Todennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali

Koko: px
Aloita esitys sivulta:

Download "Todennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali"

Transkriptio

1 Todennäöissjaaumat /5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia P (X = )=p. Nämä ovat 0 ja niiden summa on p =. Pistetodennäöisdet voidaan graafisesti esittää pstsuorien janojen avulla. Esimerisi ahta noppaa heitettäessä pisteluujen summa on stoastinen, joa saa arvot 2, 3,..., 2. Näiden jaauma ilmenee seuraavasta graafisesta esitsestä: p 6/36 5/36 4/36 3/36 2/36 / Usein esiintvä disreetti jaauma on binomijaauma. Tämä uvaa saman oeen toistamista, missä toistot ovat toisistaan riippumattomia ja ussain toistossa tulosena on joo A tai tämän omplementtitapahtuma Ā. Jos näiden todennäöisdet ovat P (A) =pja P (Ā) = p, niin toistettaessa oe n ertaa saadaan tulos A täsmälleen ertaa todennäöisdellä ( ) n p = p ( p) n, =0,,...,n. stoastinen Disreetit jaaumat Oloon X disreetti stoastinen, joa saa erilliset arvot, 2,..., n. (Näitä voi olla mös ääretön määrä:, missä saa arvoiseen aii luonnolliset luvut.) Disreetin stoastisen n jaauma, disreetti jaauma, so. n saamiin arvoihin liittvät todennäöisdet voidaan määritellä antamalla pistetodennäöisdet p joaiselle indesille : summamerintä riippumattomuus (lasennassa) omplementtitapahtuma Disreettejä jaaumia on paljon muitain. Kivelä, M niinuin matematiia, versio.

2 Todennäöissjaaumat 2/5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia Jatuvat jaaumat Jatuva stoastinen X saa reaaliarvoja joltain reaaliaselin väliltä [a, b] (tai mahdollisesti aii reaaliarvot). Tällöin sittäisen reaaliarvon on =0, vaia arvo ei oleaan mahdoton. Sen sijaan, että arvo osuu jollein osavälille [c, d], on leensä positiivinen. Jatuvan n X jaauma, ns. jatuva jaauma määritellään leensä tihesfuntion f() avulla. Tämä on aiialla 0 ja, että n X arvo on välillä [c, d], saadaan sta: P (c X d) = d c f()d. Jos integroidaan satunnaisn aiien mahdollisten arvojen muodostaman välin li (voidaan ajatella oo reaaliaselin li), on seessä varma tapahtuma ja siis tapahtuma f() d =. Ysinertainen esimeri jatuvasta jaaumasta on tasainen jaauma välillä [a, b]. Tämän tihesfuntio on f() = b a, un [a, b], 0 muulloin. stoastinen väli (reaaliaselin) määrätt (lasennassa) b a a b Jatuvia jaaumia on paljon muitain; eritisen täreä on normaalijaauma,jota äsitellään edempänä. Kivelä, M niinuin matematiia, versio.

3 Todennäöissjaaumat 3/5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia Kertmäfuntio Disreetin tai jatuvan stoastisen n X ertmäfuntiosi utsutaan funtiota F () = P(X ). Kosa seessä on, on 0 F () aiilla. Funtio on aiialla asvava (so. jos < 2, niin F ( ) F ( 2 ); funtio voi siis olla paloittain vaio). Disreetin satunnaisn ertmäfuntio on porrasfuntio; esimerinä oloon ahta noppaa heitettäessä saatavan pistesumman ertmäfuntio: Jatuvan jaauman ertmäfuntiolle F () ja tihesfuntiolle f() pätee F () =P(X )= Jos tihesfuntio on jatuva, pätee mös F () =f(). f() d. Esimerinä jatuvan satunnaisn ertmäfuntiosta oloon väliä [a, b] vastaavan tasaisen jaauman ertmäfuntio: 0, un a, a F () =, un a b, b a, un b. stoastinen stoastinen asvava asvava määrätt jatuvuus derivoituvuus funtio a b Kivelä, M niinuin matematiia, versio.

4 Todennäöissjaaumat 4/5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia Jaauman tunnusluvut Erilaisia jaaumia pritään luonnehtimaan sopivilla tunnusluvuilla. Tärein näistä on odotusarvo, jota voidaan luonnehtia stoastisen n saamien arvojen painotetusi esiarvosi, jossa painoina ovat todennäöisdet. Jos disreetti satunnais X saa arvot todennäöissillä p, odotusarvo on E(X) = p. Jos jatuvan satunnaisn tihesfuntio on f(), on odotusarvo E(X) = f() d. Tämäin on todennäöissillä painotettu esiarvo, uten nähdään tarastelemalla a vastaavaa Riemannin summaa. Esimerisi hden nopan heitossa odotusarvo on =3.5; seessä on silmäluujen suora esiarvo, osa aii pistetodennäöisdet ovat samoja. Binomijaauman ja väliä [a, b] vastaavan tasaisen jaauman odotusarvoisi saadaan n ( ) n p ( p) n = np =0 ja b a b a d = a + b 2. stoastinen stoastinen esiarvo (painotettu) summamerintä määrätt Riemannin summa Jaauman laajuutta hajontaa odotusarvon E(X) =µmpärillä voidaan mitata tarastelemalla etäisttä X µ (joa itse on stoastinen ). Tämän neliön odotusarvo on jaauman varianssi: σ 2 = E((X µ) 2 ). Varianssin neliöjuuri σ = E((X µ) 2 ) on jaauman esihajonta. Disreetin ja jatuvan jaauman tapausessa varianssille voidaan johtaa lauseeet σ 2 = ( µ) 2 p ja σ 2 = ( µ) 2 f() d. esihajonta Näiden avulla saadaan esimerisi binomijaauman varianssisi np( p) ja tasaisen jaauman varianssisi (b a) 2 /2. Kivelä, M niinuin matematiia, versio.

5 Todennäöissjaaumat 5/5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia Normaalijaauma Jatuvista jaaumista tärein on normaalijaauma. Sitä tarvitaan seä monissa sovellusissa että teoreettisissa tarasteluissa uvaamaan ilmiöitä, joissa esialueen arvot ovat tietllä tavalla todennäöisempiä uin ummanin ääripään arvot. Standardinormaalijaauman tihesfuntio on ϕ() = 2π e 2 /2, R. Tämän uvaajaa utsutaan Gaussin elloäräsi. Gauss 0.5 Standardinormaalijaauman ertmäfuntio on Φ() = 2π e t2 /2 dt, missä a ei voida lasea tavallisten aleisfuntioiden avulla. Useat tietooneohjelmat uitenin enevät lasemaan funtiolle Φ() numeerisia arvoja. Näitä on mös tauluoituina. funtio aleisfuntio Standardinormaalijaauman odotusarvo on 0 ja esihajonta. Normaalijaaumasta ätetään usein mös leistä muotoa, jossa odotusarvo on = µ ja esihajonta = σ. Tihesfuntio ja ertmäfuntio ovat tällöin f() = e ( µ)2 /(2σ 2) = ( ) µ 2πσ σ ϕ σ F () = ( ) e (t µ)2 /(2σ 2) µ dt =Φ. 2πσ σ Kivelä, M niinuin matematiia, versio.

Olkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat

Olkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset / Rataisut Aiheet: Avainsanat: Satunnaismuuttujat ja todennäöisyysjaaumat Kertymäfuntio

Lisätiedot

funktiojono. Funktiosarja f k a k (x x 0 ) k

funktiojono. Funktiosarja f k a k (x x 0 ) k SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 3 4. Funtiosarjat Tässä luvussa esitettävissä funtiosarjojen tulosissa yhdistämme luujen 3 teoriaa. Esimeri 4.. Geometrinen sarja x suppenee aiilla x ], [ ja hajaantuu

Lisätiedot

M 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon

M 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon Matematiian ja tilastotieteen laitos Stoastiset differentiaaliyhtälöt Rataisuehdotelma Harjoituseen 7 1. Näytä, että uvaus M M M 2, un M 2 M = sup E M 2 t 2 t 0 on normi jouossa M 2 = { M : M on martingaali

Lisätiedot

2 Taylor-polynomit ja -sarjat

2 Taylor-polynomit ja -sarjat 2 Taylor-polynomit ja -sarjat 2. Taylor-polynomi Taylor-polynomi P n (x; x 0 ) funtion paras n-asteinen polynomiapprosimaatio (derivoinnin annalta) pisteen x 0 lähellä. Maclaurin-polynomi: tapaus x 0 0.

Lisätiedot

Luento Otosavaruus, tapahtuma. Otosavaruus (sample space) on kaikkien mahdollisten alkeistapahtumien (sample) ω joukko.

Luento Otosavaruus, tapahtuma. Otosavaruus (sample space) on kaikkien mahdollisten alkeistapahtumien (sample) ω joukko. Luento 0 odennäöisyyslasentaa Otosavaruus, tapahtuma ja todennäöisyys Ehdollinen todennäöisyys, tilastollinen riippumattomuus, Bayesin teoreema, oonaistodennäöisyys Odotusarvo, varianssi, momentti Stoastiset

Lisätiedot

Luento Otosavaruus, tapahtuma. Otosavaruus (sample space) on kaikkien mahdollisten alkeistapahtumien (sample) ω joukko.

Luento Otosavaruus, tapahtuma. Otosavaruus (sample space) on kaikkien mahdollisten alkeistapahtumien (sample) ω joukko. Luento odennäöisyyslasentaa Otosavaruus, tapahtuma ja todennäöisyys Ehdollinen todennäöisyys, tilastollinen riippumattomuus, Bayesin teoreema, oonaistodennäöisyys Odotusarvo, varianssi, momentti Stoastiset

Lisätiedot

3. Markovin prosessit ja vahva Markovin ominaisuus

3. Markovin prosessit ja vahva Markovin ominaisuus 30 STOKASTISET DIFFERENTIAALIYHTÄLÖT 3. Marovin prosessit ja vahva Marovin ominaisuus Aloitamme nyt edellisen appaleen päättäneen esimerin yleistämisen Brownin liieelle. Käymme ysitellen läpi esimerin

Lisätiedot

termit on luontevaa kirjoittaa summamuodossa. Tällöin päädymme lukusarjojen teoriaan: a k = s.

termit on luontevaa kirjoittaa summamuodossa. Tällöin päädymme lukusarjojen teoriaan: a k = s. SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 7 3. Luusarjat Josus luujonon (b ) termit on luontevairjoittaa summamuodossa. Tällöin päädymme luusarjojen teoriaan: Määritelmä 3.. Oloon ( ), R luujono. Symboli (3.)

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiian tuiurssi Kurssierta 5 Sarjojen suppeneminen Kiinnostusen ohteena on edelleen sarja a n = a + a 2 + a 3 + a 4 + n= Tämä summa on mahdollisesti äärellisenä olemassa, jolloin sanotaan että sarja

Lisätiedot

4.7 Todennäköisyysjakaumia

4.7 Todennäköisyysjakaumia MAB5: Todeäöisyyde lähtöohdat.7 Todeäöisyysjaaumia Luvussa 3 Tuusluvut perehdyimme jo jaauma äsitteesee yleesä ja ormaalijaaumaa vähä taremmi. Lähdetää yt tutustumaa biomijaaumaa ja otetaa se jälee ormaalijaauma

Lisätiedot

Sattuman matematiikkaa III

Sattuman matematiikkaa III Sattuman matematiiaa III Kolmogorovin asioomat ja frevenssitulinta Tommi Sottinen Tutija Matematiian ja tilastotieteen laitos, Helsingin yliopisto Laboratoire de Probabilités et Modèles Aléatoires, Université

Lisätiedot

III. SARJATEORIAN ALKEITA. III.1. Sarjan suppeneminen. x k = x 1 + x 2 + x ,

III. SARJATEORIAN ALKEITA. III.1. Sarjan suppeneminen. x k = x 1 + x 2 + x , III. SARJATEORIAN ALKEITA Sarja on formaali summa III.. Sarjan suppeneminen = x + x 2 + x 3 +..., missä R aiilla N (merintä ei välttämättä taroita mitään reaaliluua). Luvut x, x 2,... ovat sarjan yhteenlasettavat

Lisätiedot

MS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I

MS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I MS-A00 Disreetin matematiian perusteet Esimerejä ym., osa I G. Gripenberg Jouo-oppi ja logiia Todistuset logiiassa Indutioperiaate Relaatiot ja funtiot Funtiot Aalto-yliopisto. maalisuuta 0 Kombinatoriia

Lisätiedot

Heilurin differentiaaliyhtälö

Heilurin differentiaaliyhtälö LUKU 4 Heilurin differentiaaliyhtälö 4.. Konservatiiviset systeemit Fysiaalisissa sovellutusissa täreitä ovat ns. onservatiiviset systeemit. Ysiulotteinen onservatiivinen systeemi (tai onservatiivinen

Lisätiedot

5. Potenssisarjat 5.1. Määritelmä ja suppeneminen 84. 85. 86. 87. 88. 89.

5. Potenssisarjat 5.1. Määritelmä ja suppeneminen 84. 85. 86. 87. 88. 89. 5. Potenssisarjat 5.1. Määritelmä ja suppeneminen 84. Määritä seuraavien potenssisarjojen suppenemisympyrät: a) ( ) z + 3, b) 2 [ z 2 + ( 1) ], c) a) Koo omplesitaso; b) z =, R = 1; c) z = i, R = 4. 85.

Lisätiedot

Luku 11. Jatkuvuus ja kompaktisuus

Luku 11. Jatkuvuus ja kompaktisuus 1 MAT-13440 LAAJA MATEMATIIKKA 4 Taperee teillie yliopisto Risto Silveoie Kevät 2008 Luu 11. Jatuvuus ja opatisuus 11.1 Jatuvat futiot ja uvauset Tässä luvussa tarastellaa yleisiillää vetoriuuttuja vetoriarvoisia

Lisätiedot

(1 + i) + JA. t=1. t=1. (1 + i) n (1 + i) n. = H + k (1 + i)n 1 i(1 + i) n + JA

(1 + i) + JA. t=1. t=1. (1 + i) n (1 + i) n. = H + k (1 + i)n 1 i(1 + i) n + JA Investoinnin annattavuuden mittareita Opetusmonisteessa on asi sivua, joilla on hyvin lyhyesti uvattu jouo mittareita. Seuraavassa on muutama lisäommentti ja aavan-johto. Tarastelemme projetia, jona perusinvestointi

Lisätiedot

Tehtävä 3. Määrää seuraavien jonojen raja-arvot 1.

Tehtävä 3. Määrää seuraavien jonojen raja-arvot 1. Jonotehtävät, 0/9/005, sivu / 5 Perustehtävät Tehtävä. Muotoile matemaattiset vastineet seuraavien väitteiden negaatioille (ts. vastaohdat).. Jono (a n ) suppenee ohti luua a.. Jono (a n ) on asvava. 3.

Lisätiedot

STOKASTISET DIFFERENTIAALIYHTÄLÖT 7

STOKASTISET DIFFERENTIAALIYHTÄLÖT 7 STOKASTISET DIFFERENTIAALIYHTÄLÖT 7 1. Todennäöisyyslasennasta ja merinnöistä Palautamme seuraavassa lyhyesti mieleen todennäöisyyslasennan äsitteitä ja esittelemme myös muutamia urssilla äytettäviä merintätapoja.

Lisätiedot

Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely.

Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely. 1144/2011 7 Liite 1 Vauutustenisistä riseistä johtuvien suureiden lasemista varten äytettävä vauutuslajiryhmittely. Vauutuslajiryhmä Vauutusluoat Ensivauutus 1 Laisääteinen tapaturma 1 (laisääteinen) 2

Lisätiedot

Ylioppilastutkintolautakunta S tudentexamensnämnden

Ylioppilastutkintolautakunta S tudentexamensnämnden Ylioppilastutintolautaunta S tudenteamensnämnden MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 0..0 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten piirteiden ja sisältöjen luonnehdinta ei sido ylioppilastutintolautaunnan

Lisätiedot

Vakuutusmatematiikan sovellukset 20.11.2008 klo 9-15

Vakuutusmatematiikan sovellukset 20.11.2008 klo 9-15 SHV-tutinto Vauutusmatematiian sovelluset 20.11.2008 lo 9-15 1(7) Y1. Seuraava tauluo ertoo vauutusyhtiön masamat orvauset vahinovuoden ja orvausen masuvuoden muaan ryhmiteltynä (tuhansina euroina): Vahinovuosi

Lisätiedot

MS-A0402 Diskreetin matematiikan perusteet

MS-A0402 Diskreetin matematiikan perusteet MS-A0402 Disreetin matematiian perusteet Osa 3: Kombinatoriia Riia Kangaslampi 2017 Matematiian ja systeemianalyysin laitos Aalto-yliopisto Kombinatoriia Summaperiaate Esimeri 1 Opetusohjelmaomiteaan valitaan

Lisätiedot

2.8 Mallintaminen ensimmäisen asteen polynomifunktion avulla

2.8 Mallintaminen ensimmäisen asteen polynomifunktion avulla MAB Matemaattisia malleja I.8. Mallintaminen ensimmäisen asteen.8 Mallintaminen ensimmäisen asteen polynomifuntion avulla Tutustutaan mallintamiseen esimerien autta. Esimeri.8. Määritä suoran yhtälö, un

Lisätiedot

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: 8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)

Lisätiedot

2.1. Bijektio. Funktion kasvaminen ja väheneminen ********************************************************

2.1. Bijektio. Funktion kasvaminen ja väheneminen ******************************************************** .. Funtion asvainen ja väheneinen.. Bijetio. Funtion asvainen ja väheneinen Palautetaan ieleen funtion äsite. ******************************************************** MÄÄRITELMÄ Oloot ja B asi ei-tyhjää

Lisätiedot

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla 17.11.2016/1 MTTTP5, luento 17.11.2016 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla likimain Jos X ~ Bin(n, p), niin X ~ N(np, np(1 p)), kun n suuri. 17.11.2016/2

Lisätiedot

1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT

1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT imat-2.104 Tilastollisen analyysin perusteet / Tehtävät Aiheet: Avainsanat: Ysisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Koonaisesiarvo,

Lisätiedot

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan: Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,

Lisätiedot

Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /

Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle / MS-A8 Differentiaali- ja integraalilasenta, V/27 Differentiaali- ja integraalilasenta Rataisut. viiolle /. 3.4. Luujonot Tehtävä : Mitä ovat luujonon viisi ensimmäistä termiä, un luujono on a) (a n ) n=,

Lisätiedot

Luku 2. Jatkuvuus ja kompaktisuus

Luku 2. Jatkuvuus ja kompaktisuus 1 MAT-13440 LAAJA MATEMATIIKKA 4 Taperee teillie yliopisto Risto Silveoie Kevät 2010 Luu 2. Jatuvuus ja opatisuus 1. Jatuvat futiot ja uvauset Tässä luvussa tarastellaa yleisiillää vetoriuuttuja vetoriarvoisia

Lisätiedot

M y. u w r zi. M x. F z. F x. M z. F y

M y. u w r zi. M x. F z. F x. M z. F y 36 5.3 Tuipaalutusen lasenta siitmämenetelmällä 5.3.1 Yleistä Jos paaluvoimia ei voida määittää suoaan tasapainohtälöistä (uten ohdassa 5.), on smsessä staattisesti määäämätön paalutus, jona paaluvoimien

Lisätiedot

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita

Lisätiedot

Ennen kuin mennään varsinaisesti tämän harjoituksen asioihin, otetaan aluksi yksi merkintätekninen juttu. Tarkastellaan differenssiyhtälöä

Ennen kuin mennään varsinaisesti tämän harjoituksen asioihin, otetaan aluksi yksi merkintätekninen juttu. Tarkastellaan differenssiyhtälöä DEE-00 Lineaariset järjestelmät Harjoitus, rataisuehdotuset Ennen uin mennään varsinaisesti tämän harjoitusen asioihin, otetaan alusi ysi merintäteninen juttu Tarastellaan differenssiyhtälöä y y y 0 Vaihtoehtoinen

Lisätiedot

DEE Lineaariset järjestelmät Harjoitus 2, ratkaisuehdotukset. Johdanto differenssiyhtälöiden ratkaisemiseen

DEE Lineaariset järjestelmät Harjoitus 2, ratkaisuehdotukset. Johdanto differenssiyhtälöiden ratkaisemiseen D-00 Lineaariset järjestelmät Harjoitus, rataisuehdotuset Johdanto differenssiyhtälöiden rataisemiseen Differenssiyhtälöillä uvataan disreettiaiaisten järjestelmien toimintaa. Disreettiaiainen taroittaa

Lisätiedot

EETU OJANEN SIGNAALIN ENNUSTAMINEN KALMAN-SUOTIMELLA. Kandidaatintyö

EETU OJANEN SIGNAALIN ENNUSTAMINEN KALMAN-SUOTIMELLA. Kandidaatintyö EETU OJANEN SIGNAALIN ENNUSTAMINEN KALMAN-SUOTIMELLA Kandidaatintyö Tarastaja: Lehtori Konsta Koppinen Jätetty tarastettavasi 11. tououuta 2009 2 TIIVISTELMÄ TAMPEREEN TEKNILLINEN YLIOPISTO Tietoliienne-

Lisätiedot

6 Lineaarisen ennustuksen sovelluksia

6 Lineaarisen ennustuksen sovelluksia 6 Lineaarisen ennustusen sovellusia Lineaarisella ennustusella on hyvin täreä asema monessa puheenäsittelyn sovellusessa. Seuraavassa on esitetty esimerejä siitä miten lineaarista ennustusta voidaan hyödyntää.

Lisätiedot

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Hannu Pajula. Stirlingin luvuista

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Hannu Pajula. Stirlingin luvuista TAMPEREEN YLIOPISTO Pro gradu -tutielma Hannu Pajula Stirlingin luvuista Informaatiotieteiden ysiö Matematiia Maalisuu 2014 Tampereen yliopisto Informaatiotieteiden ysiö PAJULA, HANNU: Stirlingin luvuista

Lisätiedot

Tehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1

Tehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1 Luuteoria Harjoitus 1 evät 2011 Alesis Kosi 1 Tehtävä 1 Näytä: jos a ja b ovat positiivisia oonaisluuja joille (a, b) = 1 ja a c, seä lisäsi b c, niin silloin ab c. Vastaus Kosa a c, niin jaollisuuden

Lisätiedot

Eksponentti- ja logaritmiyhtälö

Eksponentti- ja logaritmiyhtälö Esponentti- ja logaritmiyhtälö Esponenttifuntio Oloon a 1 positiivinen reaaliluu. Reaalifuntiota f() = a nimitetään esponenttifuntiosi ja luua a sen antaluvusi. Jos a > 1, niin esponenttifuntio f : R R,

Lisätiedot

Miehitysluvuille voidaan kirjoittaa Maxwell Boltzmann jakauman mukaan. saamme miehityslukujen summan muodossa

Miehitysluvuille voidaan kirjoittaa Maxwell Boltzmann jakauman mukaan. saamme miehityslukujen summan muodossa S-4.7 Fysiia III (EST) Tetti..6. Tarastellaa systeemiä, jossa ullai hiuasella o olme mahdollista eergiatasoa, ε ja ε, missä ε o eräs vaio. Oletetaa, että systeemi oudattaa Maxwell-Boltzma jaaumaa ja, että

Lisätiedot

S , Fysiikka III (ES) Tentti Tentti / välikoeuusinta. Laaditaan taulukko monisteen esimerkin 3.1. tapaan ( nj njk Pk

S , Fysiikka III (ES) Tentti Tentti / välikoeuusinta. Laaditaan taulukko monisteen esimerkin 3.1. tapaan ( nj njk Pk S-.35, Fysiia III (ES) entti 8..3 entti / välioeuusinta I älioeen alue. Neljän tunnistettavissa olevan hiuasen miroanonisen jouon mahdolliset energiatasot ovat, ε, ε, 3ε, ε,, jota aii ovat degeneroitumattomia.

Lisätiedot

Johdatus lukuteoriaan Harjoitus 1 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma

Johdatus lukuteoriaan Harjoitus 1 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma Johdatus luuteoriaan Harjoitus 1 ss 008 Eemeli Blåsten Rataisuehdotelma Tehtävä 1 Oloot a ja b positiivisia oonaisluuja. Osoita, että on olemassa siäsitteinen luu h ('luujen a ja b pienin hteinen jaettava',

Lisätiedot

Perustehtäviä. Sarjateorian tehtävät 10. syyskuuta 2005 sivu 1 / 24

Perustehtäviä. Sarjateorian tehtävät 10. syyskuuta 2005 sivu 1 / 24 Sarjateorian tehtävät 0. syysuuta 2005 sivu / 24 Perustehtäviä. Muunna sarja telesooppimuotoon ja osoita, että se suppenee. Lase myös sarjan summa. ( + ) = 2 + 6 + 2 +... 2. Osoita suoraan määritelmään

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio

Lisätiedot

ELEMENTTIMENETELMÄN PERUSTEET SESSIO 12: Tasokehän palkkielementti, osa 2.

ELEMENTTIMENETELMÄN PERUSTEET SESSIO 12: Tasokehän palkkielementti, osa 2. / ELEMENTTIMENETELMÄN PERUSTEET SESSIO : Tasoehän palielementti, osa. NELJÄN VAPAUSASTEEN PALKKIELEMENTTI Kun ahden vapausasteen palielementin solmuihin lisätään loaalin -aselin suuntaiset siirtmämittauset,

Lisätiedot

DISKREETIN MATEMATIIKAN SOVELLUKSIA: KANAVA-EKVALISOINTI TIEDONSIIRROSSA. Taustaa

DISKREETIN MATEMATIIKAN SOVELLUKSIA: KANAVA-EKVALISOINTI TIEDONSIIRROSSA. Taustaa Disreetin matematiian excursio: anava-evalisointi tiedonsiirrossa / DISKREETIN MATEMATIIKAN SOVELLUKSIA: KANAVA-EKVALISOINTI TIEDONSIIRROSSA Taustaa Disreetin matematiian excursio: anava-evalisointi tiedonsiirrossa

Lisätiedot

Tämä merkitsee geometrisesti, että funktioiden f

Tämä merkitsee geometrisesti, että funktioiden f 28 2. Futiosarjat Edellä sarjat olivat luusarjoja, joide termit ovat (tässä urssissa) reaaliluuja. Jos termit ovat samasta muuttujasta riippuvia futioita, päädytää futiotermisii sarjoihi. Näide äyttö matematiiassa

Lisätiedot

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen

Lisätiedot

6. laskuharjoitusten vastaukset (viikot 10 11)

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

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat .9. Kaksiulotteiset satunnaismuuttujat MS-A Todennäköisslaskennan ja tilastotieteen peruskurssi Viikko Moniulotteiset satunnaismuuttujat sekä niiden jakaumat ja tunnusluvut; Moniulotteisia jakaumia Usein

Lisätiedot

C (4) 1 x + C (4) 2 x 2 + C (4)

C (4) 1 x + C (4) 2 x 2 + C (4) http://matematiialehtisolmu.fi/ Kombiaatio-oppia Kuia mota erilaista lottoriviä ja poeriättä o olemassa? Lotossa arvotaa 7 palloa 39 pallo jouosta. Poeriäsi o viide orti osajouo 52 orttia äsittävästä paasta.

Lisätiedot

9 Lukumäärien laskemisesta

9 Lukumäärien laskemisesta 9 Luumäärie lasemisesta 9 Biomiertoimet ja osajouoje luumäärä Määritelmä 9 Oletetaa, että, N Biomierroi ilmaisee, uia mota -alioista osajouoa o sellaisella jouolla, jossa o aliota Meritä luetaa yli Lasimesta

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 27. syyskuuta 2007 Antti Rasila () TodB 27. syyskuuta 2007 1 / 15 1 Diskreetit jakaumat Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen

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

BLY. Paalulaattojen suunnittelu kuitubetonista. Petri Manninen 24.1.2011

BLY. Paalulaattojen suunnittelu kuitubetonista. Petri Manninen 24.1.2011 BLY Paalulaattojen suunnittelu uitubetonista Petri Manninen BY 56 Paalulaatta - Yleistä Käytetään tyypillisesti peheillä, noraali- tai lievästi ylionsolidoituneilla savioilla ja uilla peheiöillä Mitoitustietojen

Lisätiedot

Estimointi Laajennettu Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät Laskuharjoitus 4

Estimointi Laajennettu Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät Laskuharjoitus 4 Estimointi Laajennettu Kalman-suodin AS-84.2161, Automaation signaalinäsittelymenetelmät Lasuharjoitus 4 Estimointi Systeemin tilaa estimoidaan, un prosessin tilamalli tunnetaan Tilamalli voi olla lineaarinen

Lisätiedot

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

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

Lisätiedot

Järjestelmän kuvaus aikatasossa

Järjestelmän kuvaus aikatasossa Digitaalinen Signaalinäsittel T25 Luento 2-24.3.26 Jaro.Vuori@evte.fi Man cannot inherit the past; he has to recreate it Arthur Koestler, The act of creation, 964 Järjestelmän uvaus aiatasossa Differenssihtälö

Lisätiedot

Hanoin tornit. Merkitään a n :llä pienintä tarvittavaa määrää siirtoja n:lle kiekolle. Tietysti a 1 = 1. Helposti nähdään myös, että a 2 = 3:

Hanoin tornit. Merkitään a n :llä pienintä tarvittavaa määrää siirtoja n:lle kiekolle. Tietysti a 1 = 1. Helposti nähdään myös, että a 2 = 3: Hanoin tornit Oloot n ieoa asetettu olmeen tanoon uvan osoittamalla tavalla (uvassa n = 7). Siirtämällä yhtä ieoa errallaan, ieot on asetettava toiseen tanoon samaan järjestyseen. Isompaa ieoa ei missään

Lisätiedot

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

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

Lisätiedot

Eulerin φ-funktion ominaisuuksia

Eulerin φ-funktion ominaisuuksia TAMPEREEN YLIOPISTO Pro gradu -tutielma Jua Peltola Eulerin φ-funtion ominaisuusia Informaatiotieteiden ysiö Matematiia Marrasuu 2013 Tampereen yliopisto Informaatiotieteiden ysiö PELTOLA, JUKKA: Eulerin

Lisätiedot

Luku kahden alkuluvun summana

Luku kahden alkuluvun summana Luu ahden aluluvun summana Juho Salmensuu Lahden Lyseon luio Matematiia 008 Tiivistelmä Tutielmassa tarastellaan ysymystä; uina monella eri tavalla annettu parillinen oonaisluu voidaan esittää ahden aluluvun

Lisätiedot

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1 Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin

Lisätiedot

DEE Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset

DEE Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset DEE- Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille taroitetut rataisuehdotuset Tämän harjoitusen ideana on opetella -muunnosen äyttöä differenssiyhtälöiden rataisemisessa Lisäsi äytetään

Lisätiedot

Talousmatematiikan verkkokurssi. Koronkorkolaskut

Talousmatematiikan verkkokurssi. Koronkorkolaskut Sivu 1/7 oronorolasuja sovelletaan tapausiin, joissa aia on pidempi uin ysi oonainen orojaso, eli aia, jolle oroanta ilmoittaa oron määrän. orolasu: enintään yhden orojason pituisille oroajoille; oronorolasu:

Lisätiedot

Pyramidi 3 Analyyttinen geometria tehtävien ratkaisut sivu 139 Päivitetty a) 402 Suplementtikulmille on voimassa

Pyramidi 3 Analyyttinen geometria tehtävien ratkaisut sivu 139 Päivitetty a) 402 Suplementtikulmille on voimassa Pyramidi Analyyttinen geometria tehtävien rataisut sivu 9 Päivitetty 9..6 4 a) 4 Suplementtiulmille on voimassa b) a) α + β 8 α + β 8 β 6 c) b) c) α 6 6 + β 8 β 8 6 β 45 β 6 9 α 9 9 + β 8 β 8 + 9 β 7 Pyramidi

Lisätiedot

Tilastomatematiikka Kevät 2008

Tilastomatematiikka Kevät 2008 Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo

Lisätiedot

Matemaattinen Analyysi

Matemaattinen Analyysi Vaasan yliopisto, evät 05 / ORMS00 Matemaattinen Analyysi 6. harjoitus. Approsimoi toisen asteen polynomilla P(x) = b 0 +b x+b x oheisen tauluon muaisia havaintoja. (Teorian löydät opetusmonisteen sivuilta

Lisätiedot

Tuomo Mäki-Marttunen Stokastiset ja tavalliset differentiaaliyhtälöt inertiapaikannuksessa

Tuomo Mäki-Marttunen Stokastiset ja tavalliset differentiaaliyhtälöt inertiapaikannuksessa TAMPEREEN TEKNILLINEN YLIOPISTO Luonnontieteiden ja ympäristöteniian tiedeunta Tuomo Mäi-Marttunen Stoastiset ja tavalliset differentiaaliyhtälöt inertiapaiannusessa Diplomityö Aihe hyväsytty tiedeuntaneuvostossa

Lisätiedot

1974 N:o 622. Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely. Liite 1.

1974 N:o 622. Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely. Liite 1. 1974 N:o 622 Liite 1 Vauutustenisistä riseistä johtuvien suureiden lasemista varten äytettävä vauutuslajiryhmittely Vauutuslajiryhmä Vauutusluoat Ensivauutus Laisääteinen tapaturma 1 (laisääteinen) Muu

Lisätiedot

SYMBOLIVIRHETODENNÄKÖISYYDESTÄ BITTIVIRHETODENNÄKÖISYYTEEN

SYMBOLIVIRHETODENNÄKÖISYYDESTÄ BITTIVIRHETODENNÄKÖISYYTEEN SYMBOLIVIRHETODENNÄKÖISYYDESTÄ BITTIVIRHETODENNÄKÖISYYTEEN Miten modulaation P S P B? 536A Tietoliienneteniia II Osa 4 Kari Käräinen Sysy 05 SEP VS. BEP D-SIGNAALIAVARUUDESSA Kullein modulaatiolle johdetaan

Lisätiedot

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon

Lisätiedot

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen MAT-5 Todennäköisyyslaskenta Tentti.. / Kimmo Vattulainen Vastaa jokainen tehtävä eri paperille. Funktiolaskin sallittu.. a) P A). ja P A B).6. Mitä on P A B), kun A ja B ovat riippumattomia b) Satunnaismuuttujan

Lisätiedot

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

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

Lisätiedot

Vastaus: 10. Kertausharjoituksia. 1. Lukujonot lim = lim n + = = n n. Vastaus: suppenee raja-arvona Vastaus:

Vastaus: 10. Kertausharjoituksia. 1. Lukujonot lim = lim n + = = n n. Vastaus: suppenee raja-arvona Vastaus: . Koska F( ) on jokin funktion f ( ) integraalifunktio, niin a+ a f() t dt F( a+ t) F( a) ( a+ ) b( a b) Vastaus: Kertausharjoituksia. Lukujonot 87. + n + lim lim n n n n Vastaus: suppenee raja-arvona

Lisätiedot

TKK, TTY, LTY, OY, ÅA, VY, TY / Insinööriosastot Valintakuulustelujen matematiikan koe 30.5.2006. sarja A

TKK, TTY, LTY, OY, ÅA, VY, TY / Insinööriosastot Valintakuulustelujen matematiikan koe 30.5.2006. sarja A TKK, TTY, LTY, OY, ÅA, VY, TY / Insinööriosastot Valintauulustelujen matematiian oe 30.5.006 sarja A Ohjeita. Sijoita joainen tehtävä omalle sivulleen. Laadi rataisut seleästi v älivaiheineen, tarvittaessa

Lisätiedot

TKK @ Ilkka Mellin (2008) 1/5

TKK @ Ilkka Mellin (2008) 1/5 Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 3, 6, 7 Pistetehtävät: 2, 4, 5, 9 Ylimääräiset tehtävät: 8, 10, 11 Aiheet: Moniulotteiset jakaumat Avainsanat: Diskreetti jakauma,

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 2 Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden

Lisätiedot

3 x ja 4. A2. Mikä on sen ympyräsektorin säde, jonka ympärysmitta on 12 ja pinta-ala mahdollisimman

3 x ja 4. A2. Mikä on sen ympyräsektorin säde, jonka ympärysmitta on 12 ja pinta-ala mahdollisimman HTKK, TTKK, LTKK, OY, ÅA/Insinööriosastot alintauulustelujen matematiian oe 900 Sarja A A Lase äyrien y, (Tara vastaus) y, ja rajaaman äärellisen alueen inta-ala A Miä on sen ymyräsetorin säde, jona ymärysmitta

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien

Lisätiedot

Antti Somppi Paloittain päivittävä Kalmanin suodatin. Kandidaatintyö

Antti Somppi Paloittain päivittävä Kalmanin suodatin. Kandidaatintyö Antti Somppi Paloittain päivittävä Kalmanin suodatin Kandidaatintyö I TIIVISTELMÄ TAMPEREEN TEKNILLINEN YLIOPISTO Tenis-luonnontieteellinen oulutusohjelma TEKIJÄN NIMI: Antti Somppi Kandidaatintyö 15 sivua,

Lisätiedot

Keskijännitejohdon jännitteenalenema

Keskijännitejohdon jännitteenalenema LTE 4/1 Kesijännitejodon jännitteenalenea Jännitteenalenea lasetaan aaalla 1 r + x tanϕ 1 P l (1 Tauluossa 1 on esitetty joaisen aapelin pituudet seä niiden resistanssi ja reatanssiarot, joita taritaan

Lisätiedot

Diskreetin Matematiikan Paja Ratkaisuja viikolle 5. ( ) Jeremias Berg

Diskreetin Matematiikan Paja Ratkaisuja viikolle 5. ( ) Jeremias Berg Disreeti Matematiia Paja Rataisuja viiolle 5. (28.4-29.4 Jeremias Berg Yleisiä ommeteja: Näissä tehtävissä aia usei rataisua oli ysittäie lasu. Kuitei vastausee olisi hyvä lisätä ommeteja siitä misi jou

Lisätiedot

Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio

Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio KE (2014) 1 Satunnaismuuttujat ja niiden todennäköisyysjakaumat Satunnaismuuttujat

Lisätiedot

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

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

Lisätiedot

LAPPEENRANNAN TEKNILLINEN YLIOPISTO

LAPPEENRANNAN TEKNILLINEN YLIOPISTO LAPPEENRANNAN TEKNILLINEN YLIOPITO TYÖOHJE 2009 Keianteniian osasto Tenillisen eian laboratorio BJ90A0900 Tenillisen eian ja tenillisen polyeerieian laboratoriotyöt Ohje: Irina Turu, Katriina Liiatainen,

Lisätiedot

MAB7 Talousmatematiikka. Otavan Opisto / Kati Jordan

MAB7 Talousmatematiikka. Otavan Opisto / Kati Jordan 3.3 Laiat MAB7 Talousmatematiia Otava Opisto / Kati Jorda Laia ottamie Suuri osa ihmisistä ottaa laiaa jossai elämävaiheessa. Pailaiaa tarvitaa yleesä vauusia ja/tai taausia. Laiatulle pääomalle masetaa

Lisätiedot

Aikasarjojen ennustaminen oikealla ja

Aikasarjojen ennustaminen oikealla ja Mat-.8 Soveetun matematiian erioistyöt Aiasarjojen ennustaminen oieaa ja väärää ARMA-maia Matti Vuorinen 553C msvuorin@cc.hut.fi 4. oauuta 3 Sisätö Johdanto 3 Teoriaa 3. Stationaarisen aiasarjan tunnusuvut....................

Lisätiedot

K-KS vakuutussumma on kiinteä euromäärä

K-KS vakuutussumma on kiinteä euromäärä Kesinäinen Henivauutusyhtiö IIIELLA TEKNIIKALLA LAKUPERUTE H-TUTKINTOA ARTEN HENKIAKUUTU REKURIIIELLA TEKNIIKALLA OIMAAOLO 2 AIKALAKU JA AKUUTUIKÄ Tätä lasuperustetta sovelletaan..25 alaen myönnettäviin

Lisätiedot

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170 VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 4.6.2013 Ratkaisut ja arvostelu 1.1 Satunnaismuuttuja X noudattaa normaalijakaumaa a) b) c) d) N(170, 10 2 ). Tällöin P (165 < X < 175) on likimain

Lisätiedot

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

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

Lisätiedot

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos

Lisätiedot

RATKAISUT: 10. Lämpötila ja paine

RATKAISUT: 10. Lämpötila ja paine Physica 9. painos (6). Lämpötila ja paine :. Lämpötila ja paine. a) Suure, jolla uvataan aineen termoynaamista tilaa. b) Termoynaamisen eli absoluuttisen lämpötila-asteion ysiö. c) Alin mahollinen lämpötila.

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

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

Lisätiedot

MATLAB Ohjelmointi Osa 1. Timo Mäkelä

MATLAB Ohjelmointi Osa 1. Timo Mäkelä MATLAB Ohjelmointi Osa Timo Mäelä SISÄLTÖ:. YLEISTÄ.... M-TIEDOSTOT.... SYÖTTÖ JA TULOSTUS.... FUNKTIOT...4. FUNKTION RAKENNE...4. ALIFUNKTIOT JA YKSITYISET FUNKTIOT...7.3 FUNKTION MUUTTUJAT...7 3. OHJAUSLAUSEET...9

Lisätiedot