Luento 6 Yhteisvikojen analyysi PSA:n sovelluksia

Koko: px
Aloita esitys sivulta:

Download "Luento 6 Yhteisvikojen analyysi PSA:n sovelluksia"

Transkriptio

1 Luento 6 Yhteisvikojen analyysi PSA:n sovelluksia Jan-Erik Holmberg Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, Aalto jan-erik.holmberg@riskpilot.fi 1

2 Katkosjoukkojen lukumäärä (1/3) Lähtökohtia Isoissa järjestelmissä perustapahtumia voi olla satoja Näistä muodostuvia katkosjoukkoja voi olla miljoonia tai peräti miljardeja tuloksena laskennallisia haasteita Päähuomio kohdistuu yleensä tn:ltään suurimpiin katkosjoukkoihin (esim. tn > 10-7 ) Miten tarkasteltavien katkosjoukkojen määrää voidaan rajoittaa siten, että tn:ltään kynnysarvon alittavia katkosjoukkoja ei välttämättä generoida? Lähestymistapa Järjestetään perustapahtumat tn:nsä mukaan alenevaan järjestykseen Rakennetaan puu, jossa» kullakin tasolla lisätään yksi vikaantuva perustapahtuma aiempien tasojen tapahtumiin» kullakin rivillä perustapahtumat esitetään em. tnjärjestyksen mukaisesti (so. tn:ltään suurin ensin, sitten toiseksi suurin jne.) 2

3 Katkosjoukkojen lukumäärä (2/3) Huomioita Olkoon P i i:nnen perustapahtuman tn Vikajoukko FS (failure set) on joukko toteutuvia perustapahtumia Jos perustapahtumat ovat riippumattomia, niin vikajoukon tn on P FS = i FS P i (1 P i ) i FS 3

4 Katkosjoukkojen lukumäärä (3/3) Tapahtuman lisääminen vikajoukkoon Jos FS on vikajoukko, joka saadaan lisäämällä vikajoukkoon FS perustapahtuma j, niin P FS = P j P 1 P i (1 P i ) j i FS i FS = P(FS) P j 1 P j P j Kerrointermi pienempi kuin 1 joss P 1 P j < 0.5 j Ts. jos FS:n tn on alle kynnysarvon, sama pätee tn-ehdon mukaisesti laajennetulle vikajoukolle vikajoukkojen määrää voidaan rajata Tapahtuman vaihtaminen toiseksi Jos FS saadaan vaihtamalla vikajoukossa FS perustapahtuma j tapahtumaksi k, niin P FS = P k (1 P j ) i FS FS = 1 P j P j P k 1 P k P(FS) P i i FS FS (1 P i ) Huom! Modarres Kerrointermi pienempi kuin 1 joss P k < P j (3.4) väärin! Ts. jos FS:n tn on alle kynnysarvon, sama pätee näin tehdyn vaihdon kautta saadulle vikajoukolle vikajoukkojen määrää voidaan rajata 4

5 Toisistaan riippuvat vikaantumiset Riippuvuuksien huomiointi Perustapahtumien taustalla voi olla yhteisiä syitä Nämä on pyrittävä huomioimaan muutoin saadut riskiarviot ovat alakanttiin, koska yhteisten syiden vaikutukset eivät näy tuloksissa Edellyttää tilastojen rakentamista ja käyttöä siten, että yhteiset vikaantumissyyt tunnistetaan» Tämä voi olla käytännössä haasteellista Esimerkki Järjestelmässä kolme komponenttia A,B ja C Järjestelmä toimii, jos komponenteista vähintään kaksi toimii (so. 2/3 portti) Komponentit voivat vikaantua toisistaan riippumatta Lisäksi komponentit A, B ja C voivat vikaantua yhteisistä syistä joko pareittain tai kaikki kolme Merkitään tapahtumia» A = komponentti vikaantuu (vast. B,C)» A I = A vikaantuu mistään muista syistä riippumatta (vast. B I, C I )» C AB = komponentit A ja B vikaantuvat yhteisestä syystä, joka ei vikaannuta C:tä (vast. C AC, C BC )» C ABC = kaikki kolme komponenttia vikaantuvat yhteisestä syystä 5

6 Vikapuuesitys Vikapuuesitys T 2/3 A B C A I B I C I C AB C AC C BC A-komponentin vikaantuminen A = A I + C AB + C AC + C ABC Vikaantumissyyt toisensa poissulkevia A I C AB = A I C AC = A I C ABC = C AB C AC = C AB C ABC = C ABC 6

7 Vikaantumisen minimikatkosjoukot Vikaantuminen tapahtuu, kun T = A B + A C + B C Edellisen kalvon tulosten perusteella A B = A I + C AB + C AC + C ABC B I + C AB + C BC + C ABC = A I B I + C AB + C ABC (muiden parien leikkaukset tyhjiä) Minimikatkosjoukoiksi saadaan siis T = A I B I + A I C I + B I C I +C AB + C AC + C BC + C ABC Saadaan siis P T P A I P B I + P A I P C I +P(B I ) P(C I ) + P(C AB ) + P(C AC ) + P(C BC ) + P(C ABC ) (riippumattomille tapahtumille P(A I B I ) = P(A I ) P(B I ), leikkauksen A I B I C I tn paljon pienempi kuin parien) 7

8 Vikaantumistodennäköisyys Oletettakoon, että Kukin komponenteista vikaantuu muista syystä riippumatta samalla todennäköisyydellä Q 1 Pareittaiset samasta syystä aiheutuvat vikaantumiset tapahtuvat kukin tn:llä Q 2 Kaikki kolme vikaantuvat yhteisestä syystä tn:llä Q 3 Tällöin järjestelmä vikaantuu siis tn:llä P T 3 Q Q 2 + Q 3 Jos esimerkiksi Q 1 = 0.05, Q 2 = 0.02, Q 3 = 0.01, niin P T = = Yhteisten riskitekijöiden osuus kokonaisriskistä siis = 90.3% Riippumattomien vikojen vaikutus on siis verraten vähäinen, koska näiden lausekkeissa tulotermejä 8

9 Riippuvuudet ja ehdolliset tn:t Lähtökohtia Viime luennolla perustapahtumat oletettiin riippumattomiksi (ks. pumppujärjestelmä) Jos perustapahtumilla yhteisiä vikaantumissyitä, niin yhden perustapahtuman tn kasvaa, jos toisen perustapahtuman tiedetään tapahtuneen Esim. jos perustapahtumia (A, B) on kaksi kuten edellä siten, että nämä voivat toteutua joko riippumatta (A I, B I ) tai yhteisestä syystä C AB, niin P A B = P A I P B I + P(C AB ) P B I + P(C AB ) Merkitään p AB = P A I P B I p A = P A I x = P(C AB ) f x = p AB + x p B + x f (x) = 1 p B + x p AB + x p B + x 2 = p B p AB p B + x 2 > 0 Minimi saavutetaan kohdassa x = P(C AB ) = 0, mikä vastaa riippumattomuutta 9

10 -faktorimalli Lähtökohtia Järjestelmän komponentit tuplataan m-kertaiseksi Yhteisen (common) vikaantumissyyn tapahtuessa kaikki komponentit vikaantuvat -parametri ilmaisee, miten suuressa osassa vikaantuminen aiheutuu yhteisestä syystä, ts. λ c β = λ c + λ I missä λ c on yhteisen syyn aiheuttama vikaantumistaajuus ja λ I on riippumaton vikaantumistaajuus Jos Q t on järjestelmän kokonaisvikaantumistn, niin järjestelmä vikaantuu siis» riippumattomien komponenttivikaantumisten tuloksena tn:llä Q 1 = (1 β)q t» yhteisestä syystä kaikkien komponenttien vikaantuessa tn:llä Q m = βq t Tarkalleen k komponenttia (1 < k < m) ei voi vikaantua yhteisestä syystä, koska yhteinen syy vikaannuttaa kaikki komponentit k valittua komponenttia (1 < k < m) vikaantuu todennäköisyydellä Q k = 0, k = 2,, m 1 10

11 Esimerkki Jäähdytysjärjestelmä Jäähdytys edellyttää sekä pumpun että venttiilin toimivan Pumppu- ja venttiiliosasysteemikokonaisuudet tuplataan luotettavuuden parantamiseksi Pumppu saattaa olla käynnistymättä (PS, pump failure to start) tai käydä liian vähän aikaa (PR, pump failure to run) Venttiili saattaa olla avaumatta (VO, valve failure to open) Käynnissä olevan pumpun vikaantumistaajuus PR» Jos pumppu käy ajan T, niin se vikaantuu tänä aikana todennäköisyydellä T q PR = න λ PR e λprt dt = 1 e λ PRT 0 11

12 Jäähdytysjärjestelmän vikapuu Rakennetaan vikapuu Minimikatkosjoukoiksi saadaan C 1 = P A P B, C 2 = P AB, C 3 = V A V B C 4 = V AB, C 5 = P A V B, C 6 = P B V A 12

13 Vikaantumistn:n laskenta (1/3) Arvioidaan yhteisistä syistä aiheutuvat vikaantumistaajuudet -faktorimallilla β PS = miten suuressa osassa tapauksista pumppu jää käynnistymättä yhteisestä syystä β PR = miten suuressa osassa pumppu ei käy tavoiteaikaa T yhteisestä syystä β VO = miten suuressa osassa venttiili ei avaudu yhteisestä syystä Minimikatkosjoukkojen tn:t P P A P B = 2 1 β PS q PS + 1 β PR q PR P P AB = β PS q PS + β PR q PR P V A V B = 1 β VO q VO 2 P V AB = β VO q VO P P A V B = P P B V A = 1 β VO q VO 1 β PS q PS + 1 β PR q PR 13

14 Vikaantumistn:n laskenta (2/3) Järjestelmän (System) vikaantumistn:n approksimoida ylhäältä summalla P(S) P(C i ) i=1 Huom! osa katkosjoukoista (esim. P A P B, V AB ) osin päällekkäisiä, kyse siis approksimaatiosta ylhäältä Tarkastellaan parametrien arvoja q PS = 0.02, q VO = 0.01 PR = 0.05/h, T = 1 h q PR = 1 exp( 0.05) = PS = PR = VO = 0.1 Katkosjoukkojen todennäköisyydet P P A P B = = P P AB = = P V A V B = = P V AB = = P P A V B = P P B V A = =

15 Vikaantumistn:n laskenta (3/3) Vikaantumistodennäköisyys siis 6 P S P C i = 0, i=1 Yhteisten syiden (P AB, V AB ) osuus kokonaisriskistä P(P AB ) P(S) = = 52.8% P(V AB ) P(S) = = 7.7% Yhteisten syiden merkitys siis iso, vaikka -parametrit verraten pieniä tasolla 0.1 Huomioita Yhden pumppu-venttiililinjan luotettavuus P S 1 = q PS + q PR + q VO = Jos voitaisiin tuplata ilman yhteisiä vikaantumisia (so. - parametrit nollia), niin vikaantumistn olisi P S Ts. yhteiset vikasyyt alentavat luotettavuutta paljon! 15

16 Yhteisvikaantumisen estimointi -faktorimallin kritiikki Oletus siitä, että yhteinen vika aiheuttaa aina kaikkien komponenttien vikaantumisen on kovin vahva» Esim. kolmen komponentin 2/N-järjestelmässä (ks. luennon alku) yhteiset syyt voisivat vikaannuttaa joko kaksi (esim. C AB ) tai kolme komponenttia (C ABC ) Yhteistodennäköisyydet estimoitavissa eri tavoin» -faktorimallissa kysytään, miten suurella tn:llä joku muu komponentti myös vikaantunut yhteisestä syystä, jos yhden komponentin tiedetään vikaantuneen» Jos komponentteja kaksi (A ja B) s.e. yhteisen vikaantuminen on tapahtuma C AB, niin P(C AB ) β = P B 1 + P(C AB ) Multiple Greek Letter (MGL)-malli Yleistää -faktorimallin siten, että yhteinen syy ei vikaannuta välttämättä kaikkia komponentteja Kysymykset» - faktori: millä tn:llä ainakin yksi toinen komponentti vikaantuu yhteisestä syystä, jos ko. komponentti vikaantunut?» -faktori: millä tn:llä ainakin kaksi muuta komponenttia vikaantuu yhteisestä syystä, jos ko. komponentti on vikaantunut yhteisestä syystä vähintään yhden toisen komponentin kanssa? 16

17 MGL-mallin estimointi (1/2) Alun esimerkin - ja -parametrit P C AB + P C AC + P C ABC β = P A 1 + P C AB + P C AC + P C ABC P C ABC γ = P C AB + P C AC + P C ABC Komponenttien riippumattomat (Q 1 ) ja pareittaiset (Q 2 ) vikaantumistn:t oletettiin samoiksi β = 2Q 2 + Q = Q 1 + 2Q 2 + Q = 33% Q 3 γ = = 20% 2Q 2 + Q 3 Tarkasteluissa ei kuitenkaan edetä näin päin, vaan niissä - ja - parametreista johdetaan pareittaisten, kolmittaisten jne. yhteisten syiden aiheuttamien vikaantumisten Q 2, Q 3, Q 4, tn:t m:n komponentin järjestelmässä yhden komponentin kokonaisvikaantumistn Q t (total) muodostuu siitä, että komponentti vikaantuu joko riippumatta tai kahden, kolmen jne. komponentin vikaantumisen aiheuttamasta yhteisestä syystä Yhdelle komponentille saadaan siis summa m m 1 Q t = k 1 k=1 Q k 17

18 MGL-mallin estimointi (2/2) Saadaan Q k -parametrien yhtälöt β = 2Q 2 + Q 3 Q 1 + 2Q 2 + Q 3 Q 3 Q 1 = (1 β)q t Q 2 = 1 2 (1 γ)βq t γ = 2Q 2 + Q 3 Q 3 = γβq t Q t = Q 1 + 2Q 2 + Q 3 Ts. Q k -parametrit esitettävissä - ja -parametrien algebrallisina lausekkeina Parametrit estimoidaan tarkastelemalla, miten usein useammat komponentin vikaantuvat yhteissyistä» Esim. -parametri saadaan jakamalla vähintään kolmen komponentin yhteisvikaantumisten lkm vähintään kahden komponentin yhteisvikaantumisten lkm:llä Yleinen tapaus Merkitään 1 = 1, 2 =, 2 =,, m + 1 = 0 Tällöin pätee Q k = m 1 k 1 1 k (1 ρ k+1 ) i=1 ρ i Q t Huom! Modarres s. 78 virhe 18

Luento 5 Yhteisvikojen analyysi PSA:n sovelluksia

Luento 5 Yhteisvikojen analyysi PSA:n sovelluksia alto-yliopiston perustieteiden korkeakoulu Luento 5 Yhteisvikojen analyysi S:n sovelluksia hti Salo Systeemianalyysin laboratorio alto-yliopiston perustieteiden korkeakoulu L 11100, 00076 alto ahti.salo@aalto.fi

Lisätiedot

Luento 5 Riippuvuudet vikapuissa Esimerkkejä PSA:sta

Luento 5 Riippuvuudet vikapuissa Esimerkkejä PSA:sta Luento 5 Riippuvuudet vikapuissa Esimerkkejä S:sta hti Salo L 1100, 0015 TKK 1 Toisistaan riippuvat vikaantumiset Riippuvuuksien huomiointi erustapahtumien taustalla voi olla yhteisiä syitä Nämä on pyrittävä

Lisätiedot

Luento 5 Riippuvuudet vikapuissa Esimerkkejä PSA:sta

Luento 5 Riippuvuudet vikapuissa Esimerkkejä PSA:sta Luento 5 Riippuvuudet vikapuissa Esimerkkejä S:sta hti Salo Teknillinen korkeakoulu L 1100, 0015 TKK 1 Toisistaan riippuvat vikaantumiset Riippuvuuksien huomiointi erustapahtumien taustalla voi olla yhteisiä

Lisätiedot

Kohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.

Kohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ. 25.2.215 1. Autossa on 4 rengasta ja 1 vararengas (T i Exp(λ), [λ] = 1/km, i=1,...,5). Kulkeakseen auto tarvitsee 4 ehjää rengasta. Aluksi auto käyttää neljää alkuperäistä rengasta. Kun yksi näistä vikaantuu,

Lisätiedot

Luento 4 Vikapuuanalyysit

Luento 4 Vikapuuanalyysit Luento 4 Vikapuuanalyysit Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Vikapuuanalyysin vaiheet ❶ Ongelman ja reunaehtojen määrittely ❷ Vikapuun rakentaminen ❸ Minimikatkosjoukkojen tunnistaminen

Lisätiedot

Luento 4 Vikapuuanalyysit

Luento 4 Vikapuuanalyysit Luento 4 Vikapuuanalyysit Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Vikapuuanalyysin vaiheet Ongelman ja reunaehtojen määrittely Vikapuun rakentaminen Minimikatkosjoukkojen tunnistaminen Kvalitatiivinen

Lisätiedot

Luento 10 Riskitekijöiden priorisointi

Luento 10 Riskitekijöiden priorisointi Luento 10 Riskitekijöiden priorisointi Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Riskien priorisointi Lähtökohtia Riskienhallintatoimenpiteet pyritään kohdistamaan siten, että kokonaisriskiä

Lisätiedot

Luento 5 Vikapuuanalyysit

Luento 5 Vikapuuanalyysit Luento 5 Vikapuuanalyysit Jan-Erik Holmberg Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto jan-erik.holmberg@riskpilot.fi 1 Influenssarokotus (1/3) Rokotuskampanja

Lisätiedot

Yhteisviat ja intervallitodennäköisyydet vikapuuanalyysissä

Yhteisviat ja intervallitodennäköisyydet vikapuuanalyysissä Aalto-yliopisto Perustieteiden korkeakoulu Teknillisen fysiikan ja matematiikan tutkinto-ohjelma Yhteisviat ja intervallitodennäköisyydet vikapuuanalyysissä Kandidaatintyö 17.01.2013 Tomi Jussila Työn

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

Luento 6 Luotettavuus Koherentit järjestelmät Lueto 6 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi ja-erik.holmberg@aalto.fi Määritelmä Tarkasteltava yksikö luotettavuus

Lisätiedot

Luento 7 Luotettavuus Koherentit järjestelmät

Luento 7 Luotettavuus Koherentit järjestelmät Lueto 7 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio Aalto-yliopisto perustieteide korkeakoulu PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi Määritelmä Tarkasteltava

Lisätiedot

Luento 8 Vikaantumisprosessit ja käytettävyys

Luento 8 Vikaantumisprosessit ja käytettävyys Luento 8 Vikaantumisprosessit ja käytettävyys Jan-Erik Holmberg Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto jan-erik.holmberg@riskpilot.fi 1 Komponenttien

Lisätiedot

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2 TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4

Lisätiedot

MS-A0004/A0006 Matriisilaskenta

MS-A0004/A0006 Matriisilaskenta 4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin

Lisätiedot

Ympyrä 1/6 Sisältö ESITIEDOT: käyrä, kulma, piste, suora

Ympyrä 1/6 Sisältö ESITIEDOT: käyrä, kulma, piste, suora Ympyrä 1/6 Sisältö Ympyrä ja sen yhtälö Tason pisteet, jotka ovat vakioetäisyydellä kiinteästä pisteestä, muodostavat ympyrän eli ympyräviivan. Kiinteä piste on ympyrän keskipiste ja vakioetäisyys sen

Lisätiedot

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0. Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +

Lisätiedot

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

Oletetaan, 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

Lisätiedot

1 Matriisit ja lineaariset yhtälöryhmät

1 Matriisit ja lineaariset yhtälöryhmät 1 Matriisit ja lineaariset yhtälöryhmät 11 Yhtälöryhmä matriisimuodossa m n-matriisi sisältää mn kpl reaali- tai kompleksilukuja, jotka on asetetettu suorakaiteen muotoiseksi kaavioksi: a 11 a 12 a 1n

Lisätiedot

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Ojalammi MS-A0203 Differentiaali- ja integraalilaskenta 2, kevät 2016 Laskuharjoitus 4A (Vastaukset) alkuviikolla

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien 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

Lisätiedot

Dynaamiset regressiomallit

Dynaamiset regressiomallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen

Lisätiedot

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Vesanen MS-A0205/6 Differentiaali- ja integraalilaskenta 2, kevät 2017 Laskuharjoitus 4A (Vastaukset) alkuviikolla

Lisätiedot

3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset

3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset 31 MS-A0004/A0006 Matriisilaskenta 3 Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2292015 Lineaariset yhtälöt ovat vektoreille luonnollisia yhtälöitä, joita

Lisätiedot

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5. 2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =

Lisätiedot

c) 22a 21b x + a 2 3a x 1 = a,

c) 22a 21b x + a 2 3a x 1 = a, Tehtäviä on kahdella sivulla; kuusi ensimmäistä tehtävää on monivalintatehtäviä, joissa on 0 4 oikeata vastausta. 1. Lukion A ja lukion B oppilasmäärien suhde oli a/b vuoden 2017 lopussa. Vuoden 2017 aikana

Lisätiedot

Optimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely)

Optimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely) Optimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely) Markus Losoi 30.9.2013 Ohjaaja: DI Antti Toppila Valvoja: prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

3. laskuharjoituskierros, vko 6, ratkaisut

3. laskuharjoituskierros, vko 6, ratkaisut Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa

Lisätiedot

Vikasietoisuus ja luotettavuus

Vikasietoisuus ja luotettavuus Vikasietoisuus ja luotettavuus Luotettavuussuureet Keskuksen vikasietoisuus Mallinnusmenetelmät Rka/ML -k98 Tiedonvälitystekniikka I 3-1 Vikasietoisuuden peruskäsitteitä ovat Vikaantuminen (failure, malfunction)

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

Todennäköisyyden ominaisuuksia

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

Lisätiedot

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1 Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että

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

2 k -faktorikokeet. Vilkkumaa / Kuusinen 1

2 k -faktorikokeet. Vilkkumaa / Kuusinen 1 2 k -faktorikokeet Vilkkumaa / Kuusinen 1 Motivointi 2 k -faktorikoe on k-suuntaisen varianssianalyysin erikoistapaus, jossa kaikilla tekijöillä on vain kaksi tasoa, matala (-) ja korkea (+). 2 k -faktorikoetta

Lisätiedot

Johdatus 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 Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat

Lisätiedot

Tehtävä 1. Oletetaan että uv on neliö ja (u, v) = 1. Osoita, että kumpikin luvuista u ja v on. p 2j i. p j i

Tehtävä 1. Oletetaan että uv on neliö ja (u, v) = 1. Osoita, että kumpikin luvuista u ja v on. p 2j i. p j i JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 8, MALLIRATKAISUT Tehtävä. Oletetaan että uv on neliö ja (u, v) =. Osoita, että kumpikin luvuista u ja v on neliö. Ratkaisu. Olkoon p i alkuluku, joka jakaa luvun

Lisätiedot

Matriisi-vektori-kertolasku, lineaariset yhtälöryhmät

Matriisi-vektori-kertolasku, lineaariset yhtälöryhmät Matematiikan peruskurssi K3/P3, syksy 25 Kenrick Bingham 825 Toisen välikokeen alueen ydinasioita Alla on lueteltu joitakin koealueen ydinkäsitteitä, joiden on hyvä olla ensiksi selvillä kokeeseen valmistauduttaessa

Lisätiedot

Matriisit. Määritelmä 1 Reaaliluvuista a ij, missä i = 1,..., k ja j = 1,..., n, muodostettua kaaviota a 11 a 12 a 1n a 21 a 22 a 2n A =

Matriisit. Määritelmä 1 Reaaliluvuista a ij, missä i = 1,..., k ja j = 1,..., n, muodostettua kaaviota a 11 a 12 a 1n a 21 a 22 a 2n A = 1 / 21 Määritelmä 1 Reaaliluvuista a ij, missä i 1,..., k ja j 1,..., n, muodostettua kaaviota a 11 a 12 a 1n a 21 a 22 a 2n A... a k1 a k2 a kn sanotaan k n matriisiksi. Usein merkitään A [a ij ]. Lukuja

Lisätiedot

Simulation model to compare opportunistic maintenance policies

Simulation model to compare opportunistic maintenance policies Simulation model to compare opportunistic maintenance policies Noora Torpo 31.08.18 Ohjaaja/Valvoja: Antti Punkka Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21

Lisätiedot

Dynaaminen SLA-riski. Goodnet-projektin loppuseminaari pe Pirkko Kuusela, Ilkka Norros VTT

Dynaaminen SLA-riski. Goodnet-projektin loppuseminaari pe Pirkko Kuusela, Ilkka Norros VTT Dynaaminen SLA-riski Goodnet-projektin loppuseminaari pe 19.10.2012 Pirkko Kuusela, Ilkka Norros VTT 2 Motivaatio Suunniteltu verkko: No-single-point-of-failure Arki: vähänkin isommassa verkossa on yleensä

Lisätiedot

Johdatus matemaattiseen päättelyyn

Johdatus matemaattiseen päättelyyn Johdatus matemaattiseen päättelyyn Maarit Järvenpää Oulun yliopisto Matemaattisten tieteiden laitos Syyslukukausi 2015 1 Merkintöjä 2 Todistamisesta 2 3 Joukko-oppia Tässä luvussa tarkastellaan joukko-opin

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

Demonstraatiot Luento

Demonstraatiot Luento TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 8 Demonstraatiot Luento 8..8 D/ Tarkastellaan seuraavaa yksinkertaista piirikytkentäistä (runko)verkkoa.

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

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

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

. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1

. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1 TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-.39 Optimointioppi Kimmo Berg 8. harjoitus - ratkaisut. a)huomataan ensinnäkin että kummankin jonon raja-arvo r on nolla. Oletetaan lisäksi että

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Nordlund Mat-2.090 Sovellettu todennäköisyyslasku Harjoitus 2 (vko 39/2003) (ihe: tapahtumien todennäköisyys, Laininen luvut 1.6 2.4) 1. Tarkastellaan rinnan- ja sarjaankytketyistä

Lisätiedot

Huoltosuunnitelman optimointi teknisten järjestelmien vikaantumisten ennaltaehkäisemiseksi

Huoltosuunnitelman optimointi teknisten järjestelmien vikaantumisten ennaltaehkäisemiseksi Aalto-yliopisto Perustieteiden korkeakoulu Teknillisen fysiikan ja matematiikan koulutusohjelma Huoltosuunnitelman optimointi teknisten järjestelmien vikaantumisten ennaltaehkäisemiseksi Mat-2.4108 Sovelletun

Lisätiedot

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä 1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a

Lisätiedot

1.1. Määritelmiä ja nimityksiä

1.1. Määritelmiä ja nimityksiä 1.1. Määritelmiä ja nimityksiä Luku joko reaali- tai kompleksiluku. R = {reaaliluvut}, C = {kompleksiluvut} R n = {(x 1, x 2,..., x n ) x 1, x 2,..., x n R} C n = {(x 1, x 2,..., x n ) x 1, x 2,..., x

Lisätiedot

Generoivat funktiot, Poisson- ja eksponenttijakaumat

Generoivat funktiot, Poisson- ja eksponenttijakaumat 4A Generoivat funktiot, Poisson- ja eksponenttijakaumat Tämän harjoituksen tavoitteena on edelleen tutustua generoivien funktioiden sovelluksiin ja lisäksi harjoitella ratkaisemaan Poisson- ja eksponenttijakaumiin

Lisätiedot

Ratkaisu: a) Kahden joukon yhdisteseen poimitaan kaikki alkiot jotka ovat jommassakummassa joukossa (eikä mitään muuta).

Ratkaisu: a) Kahden joukon yhdisteseen poimitaan kaikki alkiot jotka ovat jommassakummassa joukossa (eikä mitään muuta). Matematiikan laitos Johdatus Diskreettiin Matematiikaan Harjoitus 1 03.11.2010 Ratkaisuehdotuksia Aleksandr Nuija 1. Tarkastellaan joukkoja A = {1,3,4}, B = {2,3,7,9} ja C = {2, 5, 7}. Määritä joukot (a)

Lisätiedot

Matriisien tulo. Matriisit ja lineaarinen yhtälöryhmä

Matriisien tulo. Matriisit ja lineaarinen yhtälöryhmä Matriisien tulo Lause Olkoot A, B ja C matriiseja ja R Tällöin (a) A(B + C) =AB + AC, (b) (A + B)C = AC + BC, (c) A(BC) =(AB)C, (d) ( A)B = A( B) = (AB), aina, kun kyseiset laskutoimitukset on määritelty

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

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

4.0.2 Kuinka hyvä ennuste on?

4.0.2 Kuinka hyvä ennuste on? Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki

Lisätiedot

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

805306A Johdatus monimuuttujamenetelmiin, 5 op monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Logistinen regressioanalyysi Vastemuuttuja Y on luokiteltu muuttuja Pyritään mallittamaan havaintoyksikön todennäköisyyttä kuulua

Lisätiedot

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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

Lisätiedot

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen

Lisätiedot

Harjoitus 5 -- Ratkaisut

Harjoitus 5 -- Ratkaisut Harjoitus -- Ratkaisut 1 Ei kommenttia. Tutkittava funktio oskilloi äärettömän tiheään nollan lähellä. PlotPoints-asetus määrää, kuinka tiheästi Plot-funktio ottaa piirrettävästä funktiosta "näytteitä"

Lisätiedot

2 Osittaisderivaattojen sovelluksia

2 Osittaisderivaattojen sovelluksia 2 Osittaisderivaattojen sovelluksia 2.1 Ääriarvot Yhden muuttujan funktiolla f(x) on lokaali maksimiarvo (lokaali minimiarvo) pisteessä a, jos f(x) f(a) (f(x) f(a)) kaikilla x:n arvoilla riittävän lähellä

Lisätiedot

Lineaarinen toisen kertaluvun yhtälö

Lineaarinen 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

Lisätiedot

Miten osoitetaan joukot samoiksi?

Miten osoitetaan joukot samoiksi? Miten osoitetaan joukot samoiksi? Määritelmä 1 Joukot A ja B ovat samat, jos A B ja B A. Tällöin merkitään A = B. Kun todistetaan, että A = B, on päättelyssä kaksi vaihetta: (i) osoitetaan, että A B, ts.

Lisätiedot

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

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

Lisätiedot

3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset

3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset 32 Idea: Lineaarikuvausten laskutoimitusten avulla määritellään vastaavat matriisien laskutoimitukset Vakiolla kertominen ja summa Olkoon t R ja A, B R n m Silloin ta, A + B R n m ja määritellään ta ta

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

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

Lisätiedot

Matriisilaskenta. Harjoitusten 3 ratkaisut (Kevät 2019) 1. Olkoot AB = ja 2. Osoitetaan, että matriisi B on matriisin A käänteismatriisi.

Matriisilaskenta. Harjoitusten 3 ratkaisut (Kevät 2019) 1. Olkoot AB = ja 2. Osoitetaan, että matriisi B on matriisin A käänteismatriisi. Matriisilaskenta Harjoitusten ratkaisut (Kevät 9). Olkoot ja A = B = 5. Osoitetaan, että matriisi B on matriisin A käänteismatriisi. Tapa Käänteismatriisin määritelmän nojalla riittää osoittaa, että AB

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

BM20A0700, Matematiikka KoTiB2

BM20A0700, Matematiikka KoTiB2 BM20A0700, Matematiikka KoTiB2 Luennot: Matti Alatalo, Harjoitukset: Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luku 7. 1 Kurssin sisältö Matriiseihin

Lisätiedot

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5. 2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2

Lisätiedot

031021P Tilastomatematiikka (5 op)

031021P Tilastomatematiikka (5 op) 031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division Yleinen todennäköisyys Kertausmateriaalissa esiteltiin koulusta tuttuja todennäköisyysmalleja. Tällä kurssilla todennäköisyys on

Lisätiedot

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia

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

Lisätiedot

Sovellettu todennäköisyslasku

Sovellettu todennäköisyslasku Sovellettu todennäköisyslasku Työpäiväkirja 16.12.2001 Espoo Teknillinen korkeakoulu Systeemianalyysin laboratorio Jussi Matti Aleksi Jokelainen jussi.jokelainen@hut.fi Opiskelijanumero 123456A Sovellettu

Lisätiedot

2 Pistejoukko koordinaatistossa

2 Pistejoukko koordinaatistossa Pistejoukko koordinaatistossa Ennakkotehtävät 1. a) Esimerkiksi: b) Pisteet sijaitsevat pystysuoralla suoralla, joka leikkaa x-akselin kohdassa x =. c) Yhtälö on x =. d) Sijoitetaan joitain ehdon toteuttavia

Lisätiedot

Testejä suhdeasteikollisille muuttujille

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

Lisätiedot

x = ( θ θ ia y = ( ) x.

x = ( θ θ ia y = ( ) x. Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan systeemianalyysin laitos Mat-2429 Systeemien Identifiointi 5 harjoituksen ratkaisut Esitetään ensin systeemi tilayhtälömuodossa Tiloiksi valitaan

Lisätiedot

Algebra I, harjoitus 5,

Algebra I, harjoitus 5, Algebra I, harjoitus 5, 7.-8.10.2014. 1. 2 Osoita väitteet oikeiksi tai vääriksi. a) (R, ) on ryhmä, kun asetetaan a b = 2(a + b) aina, kun a, b R. (Tässä + on reaalilukujen tavallinen yhteenlasku.) b)

Lisätiedot

9 Matriisit. 9.1 Matriisien laskutoimituksia

9 Matriisit. 9.1 Matriisien laskutoimituksia 9 Matriisit Aiemmissa luvuissa matriiseja on käsitelty siinä määrin kuin on ollut tarpeellista yhtälönratkaisun kannalta. Matriiseja käytetään kuitenkin myös muihin tarkoituksiin, ja siksi on hyödyllistä

Lisätiedot

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3

LIITTEET 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

Lisätiedot

Relevanttien sivujen etsintä verkosta: satunnaiskulut verkossa Linkkikeskukset ja auktoriteetit (hubs and authorities) -algoritmi

Relevanttien sivujen etsintä verkosta: satunnaiskulut verkossa Linkkikeskukset ja auktoriteetit (hubs and authorities) -algoritmi Kurssin loppuosa Diskreettejä menetelmiä laajojen 0-1 datajoukkojen analyysiin Kattavat joukot ja niiden etsintä tasoittaisella algoritmilla Relevanttien sivujen etsintä verkosta: satunnaiskulut verkossa

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44 Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44 Tehtävät 1-3 lasketaan alkuviikon harjoituksissa, verkkotehtävien dl on lauantaina aamuyöllä. Tehtävät 4 ja 5 lasketaan loppuviikon harjoituksissa.

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila Kalvoissa käytetään materiaalia P. Palon vuoden 2005 kurssista. 07.09.2007 Antti Rasila () SovTodB 07.09.2007 07.09.2007 1 / 24 1 Todennäköisyyslaskennan

Lisätiedot

Käänteismatriisin ominaisuuksia

Käänteismatriisin ominaisuuksia Käänteismatriisin ominaisuuksia Lause 1.4. Jos A ja B ovat säännöllisiä ja luku λ 0, niin 1) (A 1 ) 1 = A 2) (λa) 1 = 1 λ A 1 3) (AB) 1 = B 1 A 1 4) (A T ) 1 = (A 1 ) T. Tod.... Ortogonaaliset matriisit

Lisätiedot

1. TILASTOLLINEN HAHMONTUNNISTUS

1. TILASTOLLINEN HAHMONTUNNISTUS 1. TILASTOLLINEN HAHMONTUNNISTUS Tilastollisissa hahmontunnistusmenetelmissä piirteitä tarkastellaan tilastollisina muuttujina Luokittelussa käytetään hyväksi seuraavia tietoja: luokkien a priori tn:iä,

Lisätiedot

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos: 8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden

Lisätiedot

J1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6

J1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6 MATRIISILASKENTA(TFM) MALLIT AV 6 J (II.6.9) Päättele, että avaruusvetorit a, b ja c ovat lineaarisesti riippuvat täsmälleen un vetoreiden virittämän suuntaissärmiön tilavuus =. Tuti tällä riteerillä ovato

Lisätiedot

3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =

3 = 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

Lisätiedot

7.4 Normaalijakauma (kertausta ja täydennystä) Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96) = 0,025, P(Z -1,96) = 0,025

7.4 Normaalijakauma (kertausta ja täydennystä) Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96) = 0,025, P(Z -1,96) = 0,025 26.3.2019/1 MTTTP1, luento 26.3.2019 7.4 Normaalijakauma (kertausta ja täydennystä) Z ~ N(0, 1), tiheysfunktion kuvaaja 0,5 0,4 0,3 0,2 0,1 Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96)

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

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

Lisätiedot

a b c d + + + + + + + + +

a b c d + + + + + + + + + 28. 10. 2010!"$#&%(')'+*(#-,.*/1032/465$*784 /(9:*;9."$ *;5> *@9 a b c d 1. + + + 2. 3. 4. 5. 6. + + + + + + + + + + P1. Valitaan kannaksi sivu, jonka pituus on 4. Koska toinen jäljelle jäävistä sivuista

Lisätiedot

2. Arvon ja hyödyn mittaaminen

2. Arvon ja hyödyn mittaaminen 2. Arvon ja hyödyn mittaaminen 1 2 Arvon ja hyödyn mittaaminen 2.1 Miksi tarvitsemme arvofunktiota? Arvofunktio on preferenssien (mieltymysten) matemaattinen kuvaus. Arvofunktio kuvaa päätöskriteeriä vastaavan

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Klassinen todennäköisyys ja kombinatoriikka Todennäköisyyden aksioomat Kokonaistodennäköisyys ja Bayesin kaava Bayesin kaava,

Lisätiedot

30A02000 Tilastotieteen perusteet

30A02000 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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

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

Lisätiedot

(2n 1) = n 2

(2n 1) = n 2 3.5 Induktiotodistus Induktiota käyttäen voidaan todistaa luonnollisia lukuja koskevia väitteitä, jotka ovat muotoa väite P (n) on totta kaikille n =0, 1, 2,... Tässä väite P (n) riippuu n:n arvosta. Todistuksessa

Lisätiedot