysi. Varianssianalyysi: Mitä opimme? Varianssianalyysi: Johdanto
TKK (c Ila Mell (004 Varassaalyys Varassaalyys: Johdato Johdatus tlastoteteesee Varassaalyys TKK (c Ila Mell (004 Varassaalyys: Mtä opmme? Tarastelemme tässä luvussa seuraavaa ysymystä: Mte tavaomae ahde
LisätiedotPyörimisliike. Haarto & Karhunen.
Pyörmslke Haarto & Karhunen www.turkuamk.f Pyörmslke Lttyy jäykän kappaleen pyörmseen akselnsa ympär Pyörmsenerga on pyörmsakseln A ympär pyörvän kappaleen osasten lke-energoden summa E r Ek mv mr mr www.turkuamk.f
Lisätiedot