TODENNÄKÖISYYSLASKENNASTA 1

Koko: px
Aloita esitys sivulta:

Download "TODENNÄKÖISYYSLASKENNASTA 1"

Transkriptio

1 Mka Haapanen Matemaattnen taloustede II Jväsklän lopsto TODNNÄKÖISSLASKNNASTA Satunnasmuuttuja Satunnasmuuttuja on unkto jonka arvo perustuu todennäkösksn todennäkössjakaumaan Satunnasmuuttujaa kutsutaan dskreetks jos sen mahdollsten arvojen joukko on äärellnen ta numerotuva Vastaavast jatkuva satunnasmuuttuja vo saada mtä tahansa reaallukuarvoja tetllä välllä Satunnasmuuttujalla vodaan mallntaa lmötä joka muodostuu ta anakn peraatteessa vos muodostua satunnastetun kokeen tuloksena Satunnasmuuttujn vodaan tlastollsest mallntamaan hvn monnasa lmötä Satunnasmuuttujan parametrsonnlla el tlastollsen jakauman määrttelllä prtään shen että havattu lmö ja satunnasmuuttuja vastasvat mahdollsmman hvn tosaan Satunnasmuuttuja kannattaakn kättää kun taloudellsen lmön mallntamseen ltt jonknlasta epävarmuutta joka vodaan rttää melekkääst hallta todennäkössjakauman avulla Satunnasmuuttujlla on sten kättöä sekä teoreettsessa että emprsessä mallntamsessa esmerkks epävarmuuden valltessa tapahtuva päätöksenteon teoreettnen mallntamnen ta arvopapern tuoton emprnen mallntamnen Todennäkösslaskennan perusteden tuntemnen on tlastomenetelmen kätön ehdoton edellts koska kakk ksnkertasta kuvalua monmutkasemmat tlastoteteellset menetelmät perustuvat satunnasmuuttujen jakaumen omnasuuksn Satunnasmuuttujan jakauma Satunnasmuuttujan jakauma kertoo mten muuttujan mahdollset arvot jakautuvat sen arvoalueelle Dskreetn satunnasmuuttujan thesunkto määrtellään todennäkössjakaumana P mssä P on todennäköss että satunnasmuuttuja saa arvon Todennäkösden aksoomat vaatvat että P ja P Jatkuvan satunnasmuuttujan tapauksessa todennäkösdet määrtellään thesunkton avulla välnä Sopvaa taustamateraala lukuun ovat mm Lndgren 976 Greene 997 ja Salvatore Musta mös määrtelmät determnstnen el määrätnt ja stokastnen el satunnasuutta ssältävä

2 Pr a a d mssä ja thesunkton ntegraal l kakken :n arvojen on oltava ks el d Satunnasmuuttujan kertmäunkto määrtellään thesunkton avulla seuraavast: F P t dt jos on jatkuva jos on dskreett Kertmäunkto kertoo mllä todennäkösdellä satunnasmuuttuja on penemp ta htä suur kun Jatkuvan muuttujan thesunkto vodaan laskea mös kertmäunkton dervaattana F Vastaavast dskreetn satunnasmuuttujan thesunkton arvo kohdassa saadaan erotuksena F F mkäl :t on järjestett kasvavaan järjestkseen Sekä jatkuva että dskreetn muuttujan tapauksessa kertmäunktolle tulee päteä seuraavat omnasuudet: F Jos > F F F lm F ja v F lm F Nän ollen jatkuvalle satunnasmuuttujalle pätee Pr a Pr a < Pr a < Pr a < < F F a a t dt sllä jatkuvalla muuttujalla hden psteen todennäköss on nolla Dskreetlle muuttujalle vodaan kättää kaavaa Pr a < F F a smerkk Todennäkösksen laskemnen thesunktolla Oletetaan että kuluttajaneuvontaan sotettujen puheluden lukumäärä tunnssa on Posson jakautunut satunnasmuuttuja el sen thesunkto on muotoa λ e λ! mssä λ on neuvontaan sotettujen puhelujen määrä keskmäärn tunnssa λ > Akasempen havantojen perusteella on päätelt että λ 6 Lasketaan todennäköss että neuvontaan tulee kolme puhelua alle kaks puhelua ja kaks puhelua ta enemmän tunnn akana

3 Ratkasu: 6 6 e 6 6 e P 9! 6 6 e 6 e 6 6 P < 6 e 75!! P P < smerkk Normaaljakauman thes ja kertmäunkto Normaaljakauman thesunkto on muotoa µ N µ µ ep R π mssä µ on jakauman keskarvo ja on varanss ks ltteessä oleva kuvo Mkäl µ ja jakaumaa kutsutaan standardoduks normaaljakaumaks ja merkntään usen φ ta N Integromalla thesunktota saadaan normaaljakauman kertmäunkto t µ F µ ep dt R π Standardodun normaaljakauman kertmäunktota merktään leensä Φ Tunnuslukuja Satunnasmuuttujen unktona tunnusluvut ovat tsessään satunnasmuuttuja Nden tarkotuksena on antaa tvstett kuvaus satunnasmuuttujan ta sen jakauman omnasuukssta Lokaato el sjanttunnuslukuja ovat mm odotusarvo keskarvo medaan ja mood Dsperso el hajontatunnuslukuja ovat mm varanss keskhajonta ja keskvrhe Satunnasmuuttujan odotusarvo lasketaan seuraavast: d jos on jatkuva jos on dskreett Huomaa että dskreetn satunnasmuuttujan odotusarvo on ss p mssä p on todennäköss P Lstataan odotusarvojen laskusääntöjä: [ c] c [ c ] c[ ] [ cg ] c[ g ] c g c g ] c [ g ] c [ g [ ]

4 [ g ] g d g jos on jatkuva jos on dskreett mssä c c ja c ovat vakota on satunnasmuuttuja ja g g ja g ovat reaalarvosa unktota Lsäks on huomattava että leensä [ ]! Medaanlla tarkotetaan muuttujan keskmmäsntä havantoa Se on ertsen kättökelponen sjanttunnusluku vnost jakautunelle muuttujlle Mood on muuttujan lesn arvo Satunnasmuuttujan varanss var lasketaan var [ µ ] µ µ µ d jos on jatkuva jos on dskreett mssä satunnasmuuttujan odotusarvoa on merktt µ :lla Keskesä varanssn laskusääntöjä ovat var a var a a var var a a var var a cov mssä a ja ovat vakota ja ja ovat satunnasmuuttuja Kovaranss cov tulee määrtellks heman möhemmn Keskhajonta on varanssn nelöjuur joten keskhajonnalla on sama mttakskkö kun muuttujaa tseään Keskhajonnalle laskettua emprstä estmaatta kutsutaan usen keskvrheeks smerkk Tasajakauman odotusarvo ja varanss Jatkuva satunnasmuuttuja on tasajakautunut mkäl sen thesunkto on a ; a - jos a muullon mssä parametrvakot a ja vovat saada arvoja varanssks saadaan tällön < a < < Odotusarvoks ja [ ] d a a var[ ] [ a ] [ ] a a a a a a d a a a a a a a a

5 smerkk Bernoull jakauman odotusarvo ja varanss Dskreett satunnasmuuttuja on Bernoull jakautunut mkäl sen thesunkto on p p jos ta ; p muullon mssä parametrvako p vo saada arvoja p Odotusarvoks ja varanssks saadaan tällön [ ] p p p var[ ] [ ] [ ] p p p p p smerkks kolkkoa hetettäessä tulema kruuna ta klaava on Bernoull jakautunut satunnasmuuttuja p 5 Huom! Tunnusluvut perustuvat satunnasmuuttujasta tehthn jakaumaoletuksn Nhn pohjautuvat päätelmät tarkasteltavasta reaalmaalman lmöstä ovat sten tulkntoja jota e pdä esttää eksaktena matemaattsna tuloksna hdollssta jakaumsta hdollnen jakauma määrtellään ehdollsa todennäkösksä kättäen smerkks satunnasmuuttujan :n ehdollnen jakauma ehdolla määrtellään mssä d jos on jatkuva jos on dskreett htälössä on satunnasmuuttujen ja htesthesunkto ja on :n reunajakauma Vastaavast satunnasmuuttujan :n ehdollnen jakauma ehdolla määrtellään mssä d jos on jatkuva jos on dskreett Muuttujat ovat rppumattoma jos ja van jos htesjakauma on sama kun nden reunajakaumen tulo el kaklla Tällön ehdollset jakaumat ovat samoja kun reunajakaumat el ja Mkäl ja ovat dskreettejä satunnasmuuttuja 5 P

6 6 smerkk 5 htesthesunkto reunajakaumat ja rppumattomuus Oletetaan että jatkuven satunnasmuuttujen ja htesthesunkto on muullon ja jos tstään ja :n reunajakaumat ja tutktaan rppumattomuutta Reunajakaumat lasketaan ntegromalla d d Määrtelmällsest ja ovat rppumattoma jos ja van jos kaklla ja :n arvolla Nt ja evät ole rppumattoma koska ta koska esmerkks Reunajakaumsta vomme laskea mös esmerkks todennäkösdet d P ta 5 d P Muuttujen välstä suhdetta htesvahtelua mtataan kovaransslla [ ] cov Mttaksköden vahtelun elmnomseks kovaranss skaalataan usen tulomomenttkorrelaatokertomeks Pearsonn korrelaatokerron: ρ cov Tonen usen kätett korrelaatokäste on Spearmann järjestskorrelaatokerron jolla tutktaan er muuttujen havantokskötten järjestksen samuutta Huom! Vodaan osottaa että rppumattomen muuttujen kovaranss on nolla mutta kovaranssn ta korrelaaton puuttumnen kovaranss nolla e välttämättä merktse rppumattomuutta

7 7 Musta mös että korrelaaton perusteella vodaan tehdä päätelmä samansuuntasesta lkkumsesta lneaarsessa melessä mutta stä e vo mssään tapauksessa ptää osotuksena kausaalsuhteesta klassnen esm on hakarat ja sntvs Tanskassa smerkk 6 Kovaranssn laskemnen jatkuvat muuttujat Tarkastellaan kovaranssn laskemsta edellsen esmerkn avulla Lasketaan ensn ja :n odotusarvo nden reunajakauma kättäen ja stten :n odotusarvo: 7 d d d 6 7 d d d 5 d d dd dd dd Saatujen tulosten perusteella kovaranssks saadaan cov Huomaa että ja :n välnen korrelaatokerron ρ cov saatasn laskettua jakamalla kovaranss keskhajonnolla: [ ] d µ [ ] d µ Laskutomtusten suorttamnen jätetään harjotustehtäväks smerkk 7 Kovaranssn laskemnen dskreett muuttujat Oletetaan että satunnasmuuttujen ja htesthesunkto on - - /6 /9 /9 /9 /6 / /9 /6 Nt :n reunajakauma el P on / / 9 / 6 / 9 / 9 / 9 /

8 / 9 / 6 / 6 ja :n reunajakauma el P on 7 / 5 / / joten ja :n odotusarvot ovat / 9 / / 9 / 9 / 9 7 / 5 / / / / 9 / 9 / 9 / 6 / 6 / 6 Nän ollen kovaranssks saadaan / 6 / 9 / cov / 6 / 9 / / Lte Normaaljakauma er keskarvolla ja varanssella N- N N 6 Krjallsuutta Greene W H 997 conometrc Analss rd edton Prentce Hall New Jerse Lndgren BW 976 Statstcal Theor rd edton New ork Salvatore D Schaum s Outlnes Statstcs and conometrcs nd edton McGraw Hll: Blacklck OH

3.5 Generoivat funktiot ja momentit

3.5 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

Lisätiedot

Reaaliarvoinen funktio f : on differentioituva pisteessä x, jos f:lle on siinä voimassa kehitelmä. h h. eli. Silloin

Reaaliarvoinen 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

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat 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

Lisätiedot

11. Vektorifunktion derivaatta. Ketjusääntö

11. 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

Lisätiedot

AB TEKNILLINEN KORKEAKOULU

AB TEKNILLINEN KORKEAKOULU B TEKNILLINEN KORKEKOULU Tetoverkkolaboratoro luento05.ppt S-38.45 - Lkenneteoran perusteet - Kevät 00 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat

Lisätiedot

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

1. 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

Lisätiedot

FYSA220/2 (FYS222/2) VALON POLARISAATIO

FYSA220/2 (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

Lisätiedot

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

4. 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

Lisätiedot

Monte Carlo -menetelmä

Monte Carlo -menetelmä Monte Carlo -menetelmä Helumn perustlan elektron-elektron vuorovakutuksen laskemnen parametrsodulla yrteaaltofunktolla. Menetelmän käyttökohde Monen elektronn systeemen elektronkorrelaato oteuttamnen mulla

Lisätiedot

3. Datan käsittely lyhyt katsaus

3. 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

Lisätiedot

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

5. 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

Lisätiedot

Painotetun metriikan ja NBI menetelmä

Painotetun metriikan ja NBI menetelmä Panotetun metrkan ja NBI menetelmä Optmontopn semnaar - Kevät / 1 Estelmän ssältö Paretopsteden generont panotetussa metrkossa Panotettu L p -metrkka Panotettu L -metrkka el panotettu Tchebycheff -metrkka

Lisätiedot

Kokonaislukuoptimointi

Kokonaislukuoptimointi Kokonaslukuotmont Robust dskreett otmont ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28 sältö Robustn lneaarsen kokonasluku- sekä sekalukuotmontongelman

Lisätiedot

3D-mallintaminen konvergenttikuvilta

3D-mallintaminen konvergenttikuvilta Maa-57.270, Fotogammetan, kuvatulknnan ja kaukokatotuksen semnaa 3D-mallntamnen konvegenttkuvlta nna Evng, 58394J 2005 1 Ssällysluettelo Ssällysluettelo...2 1. Johdanto...3 2. Elasa tapoja kuvata kohdetta...3

Lisätiedot

Esitä koherentin QAM-ilmaisimen lohkokaavio, ja osoita matemaattisesti, että ilmaisimen lähdöstä saadaan kantataajuiset I- ja Q-signaalit ulos.

Esitä 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

Lisätiedot

Mittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa

Mittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa Mttausteknkan perusteet / luento 6 Mttausepävarmuus ja shen lttyvää termnologaa Mttausepävarmuus = mttaustulokseen lttyvä parametr, joka kuvaa mttaussuureen arvojen odotettua vahtelua Mttauksn lttyvä kästtetä

Lisätiedot

Kuluttajahintojen muutokset

Kuluttajahintojen 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

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat 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

Lisätiedot

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio? Mttausteknkan perusteet / luento 7 Mttausepävarmuus Mttausepävarmuus Mttaustulos e ole koskaan täysn oken Mttaustulos on arvo mtattavasta arvosta Mttaustuloksen ja mtattavan arvon ero on mttausvrhe Mkäl

Lisätiedot

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat: Mat-.36 Tlastollnen päättely 7. harjotukset Mat-.36 Tlastollnen päättely 7. harjotukset / Tehtävät Aheet: Avansanat: ypoteesen testaus. lajn vrhe,. lajn vrhe, arhaton test, ylkäysalue, ylkäysvrhe, ypotees,

Lisätiedot

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Lohkoasetelmat. 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

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

= 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

Lisätiedot

Leikkijunan kunto toimiva ei-toimiva Työvuoro aamuvuoro päivävuoro iltavuoro

Leikkijunan kunto toimiva ei-toimiva Työvuoro aamuvuoro päivävuoro iltavuoro Lsätehtävä 1. Erään yrtyksen satunnasest valttujen työntekjöden possaolopäven määrät olvat vuonna 003: 5, 3, 1, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4,, 1, 15, 4, 0,, 4, 3, 3, 8, 3, 9, 11, 19, 17, 14, 7 a)

Lisätiedot

W Hz. kohinageneraattori. H(f) W Hz. W Hz. ELEC-A7200 Signaalit ja järjestelmät Laskuharjoitukset. LASKUHARJOITUS 5 Sivu 1/7

W Hz. kohinageneraattori. H(f) W Hz. W Hz. ELEC-A7200 Signaalit ja järjestelmät Laskuharjoitukset. LASKUHARJOITUS 5 Sivu 1/7 ELEC-A700 LASKUHARJOIUS 5 Svu /7. Satunnassgnaaln x ( t ) keskarvo on V ja keskhajonta 4 V. Mttaukslla on todettu, että x ( t ) ja x ( t + τ ) ovat rppumattoma, kun τ 5µ s. Lsäks tedetään, että x ( t )

Lisätiedot

Uuden eläkelaitoslain vaikutus allokaatiovalintaan

Uuden 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...

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

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,

Lisätiedot

Ilmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen

Ilmari 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

Lisätiedot

6. Stokastiset prosessit (2)

6. Stokastiset prosessit (2) Ssältö Markov-prosesst Syntymä-kuolema-prosesst luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 6 Markov-prosess Esmerkk Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella

Lisätiedot

5. Datan käsittely lyhyt katsaus

5. Datan käsittely lyhyt katsaus 5. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 4..0 Thomas Hackman HTTPK I, kevät 0, luento 5 5. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus

Lisätiedot

ABTEKNILLINEN KORKEAKOULU

ABTEKNILLINEN KORKEAKOULU ABTEKNILLINEN KORKEAKOULU Tetoverkkolaboratoro 6. Stokastset prosesst () Luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 5 6. Stokastset prosesst () Ssältö Markov-prosesst Syntymä-kuolema-prosesst

Lisätiedot

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

Kynä-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

Lisätiedot

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT

COULOMBIN 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

Lisätiedot

Moderni portfolioteoria

Moderni portfolioteoria Modern portfoloteora Helsngn Ylopsto Kansantalousteteen Kanddaatntutkelma 4.12.2006 Juho Kostanen (013297143) juho.kostanen@helsnk.f 2 1. Johdanto... 3 2. Sjotusmarkknat... 4 2.1. Osakemarkknat... 4 2.2.

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

HY, 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

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat 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

Lisätiedot

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

MTTTP1 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

Lisätiedot

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

Ilkka 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

Lisätiedot

TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat Sovelletun matematiikan erikoistyö. Ei-normaalisten tuottojakaumien mallintaminen

TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat Sovelletun matematiikan erikoistyö. Ei-normaalisten tuottojakaumien mallintaminen TKNLLNN KOKKOULU Systeemanalyysn laboratoro Mat-.18 Sovelletun matematkan erkostyö -normaalsten tuottoakaumen mallntamnen Tmo Salmnen 581V soo, 1. Toukokuuta 7 1 Ssällysluettelo Ssällysluettelo... Johdanto...

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

Luento 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

Lisätiedot

Jaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen

Jaetut 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

Lisätiedot

3 Tilayhtälöiden numeerinen integrointi

3 Tilayhtälöiden numeerinen integrointi 3 Tlayhtälöden numeernen ntegront Alkuarvotehtävässä halutaan ratkasta lopputla xt f ) sten, että tlayhtälöt ẋ = fx,u, t) toteutuvat, kun alkutla x 0 on annettu Tlayhtälöden numeernen ntegront vodaan suorttaa

Lisätiedot

r i m i v i = L i = vakio, (2)

r 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

Lisätiedot

Usean muuttujan funktioiden integraalilaskentaa

Usean muuttujan funktioiden integraalilaskentaa Usean muuttujan funktoden ntegraallaskentaa Pntantegraaln määrtelmä Yhden muuttujan tapaus (kertausta) Olkoon f() : [a, b] R jatkuva funkto Oletetaan tässä ksnkertasuuden vuoks, että f() Remann-ntegraal

Lisätiedot

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:

on 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,

Lisätiedot

Tilastollisen fysiikan luennot

Tilastollisen fysiikan luennot Tlastollsen fyskan luennot Tvstelmät luvuttan I PERUSKÄSITTEITÄ JA MÄÄRITELMIÄ Lämpö on systeemen mkroskooppsten osen satunnasta lkettä Lämpöenerga vrtaa kuumemmasta kappaleesta kylmempään Jos kaks kappaletta

Lisätiedot

Tchebycheff-menetelmä ja STEM

Tchebycheff-menetelmä ja STEM Tchebycheff-menetelmä ja STEM Optmontopn semnaar - Kevät 2000 / 1 1. Johdanto Tchebycheff- ja STEM-menetelmät ovat vuorovakuttesa menetelmä evät perustu arvofunkton käyttämseen pyrkvät shen, että vahtoehdot

Lisätiedot

Mittaustulosten käsittely

Mittaustulosten käsittely Mttaustulosten kästtely Vrhettä ja epävarmuutta lmasevat kästteet Tostokoe ja satunnasten vrheden tlastollnen kästtely. Mttaustulosten jakaumaa kuvaavat tunnusluvut. Normaaljakauma 7. Tostokoe ja suurmman

Lisätiedot

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

Markov-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

Lisätiedot

A250A0100 Finanssi-investoinnit Harjoitukset 24.03.15

A250A0100 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

Lisätiedot

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

1. (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

Lisätiedot

Jaksolliset ja toistuvat suoritukset

Jaksolliset 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

Lisätiedot

3.3 Hajontaluvuista. MAB5: Tunnusluvut

3.3 Hajontaluvuista. MAB5: Tunnusluvut MAB5: Tunnusluvut 3.3 Hajontaluvusta Esmerkk 7 Seuraavat kolme kuvaa osottavat, että jakaumlla vo olla sama keskarvo ja stä huolmatta ne vovat olla avan erlaset. Kakken kolmen keskarvo on 78,0! Frekvenss

Lisätiedot

1, x < 0 tai x > 2a.

1, x < 0 tai x > 2a. PHYS-C020 Kvanttmekankka Laskuharotus 2, vkko 45 Tarkastellaan ptkn x-aksela lkkuvaa hukkasta, onka tlafunkto on (x, t) Ae x e!t, mssä A, a! ovat reaalsa a postvsa vakota a) Määrtä vako A sten, että tlafunkto

Lisätiedot

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi

Tilastolliset 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)

Lisätiedot

Kuntoilijan juoksumalli

Kuntoilijan 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

Lisätiedot

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto

ER-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

Lisätiedot

4. A priori menetelmät

4. A priori menetelmät 4. A pror menetelmät 4. Arvofunkto-menetelmä 4.2 Lekskografnen järjestämnen 4.3 Tavoteohjelmont Tom Bäckström Optmontopn semnaar - Kevät 2000 / 4. Arvofunkto-menetelmä Päätöksentekjä antaa eksplsttsen

Lisätiedot

Työssä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa

Työssä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa URUN AMMAIKORKEAKOULU YÖOHJE (7) FYSIIKAN LABORAORIO V.2 2.2 38E. MEKAANISEN VÄRÄHELYN UKIMINEN. yön tavote 2. eoraa yössä tutustutaan harmonsen mekaansen värähdyslkkeen omnasuuksn seuraavssa tapauksssa:

Lisätiedot

Suoran sovittaminen pistejoukkoon

Suoran 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

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

MS-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

Lisätiedot

Taustaa KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT. Jukka Talvitie, Toni Levanen & Mikko Valkama TTY / Tietoliikennetekniikka

Taustaa KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT. Jukka Talvitie, Toni Levanen & Mikko Valkama TTY / Tietoliikennetekniikka IMA- Exurso: Kompleksluvu ja radosgnaal / KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT Tausaa IMA- Exurso: Kompleksluvu ja radosgnaal / Kakk langaon vesnä ja radoeolkenne (makapuhelme, WLAN, ylesrado

Lisätiedot

TKK @ Ilkka Mellin (2008) 1/24

TKK @ 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,

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-2.340 Lneaarnen ohjelmont 22..2007 Luento 0 Ssäpstemenetelmät ja kokonaslukuoptmont (krja 0.-0.4) Ssäpstemenetelmät luvut 8 ja 9, e tarvtse lukea Lneaarnen ohjelmont - Syksy 2007 / Luentorunko Sananen

Lisätiedot

Johdatus tekoälyn taustalla olevaan matematiikkaan

Johdatus tekoälyn taustalla olevaan matematiikkaan Johdatus tekoälyn taustalla olevaan matematkkaan Informaatoteknologan tedekunta Jyväskylän ylopsto 4. luento 24.11.2017 Neuroverkon opettamnen - gradenttmenetelmä Neuroverkkoa opetetaan syöte-tavote-parella

Lisätiedot

Hanna-Kaisa Hurme Teräksen tilastollinen rakenneanalyysi Diplomityö

Hanna-Kaisa Hurme Teräksen tilastollinen rakenneanalyysi Diplomityö Hanna-Kasa Hurme Teräksen tlastollnen rakenneanalyys Dplomtyö Tarkastajat: professor Kejo Ruohonen (TUT) ja dosentt Esko Turunen (TUT) Tarkastajat ja ahe hyväksytty Luonnonteteden ja ympärstöteknkan tedekuntaneuvoston

Lisätiedot

JYVÄSKYLÄN YLIOPISTO Taloustieteiden tiedekunta

JYVÄSKYLÄN YLIOPISTO Taloustieteiden tiedekunta JYVÄSKYLÄN YLIOPISTO Talousteteden tedekunta AIKA- IKÄ- JA KOHORTTIVAIKUTUKSET KOTITALOUKSIEN RAHOITUSVARALLISUUDEN RAKENTEISIIN SUOMESSA VUOSINA 1994 2004 Kansantaloustede Pro gradu -tutkelma Maalskuu

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:

Mat 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

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0.

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0. BM20A5800 - Funktot, lneaaralgebra, vektort Tentt, 26.0.206. (a) Krjota yhtälöryhmä x + 2x 3 = a 2x + x 2 + 5x 3 = b x x 2 + x 3 = c matrsmuodossa Ax = b ja ratkase x snä erkostapauksessa kun b = 0. Mllä

Lisätiedot

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon Taustaa Sekventaalnen vakutuskaavo Sekventaalnen päätöskaavo on 1995 ovalun ja Olven esttämä menetelmä päätösongelmen mallntamseen, fomulontn ja atkasemseen. Päätöspuun omnasuukssta Hyvää: Esttää eksplsttsest

Lisätiedot

Yksikköoperaatiot ja teolliset prosessit

Yksikköoperaatiot ja teolliset prosessit Ykskköoperaatot ja teollset prosesst 1 Ylestä... 2 2 Faasen välnen tasapano... 3 2.1 Neste/höyry-tasapano... 4 2.1.1 Puhtaan komponentn höyrynpane... 4 2.1.2 Ideaalnen seos... 5 2.1.3 Epädeaalnen nestefaas...

Lisätiedot

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ TTKK/Fyskan latos FYS-1640 Klassnen mekankka syksy 2009 Laskuharjotus 5, 16102009 1 Ertysessä suhteellsuusteorassa Lagrangen funkto vodaan krjottaa muodossa v L = m 2 u t 1! ṙ 2 V (r) Osota, että tämä

Lisätiedot

Sähköstaattinen energia

Sähköstaattinen energia ähköstaattnen enega Potentaalenegan a potentaaln suhde on samanlanen kun Coulomn voman a sähkökentän suhde: ähkökenttä vakuttaa vaattuun kappaleeseen nn, että se kokee Coulomn voman, mutta sähkökenttä

Lisätiedot

6. Stokastiset prosessit

6. Stokastiset prosessit luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät Ssältö Peruskästtetä Posson-prosess Markov-prosesst Syntymä-kuolema-prosesst Stokastset prosesst () Tarkastellaan otakn (lkenneteoran kannalta ta stten

Lisätiedot

Satunnaismuuttujat ja todennäköisyysjakaumat

Satunnaismuuttujat ja todennäköisyysjakaumat Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat

Lisätiedot

Lähdemateriaalina käytetty Pertti Louneston kirjaa Clifford Algebras and spinors [1]

Lähdemateriaalina 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

Lisätiedot

FYSIIKAN LABORATORIOTYÖT 1 761121P

FYSIIKAN LABORATORIOTYÖT 1 761121P FYSIIKAN LABORATORIOTYÖT 76P Espuhe Fyskassa pyrtään löytämään luonnosta lanalasuuksa, jota vodaan mtata kokeellsest ja kuvata matemaattsest. Tässä kurssssa tutustutaan yksnkertasten mttausvälneden käyttöön

Lisätiedot

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Tilastollinen 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,

Lisätiedot

Mat Sovelletun matematiikan erikoistyöt Spatiaalinen autokorrelaatio viljelykokeiden havainnoissa

Mat Sovelletun matematiikan erikoistyöt Spatiaalinen autokorrelaatio viljelykokeiden havainnoissa Mat-.108 Sovelletun matematkan erkostyöt Spataalnen autokorrelaato vljelykokeden havannossa 5.5.004 Emla Suomalanen emla.suomalanen@hut.f 54755U Ssällys 1 Johdanto 1 Vljelykokeden satodata 3 Spataalsen

Lisätiedot

Geneettiset algoritmit ja luonnossa tapahtuva mikroevoluutio

Geneettiset algoritmit ja luonnossa tapahtuva mikroevoluutio Mat-2.108 Sovelletun matematkan erkostyöt Geneettset algortmt ja luonnossa tapahtuva mkroevoluuto 11.5.2005 Teknllnen korkeakoulu Systeemanalyysn laboratoro Oll Stenlund 47068f 1 Johdanto 3 2 Geneettset

Lisätiedot

Työllistääkö aktivointi?

Työllistääkö aktivointi? Jyväskylän ylopsto Matemaatts-luonnonteteellnen tedekunta Työllstääkö aktvont? Vakuttavuusanalyys havannovassa tutkmuksessa Elna Kokkonen tlastoteteen pro gradu tutkelma 31. elokuuta 2007 Tlastoteteen

Lisätiedot

HASSEN-WEILIN LAUSE. Kertausta

HASSEN-WEILIN LAUSE. Kertausta HASSEN-WEILIN LAUSE Kertausta Käytetään seuraava merkntjä F = F/F q on sukua g oleva funktokunta Z F (t = L F (t (1 t(1 qt on funktokunnan F/F q Z-funkto. α 1, α 2,..., α 2g ovat polynomn L F (t nollakohten

Lisätiedot

Maanhintojen vikasietoisesta mallintamisesta

Maanhintojen 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

Lisätiedot

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

9. 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

Lisätiedot

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Tilastollinen 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,

Lisätiedot

Paperikoneiden tuotannonohjauksen optimointi ja tuotefokusointi

Paperikoneiden tuotannonohjauksen optimointi ja tuotefokusointi TEKNILLINEN KORKEAKOULU Teknllsen fyskan koulutusohjelma ERIKOISTYÖ MAT-2.108 Sovelletun matematkan erkostyöt 22.4.2003 Paperkoneden tuotannonohjauksen optmont ja tuotefokusont Jyrk Maaranen 38012p 1 Ssällysluettelo

Lisätiedot

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä Tavotteet skaalaavan funkton lähestymstapa el referensspste menetelmä Optmontopn semnaar - Kevät 2000 / 1 Estelmän ssältö Panotetun metrkan ongelmen havatsemnen Referensspste menetelmän dean esttely Referensspste

Lisätiedot

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon S-11435, FYSIIKKA III (ES), Syksy 00, LH 4, Loppuvkko 39 LH4-1* Käyttän Maxwll-Boltzmann-jakauman parttofunktota määrtä a) nrgan nlön kskarvo (E ) skä b) nrgan nlöllnn kskpokkama kskarvosta l nrgan varanss,

Lisätiedot

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?

Konvergenssikäsitteet 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

Lisätiedot

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

Mat /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

Lisätiedot

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät Panokerron-, epslon-rajotusehtoja hybrdmenetelmät Optmontopn semnaar - Kevät 000 / Estelmän ssältö Ylestä jälkkätespreferenssmenetelmstä Panokerronmenetelmä Epslon-rajotusehtomenetelmä Hybrdmenetelmä Esmerkkejä

Lisätiedot

JOHDANNAISTEN KÄYTTÖ JOUKKOVELKAKIRJALAINASALKUN RISKIENHALLINNASSA: empiirinen tutkimus kotimaisista pitkän koron rahastoista vuosilta 2001 2005.

JOHDANNAISTEN KÄYTTÖ JOUKKOVELKAKIRJALAINASALKUN RISKIENHALLINNASSA: empiirinen tutkimus kotimaisista pitkän koron rahastoista vuosilta 2001 2005. TAMPEREEN YLIOPISTO Talousteteden latos JOHDANNAISTEN KÄYTTÖ JOUKKOVELKAKIRJALAINASALKUN RISKIENHALLINNASSA: emprnen tutkmus kotmassta ptkän koron rahastosta vuoslta 2001 2005. Kansantaloustede Pro gradu

Lisätiedot

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

9. 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

Lisätiedot

Galerkin in menetelmä

Galerkin in menetelmä hum.9.3 Galerkn n menetelmä Galerknn menetelmän soveltamnen e ole rajottunut van ongelmn, jotka vodaan pukea sellaseen varaatomuotoon, joka on seurauksena funktonaaln mnmomsesta, kuten potentaalenergan

Lisätiedot

Epälineaaristen pienimmän neliösumman tehtävien ratkaiseminen numeerisilla optimointimenetelmillä (valmiin työn esittely)

Epälineaaristen 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

Lisätiedot

AquaPro 3-10 11-18 19-26 27-34. Bedienungsanleitung Operating instructions Gebruiksaanwijzing Käyttöohje FIN. 046.01.00 Rev.0607

AquaPro 3-10 11-18 19-26 27-34. Bedienungsanleitung Operating instructions Gebruiksaanwijzing Käyttöohje FIN. 046.01.00 Rev.0607 046.01.00 Rev.0607 D GB NL FIN Bedenungsanletung Operatng nstructons Gebruksaanwjzng Käyttöohje 3-10 11-18 19-26 27-34 120 Automaattnen pyörvä laser kallstustomnnolla: Itsetasaus vaakasuorassa tasossa

Lisätiedot

Eräs Vaikutuskaavioiden ratkaisumenetelmä

Eräs Vaikutuskaavioiden ratkaisumenetelmä Mat-2.142 Optmontopn semnaar, s-99 28.9. 1999 Semnaarestelmän referaatt Joun Ikonen Lähde: Ross D. Schachter: Evaluatng nfluence dagrams, Operatons Research, Vol 34, No 6, 1986 Eräs Vakutuskaavoden ratkasumenetelmä

Lisätiedot

Mekaniikan jatkokurssi Fys102

Mekaniikan jatkokurssi Fys102 Mekankan jatkokurss Fys102 Syksy 2009 Jukka Maalamp LUENTO 2 Alkuverryttelyä Vääntömomentt Oletus: Vomat tasossa, joka on kohtsuorassa pyörmsaksela vastaan. Oven kääntämseen tarvtaan er suurunen voma

Lisätiedot

JYVÄSKYLÄN YLIOPISTO JULKISEN JA YKSITYISEN SEKTORIN VÄLISET PALKKAEROT SUOMESSA 2000-LUVULLA

JYVÄSKYLÄN YLIOPISTO JULKISEN JA YKSITYISEN SEKTORIN VÄLISET PALKKAEROT SUOMESSA 2000-LUVULLA JYVÄSKYLÄN YLIOPISTO Talousteteden tedekunta JULKISEN JA YKSITYISEN SEKTORIN VÄLISET PALKKAEROT SUOMESSA 2000-LUVULLA Kansantaloustede, Pro gradu- tutkelma Huhtkuu 2007 Laatja: Terh Maczulskj Ohjaaja:

Lisätiedot

7. Modulit Modulit ja lineaarikuvaukset.

7. Modulit Modulit ja lineaarikuvaukset. 7. Modult Vektoravaruudet ovat vahdannasa ryhmä, jossa on määrtelty jonkn kunnan skalaartomnta. Hyväksymällä kerronrakenteeks kunnan sjaan rengas saadaan rakenne nmeltä modul. Moduln käste on ss vektoravaruuden

Lisätiedot

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

13. 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

Lisätiedot