Opintokirjan n:o, koulutusohjelma ja vsk

Koko: px
Aloita esitys sivulta:

Download "Opintokirjan n:o, koulutusohjelma ja vsk"

Transkriptio

1 Kurssin lopuksi avaa niitti, laita kuvat oikeisiin väleihin ja niittaa uudestaan yhteen ennen palautusta. Mat Sovelletun matematiikan tietokonetyöt 1 Sukunimi, etunimi Opintokirjan n:o, koulutusohjelma ja vsk Harjoitus 1: Matlab Tutustuminen Matlab-ohjelmistoon 1) Mitä tekee funktio eig? 2) Mitä tekee funktio ode23? 3) Millainen on taikaneliö? Infektiomalli 1) Millä ajanhetkellä sairastuneiden lkm saavuttaa maksiminsa ja mikä on sairastuneiden lukumäärä silloin? Millä Matlab-komennolla tämän saa selville? 2) Mikä differenssiyhtälö kuvaa sairaiden määrän kehittymistä, kun malliin on lisätty kuolleiden ryhmä? 3) Liitä vastauksiisi kuva, johon on piirretty eri ryhmien (riskiryhmä, sairastuneet, toipuneet, kuolleet) kehittyminen ajan funktiona. nna kuvan otsikoksi oma nimesi. 4) Kuinka suuri osa populaatiosta lopulta kuolee? Mitä havaitset, kun vertaat osuutta parametrien β ja γ keskinäiseen suhteeseen?

2 Mat Sovelletun matematiikan tietokonetyöt 2 Harjoitus 2: Matlab - Statistical Toolbox Populaatiomalli 1) Monennenko asteen polynomilla ennustaisit Suomen väkiluvun kehitystä vuodesta 2000 lähtien? Miksi? Luotettavuusdatan analysointi 1) Miten Weibull-jakauman parametrien virhe muuttuu, kun estimointiin käytettävä otoskoko kasvaa? 2) Miten sensuroidun datan histogrammi eroaa alkuperäisen datan histogrammista? 3) Miten empiirisestä kertymäfunktiosta huomaa, että se on muodostettu sensuroidusta datasta? 4) Liitä vastauksiisi kuva, johon on piirretty elinaikadatasta muodostettu empiirinen kertymäfunktio luottamusväleineen sekä estimoitu Weibull-jakauman kertymäfunktio. nna kuvan otsikoksi oma nimesi.

3 Mat Sovelletun matematiikan tietokonetyöt 3 Harjoitus 3: Matlab - Matemaattinen mallintaminen Ympyrän alan simulointi 1) Mikä on simuloimasi pinta-alan virhe, kun n=100, n=1000 ja n=10000? 2) Piirrä kuva, jossa näkyy simuloidut datapisteet (ei tarvitse liittää mukaan). Jonosysteemi 1) Kuinka monta palvelupistettä pankinjohtajana laittaisit pankkiin? Miksi? 2) Liitä vastauksiisi kuva, johon on piirretty jonosysteemin käyttäytyminen työpäivän aikana, kun palvelupisteitä on yksi, kaksi ja kolme. nna kuvan otsikoksi oma nimesi.

4 Mat Sovelletun matematiikan tietokonetyöt 4 Harjoitus 4: Matlab Optimization Toolbox Öljyfirman kustannusten minimointi 1) Millä päätösmuuttujien arvoilla öljyfirman kustannukset minimoituvat? Mikä on tällöin kustannusfunktion arvo? Gradienttimenetelmä 1) Mihin pisteeseen gradienttimenetelmä konvergoituu kun alkupiste on (-1,2)? Onko tämä piste funktion minimi? 2) Liitä vastauksii kuva, josta näkyy iteraation kulku gradienttimenetelmällä sekä kohdefunktion tasa-arvokäyrät (x 1,x 2 )-tasossa.

5 Mat Sovelletun matematiikan tietokonetyöt 5 Harjoitus 5: Simulink Tutustuminen Simulink-ohjelmistoon 1) Mitä Scope ja To Workspace lohkot tekevät? Peto-saalis-malli 1) Olkoon alussa saaliita 5 ja saalistajia 2 ja mallin parametrit a=2, b=0.2, p=3 ja q=0.1. Piirrä kuvaaja populaatioiden käyttäytymisestä ajan funktiona (ei tarvitse liittää mukaan). Kuinka populaatiot käyttäytyvät toisiinsa nähden? 2) Liitä vastauksiisi kuva, joka kuvaa populaatioiden käyttäytymistä vaihetasossa ( = saalissaalistaja koordinaatistossa). nna kuvan otsikoksi oma nimesi. 3) Jos alkutilassa on saaliita p/q ja saalistajia a/b, niin kuinka populaatiot käyttäytyvät? C Pallon heitto 1) Johda pallon lentoradan yhtälö, kun pallolla on x- ja y-akselin suuntainen alkunopeus ja palloon vaikuttaa ainoastaan y-akselin suuntainen maan vetovoimasta johtuva vakiokiihtyvyys g. 2) Kuinka pallon lentorata muuttuu, kun palloon vaikuttaa alkunopeuden ja maan vetovoiman lisäksi ilmanvastus? 3) Liitä vastauksiisi kuva pallon lentoradasta, kun palloon vaikuttaa alkunopeus, maan vetovoima ja ilmanvastus. nna kuvan otsikoksi oma nimesi.

6 Mat Sovelletun matematiikan tietokonetyöt 6 Harjoitus 6: Simulink Säätöteoria Läpivirtaussäiliö 1) Kuinka nestepinnan korkeus käyttäytyy, kun syöttöputken virtaus f in >0 eikä säiliössä ole poistoputkea? 2) Kuinka nestepinnan korkeus käyttäytyy, kun lisäät poistoputken ja oletetaan, että poistovirtaus f out on turbulenttia? 3) Saadaanko pelkällä suhdesäätimellä pinnan korkeus yhtä suureksi kuin tavoitetaso (siis poistovirtaus saavuttamaan arvon 20 l/s) askelmaisen häiriön sattuessa? 4) Mitkä valitsit PI säätimen parametreiksi lopulliseen malliisi? 5) Liitä vastauksiisi Subplot komennolla piirretty, suunnittelemasi vesisäiliön toimintaa havainnollistava kuva (f out ja PI säätimen ulostulo ajan funktiona), kun tulovirtausta säädetään PI säätimellä ja siihen vaikuttaa annetun suuruinen askelmainen häiriö. nna kuvan otsikoksi oma nimesi. 6) Millainen on poistovirtaus, kun tulovirtaukseen vaikuttaa sinimuotoinen häiriö, jonka taajuus on 0.01 rad/s? 7) Millainen on poistovirtaus, kun tulovirtaukseen vaikuttaa sinimuotoinen häiriö, jonka taajuus on 1 rad/s?

7 Mat Sovelletun matematiikan tietokonetyöt 7 Harjoitus 7: NCSS Tilastollinen analyysi Ilman kadmiumpitoisuus 1) Mikä on kadmiumpitoisuuden keskiarvo, keskihajonta, keskiarvon keskivirhe, vinous ja huipukkuus? 2) Ovatko kadmiumpitoisuuden mittaukset peräisin normaalijakaumasta? 3) Poikkeaako kadmiumpitoisuuden keskiarvo tilastollisesti merkitsevästi 0.050:stä? 4) Liitä vastauksiisi kuva, johon on piirretty histogrammi kadmiumpitoisuusdatasta ja siihen sovitettu normaalijakauman tiheysfunktio. nna kuvan otsikoksi oma nimesi. Uusi tuotantomenetelmä 1) Säästääkö uusi menetelmä aikaa asennuslinjalla työskenneltäessä verrattuna standardimenetelmään? Mitä testiä käytit ja miksi? Mikä on testin P arvo? C Katalysaattorit yksisuuntainen varianssianalyysi 1) Mitkä katalysaattorit eroavat toisistaan LSD- ja Scheffe-menetelmien mukaan? D kut kaksisuuntainen varianssianalyysi 1) Mitä vaikutusta lämpötilalla ja materiaalilla on akun kestoon? Onko niillä yhteisvaikutusta?

8 Mat Sovelletun matematiikan tietokonetyöt 8 Harjoitus 8: Excel Optimointi LP-tehtävän ratkaiseminen 1) Minkä kulmapisteiden kautta iteraatio etenee? Mikä on kohdefunktio arvo kussakin kulmapisteessä? GSM-linkit 1) Mitkä ovat optimaaliset GSM-linkkien sijoituspaikat? 2) Mitkä ovat optimaaliset GSM-linkkien sijoituspaikat, jos niiden tule sijaita täsmälleen 17 km:n päässä toisistaan? 3) Liitä vastauksiisi kuva GSM-linkkien optimaalisista sijainneista, kun niiden tulee sijaita täsmälleen 17 km:n päässä toisistaan. C Pika- ja Herkkupuurohiutaleet 1) Mitkä ovat optimaaliset Pika- ja Herkkupuurohiutaleiden tuotantomäärät? Paljonko joudutaan tällöin tilaamaan kutakin raaka-ainetta? 2) Mitkä ovat optimaaliset Pika- ja Herkkupuurohiutaleiden tuotantomäärät, jos myyntihinnat ovat 3 /kg (Pika) ja 4 /kg (Herkku)? Entä jos molempien myyntihinta on 3 /kg?

9 Mat Sovelletun matematiikan tietokonetyöt 9 Harjoitus 9: Excel Tilastollinen analyysi Katalysaattorit 1) Onko katalysaattoreilla eroa sen suhteen, miten ne vaikuttavat aineen keskimääräiseen konsentraatioon? Mikä on testin p arvo? 2) ntaako yksisuuntainen varianssianalyysi sovellettuna kahteen otokseen saman tuloksen kuin kahden otoksen t testi? Energian kulutus 1) Ovatko energian kulutukselle muodostamasi regressiomallin kertoimet tilastollisesti merkitseviä merkitsevyystasolla α=0.05? Mitkä ovat niitä vastaavat p-arvot? 2) Millainen regressiomalli kuvaa kotitalouksien varallisuuden vaikutusta niiden käyttämään energian määrään? Mitkä ovat mallin parametrien estimaatit, kun a) käytetään pienimmän neliösumman keinoa, b) minimoidaan virheiden itseisarvojen summa, c) minimoidaan itseisarvoltaan suurinta virhettä? 3) Liitä vastauksiisi kuva, johon on piirretty annetut havainnot kotitalouksien varallisuudesta ja käyttämästä energiasta sekä regressiosuora, jonka parametrit on estimoitu minimoimalla itseisarvoltaan suurinta virhettä. nna kuvan otsikoksi oma nimesi. C Populaatiomalli 1) Mitkä ovat lineaarisen ja toisen asteen mallien antamat ennusteet Suomen populaatiolle vuonna 2050, kun mallit on estimoitu minimoimalla virheheiden itseisarvojen summaa?

10 Mat Sovelletun matematiikan tietokonetyöt 10 Harjoitus 10: Mathematica Tutustuminen Mathematica-ohjelmistoon 1) Kuinka saat selville π:n likiarvon 20 numeron tarkkuudella? 2) Kuinka lasket 2 kantaisen logaritmin arvon? 3) Hilbert matriisin elementit ovat 1/(i+j 1). Kuinka muodostat Hilbert matriisin? 4) 2 2 matriisin käänteismatriisi voidaan muodostaa ns. Cramerin kaavan avulla. Mikä on tämä kaava (ohje: kokeile Inverse[{{a,b},{c,d}}] ja sievennä käsin näin saamasi tulos)? 5) Mitä komentoja voit käyttää lausekkeen sieventämiseen? 6) Miten eroavat toisistaan komennot D ja Dt? 7) Liitä vastauksiisi kuva, johon on piirretty sinifunktion ja sen viidennen asteen approksimaation kuvaaja välillä -2π x 2π sekä ruudukko. nna kuvan otsikoksi oma nimesi. 8) Mitä komentoja voit käyttää funktion nollakohdan ratkaisemiseen? 9) Kuinka löydät funktion maksimin käyttäen FindMinimum komentoa? EOQ-malli 1) Mikä yhtälö kuvaa kokonaiskustannuksia EOQ-mallissa?

11 Mat Sovelletun matematiikan tietokonetyöt 11 2) Mikä on EOQ mallin antama optimaalinen tilauskoko ja tilauskertojen lukumäärä? Kuinka suuret ovat tällöin kokonaiskustannukset? C Rosenbrockin banaanilaakso 1) Missä pisteessä funktio minimoituu? (a on tuntematon vakio) Mikä on tällöin funktion arvo?

12 Mat Sovelletun matematiikan tietokonetyöt 12 Harjoitus 11: Mathematica Differentiaaliyhtälöiden analysointi, lisäpaketit Differentiaaliyhtälöiden analysointi 1) Mikä on radioaktiivisen hajoamisen lausekkeen analyyttinen ratkaisu? 2) Mikä on puoliintumisajan lauseke? Vaikuttaako puoliintumisaikaan radioaktiivisen aineen määrä alussa? 3) Milloin munuaisen kaliumpitoisuus saavuttaa arvon mg/cm 3? 4) Kuinka suureksi munuaisen kaliumpitoisuus lopulta kohoaa? Kuinka lasket tämän rajaarvona Mathematicassa? Peto-saalis-malli 1) Liitä vastauksiisi kuva, joka kuvaa peto-saalis mallin vaihetasoa, kun a=2, b=0.2, p=3 ja q=0.1. nna kuvan otsikoksi yhdistelmä omasta nimestäsi ja mallista. 2) Mikä on systeemin tasapainopiste? Onko tasapainopiste stabiili? C Jakaumien analysointi 1) Mikä on binomijakauman a) keskiarvon ja b) varianssin yhteys parametreihin? D Regressioanalyysi 1) Mitkä ovat saamasi lineaarisen regressiomallin parmametrit kun maalin epäpuhtautta selitetään sekoittimen kierrosnopeudella. 2) Liitä vastauksiisi kuva, jossa on mittaustulokset maalin epäpuhtaudesta sekä sovitettu regressiosuora.

13 Mat Sovelletun matematiikan tietokonetyöt 13 Harjoitus 12: HIPRE Päätösanalyysi 1) seta vaihtoehdot tehtäväpaperissa olevien tietojen perusteella paremmuusjärjestykseen. 2) Mitkä olivat vaihtoehtojen kokonaispainot? 3) Liitä vastauksiisi kuva, johon on piirretty vaihtoehtojen kokonaispainot eroteltuna eri kriteerien suhteen. nna kuvan otsikoksi oma nimesi. 4) Minkä kriteerin painoa täytyisi muuttaa vähiten, jotta aikaisemmin parhaana pidetty vaihtoehto vaihtuisi toiseksi? 5) Mitä mieltä olet pareittaisesta vertailemisesta suoraan painotukseen verrattuna? 6) Määritä palkan arvofunktio bisektiomenetelmällä. Mikä on bisektiopisteesi? Mitä arvofunktiosi muoto kertoo suhtautumisestasi palkkaan?

Harjoitus 7: Dynaamisten systeemien säätö (Simulink)

Harjoitus 7: Dynaamisten systeemien säätö (Simulink) Harjoitus 7: Dynaamisten systeemien säätö (Simulink) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Dynaamisten (=ajassakehittyvien)

Lisätiedot

Harjoitus 9: Excel - Tilastollinen analyysi

Harjoitus 9: Excel - Tilastollinen analyysi Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin

Lisätiedot

Harjoitus 6: Symbolinen laskenta II (Mathematica)

Harjoitus 6: Symbolinen laskenta II (Mathematica) Harjoitus 6: Symbolinen laskenta II (Mathematica) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Differentiaaliyhtälöiden ja differentiaaliyhtälösysteemien

Lisätiedot

Harjoitus 7: Dynaamisten systeemien säätö (Simulink)

Harjoitus 7: Dynaamisten systeemien säätö (Simulink) Harjoitus 7: Dynaamisten systeemien säätö (Simulink) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Dynaamisten (=ajassa kehittyvien)

Lisätiedot

Harjoitus 2: Matlab - Statistical Toolbox

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

Lisätiedot

Harjoitus 6: Symbolinen laskenta II (Mathematica)

Harjoitus 6: Symbolinen laskenta II (Mathematica) Harjoitus 6: Symbolinen laskenta II (Mathematica) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Differentiaaliyhtälöiden ja differentiaaliyhtälösysteemien

Lisätiedot

Harjoitus 1: Matlab. Harjoitus 1: Matlab. Mat Sovelletun matematiikan tietokonetyöt 1. Syksy 2006

Harjoitus 1: Matlab. Harjoitus 1: Matlab. Mat Sovelletun matematiikan tietokonetyöt 1. Syksy 2006 Harjoitus 1: Matlab Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen Matlab-ohjelmistoon Laskutoimitusten

Lisätiedot

Regressioanalyysi. Kuusinen/Heliövaara 1

Regressioanalyysi. Kuusinen/Heliövaara 1 Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016

Lisätiedot

Harjoitus 7: Dynaamisten systeemien säätö (Simulink)

Harjoitus 7: Dynaamisten systeemien säätö (Simulink) Harjoitus 7: Dynaamisten systeemien säätö (Simulink) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Dynaamisten (=ajassa

Lisätiedot

Tilastollinen aineisto Luottamusväli

Tilastollinen aineisto Luottamusväli Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. marraskuuta 2007 Antti Rasila () TodB 30. marraskuuta 2007 1 / 19 1 Lineaarinen regressiomalli ja suurimman uskottavuuden menetelmä Minimin löytäminen

Lisätiedot

Vastepintamenetelmä. Kuusinen/Heliövaara 1

Vastepintamenetelmä. Kuusinen/Heliövaara 1 Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,

Lisätiedot

Harjoitus 4: Differentiaaliyhtälöt (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt 1

Harjoitus 4: Differentiaaliyhtälöt (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoitus 4: Differentiaaliyhtälöt (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Matlab:n solver komento differentiaaliyhtöiden

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

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

Lisätiedot

Harjoitus 4: Matlab - Optimization Toolbox

Harjoitus 4: Matlab - Optimization Toolbox Harjoitus 4: Matlab - Optimization Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Optimointimallin muodostaminen

Lisätiedot

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ 1 YLIOPPILASTUTKINTO- LAUTAKUNTA 25.9.2017 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän

Lisätiedot

7. laskuharjoituskierros, vko 10, ratkaisut

7. laskuharjoituskierros, vko 10, ratkaisut 7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,

Lisätiedot

Harjoitus 6: Symbolinen laskenta II (Mathematica)

Harjoitus 6: Symbolinen laskenta II (Mathematica) Harjoitus 6: Symbolinen laskenta II (Mathematica) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Differentiaaliyhtälöiden

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

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

Lisätiedot

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Vilkkumaa / Kuusinen 1 Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden ominaisuuksia Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset

Lisätiedot

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6) Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu) 21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.

Lisätiedot

Harjoitus 9: Optimointi I (Matlab)

Harjoitus 9: Optimointi I (Matlab) Harjoitus 9: Optimointi I (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Optimointimallin muodostaminen Optimointitehtävien

Lisätiedot

Virhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.

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

Lisätiedot

Säätötekniikan matematiikan verkkokurssi, Matlab tehtäviä ja vastauksia 29.7.2002

Säätötekniikan matematiikan verkkokurssi, Matlab tehtäviä ja vastauksia 29.7.2002 Matlab tehtäviä 1. Muodosta seuraavasta differentiaaliyhtälöstä siirtofuntio. Tämä differentiaaliyhtälö saattaisi kuvata esimerkiksi yksinkertaista vaimennettua jousi-massa systeemiä, johon on liitetty

Lisätiedot

Harjoitus 8: Monte-Carlo simulointi (Matlab)

Harjoitus 8: Monte-Carlo simulointi (Matlab) Harjoitus 8: Monte-Carlo simulointi (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheet Satunnaismuuttujien ja todennäköisyysjakaumien

Lisätiedot

Differentiaali- ja integraalilaskenta

Differentiaali- ja integraalilaskenta Differentiaali- ja integraalilaskenta Opiskelijan nimi: DIFFERENTIAALILASKENTA 1. Raja-arvon käsite, derivaatta raja-arvona 1.1 Raja-arvo pisteessä 1.2 Derivaatan määritelmä 1.3 Derivaatta raja-arvona

Lisätiedot

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 26..208 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten piirteiden, sisältöjen ja pisteitysten luonnehdinta ei sido ylioppilastutkintolautakunnan arvostelua. Lopullisessa

Lisätiedot

Väliestimointi (jatkoa) Heliövaara 1

Väliestimointi (jatkoa) Heliövaara 1 Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).

Lisätiedot

Sovellettu todennäköisyyslaskenta B

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

Lisätiedot

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio 17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan

Lisätiedot

läheisyydessä. Piirrä funktio f ja nämä approksimaatiot samaan kuvaan. Näyttääkö järkeenkäyvältä?

läheisyydessä. Piirrä funktio f ja nämä approksimaatiot samaan kuvaan. Näyttääkö järkeenkäyvältä? BM20A5840 - Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2017 1. Tunnemme vektorit a = [ 1 2 3 ] ja b = [ 2 1 2 ]. Laske (i) kummankin vektorin pituus (eli itseisarvo, eli normi); (ii) vektorien

Lisätiedot

9. laskuharjoituskierros, vko 12-13, ratkaisut

9. laskuharjoituskierros, vko 12-13, ratkaisut 9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t

Lisätiedot

Harjoitus 8: Excel - Optimointi

Harjoitus 8: Excel - Optimointi Harjoitus 8: Excel - Optimointi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Lineaarisen optimointimallin muodostaminen

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi

Lisätiedot

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ Merkitään f(x) =x 3 x. Laske a) f( 2), b) f (3) ja c) YLIOPPILASTUTKINTO- LAUTAKUNTA

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ Merkitään f(x) =x 3 x. Laske a) f( 2), b) f (3) ja c) YLIOPPILASTUTKINTO- LAUTAKUNTA 1 YLIOPPILASTUTKINTO- LAUTAKUNTA 26.3.2018 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän

Lisätiedot

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS 1. Suorakaiteen muotoisen lämmönvaraajan korkeus on K, leveys L ja syvyys S yksikköä. Konvektiosta ja säteilystä johtuvat lämpöhäviöt ovat verrannollisia lämmönvaraajan lämpötilan T ja ympäristön lämpötilan

Lisätiedot

Pienimmän neliösumman menetelmä

Pienimmän neliösumman menetelmä Pienimmän neliösumman menetelmä Keijo Ruotsalainen Division of Mathematics Funktion sovitus Datapisteet (x 1,...,x n ) Annettu data y i = f(x i )+η i, missä f(x) on tuntematon funktio ja η i mittaukseen

Lisätiedot

Harjoitus 2: Ohjelmointi (Matlab)

Harjoitus 2: Ohjelmointi (Matlab) Harjoitus 2: Ohjelmointi (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 2. Harjoituskerta Aiheet: - Matlabin kontrollirakenteet - Funktiot ja komentojonotiedostot

Lisätiedot

MATEMATIIKKA 5 VIIKKOTUNTIA. PÄIVÄMÄÄRÄ: 8. kesäkuuta 2009

MATEMATIIKKA 5 VIIKKOTUNTIA. PÄIVÄMÄÄRÄ: 8. kesäkuuta 2009 EB-TUTKINTO 2009 MATEMATIIKKA 5 VIIKKOTUNTIA PÄIVÄMÄÄRÄ: 8. kesäkuuta 2009 KOKEEN KESTO: 4 tuntia (240 minuuttia) SALLITUT APUVÄLINEET: Eurooppa-koulun antama taulukkovihkonen Funktiolaskin, joka ei saa

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35 Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen

Lisätiedot

54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):

54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös): Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei

Lisätiedot

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

Tilastotieteen kertaus. Kuusinen/Heliövaara 1 Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa

Lisätiedot

tilastotieteen kertaus

tilastotieteen kertaus tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 16. marraskuuta 2007 Antti Rasila () TodB 16. marraskuuta 2007 1 / 15 1 Epäparametrisia testejä χ 2 -yhteensopivuustesti Homogeenisuuden testaaminen Antti

Lisätiedot

Harjoitus 10: Mathematica

Harjoitus 10: Mathematica Harjoitus 10: Mathematica Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen Mathematica-ohjelmistoon Mathematican

Lisätiedot

mplperusteet 1. Tiedosto: mplp001.tex Ohjelmat: Maple, [Mathematica] Sievennä lauseke x 1 ( mplp002.tex (PA P1 s.2011)

mplperusteet 1. Tiedosto: mplp001.tex Ohjelmat: Maple, [Mathematica] Sievennä lauseke x 1 ( mplp002.tex (PA P1 s.2011) Aalto-yliopisto, Matematiikan ja Systeemianalyysin laitos -e mplperusteet. Tiedosto: mplp00.tex Ohjelmat: Maple, [Mathematica] Sievennä lauseke x ( x )( + x ). Kokeile funktiota simplify. 2. mplp002.tex

Lisätiedot

Harjoitus 9: Optimointi I (Matlab)

Harjoitus 9: Optimointi I (Matlab) Harjoitus 9: Optimointi I (Matlab) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Optimointimallin muodostaminen Optimointitehtävien

Lisätiedot

PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9.2.2011

PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9.2.2011 PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9..0 Kokeessa saa vastata enintään kymmeneen tehtävään.. Sievennä a) 9 x x 6x + 9, b) 5 9 009 a a, c) log 7 + lne 7. Muovailuvahasta tehty säännöllinen tetraedri muovataan

Lisätiedot

f (28) L(28) = f (27) + f (27)(28 27) = = (28 27) 2 = 1 2 f (x) = x 2

f (28) L(28) = f (27) + f (27)(28 27) = = (28 27) 2 = 1 2 f (x) = x 2 BMA581 - Differentiaalilaskenta ja sovellukset Harjoitus 4, Syksy 15 1. (a) Olisiko virhe likimain.5, ja arvio antaa siis liian suuren arvon. (b) Esim (1,1.5) tai (,.5). Funktion toinen derivaatta saa

Lisätiedot

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ YLIOPPILSTUTKINTO- LUTKUNT..7 MTEMTIIKN KOE PITKÄ OPPIMÄÄRÄ -osa Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän alla olevaan ruudukkoon.

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ 24.9.2019 HYVÄN VASTAUKSEN PIIRTEITÄ Alustavat hyvän vastauksen piirteet on suuntaa-antava kuvaus kokeen tehtäviin odotetuista vastauksista ja tarkoitettu ensisijaisesti

Lisätiedot

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0. 806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3

Lisätiedot

Johdantoa. Jokaisen matemaatikon olisi syytä osata edes alkeet jostakin perusohjelmistosta, Java MAPLE. Pascal MathCad

Johdantoa. Jokaisen matemaatikon olisi syytä osata edes alkeet jostakin perusohjelmistosta, Java MAPLE. Pascal MathCad Johdantoa ALGORITMIT MATEMA- TIIKASSA, MAA Vanhan vitsin mukaan matemaatikko tietää, kuinka matemaattinen ongelma ratkaistaan, mutta ei osaa tehdä niin. Vitsi on ajalta, jolloin käytännön laskut eli ongelman

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille

Lisätiedot

Harjoitus 8: Monte-Carlo simulointi (Matlab)

Harjoitus 8: Monte-Carlo simulointi (Matlab) Harjoitus 8: Monte-Carlo simulointi (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheet Satunnaismuuttujien ja todennäköisyysjakaumien

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 1 23.1.2017 1. Päätösmuuttujiksi voidaan valita x 1 : tehtyjen peruspöytin lukumäärä x 2 : tehtyjen luxuspöytien lukumäärä. Optimointitehtäväksi tulee max 200x 1 + 350x 2 s. t. 5x

Lisätiedot

Testejä suhdeasteikollisille muuttujille

Testejä suhdeasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman

Lisätiedot

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),

Lisätiedot

Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1

Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1 Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia Heliövaara 1 Regressiokertoimien PNS-estimaattorit Määritellään havaintojen x j ja y j, j = 1, 2,...,n

Lisätiedot

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Sievin lukio Tehtävien ratkaisut tulee olla esim. Libre officen -writer ohjelmalla tehtyjä. Liitä vastauksiisi kuvia GeoGebrasta ja esim. TI-nSpire

Lisätiedot

a) Sievennä lauseke 1+x , kun x 0jax 1. b) Aseta luvut 2, 5 suuruusjärjestykseen ja perustele vastauksesi. 3 3 ja

a) Sievennä lauseke 1+x , kun x 0jax 1. b) Aseta luvut 2, 5 suuruusjärjestykseen ja perustele vastauksesi. 3 3 ja 1 YLIOPPILASTUTKINTO- LAUTAKUNTA 1.10.2018 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän

Lisätiedot

1. a) b) Nollakohdat: 20 = c) a b a b = + ( a b)( a + b) Derivaatan kuvaajan numero. 1 f x x x g x x x x. 3. a)

1. a) b) Nollakohdat: 20 = c) a b a b = + ( a b)( a + b) Derivaatan kuvaajan numero. 1 f x x x g x x x x. 3. a) Pitkä matematiikka YO-koe 9..04. a) b) 7( x ) + = x ( x ) x(5 8 x) > 0 7x + = x x + 8x + 5x > 0 7x = 0 Nollakohdat: 0 8x + 5x = 0 x = 7 x(8x 5) = 0 5 5 x = 0 tai x = Vastaus: 0 < x < 8 8 c) a+ b) a b)

Lisätiedot

Ylioppilastutkintolautakunta S tudentexamensnämnden

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

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin

Lisätiedot

A Lausekkeen 1,1 3 arvo on 1,13 3,3 1,331 B Tilavuus 0,5 m 3 on sama kuin 50 l 500 l l C Luvuista 2 3, 6 7

A Lausekkeen 1,1 3 arvo on 1,13 3,3 1,331 B Tilavuus 0,5 m 3 on sama kuin 50 l 500 l l C Luvuista 2 3, 6 7 1 Tuotteen hinta nousee ensin 10 % ja laskee sitten 10 %, joten lopullinen hinta on... alkuperäisestä hinnasta. alkuperäisestä hinnasta. YLIOPPILASTUTKINTO- LAUTAKUNTA 23.3.2016 MATEMATIIKAN KOE PITKÄ

Lisätiedot

Johdatus tekoälyn taustalla olevaan matematiikkaan

Johdatus tekoälyn taustalla olevaan matematiikkaan Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 3. luento 17.11.2017 Neuroverkon opettaminen (ohjattu oppiminen) Neuroverkkoa opetetaan syöte-tavoite-pareilla

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Idea Lineaarisen systeemin ratkaiseminen Olkoon

Lisätiedot

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 4.9.09 HYVÄN VASTAUKSEN PIIRTEITÄ Alustavat hyvän vastauksen piirteet on suuntaa-antava kuvaus kokeen tehtäviin odotetuista vastauksista ja tarkoitettu ensisijaisesti

Lisätiedot

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma

Lisätiedot

13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle

13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle 13. Taylorin polynomi; funktioiden approksimoinnista 13.1. Taylorin polynomi 552. Muodosta funktion f (x) = x 4 + 3x 3 + x 2 + 2x + 8 kaikki Taylorin polynomit T k (x, 2), k = 0,1,2,... (jolloin siis potenssien

Lisätiedot

Vastepintamenetelmä. Vilkkumaa / Kuusinen 1

Vastepintamenetelmä. Vilkkumaa / Kuusinen 1 Vastepintamenetelmä Vilkkumaa / Kuusinen 1 Motivointi Varianssianalyysissa tutkitaan tekijöiden vaikutusta vasteeseen siten, että tekijöiden tasot on ennalta valittu. - Esim. tutkitaan kemiallisen prosessin

Lisätiedot

a(t) = v (t) = 3 2 t a(t) = 3 2 t < t 1 2 < 69 t 1 2 < 46 t < 46 2 = 2116 a(t) = v (t) = 50

a(t) = v (t) = 3 2 t a(t) = 3 2 t < t 1 2 < 69 t 1 2 < 46 t < 46 2 = 2116 a(t) = v (t) = 50 BM0A5810 - Differentiaalilaskenta ja sovellukset Harjoitus 1, Syksy 015 1. (a) Kiihtyvyys on nopeuden derivaatta, eli a(t) v (t) 3 t 1 + 1 Nyt on siis selvitettävä, milloin kiihtyvyys kasvaa itseisarvoltaan

Lisätiedot

BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018

BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan

Lisätiedot

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas JAKAUMAN MUOTO Vinous, skew (g 1, γ 1 ) Kertoo jakauman symmetrisyydestä Vertailuarvona on nolla, joka vastaa symmetristä jakaumaa (mm. normaalijakauma)

Lisätiedot

3 x 1 < 2. 2 b) b) x 3 < x 2x. f (x) 0 c) f (x) x + 4 x 4. 8. Etsi käänteisfunktio (määrittely- ja arvojoukkoineen) kun.

3 x 1 < 2. 2 b) b) x 3 < x 2x. f (x) 0 c) f (x) x + 4 x 4. 8. Etsi käänteisfunktio (määrittely- ja arvojoukkoineen) kun. Matematiikka KoTiA1 Demotehtäviä 1. Ratkaise epäyhtälöt x + 1 x 2 b) 3 x 1 < 2 x + 1 c) x 2 x 2 2. Ratkaise epäyhtälöt 2 x < 1 2 2 b) x 3 < x 2x 3. Olkoon f (x) kolmannen asteen polynomi jonka korkeimman

Lisätiedot

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

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

Lisätiedot

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1 Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen

Lisätiedot

Tilastollisen analyysin perusteet Luento 4: Testi suhteelliselle osuudelle

Tilastollisen analyysin perusteet Luento 4: Testi suhteelliselle osuudelle Tilastollisen analyysin perusteet Luento 4: Sisältö Testiä suhteelliselle voidaan käyttää esimerkiksi tilanteessa, jossa tarkastellaan viallisten tuotteiden osuutta tuotantoprosessissa. Tilanne palautuu

Lisätiedot

Matematiikan tukikurssi, kurssikerta 3

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

Lisätiedot

5.6.3 Matematiikan lyhyt oppimäärä

5.6.3 Matematiikan lyhyt oppimäärä 5.6.3 Matematiikan lyhyt oppimäärä Matematiikan lyhyen oppimäärän opetuksen tehtävänä on tarjota valmiuksia hankkia, käsitellä ja ymmärtää matemaattista tietoa ja käyttää matematiikkaa elämän eri tilanteissa

Lisätiedot

Partikkelit pallon pinnalla

Partikkelit pallon pinnalla Simo K. Kivelä, 14.7.2004 Partikkelit pallon pinnalla Tehtävänä on sijoittaa annettu määrä keskenään identtisiä partikkeleita mahdollisimman tasaisesti pallon pinnalle ja piirtää kuvio syntyvästä partikkelikonfiguraatiosta.

Lisätiedot

A-osa. Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein 0-6. Taulukkokirjaa saa käyttää apuna, laskinta ei.

A-osa. Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein 0-6. Taulukkokirjaa saa käyttää apuna, laskinta ei. PITKÄ MATEMATIIKKA PRELIMINÄÄRIKOE 7..07 NIMI: A-osa. Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein 0-. Taulukkokirjaa saa käyttää apuna, laskinta ei.. Valitse oikea vaihtoehto ja

Lisätiedot

Lisätehtäviä. Rationaalifunktio. x 2. a b ab. 6u x x x. kx x

Lisätehtäviä. Rationaalifunktio. x 2. a b ab. 6u x x x. kx x MAA6 Lisätehtäviä Laske lisätehtäviä omaan tahtiisi kurssin aikan Palauta laskemasi tehtävät viimeistään kurssikokeeseen. Tehtävät lasketaan ilman laskint Rationaalifunktio Tehtäviä Hyvitys kurssiarvosanassa

Lisätiedot

Harjoitus 3: Regressiomallit (Matlab)

Harjoitus 3: Regressiomallit (Matlab) Harjoitus 3: Regressiomallit (Matlab) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Pienimmän neliösumman menetelmä

Lisätiedot

Vastepintamenetelmä. Heliövaara 1

Vastepintamenetelmä. Heliövaara 1 Vastepintamenetelmä Kurssipalautteen antamisesta saa hyvityksenä yhden tenttipisteen. Palautelomakkeeseen tulee lähiaikoina linkki kurssin kotisivuille. Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä

Lisätiedot

SCI-C0200 Fysiikan ja matematiikan menetelmien studio

SCI-C0200 Fysiikan ja matematiikan menetelmien studio Harjoitus 4: Differentiaaliyhtälöt (Matlab) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Matlab:n ode komento differentiaaliyhtöiden

Lisätiedot

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ..07 HYVÄN VASTAUKSEN PIIRTEITÄ Tutkintoaineen sensorikokous on hyväksynyt seuraavat hyvän vastauksen piirteet. Hyvästä suorituksesta näkyy, miten vastaukseen on päädytty.

Lisätiedot

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle / MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,

Lisätiedot

Korrelaatiokertoinen määrittely 165

Korrelaatiokertoinen määrittely 165 kertoinen määrittely 165 Olkoot X ja Y välimatka- tai suhdeasteikollisia satunnaismuuttujia. Havaintoaineistona on n:n suuruisesta otoksesta mitatut muuttuja-arvoparit (x 1, y 1 ), (x 2, y 2 ),..., (x

Lisätiedot

Anna jokaisen kohdan vastaus kolmen merkitsevän numeron tarkkuudella muodossa

Anna jokaisen kohdan vastaus kolmen merkitsevän numeron tarkkuudella muodossa Preliminäärikoe Tehtävät Pitkä matematiikka / Kokeessa saa vastata enintään kymmeneen tehtävään Tähdellä (* merkittyjen tehtävien maksimipistemäärä on 9, muiden tehtävien maksimipistemäärä on 6 Jos tehtävässä

Lisätiedot

Harjoitus 2: Ohjelmointi (Matlab)

Harjoitus 2: Ohjelmointi (Matlab) Harjoitus 2: Ohjelmointi (Matlab) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 2. Harjoituskerta Aiheet: - Matlabin kontrollirakenteet -

Lisätiedot