Simulointi. Simulointi kätevää kun muuttujissa vaihtelua. Luennon sisältö. Mitä simulointi on? L u e n t o
|
|
- Jukka-Pekka Auvinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 L u e n t o Katariina Kemppainen / Logistiikka Simulointi Luennon sisältö Simulointimallit päätöksenteossa Todennäköisyysjakaumat Satunnaisluvut ja Ecel Mallin rakentaminen Simulointi kätevää kun muuttujissa vaihtelua Weekly production requirements (hr) Relative frequency Total 1.00 Average weekly production requirements = 200(0.05) + 250(0.06) + 300(0.17) (0.02) = 400 hours Regular Relative capacity (hr) frequency 320 (8 machines) (9 machines) (10 machines) 0.30 Average weekly operating machine hours = 320(0.30) + 360(0.40) + 400(0.30) = 360 hours Regular Relative capacity (hr) frequency 360 (9 machines) (10 machines) (11 machines) 0.30 Average weekly operating machine hours = 400 hours Luento gamma 4 Mitä simulointi on? Menetelmä, jonka tehtävänä on antaa tietoa todellisen systeemin piirteistä matkimalla sitä keinotekoisesti, usein tietokoneen avulla Simuloinnin tavoitteita antaa yleiskuva systeemistä tilastollisten tunnuslukujen avulla ennustaa systeemin tilaa arvioida tapahtumien todennäköisyyttä esim. riski määrätylle tappioille testata toimintamallien toimivuutta Simulointi on siis todellisen ilmiön jäljittelyä liikennesuunnittelu, tuotannon suunnittelu, auton testaus, varastojen suunnittelu, astronauttien harjoittelu, yrityspelit, populaation kasvu, kassavirtojen simulointi, lentosimulaattori, arvopapereiden hintamuutokset, investointivaihtoehtojen vertailu, jne. Luento gamma 3
2 Simulointi yksi mallintamismenetelmistä Perustuu malliin, joka on abstraktio, yksinkertaistus, todellisesta systeemistä Sisältää kaikki systeemin kannalta oleelliset piirteet Koe todellisessa systeemissä Systeemi Fyysinen malli Mallin mukainen koe Analyyttinen ratkaisu Matemaattinen malli Simulointi Miten simulointi eroaa optimoinnista? Molemmat simulointi ja optimointi tukevat päätöksentekoa, mutta eri tavoin simuloinnissa päätösmuuttujat ovat yleensä mallin syötetietoja (inputs) optimoinnissa päätösmuuttujat ovat yleensä mallin antamia tuloksia (outputs) Simuloinnin tuloksena saadaan tietoa eri tekijöiden käyttäytymisestä tarkastelujakson aikana simulointi mittaa ehdotetun ratkaisun laatua ja sitä, miten paljon vaihtelua tuloksissa voi olla mallin syöttötietojen satunnaisuudesta ja mallin sisäisestä rakenteesta johtuen (vrt. herkkyysanalyysi) simulointia voidaan käyttää optimointiin, esim. vertailtaessa eri vaihtoehtoja, mutta se ei takaa optimaalisuutta Luento gamma 6 Luento gamma 8 Simulointimallien perusluokittelu Simulointimallissa huomioitava Deterministiset mallit luottaa tilamuuttujiin ja yhtälöihin, jotka kuvaavat kuinka tilamuuttujat muuttuvat ajan myötä, päätösten ja ulkoisten tapahtumien mukaan voidaan käyttää päätöspolitiikkojen analysoinnissa ja monimutkaisten vuorovaikutussuhteiden ymmärtämisessä Stokastiset mallit matkivat systeemien käytöstä satunnaisten tekijöiden vallitessa. voidaan käyttää arviomaan systeemin suorituskykyä ajan myötä muuttuvien sisäisten ja ulkoisten tekijöiden vaihdellessa satunnaisesti keskeiset puutteet - mallin rakentaminen ja vahvistus usein erittäin aikaa vievää - ei tuota tietoa optimaalisista tuloksista tai suunnitelmista Mallin rakenteelliset tekijät viittaa mallin sääntöihin ja peruselementteihin - muuttujat - mallin komponenttien fyysiset/loogiset suhteet - päätösvaihtoehdot ja niiden seuraukset - takaisinkytkennät (feedback) Mallin kvantitatiiviset tekijät millaisia numeerisia oletuksia mallin muuttujista tehdään eli - muuttujien mahdolliset arvot - muuttujien keskinäiset tilastolliset riippuvuudet - käytettävät todennäköisyysjakaumat Mallin hyvyyden tarkastelu validointi: kuinka hyvin malli vastaa todellisuutta? verifiointi: onko malli toteutettu / koodattu oikein (esim. bugit)? hyväksyttävyys: miten hyvin mallin käyttäjät hyväksyvät mallin? Luento gamma 7 Luento gamma 9
3 Simuloinnin hyötyjä ja haittoja Perusmääritelmiä Todelliseen systeemiin verrattuna + usein ainoa mahdollisuus, koska todellista systeemiä ei voi tutkia pitkällä aikavälillä tai sitä ei ole edes olemassa + halvempi ja vähäriskisempi kuin todellisen systeemin rakentaminen + mahdollistaa asioiden tutkimisen etukäteen ennen systeemin rakentamista + intuitiivinen ja joustava: muuttujia voidaan kontrolloida helpommin + auttaa ymmärtämään systeemiä (koulutustyökalu päätöksentekijöille) + voidaan saada tilastollisia tunnuslukuja ja jakaumia simulointi ei vastaa täydellisesti todellista systeemiä (validiteetti) arvioi ainoastaan annettuja, pelkistettyjä vaihtoehtoja Matemaattisen mallin analyyttiseen ratkaisuun verrattuna + mahdollistaa monimutkaisten mallien tutkimisen, joilla ei ole olemassa analyyttistä ratkaisua (tai ratkaisu on vaikea) + ei tarvitse välttämättä tehdä niin useita yksinkertaistavia oletuksia ei saada yksinkertaisia kaavoja (ja optimaalista ratkaisua), jotka voivat auttaa systeemin ymmärtämisessä tuloksena saadaan arvioita, joihin sisältyvä satunnaisvirhe tulisi myös pystyä arvioimaan edellyttää laskentakapasiteettia ja sekä mallin rakentaminen että vaihtoehtojen vertailu voi olla vaikeaa ja aikaa vievää 10 Satunnaismuuttuja numeerinen kuvaus kokeen tuloksesta Satunnaisluku (random number) viittaa satunnaismuuttujaan, joka on tasaisesti jakautunut välillä 0 ja 1 satunnaismuuttujat ja -luvut lisäävät malliin satunnaisuutta eli stokastisuutta (=lähes kaikkiin systeemeihin liittyvä epävarmuus) koska tietokoneet eivät voi generoida lukuja, jotka ovat aidosti satunnaisia, satunnaislukualgoritmeja käytetään generoimaan lukuja jotka vaikuttavat satunnaisilta (näennäissatunnaiset luvut) Todennäköisyysjakauma kuvaus mahdollisista arvoista, joita satunnaismuuttuja voi saada sekä näiden arvojen todennäköisyydet diskreetit todennäköisyysfunktiot määritellään todennäköisyyskertymäfunktion perusteella - jokaisen tuloksen todennäköisyys täytyy olla välillä 0 ja 1 - kaikki todennäköisyydet summautuvat arvoon 1 jatkuvat todennäköisyysjakaumat määritellään todennäköisyystiheysfunktionsa f() avulla - funktion kokonaispinta-ala on 1; kumulatiivinen jakaumafunktio F() Luento gamma 13 Erilaisia ohjelmistoja paljon tarjolla Käytetyimmät todennäköisyysjakaumat Kaupallisia ohjelmistopaketteja mm. ProcessModel, ProModel, Arena, Etend, Enterprice Dynamics, ithink Ecelin (lisä)työkalut Satunnaislukugeneraattori ja muut funktiot mahdollistavat yksinkertaisten simulaatiomallien kehittämisen ja Crystal Ball Tasainen jakauma kaikki lopputulokset minimiarvon a ja maksimiarvon b välillä yhtä todennäköisiä voidaan käyttää kun satunnaismuuttujasta on vain vähän tai ei lainkaan tietoa Sovellusmahdollisuudet Assembly Language FORTRAN PASCAL C, C++ SLAM SIMAN Käytön helppous ProcessModel Ecel Lotus Normaalijakauma kellomainen (keskiarvo μ, keskihajonta σ) - keskeisen raja-arvolauseen perusteella sellaisen satunnaismuuttujajoukon joilla mikä tahansa jakauma keskiarvon voidaan olettaa noudattavan tätä jakaumaa - esim. palveluajat palvelusysteemissä ja poikkeamat teknisistä määrittelyistä tuotantoprosessissa Luento gamma 11 Luento gamma 14
4 Jatkuvia todennäköisyysjakaumia Kolmiojakauma parametrit: minimi a, todennäköisin arvo m, ja maksimi b eliminoi äärimmäiset arvot, koska rajattu jakauma voidaan datan puutteessa käyttää approksimoimaan muita jakaumia kuten normaalijakaumaa Eksponentiaalinen jakauma ei muoto- tai sijaintiparametreja - voidaan käyttää mallintamaan tapahtumia, jotka toistuvat satunnaisesti ajan kuluessa, kuten aika asiakkaiden saapumisen välissä (time between arrivals=tba) Satunnaislukujen generointi Ecelillä RAND() generoi 0 ja 1 välisen satunnaisarvon tasaisesta jakaumasta RANDBETWEEN(min;ma) generoi määritettyjen arvojen välisen satunnaisarvon (kokonaisluku) tasaisesta jakaumasta Random number generator Valitse Tools Data analysis Random number generation huom! luvut eivät päivity laskennan yhteydessä kuten RAND() ja RANDBETWEEN() funktioilla Luento gamma 15 Luento gamma 18 Diskreettejä jakaumia Tiheysfunktio ja kertymäfunktio Binomijakauma mallintaa n itsenäistä toistoa Bernoullin kokeesta p:n onnistumistodennäköisyydellä keskiarvo np, varianssi np(1-p) Poisson-jakauma käytetään mallintamaan tapahtumien määrää mitattavassa yksikössä keskiarvo = varianssi R = F () 15% 50% 80% f() R 3 = 0,80 1 R = F () R 2 = 0,50 Kertymäfunktion arvo Ecelillä: = NORMINV(R;m;s) R 1 = 0, Luento gamma 16 Luento gamma 19
5 Käänteisfunktiomenetelmä jatkuva jakauma Muuntaa satunnaisluvun mallin satunnaismuuttujaksi Käänteisfunktiomenetelmä käytännössä Eksponenttijakauma, jossa asetetaan R=F() Todennäköisyys 1.0 F() R F() Vaiheet 1) Oleta, että R on satunnaisluku ja R=F(). 2) Käytä RAND() funktiota satunnaisluvun generointiin eli generoi R~Tas(0,1) 3) Laske :n arvo kyseisen jakauman kertymäfunktion F() käänteisfunktion F -1 (R) avulla eli ratkaise R:n funktiona X=F -1 (R) Huom! Tämä ei ole mahdollista, jos kertymäfunktio F() ei ole tiedossa tai sen käänteisfunktio F 1 (R) on mahdoton (tai hankala) laskea Esimerkki saapumistahti l= 0,5 satunnaisluku R=0,75 havainto eksponenttijakaumasta: -(1/0,5)*LN(1-0,75) = 2,77 Luento gamma 20 Luento gamma 22 Käänteisfunktiomenetelmä diskreetti jakauma Simulointimallin perusvaiheet Muuntaa satunnaisluvun mallin satunnaismuuttujaksi Todennäköisyys R F() F() Vaiheet 1) Oleta, että R on satunnaisluku ja R=F(). 2) Käytä RAND() funktiota satunnaisluvun generointiin (eli generoi R~Tas(0,1) 3) Valitse sijainti y-akselilla R:n mukaan 4) Lue kyseisen satunnaisluvun arvo - akselilta. 1. Muotoile ongelma ja suunnittele tutkimus 2. Kerää data ja määritä malli 3. Tarkista, että käsitteellinen malli on pätevä/validi 4. Laadi tietokoneohjelma ja verifioi 5. Tee testiajoja 6. Tarkista, että ohjelmoitu malli on pätevä/validi 7. Suunnittele kokeet 8. Suorita simulaatioajot 9. Analysoi tulostiedot 10. Dokumentoi, esitä ja käytä tuloksia Luento gamma 21 Luento gamma 24
6 Myyntitulojen vaihtelu esimerkki BestCar autokauppa myy uusia autoja. Kaupan johtaja uskoo, että viikossa myydyillä autoilla on seuraava todennäköisyysjakauma. Lisäksi tiedämme, että autojen hinnat vaihtelevat seuraavasti: =RAND() =VLOOKUP (C18;$C$6:$D$11;2) =VLOOKUP (D18;$G$6:$H$10;2) Luo Ecelillä malli, joka simuloi 500 viikon myynnit BestCar-autokaupassa. Mallin tulisi laskea simuloidun kokeen perusteella keskimääräinen viikoittainen myytyjen autojen määrä ja tuotto. Luento gamma 25 Ecel-mallin rakentamisen peruspalikat Käyttökelpoisia Ecel-funktioita Viikkomyynti vaihtelee välillä 0 ja 5 Ł generoi satunnaismuuttuja määrittämään myytyjen autojen määrää Autojen hinta oleta, että hinta on sama kaikille yhden viikon aikana myydyille autoille Ł generoi satunnaismuuttuja määrittämään myytyjen autojen hintaa Simuloidaan viikoittainen tuotto rakenna malli, joka simuloi myyntimäärän ja myyntihinnan 500 viikon ajanjaksolle Relevantteja Ecel-funktioita tämän mallin rakentamisessa ovat mm. RAND() ja VLOOKUP. VLOOKUP(lookup_value, table_array, col_inde_num, range_lookup) lookup_value = value to be found in the first column of the array table_array = area from which the value is looked col_inde = value to be returned range_lookup = indicates if eact or approimate match is returned LARGE(array, k) array = range of data for which the k-th largest value is determined k = the position (from the largest) in the array of data to return FREQUENCY(range of data, range of bins) press CTRL-SHIFT-ENTER simultaneously ROUND(), ROUNDUP() Luento gamma 26 Luento gamma 28
7 Jono-ongelma -esimerkki Jono-ongelman simulointimallin logiikka Mike pyörittää autopesulaa. Hän on vastuussa taloudesta, kirjapidosta, markkinoinnista ja analysoinnista; hänen poikansa vastaa tuotannosta. Asiakkaat saapuvat satunnaisesti, keskimäärin 15 autoa tunnissa. Yhden auton pesu kestää keskimäärin 3 minuuttia, mutta aika vaihtelee melko paljon johtuen vaihtelusta valmistautumisessa. Mike ei käsitä, kuinka jonoa voi kertyä, kun hänen poikansa pystyy työskentelemään nopeammin kuin autot saapuvat. Vaikka asiakkaat valittavat hieman, he eivät lähde vaikka he joutuvat odottamaan. start: I = 0 Arrival_time(0) = 0 Completion_time(0) = 0 Process new customer: I = I +1 Generate TBA(I) Is Completion_time(I-1) > Arrival_time(I) Yes Start_time(I) = Completion_time(I-1) Generate service time for customer I: ST(I) No Start_time(I) = Arrival_time(I) Antaaksesi Mikelle jotain käsitystä, määritä seuraavat keskeiset luvut: Asiakkaan keskimääräinen odotusaika, asiakkaan keskimääräinen aika prosessissa, todennäköisyys, että hänen pojallaan ei ole mitään tekemistä ja todennäköisyys, että hänen poikansa on kiireinen. Oleta, että asiakkaat prosessoidaan FCFS -periaatteella. Vertaa tuloksia simulaatiotuloksiin. Arrival_time(I) = Saapumisaika(I-1) + TBA(I) Number in queue = No. of prior customers whose Completion_time > Arrival_time(I) Yes Wait_time(I) = Start_time(I) Arrival_time(I) Completion_time(I) = Start_time(I) + ST(I) Idle_time(I) = Start_time(I) -Completion_time(I-1) Process another customer? Ei STOP Luento gamma 29 Luento gamma 31 Jono-ongelma -esimerkki - case laskeminen kaavoilla - Jono-ongelma -esimerkki - case laskeminen simuloimalla - =C22+B23 =D23+E23 = D3/(D4*(D4-D3)) = 1/(D4-D3) = 1-(D3/D4) = D3/D4 M/M/1 kaavat =-(1/$D$18)*LN(RAND()) =MAX(F22;C23) =-(1/$D$19)*LN(RAND()) =D31-C31 =D31-F30 Luento gamma 30 Luento gamma 32
8 =G122 =H123 esim. TABLE funktiolla Simulointi table-funktiolla: Määritä ja numeroi simulointikertojen määrä (tässä solut B128-B227) Linkitä taulukon oikea yläkulma laskelman tulokseen (tässä esim. soluun B127 solun G122 arvo) "Maalaa" koko taulukko (tässä esim. solusta A127 soluun B227) Valitse valikoista Data-Table ja määritä sarakesolu mihin tahansa tyhjään soluun
Simulointi. Luennon sisältö. L u e n t o. Simulointimallit päätöksenteossa Todennäköisyysjakaumat. Satunnaisluvut ja Excel Mallin rakentaminen
L u e n t o Simulointi Luennon sisältö Katariina Kemppainen / Logistiikka Simulointimallit päätöksenteossa Todennäköisyysjakaumat Satunnaisluvut ja Excel Mallin rakentaminen Simulointimallit päätöksenteossa
LisätiedotHarjoitus 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
LisätiedotSatunnaislukujen generointi
Satunnaislukujen generointi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Satunnaislukujen generointi 1/27 Kevät 2003 Lähteet Knuth, D., The Art of Computer Programming,
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
LisätiedotMatematiikan 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
LisätiedotSovellettu 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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotTalousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa
Talousmatematiikan perusteet: Luento 17 Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa Motivointi Kahdella edellisellä luennolla olemme oppineet integrointisääntöjä
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedot2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotLuento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja
1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma
LisätiedotMTTTP5, 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.
LisätiedotIlkka 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
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
LisätiedotMiten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?
21.3.2019/1 MTTTP1, luento 21.3.2019 7 TILASTOLLISEN PÄÄTTELYN PERUSTEITA Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä
LisätiedotHarjoitus 8: Monte Carlo -simulointi (Matlab)
SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheet Satunnaismuuttujien ja todennäköisyysjakaumien kertaus Tilastollinen estimointi
LisätiedotHarjoitus 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
LisätiedotJohdatus 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
LisätiedotSignaalien generointi
Signaalinkäsittelyssä joudutaan usein generoimaan erilaisia signaaleja keinotekoisesti. Tyypillisimpiä generoitavia aaltomuotoja ovat eritaajuiset sinimuotoiset signaalit (modulointi) sekä normaalijakautunut
LisätiedotOtosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko
ÌÓÒÒĐĐÓ ÝÝ ÔÖÙ ØØ Naiiveja määritelmiä Suhteellinen frekvenssi kun ilmiö toistuu Jos tehdas on valmistanut 1000000 kpl erästä tuotetta, joista 5013 ovat viallisia, niin todennäköisyys, että tuote on viallinen
LisätiedotTodennäköisyysjakaumia
8.9.26 Kimmo Vattulainen Todennäköisyysjakaumia Seuraavassa esitellään kurssilla MAT-25 Todennäköisyyslaskenta esille tulleita diskreettejä todennäköisyysjakaumia Diskreetti tasajakauma Bernoullijakauma
LisätiedotDiskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma
Diskreetit todennäköisyysjakaumat Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Satunnaismuuttuja Satunnaisilmiö on ilmiö, jonka lopputulokseen sattuma vaikuttaa Satunnaismuuttuja on muuttuja,
LisätiedotTeoria. Satunnaismuuttujan arvonta annetusta jakaumasta
Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Satunnaismuuttujan arvonta annetusta jakaumasta Johdanto ja pseudosatunnaislukujen generointi Eri menetelmiä satunnaismuuttujien
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotKäytetään 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)
LisätiedotLisää 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
Lisätiedotriippumattomia ja noudattavat samaa jakaumaa.
12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotSovellettu 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
LisätiedotHarjoitus 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
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotMS-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/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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotMTTTP5, luento Kahden jakauman sijainnin vertailu (jatkoa) Tutkimustilanteita y = neliöhinta x = sijainti (2 aluetta)
MTTTP5, luento 7.12.2017 7.12.2017/1 6.1.3 Kahden jakauman sijainnin vertailu (jatkoa) Tutkimustilanteita y = neliöhinta x = sijainti (2 aluetta) y = lepopulssi x = sukupuoli y = musikaalisuus x = sukupuoli
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit siis dokumentoida
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit siis dokumentoida
LisätiedotTuotannon simulointi. Teknologiademot on the road -hanke
Tuotannon simulointi Teknologiademot on the road -hanke Simulointi Seamkissa Tuotannon simulointia on tarjottu palvelutoimintana yrityksille 90-luvun puolivälistä lähtien. Toteutettuja yritysprojekteja
Lisätiedot806109P 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
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
Lisätiedot4.1. 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/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla
16.11.2017/1 MTTTP5, luento 16.11.2017 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla ~,, ~,,. 16.11.2017/2 Esim. Tutkittiin uuden menetelmän käyttökelpoisuutta
LisätiedotPoisson-prosessien ominaisuuksia ja esimerkkilaskuja
4B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Tuntitehtävät 4B1 Eksponentiaalisten odotusaikojen toistuva odottaminen. Satunnaisluvun X sanotaan noudattavan Gamma-jakaumaa parametrein k ja λ,
LisätiedotTodennäköisyyden 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
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015
25.10.2016/1 MTTTP5, luento 25.10.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
Lisätiedot5. laskuharjoituskierros, vko 8, ratkaisut
Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa
LisätiedotMatematiikan 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
LisätiedotMS-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,
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
LisätiedotTeema 7: Todennäköisyyksien laskentaa
Teema 7: Todennäköisyyksien laskentaa Teemassa 6 tutustuttiin todennäköisyyden ja satunnaisuuden käsitteisiin sekä todennäköisyyslaskennan perusteisiin. Seuraavaksi tätä aihepiiriä syvennetään perehtymällä
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-25 Todennäköisyyslaskenta Tentti 12.4.216 / Kimmo Vattulainen Funktiolaskin sallittu. Palauta kaavakokoelma 1. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi
LisätiedotMS-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
LisätiedotTeoria. Prosessin realisaatioiden tuottaminen
Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Tapahtumapohjaisen simuloinnin periaatteet Esimerkki: M/M/1 jonon simulointi Simulointiohjelman geneeriset komponentit
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
LisätiedotJohdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotJohdatus todennäköisyyslaskentaan Jatkuvia jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Jatkuvia jakaumia TKK (c) Ilkka Mellin (2005) 1 Jatkuvia jakaumia Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen raja-arvolause TKK (c) Ilkka Mellin
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen
LisätiedotSovellettu 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
Lisätiedottilastotieteen 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
LisätiedotVALTIOTIETEELLINEN 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
LisätiedotProsessin reaalisaatioiden tuottaminen
Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Satunnaismuuttujan arvonta annetusta jakaumasta Tulosten keruu ja analyysi Varianssinreduktiotekniikoista 20/09/2004
LisätiedotSimulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen
Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen 16.06.2014 Ohjaaja: Urho Honkanen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotGenerointi yksinkertaisista diskreeteistä jakaumista
S-38.148 Tietoverkkojen simulointi / Satunnaismuuttujien generointi 1(18) Generointi yksinkertaisista diskreeteistä jakaumista Seuraavassa U, U 1,..., U n tarkoittavat riippumattomia U(0,1)-jakautuneita
LisätiedotMS-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
LisätiedotHarjoitus 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
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotD ( ) Var( ) ( ) E( ) [E( )]
Mat-.2620 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Diskreettejä jakaumia Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Eksponenttijakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Frekventistiset vs. bayeslaiset menetelmät Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotLisätehtäviä 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
LisätiedotP(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu
1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)
LisätiedotDiskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi
TOD.NÄK JA TILASTOT, MAA0 Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi Kuten tilastojakaumia voitiin esittää tunnuslukujen (keskiarvo, moodi, mediaani, jne.) avulla, niin vastaavasti
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 3
031021P Tilastomatematiikka (5 op) viikko 3 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan
LisätiedotParametrin estimointi ja bootstrap-otanta
Parametrin estimointi ja bootstrap-otanta Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Parametrin estimointi ja bootstrap-otanta 1/27 Kevät 2003 Käytännön asioista
Lisätiedot5.6.3 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
LisätiedotTehtävät. 1. Ratkaistava epäyhtälöt. a) 2(4 x) < 12, b) 5(x 2 4x + 3) < 0, c) 3 2x 4 > 6. 1/10. Sukunimi (painokirjaimin)
1/10 Tehtävä 1 2 3 4 5 6 7 8 9 10 Yhteensä Pisteet (tarkastaja merkitsee) Kokeessa on kymmenen tehtävää, joista jokainen on erillisellä paperilla. Jokaisen tehtävän maksimipistemäärä on 6 pistettä. Ratkaise
Lisätiedot4. laskuharjoituskierros, vko 7, ratkaisut
4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.
LisätiedotGeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus
GeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus Mitä jäi mieleen viime viikosta? Mitä mieltä olet tehtävistä, joissa GeoGebralla työskentely yhdistetään paperilla jaettaviin ohjeisiin
LisätiedotTutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)
1 MTTTP3 Luento 29.1.2015 Luku 6 Hypoteesien testaus Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? H 0 : µ = µ 0 H 1 : µ < µ 0 Nollahypoteesi Vaihtoehtoinen hypoteesi
LisätiedotTilastotieteen 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
LisätiedotProbabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto
Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
Lisätiedot30A02000 Tilastotieteen perusteet
30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi
LisätiedotSimulointi. Johdanto
Simulointi Johdanto Simulointi Simulointi ~ jäljittely Pyrkii kuvaamaan tutkittavan ilmiön tai systeemin oleellisia piirteitä mallin avulla. Systeemin rajaus ja tarkasteltavat piirteet määriteltävä ennen
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotHavaintoaineiston trimmauksen vaikutus otoskeskiarvoon
TEKNILLINEN KORKEAKOULU Teknillisen fysiikan ja matematiikan koulutusohjelma Mat-.108 Sovelletun matematiikan erikoistyöt 13.11.001 Havaintoaineiston trimmauksen vaikutus otoskeskiarvoon Kalle Soukka 4193W
Lisätiedot