11. Virheen arvioin-
|
|
- Elina Tyyne Kivelä
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 11. Virhee arvioi- = mi%austarkkude ja määritystarkkuude arvioi4. Erilaisia virheitä: 1. Karkeat virheet Huolima5omuudesta tai työvirheestä johtuva moka Usei huomaa äly5ömää tuloksea 2. Systemaa?set virheet Johtuu esim lai5eisto kalibroiista vääri; mi5a asteikko o väärä Vaiku5aa aia samaa suutaa, pystytää usei poistamaa 3. Satuaiset mi5ausvirheet Vaiku5aa "oikea tulokse" molemmilla puolilla Esim. silmä tai mi5alai5ee tarkkuus Ei voi kokoaa ehkäistä, mu5a suuruu5a voi arvioida
2 systemaa?e vs satuaie virhe
3 Tärkeitä määritelmiä Mi/aukse sisäie tarkkuus Mi5aus o sisäises- tarkka jos satuaiste mi5ausvirheide suuruus o piei Tulos voi sil- olla aiva väärä jos systemaa?e virhe o suuri! Mi/aukse ulkoie tarkkuus Mi5aus o ulkoises- tarkka jos se o "oikeas- oikei".
4 Virhee esi5ämie Absoluu6e virhe Esim: V = (5.4 ± 0.1) L Suhteellie virhe = absoluuttie virhe suuree arvo = 0.1L 5.4L 100% 1.9%
5 Esim: virheide vertaamie Titraustulokset olivat (5.4 ± 0.1) ml ja (108.6 ± 0.8) ml Kumpi mi5aus o tarkempi? Vastaus: riippuu tarkoitetaako absoluu6sta vai suhteellista virhe/ä. Absoluu?e virhe o suurempi jälkimmäiseässä mi5auksessa. Suhteellie virhe taas o pieempi jälkimmäisessä mi5auksessa: 0.1 ml 5.4 ml 100% 1.9% ja 0.8 ml 100% 0.74% ml
6 Mi5austuloste virherajat Riippuvat siitä suoritetaako mi5aus kerra vai toistokokeea. Jos mi/aus suoritetaa kerra: Mi5ari, silmä tms. lukematarkkuus määrää tarkkuude Esim. pui5u massa (12.2 ± 0.2) g Moissa lai5eissa tai laboratorioas-oissa o kerro5u tarkkuus.
7 Mi5austuloste virherajat Jos mi/aus suoritetaa moee kertaa Huom: oletuksea e5ä toistokerrat ovat toisistaa riippuma5omia; esim. -traus, seku-kello käy5ö Mi5aukse arvo saadaa keskiarvoa: x = N x i N Mi5aukse tarkkuus saadaa keskiarvo keskivirheeä: Δx = N (x i x ) 2 N(N -1)
8 Esim: NaOH liuokse pitoisuus selvitetää -traamalla se 0.001M HCl:llä. Titraustulokset ovat 5.21 ml, 5.32 ml ja 5.27 ml ku 100 ml NaOH äyte -trataa. Laske NaOH kosetraa-o. Ratkaisu: Mi5auste keskiarvo o V = Keskivirhe o NaOH kosetraa-o o Ja se virhe (5.21 ml ml ml) 3 ΔV = (5.21 ml V )2 + (5.32 ml V ) 2 + (5.27 ml V ) c = V 0.001M 100 ml ΔV 0.001M Δc = 100 ml Huom: tässä o olete5u e5ä HCl: kosetraa-o ja NaOH äy5ee määrä (100 ml) ovat tarkkoja.
9 Suora sovitukse virheet Suora sovituksessa etsitää vakiotermi ja kulmakerroi site e5ä mi5auspisteet sopivat mahdollisimma hyvi suoralle. Käytäössä mitatu ("todellise") ja lasketu arvo välillä o aia eroa. Tämä ero suuruude kertovat vakiotermi ja kulmakertoie stadardipoikkeamat ("virherajat"). Origi ohjelma, Mathema-ca, Matlab je (jopa jotkut taskulaskimet) atavat ämä stadardipoikkeamat. Kaavat löytyvät oppikirjoista, ei käydä läpi tässä.
10 Lasketu suuree virhe Mite mita5uje suureide virheet ja suora sovitukse virheet vaiku5avat laske5avaa olevaa suureesee? Lähtökohta: suure u u = u(x 1, x 2, x 3,..., x N ) x i :t toisistaa riippuma5omia x 1, x 2,..., x N ovat mi5austuloksia, suora parametrejä tai toistokokee keskiarvoia saatavia tuloksia (tjsp). Niide virheet ovat Δx 1, Δx 2,..., Δx N Tavoite o määritellä suuree u määritystarkkuus Δu.
11 1. Fuk-o maksimivirhe N Δu max = ( U x i ) MP 2. Fuk-o keskivirhe Δu keskivirhe = Δx i Osi5aisderivaa5a arvioidaa mi5auspisteessä N ( U 2 ) (Δx i ) 2 x i MP 3. Maksimi miimimeetelmä u max = arvo joka u saa ku jokaie virhelähde kasva5aa u:ta u mi = arvo joka u saa ku jokaie virhelähde pieetää u:ta Δu max-mi = u max - u mi 2
12 Esim: Tarkas- mita5u 0.1 mol ideaalikaasua suljetaa as-aa joka -lavuus o V = (4.0 ± 0.2) L, ja kaasu paieeksi mita?i p = (754.7 ± 0.2) torr. Laske kaasu lämpö-la. Ratkaisu: pv = RT T = pv = 484 K. R Arvioidaa seuraavaksi eri virheet. 1) T: maksimivirhe: ΔT max = 2 ( T ) MP Δx i x i = V,p x i = ( T V ) MP ΔV + ( T p ) MP Δp = p ΔV + V R MP R MP Δp
13 ΔT max = p ΔV + V Δp R MP R MP Pa = 0.1 mol J K -1 mol m m mol J K Pa = 24.3K -1 mol maksimivirhettä käyttäe saadaa siis T = (484 ± 24)K 2) T: keskivirhe ΔT keskivirhe = = 24.2 K ( T V ) 2 MP (ΔV) 2 + ( T p ) 2 (Δp) 2 MP Keskivirhettä käyttäe saadaa siis T = (484 ± 24) K
14 3) Maksimi miimikeio (p + Δp)(V + ΔV) T max = = K R (p - Δp)(V - ΔV) T mi = = K R ΔT max-mi = T max T mi 24K 2 Maksimi - miimikeio käyttäe saadaa siis T = (484 ± 24) K Tässä tapauksessa kaikki kolme keioa atoivat sama tulokse, mu5a äi ei aia ole.
15 Esim: Otetaa fuk-o ϒ joka riippuu 7 muu5ujasta seuraavas-: 26r 2 (g p g )t γ = 9 l (1+ 2.2x)(1.65y) Oletetaa: r mittaustarkkuus o Δr, g p mittaustarkkuus o Δg p g mittaustarkkuus o Δg, t mittaustarkkuus o Δt l mittaustarkkuus o Δl, x mittaustarkkuus o Δx y mittaustarkkuus o Δy Lasketaa virheraja maksimi miimikeiolla: γ max = 26(r + Δr)2 (g p + Δg p (g - Δg ))(t + Δt) 9 (l - Δl) (1+ 2.2(x - Δx))(1.65(y - Δy)) γ mi = 26(r - Δr)2 (g p Δg p (g + Δg ))(t - Δt) 9 (l + Δl) (1+ 2.2(x + Δx))(1.65(y + Δy)) Δγ = γ max γ mi 2
16 Pieimmä eliösumma sovitus = PNS sovitus (eglaiksi least squares fit). Tavoite: etsiä sovite5ava fuk-o parametrit jotka kuvaavat mi5ausaieistoa mahdollisimma hyvi. Esim: mi5ausaieisto {x i, y i }, eli o mita5y y: arvoja y i muu5uja x arvoilla x i. Sovitetaa fuk-oo y = a + bx ja yritetää löytää paras mahdollie a ja b. Mkä määrää "parhaa mahdollisimma" sovitukse?
17 Residuaalie eliöide summa Lähtökohtaa o residuaalie eliöide summa: mittauspisteet (a + bx i - y i ) 2 = (y i - a - bx i ) 2 mittauspisteet Residuaali eliöide summa miimi ataa parhaa mahdollise sovitukse. Yleises-: jos sovite5avassa fuk-ossa o N kpl parametrejä, miimoimistehtävää tulee N yhtälöä, joide avulla parametrie arvot ratkaistaa. Suora sovituksessa parametrejä o kaksi (a ja b), jote miimoimistehtävässä o kaksi yhtälöä.
18 Suora sovitus havaitoa {x i, y i } sovitetaa fuk-oo y = a + bx. Residuaali eliöide summa o: S = (y i - a - bx i ) 2 Huom: tässä yhteydessä a ja b ovat siis tutema5omia muu5ujia; mitatut y i ja x i taas tue5uja vakioita! Ja se miimissä: ds da = ds db = 2(y i - a - bx i) -1 = 0 2(y i - a - bx i) -x i = 0
19 Jaetaa molemmat yhtälöt 2:lla; saadaa yhtälöpari: (y i - a - bx i ) = 0 2 (y i x i - ax i - bx i ) = 0 Jaetaa molemmat yhtälöt :llä, saadaa: = = ( y i - a - b x i ) = 0 ( y ix i - a x i - b x 2 i ) = 0 y a bx = 0 yx - ax - bx 2 = 0 Huom! x : ja y : keskiarvot x i x = 1 lisäksi :, y = 1 y i a = a 1 = a = a
20 y a bx = 0 yx - ax - bx 2 = 0 x = y x ax b(x) 2 = 0 yx - ax - bx 2 = 0 Väheetää ylemmästä yhtälöstä puoli5ai alempi: y x ax b(x) 2 yx + ax + bx 2 = 0 y x yx - b(x) 2 + bx 2 = 0 b = yx - y x x 2 (x) 2 Ylemmästä yhtälöstä saadaa yt: a = y x b(x)2 x = y bx
21 Suora sovitus Origi ohjelmalla Työ vaiheet: 1. Muuta kemiaa kuvaava laki suora yhtälöksi. (Tämä kaa5aa tehdä jo ee harjoitusta -etokoeluokassa!) Esim: p = p 0 e Δ v H R ( 1 T 1 T o ) l(p) = l(p 0 ) - Δ v H R ( 1 T 1 T o ) l(p) = l(p 0 ) + Δ v H Δ v H RT 0 R 1 T y = a + bx
22 Suora sovitus Origi ohjelmalla 2. Kirjoita (ja tarvi/aessa laske) aetut arvot Origitaulukkoo T p 1/T l p
23 Suora sovitus Origi ohjelmalla 3. Piirrä pisteet koordiaamstoo. MieM äy/ääkö kuva järkevältä. Kuvaaja imi l (p) l(p) = (1/T) 1/T 4. Tee suora sovitus PNS meetelmällä 5. Viimeistele kuvaaja! Akselie imeämie Kuvaaja imeämie Liitä suora sovitukse Medot kuvaa
9. Tilasto+eteen eri/äin alkeelliset alkeet ja virheen arvioin+
9. Tilasto+eteen eri/äin alkeelliset alkeet ja virheen arvioin+ Kemiassa ja muissa luonnon+eteissä käsitellään usein suuria määriä mi/ausdataa. Mi/ausdatan käsi/elyä ja jatkojalostusta varten (esim: selostusten
Lisätiedot8. Tilasto/eteen alkeet ja virheen arvioin/
8. Tilasto/etee alkeet ja virhee arvioi/ Kemiassa ja muissa luoo/eteissä käsitellää usei suuria määriä mi;ausdataa. Mi;ausdata käsi;elyä ja jatkojalostusta varte (esim: selostuste ja raporbe kirjoi;amie)
LisätiedotJatkuva ja diskreeb jakauma. Histogrammi. 9. Tilasto/eteen eri3äin alkeelliset alkeet ja virheen arvioin/ 3/21/13
9. Tilasto/etee eri3äi alkeelliset alkeet ja virhee arvioi/ Kemiassa ja muissa luoo/eteissä käsitellää usei suuria määriä mi3ausdataa. Mi3ausdata käsi3elyä ja jatkojalostusta varte (esim: selostuste ja
Lisätiedot8. Monen muu*ujan funk/on differen/aalilaskenta
8. Monen muu*ujan funk/on differen/aalilaskenta Esim 1. Ideaalikaasun /lanyhtälö p = nrt V Paine riippuu /lavuudesta, ainemäärästä ja lämpö/lasta: p = p(n, T, V) Esim 2. Hiukkasen aaltofunk/o kolmiulo*eisessa
Lisätiedot8. Monen muu*ujan funk/on differen/aalilaskenta
8. Monen muu*ujan funk/on differen/aalilaskenta Esim 1. Ideaalikaasun /lanyhtälö p = nrt V Paine riippuu /lavuudesta, ainemäärästä ja lämpö/lasta: p = p(n, T, V) Esim 2. Hiukkasen aaltofunk/o kolmiulo*eisessa
Lisätiedot7. Monen muu/ujan funk4on differen4aalilaskenta
7. Monen muu/ujan funk4on differen4aalilaskenta Esim 1. Ideaalikaasun 4lanyhtälö p = nrt V Paine riippuu 4lavuudesta, ainemäärästä ja lämpö4lasta: p = p(n, T, V) Esim 2. Hiukkasen aaltofunk4o kolmiulo/eisessa
LisätiedotS Laskennallinen systeemibiologia
S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude
LisätiedotLIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3
LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi
LisätiedotCh 12-4&5 Elastisuudesta ja lujuudesta
Ch 12-4&5 Elastisuudesta ja lujuudesta Jännitys ja venymä Hooken laki F = k l Δl = 1 k F Jousivakio k riippuu langan dimensioista Saadaan malli Δl = l o EA F k = E A l o Lisäksi tarvitaan materiaalia kuvaava
LisätiedotLIITE 1 VIRHEEN ARVIOINNISTA
1 LIITE 1 VIRHEEN ARVIOINNISTA Mihin tarvitset virheen arviointia? Mittaustulokset ovat aina todellisten luonnonvakioiden ja tutkimuskohdetta kuvaavien suureiden likiarvoja, vaikka mittauslaite olisi miten
LisätiedotLämpötila Lämpölaajeneminen Ideaalikaasu. Luku 17
Lämpötila Lämpölaajeneminen Ideaalikaasu Luku 17 Ch 17-1 3 Termodynaaminen tasapaino Termodynaaminen tasapaino: Tuotaessa kaksi systeemiä lämpökontaktiin niiden termodynaaminen tasapaino on saavutettu,
LisätiedotMATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai
MATP53 Approbatur B Harjoitus, ratkaisut Maaatai..05. (Lämmittelytehtävä.) Oletetaa, että op = 7 tutia työtä. Kuika mota tutia Oili Opiskelija työsketelee itseäisesti kurssilla, joka laajuus o 4 op, ku
LisätiedotJohdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli TKK (c) Ilkka Melli (2005) Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää
LisätiedotLIITE 1 VIRHEEN ARVIOINNISTA
1 Mihin tarvitset virheen arviointia? Mittaustuloksiin sisältyy aina virhettä, vaikka mittauslaite olisi miten uudenaikainen tai kallis tahansa ja mittaaja olisi alansa huippututkija Tästä johtuen mittaustuloksista
Lisätiedot= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1
35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,
LisätiedotLIITE 1 VIRHEEN ARVIOINNISTA
Oulun yliopisto Fysiikan opetuslaboratorio Fysiikan laboratoriotyöt 1 1 LIITE 1 VIRHEEN RVIOINNIST Mihin tarvitset virheen arviointia? Mittaustuloksiin sisältyy aina virhettä, vaikka mittauslaite olisi
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotSisältö. Kvantitatiivinen metodologia verkossa. Monitasomallintaminen. Monitasomallit. Regressiomalli dummy-muuttujilla.
Kvatitatiivie metodologia verkossa Moitasomallius Pekka Ratae Helsigi yliopisto isältö Moitasomallit Matemaattisia peruskäsitteitä Esimerkki kovariassista Otatavirhe Esimerkki elittävie muuttujie lisäämie
LisätiedotVirhearviointi. 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
LisätiedotYhden selittäjän lineaarinen regressiomalli
Ilkka Melli Tilastolliset meetelmät Osa 4: Lieaarie regressioaalyysi Yhde selittäjä lieaarie regressiomalli TKK (c) Ilkka Melli (007) Yhde selittäjä lieaarie regressiomalli >> Yhde selittäjä lieaarie regressiomalli
LisätiedotInsinöörimatematiikka IA
Isiöörimatematiikka IA Harjoitustehtäviä. Selvitä oko propositio ( p q r ( p q r kotradiktio. Ratkaisu: Kirjoitetaa totuustaulukko: p q r ( p q r p q r ( p q r ( p q r 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
LisätiedotOtantajakauman käyttö päättelyssä
Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus
Lisätiedot4.3 Signaalin autokorrelaatio
5 4.3 Sigaali autokorrelaatio Sigaali autokorrelaatio kertoo kuika paljo sigaali eri illä korreloi itsesä kassa (josta imiki). Se o Fourier-muuokse ohella yksi käyttökelpoisimmista sigaalie aalysoitimeetelmistä.
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollise aalyysi perusteet, kevät 007 6. lueto: Johdatus regressioaalyysii S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 1 Regressioaalyysi idea Tavoitteea selittää selitettävä tekiä/muuttua
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kurssikerta 1 Iduktiotodistus Iduktiotodistukse logiikka Tutkitaa tapausta, jossa haluamme todistaa joki väittee P() site, että se pätee kaikilla luoollisissa luvuilla. Eli halutaa
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todeäköisyyslaskea ja tilastotietee peruskurssi 4A Satuaisotata ja parametrie estimoiti Lasse Leskelä Matematiika ja systeemiaalyysi laitos Perustieteide korkeakoulu Aalto-yliopisto Syksy 2016,
Lisätiedot( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.
Kombiatoriikka, kesä 2010 Harjoitus 2 Ratkaisuehdotuksia (RT) (5 sivua) Käytä tehtävissä 1-3 kombiatorista päättelyä. 1. Osoita, että kaikilla 0 b a pätee ( ) a a ( ) k 1 b b 1 kb Biomikertoime määritelmä
LisätiedotDifferentiaali- 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,
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotTehtäviä neliöiden ei-negatiivisuudesta
Tehtäviä epäyhtälöistä Tehtäviä eliöide ei-egatiivisuudesta. Olkoo a R. Osoita, että 4a 4a. Ratkaisu. 4a 4a a) a 0 a ) 0.. Olkoot a,, R. Osoita, että a a a. Ratkaisu. Kerrotaa molemmat puolet kahdella:
LisätiedotRATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan
RATKAISUT 8 17 8 a) Paraabelie y x ja y x + x + 1 leikkauspisteet saadaa määritettyä, ku esi ratkaistaa yhtälö x x + x + 1, eli x x, joka o yhtäpitävä yhtälö x x. Toise astee yhtälö ratkaisukaavalla saadaa
LisätiedotTekijä Pitkä matematiikka Pisteen (x, y) etäisyys pisteestä (0, 2) on ( x 0) Pisteen (x, y) etäisyys x-akselista, eli suorasta y = 0 on y.
Tekijä Pitkä matematiikka 5 7..017 37 Pisteen (x, y) etäisyys pisteestä (0, ) on ( x 0) + ( y ). Pisteen (x, y) etäisyys x-akselista, eli suorasta y = 0 on y. Merkitään etäisyydet yhtä suuriksi ja ratkaistaan
LisätiedotMatematiikan 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
LisätiedotDiplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2017 Insinöörivalinnan matematiikan koe , Ratkaisut (Sarja A)
Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 017 Insinöörivalinnan matematiikan koe 30..017, Ratkaisut (Sarja A) 1. a) Lukujen 9, 0, 3 ja x keskiarvo on. Määritä x. (1 p.) b) Mitkä reaaliluvut
LisätiedotVanhoja koetehtäviä. Analyyttinen geometria 2016
Vanhoja koetehtäviä Analyyttinen geometria 016 1. Määritä luvun a arvo, kun piste (,3) on käyrällä a(3x + a) = (y - 1). Suora L kulkee pisteen (5,1) kautta ja on kohtisuorassa suoraa 6x + 7y - 19 = 0 vastaan.
LisätiedotTilastollinen todennäköisyys
Tilastollie todeäköisyys TOD.NÄK JA TILASTOT, MAA10 Klassisessa todeäköisyydessä oli ehdot: äärellisyys ja symmetrisyys. Tämä tilae o usei mahdoto ts. alkeistapauksia o usei ääretö määrä tai e eivät ole
LisätiedotT Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen
T-1.1 Datasta tietoo, syksy 5 Laskuharjoitus.1., ratkaisuja Joui Seppäe 1. Simuloidaa tasoittaista algoritmia. Esimmäisessä vaiheessa ehdokkaia ovat kaikki yhde muuttuja joukot {a}, {b}, {c} ja {d}. Aaltosulkeide
Lisätiedoty + 4y = 0 (1) λ = 0
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 6 mallit Kevät 2019 Tehtävä 1. Ratkaise yhtälöt a) y + 4y = x 2, b) y + 4y = 3e x. Ratkaisu: a) Differentiaaliyhtälön yleinen
Lisätiedot(0 desimaalia, 2 merkitsevää numeroa).
NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx
LisätiedotKäy vastaamassa kyselyyn kurssin pedanet-sivulla (TÄRKEÄ ensi vuotta ajatellen) Kurssin suorittaminen ja arviointi: vähintään 50 tehtävää tehtynä
Käy vastaamassa kyselyyn kurssin pedanet-sivulla (TÄRKEÄ ensi vuotta ajatellen) Kurssin suorittaminen ja arviointi: vähintään 50 tehtävää tehtynä (vihkon palautus kokeeseen tullessa) Koe Mahdolliset testit
LisätiedotLineaarinen toisen kertaluvun yhtälö
Lineaarinen toisen kertaluvun yhtälö Keijo Ruotsalainen Mathematics Division Lineaarinen toisen kertaluvun differentiaaliyhtälö Toisen kertaluvun täydellinen lineaarinen yhtälö muotoa p 2 (x)y + p 1 (x)y
LisätiedotNormaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
LisätiedotThermodynamics is Two Laws and a Li2le Calculus
Thermodynamics is Two Laws and a Li2le Calculus Termodynamiikka on joukko työkaluja, joiden avulla voidaan tarkastella energiaan ja entropiaan lii2yviä ilmiötä kaikissa luonnonilmiöissä ja lai2eissa Voidaan
Lisätiedotn = 100 x = 0.6 99%:n luottamusväli µ:lle Vastaus:
1. Tietyllä koeella valmistettavie tiivisterekaide halkaisija keskihajoa tiedetää oleva 0.04 tuumaa. Kyseisellä koeella valmistettuje 100 rekaa halkaisijoide keskiarvo oli 0.60 tuumaa. Määrää 95%: ja 99%:
Lisätiedot= 2 L L. f (x)dx. coshx dx = 1 L. sinhx nπ. sin. sin L + 2 L. a n. L 2 + n 2 cos. tehdään approksimoinnissa virhe, jota voidaan arvioida integraalin
BMA7 - Integraalimuunnokset Harjoitus 9. Määritä -jaksollisen funktion f x = coshx, < x < Fourier-sarja. Funktion on parillinen, joten b n = kun n =,,3,... Parillisuudesta johtuen kertoimet a ja a n saadaan
LisätiedotRekursioyhtälön ratkaisu ja anisogamia
Rekursioyhtälö ratkaisu ja aisogamia Eeva Vilkkumaa.0.2008 Rekursioyhtälö ratkaisu (Liite I) Edellie esitelmä: +/m -koiraide (p) ja -aaraide (P) osuus populaatiossa kehittyy rekursiivisesti: p P + + a
Lisätiedot4.7 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
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kurssikerta 3 1 Lisää iduktiota Jatketaa iduktio tarkastelua esimerki avulla. Yritetää löytää kaava : esimmäise (positiivise) parittoma luvu summalle eli summalle 1 + 3 + 5 + 7 +...
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut
Lisätiedot3 b) Määritä paljonko on cos. Ilmoita tarkka arvo ja perustele vastauksesi! c) Muunna asteiksi 2,5 radiaania. 6p
MAA9 Koe.5.0 Jussi Tyi Tee koseptii pisteytysruudukko! Muista kirjata imesi ja ryhmäsi. Valitse kuusi tehtävää!. a) Ratkaise yhtälö si x. Ilmoita vastaus radiaaeia! b) Määritä paljoko o cos. Ilmoita tarkka
LisätiedotOtantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä
Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria
LisätiedotHarjoitustehtävien ratkaisuja
3. Mallitamie lukujooje avulla Lukujoo määritelmä harjoituksia Harjoitustehtävie ratkaisuja 3. Laske lukujoo viisi esimmäistä jäsetä, ku a) a 6 ja b) a 6 ja 3 8 c) a ja 3 a) 6,, 8, 4, 30. b) 8,, 6, 0,
LisätiedotMS-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
LisätiedotBM20A Integraalimuunnokset Harjoitus 8
(b)...(d) eve + eve = eve eve eve = eve BM2A57 - Itegraalimuuokset Harjoitus 8. Vastaa jokaisessa kohdassa seuraavii kysymyksii: Oko fuktio parillie? Oko fuktio parito? Huomaatko polyomie kohdalla hyvi
LisätiedotYhtälön oikealla puolella on säteen neliö, joten r. = 5 eli r = ± 5. Koska säde on positiivinen, niin r = 5.
Tekijä Pitkä matematiikka 5 7..017 31 Kirjoitetaan yhtälö keskipistemuotoon ( x x ) + ( y y ) = r. 0 0 a) ( x 4) + ( y 1) = 49 Yhtälön vasemmalta puolelta nähdään, että x 0 = 4 ja y 0 = 1, joten ympyrän
LisätiedotMat-2.090 Sovellettu todennäköisyyslasku A
Mat-.090 Sovellettu todeäköiyylaku A Mat-.090 Sovellettu todeäköiyylaku A / Ratkaiut Aiheet: Avaiaat: Tilatollite aieito keräämie ja mittaamie Tilatollite aieitoje kuvaamie Oto ja otojakaumat Aritmeettie
LisätiedotParametrien oppiminen
38 Parametrie oppimie Tilastollise malli (Bayes-verkko rakee o kiiitetty, se umeeriste parametrie (ehdolliste todeäköisyyksie arvot pyritää määräämää Oletamme havaitoe oleva täydellisiä; s.o., okaise datapistee
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma
Lisätiedot811312A Tietorakenteet ja algoritmit , Harjoitus 1 ratkaisu
83A Tietoraketeet ja algoritmit 06-07, Harjoitus ratkaisu Harjoitukse aiheea o algoritmie oikeellisuus. Tehtävä. Kahvipurkkiogelma. Kahvipurkissa P o valkoisia ja mustia kahvipapuja, yhteesä vähitää kaksi
LisätiedotViivaintegraali: "Pac- Man" - tulkinta
Viivaintegraali: "Pac- Man" - tulkinta Otetaan funk6o f(x,y), joka riippuu muu@ujista x ja y. Jokaiselle x,y tason pisteellä funk6olla on siis joku arvo. Tyypillisiä fysikaalis- kemiallisia esimerkkejä
LisätiedotOsi+aisintegroin3. Palautetaan mieleen tulon derivoimissääntö:
9//3 Osi+aisintegroin3 Palautetaan mieleen tulon derivoimissääntö: d df(x) dg(x) (f(x) g(x)) = g(x) + f(x) Integroidaan yhtälön molemmat puolet x:n suhteen: d (f(x) g(x)) = df(x) g(x) + f(x) dg(x) f(x)
LisätiedotKirjoitetaan FIR-suotimen differenssiyhtälö (= suodatuksen määrittelevä kaava):
TL536, DSK-algoritmit (S4) Harjoitus. Olkoo x(t) = cos(πt)+cos(8πt). a) Poimi sigaalista x äytepisteitä taajuudella f s = 8 Hz. Suodata äi saamasi äytejoo x[] FIR-suotimella, joka suodikertoimet ovat a
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 10: Moninkertaisten integraalien sovelluksia
MS-A22 ifferentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Moninkertaisten integraalien sovelluksia Antti Rasila Aalto-yliopisto Syksy 215 Antti Rasila (Aalto-yliopisto) MS-A22 Syksy 215 1 / 2 Moninkertaisten
LisätiedotDifferentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40
Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40 Alkuviikolla harjoitustehtäviä lasketaan harjoitustilaisuudessa. Loppuviikolla näiden harjoitustehtävien tulee olla ratkaistuina harjoituksiin
Lisätiedot3. Differen*aalilaskenta
3. Differen*aalilaskenta Differen*aali "hyvin pieni muutos" Derivaa9a kuvaa funk*on muutosnopeu9a Esim. 1 kertaluvun kemiallinen reak*o A > B Reak*on nopeus on A:n tai B:n konsentraa*on muutosnopeus. Reak*on
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 10: Moninkertaisten integraalien sovelluksia
MS-A22 ifferentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Moninkertaisten integraalien sovelluksia Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 217 Antti Rasila (Aalto-yliopisto)
LisätiedotTILASTOT: johdantoa ja käsitteitä
TILASTOT: johdatoa ja käsitteitä TOD.NÄK JA TILASTOT, MAA10 Tilastotietee tehtävää o esittää ja tulkita tutkimuskohteesee liittyvää havaitoaieistoa eli tilastoaieistoa. Tutkitaa valittua joukkoa ja se
LisätiedotPHYS-A1110 Laboratoriotyöosuus. Vastaava opettaja Jani Sainio puh: 050-5756914 jani.sainio@aalto.fi huone 138 (OK 4A)
PHYS-A1110 Laboratoriotyöosuus Vastaava opettaja Jani Sainio puh: 050-5756914 jani.sainio@aalto.fi huone 138 (OK 4A) Kurssin järjestelyt Miksi? Fysiikka on havaintoja ja niiden selittämistä / ennustamista
LisätiedotFunktion raja-arvo ja jatkuvuus Reaali- ja kompleksifunktiot
3. Funktion raja-arvo ja jatkuvuus 3.1. Reaali- ja kompleksifunktiot 43. Olkoon f monotoninen ja rajoitettu välillä ]a,b[. Todista, että raja-arvot lim + f (x) ja lim x b f (x) ovat olemassa. Todista myös,
LisätiedotMatematiikan peruskurssi (MATY020) Harjoitus 10 to
Matematiikan peruskurssi (MATY00) Harjoitus 10 to 6.3.009 1. Määrää funktion f(x, y) = x 3 y (x + 1) kaikki ensimmäisen ja toisen kertaluvun osittaisderivaatat. Ratkaisu. Koska f(x, y) = x 3 y x x 1, niin
Lisätiedot9.7 Matriisinormit. Vaasan yliopiston julkaisuja 225. Ei siis lainkaan ongelmia defektiivisyydestä.
Vaasa yliopisto julkaisuja 225 U = 0.1213-0.9359-0.3307-0.1005-0.3430 0.9339 0.9875 0.0801 0.1357 S = V = >> 4.5221 0 0 0 2.2793 0 0 0 1.1642 0.0537-0.8212-0.5681 0.4414-0.4908 0.7512 0.8957 0.2911-0.3361
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy 08 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var
Lisätiedot2.3.1. Aritmeettinen jono
.3.1. Aritmeettie joo -joo, jossa seuraava termi saadaa edellisestä lisäämällä sama luku a, a + d, a+d, a +3d, Aritmeettisessa joossa kahde peräkkäise termi erotus o aia vakio: Siis a +1 a d (vakio Joo
LisätiedotRatkaisu: Tutkitaan derivoituvuutta Cauchy-Riemannin yhtälöillä: f(x, y) = u(x, y) + iv(x, y) = 2x + ixy 2. 2 = 2xy xy = 1
1. Selvitä missä tason pisteissä annetut funktiot ovat derivoituvia/analyyttisiä. Määrää funktion derivaatta niissä pisteissä, joissa se on olemassa. (a) (x, y) 2x + ixy 2 (b) (x, y) cos x cosh y i sin
LisätiedotLaskun vaiheet ja matemaattiset mallit
Laskun vaiheet ja matemaattiset mallit Jukka Sorjonen sorjonen.jukka@gmail.com 28. syyskuuta 2016 Jukka Sorjonen (Jyväskylän Normaalikoulu) Mallit ja laskun vaiheet 28. syyskuuta 2016 1 / 22 Hieman kertausta
Lisätiedotln2, missä ν = 1mol. ja lopuksi kaasun saama lämpömäärä I pääsäännön perusteella.
S-114.42, Fysiikka III (S 2. välikoe 4.11.2002 1. Yksi mooli yksiatomista ideaalikaasua on alussa lämpötilassa 0. Kaasu laajenee tilavuudesta 0 tilavuuteen 2 0 a isotermisesti, b isobaarisesti ja c adiabaattisesti.
LisätiedotTalousmatematiikan perusteet, ORMS1030
kevät 2017 Talousmatematiika perusteet, ORMS1030 Opettaja: Matti Laaksoe A1. välikoe torstaia 16.2.2017 A Ratkaise 3 tehtävää. Kokeessa saa olla mukaa laski ja taulukkokirja (MAOL tai vastaava). Ku teet
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma
LisätiedotSuoran yhtälöt. Suoran ratkaistu ja yleinen muoto: Suoran yhtälö ratkaistussa, eli eksplisiittisessä muodossa, on
Suoran htälöt Suoran ratkaistu ja leinen muoto: Suoran htälö ratkaistussa, eli eksplisiittisessä muodossa, on ANALYYTTINEN GEOMETRIA MAA5 = k + b, tai = a missä vakiotermi b ilmoittaa suoran ja -akselin
LisätiedotTyö 55, Säteilysuojelu
Työ 55, Säteilysuojelu Ryhmä: 18 Pari: 1 Joas Alam Atti Tehiälä Selostukse laati: Joas Alam Mittaukset tehty: 7.4.000 Selostus jätetty: 1.5.000 1. Johdato Tutkimme työssämme kolmea eri säteilylajia:, ja
Lisätiedot2 u = 0. j=1. x 2 j=1. Siis funktio v saavuttaa suurimman arvonsa jossakin alueen Ω pisteessä x. Pisteessä x = x on 2 v. (x ) 0.
0. Maksimiperiaate Laplace-yhtälölle 0.. Maksimiperiaate. Alueessa Ω R määritelty kaksi kertaa erivoituva fuktio u o harmoie, jos u = j= = 0. 2 u x 2 j Lause 0.. Olkoot Ω R rajoitettu alue ja u C(Ω) C
LisätiedotEksimeerin muodostuminen
Fysikaalisen kemian Syventävät-laboratoriotyöt Eksimeerin muodostuminen 02-2010 Työn suoritus Valmista pyreenistä C 16 H 10 (molekyylimassa M = 202,25 g/mol) 1*10-2 M liuos metyylisykloheksaaniin.
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma
Lisätiedot4 KORKEAMMAN KERTALUVUN LINEAARISET DIFFERENTIAALIYHTÄLÖT. Kertaluvun n lineaarinen differentiaaliyhtälö ns. standardimuodossa on
4 4 KORKEAAN KERTAUVUN INEAARISET DIFFERENTIAAIYHTÄÖT Kertalukua olevassa differetiaalihtälössä F(x,,,, () ) = 0 esiit :e kertaluvu derivaatta () = d /dx ja mahdollisesti alempia derivaattoja, :tä ja x:ää.
LisätiedotLuoki?elua: tavallinen vs osi?ais. Osa 11. Differen0aaliyhtälöt. Luoki?elua: kertaluku. Luoki?elua: lineaarisuus 4/13/13
4/3/3 Osa. Differen0aaliyhtälöt Differen0aaliyhtälö = yhtälö jossa esiintyy jonkin funk0on derivaa?a. Esim: dx = x2 f x + f xy 2 2m d 2 ψ = Eψ dx 2 Luoki?elua: tavallinen vs osi?ais Differen0aaliyhtälöt
LisätiedotOletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä
LisätiedotAineopintojen laboratoriotyöt 1. Veden ominaislämpökapasiteetti
Aineopintojen laboratoriotyöt 1 Veden ominaislämpökapasiteetti Aki Kutvonen Op.nmr 013185860 assistentti: Marko Peura työ tehty 19.9.008 palautettu 6.10.008 Sisällysluettelo Tiivistelmä...3 Johdanto...3
Lisätiedot3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =
BM20A5810 Differentiaalilaskenta ja sovellukset Harjoitus 6, Syksy 2016 1. (a) Olkoon z = z(x,y) = yx 1/2 + y 1/2. Muodosta z:lle lineaarinen approksimaatio L(x,y) siten että approksimaation ja z:n arvot
Lisätiedot2. Yhden muu+ujan funk0ot
2. Yhden muu+ujan funk0ot Vakiolämpö0lassa T ideaalikaasun, jota on ainemäärä T, 0lavuus V riippuu paineesta seuraavalla tavalla: V = nrt/p Tällöin sanotaan e+ä 0lavuus on paineen funk0o, ja voidaan merkitä
LisätiedotHelsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet
Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.01 klo 10 13 t ja pisteytysohjeet 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 x 3 3 x 1 4, (b)
LisätiedotAnalyysi A. Harjoitustehtäviä lukuun 1 / kevät 2018
Aalyysi A Harjoitustehtäviä lukuu / kevät 208 Ellei toisi maiita, tehtävissä esiityvät muuttujat ja vakiot ovat mielivaltaisia reaalilukuja.. Aa joki ylä- ja alaraja joukoille { x R x 2 + x 6 ja B = {
Lisätiedot4 / 2013 TI-NSPIRE CAS TEKNOLOGIA LUKIOSSA. T3-kouluttajat: Olli Karkkulainen ja Markku Parkkonen
4 / 2013 TI-NSPIRE CAS TEKNOLOGIA LUKIOSSA T3-kouluttajat: Olli Karkkulainen ja Markku Parkkonen 1 2 TI-Nspire CX CAS kämmenlaite kevään 2013 pitkän matematiikan kokeessa Tehtävä 1. Käytetään komentoa
LisätiedotLaskun vaiheet ja matemaattiset mallit
Laskun vaiheet ja matemaattiset mallit Jukka Sorjonen sorjonen.jukka@gmail.com 26. syyskuuta 2016 Jukka Sorjonen (Jyväskylän Normaalikoulu) Mallit ja laskun vaiheet 26. syyskuuta 2016 1 / 14 Hieman kertausta
LisätiedotOsa IX. Z muunnos. Johdanto Diskreetit funktiot
Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto
LisätiedotFysiikan laboratoriotyöt 3 Sähkömotorinen voima
Fysiikan laboratoriotyöt 3 Sähkömotorinen voima Työn suorittaja: Antti Pekkala (1988723) Mittaukset suoritettu 8.10.2014 Selostus palautettu 16.10.2014 Valvonut assistentti Martti Kiviharju 1 Annettu tehtävä
LisätiedotDifferentiaali- 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
LisätiedotKertaa tarvittaessa induktiota ja rekursiota koskevia tietoja.
MATEMATIIKAN JA TILASTOTIETEEN LAITOS Aalyysi I Harjoitus 5. 0. 2009 alkavalle viikolle Ratkaisuehdotuksia ( sivua) (Rami Luisto) Laskuharjoituksista saa pistettä, jos laskettu vähitää 50 tehtävää; 3 pistettä,
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II
Otokset MS-A050 Todeäköisyyslaskea ja tilastotietee peruskurssi Lueot, osa II Kaksi hyödyllista jakaumaa 3 Estimoiti G. Gripeberg 4 Luottamusvälit Aalto-yliopisto. helmikuuta 05 5 Hypoteesie testaus 6
Lisätiedot