Luento 6 Yhteisvikojen analyysi PSA:n sovelluksia
|
|
- Marja-Leena Elstelä
- 7 vuotta sitten
- Katselukertoja:
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
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
LisätiedotLuento 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
LisätiedotLuento 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
LisätiedotKohdassa 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,
LisätiedotLuento 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
LisätiedotLuento 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
LisätiedotLuento 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
LisätiedotLuento 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
LisätiedotYhteisviat ja intervallitodennäköisyydet vikapuuanalyysissä
Aalto-yliopisto Perustieteiden korkeakoulu Teknillisen fysiikan ja matematiikan tutkinto-ohjelma Yhteisviat ja intervallitodennäköisyydet vikapuuanalyysissä Kandidaatintyö 17.01.2013 Tomi Jussila Työn
LisätiedotLuento 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
LisätiedotLuento 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
LisätiedotLuento 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
Lisätiedotmin 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
LisätiedotMS-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
LisätiedotYmpyrä 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
LisätiedotVapaus. 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 +
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
Lisätiedot1 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
LisätiedotAalto-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
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
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotAalto-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
Lisätiedot3.1 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
LisätiedotYhtälöryhmä 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 =
Lisätiedotc) 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
LisätiedotOptimaaliset 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
Lisätiedot3. 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
LisätiedotVikasietoisuus ja luotettavuus
Vikasietoisuus ja luotettavuus Luotettavuussuureet Keskuksen vikasietoisuus Mallinnusmenetelmät Rka/ML -k98 Tiedonvälitystekniikka I 3-1 Vikasietoisuuden peruskäsitteitä ovat Vikaantuminen (failure, malfunction)
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,
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
LisätiedotOdotusarvoparien 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
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
Lisätiedot2 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
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
LisätiedotTehtävä 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
LisätiedotMatriisi-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
LisätiedotMatriisit. 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
LisätiedotSimulation 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
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
Lisätiedot3 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
LisätiedotDynaaminen 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
LisätiedotJohdatus 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
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
LisätiedotDemonstraatiot 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.
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
LisätiedotYksisuuntainen 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
Lisätiedot5/11 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
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
LisätiedotMat 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
LisätiedotHuoltosuunnitelman optimointi teknisten järjestelmien vikaantumisten ennaltaehkäisemiseksi
Aalto-yliopisto Perustieteiden korkeakoulu Teknillisen fysiikan ja matematiikan koulutusohjelma Huoltosuunnitelman optimointi teknisten järjestelmien vikaantumisten ennaltaehkäisemiseksi Mat-2.4108 Sovelletun
Lisätiedot3 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
Lisätiedot1.1. 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
LisätiedotGeneroivat 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
LisätiedotRatkaisu: 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)
LisätiedotMatriisien 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
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
LisätiedotMS-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,
Lisätiedot4.0.2 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
LisätiedotVapaus. 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 +
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Logistinen regressioanalyysi Vastemuuttuja Y on luokiteltu muuttuja Pyritään mallittamaan havaintoyksikön todennäköisyyttä kuulua
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
LisätiedotLineaarikombinaatio, 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
LisätiedotHarjoitus 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"
Lisätiedot2 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
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
LisätiedotMiten 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.
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
Lisätiedot3.2 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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotMatriisilaskenta. 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
LisätiedotIlkka 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
LisätiedotBM20A0700, 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
LisätiedotYhtälöryhmä 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
Lisätiedot031021P Tilastomatematiikka (5 op)
031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division Yleinen todennäköisyys Kertausmateriaalissa esiteltiin koulusta tuttuja todennäköisyysmalleja. Tällä kurssilla todennäköisyys on
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
LisätiedotSovellettu todennäköisyslasku
Sovellettu todennäköisyslasku Työpäiväkirja 16.12.2001 Espoo Teknillinen korkeakoulu Systeemianalyysin laboratorio Jussi Matti Aleksi Jokelainen jussi.jokelainen@hut.fi Opiskelijanumero 123456A Sovellettu
Lisätiedot2 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
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
Lisätiedotx = ( 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
LisätiedotAlgebra 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)
Lisätiedot9 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
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
LisätiedotRelevanttien 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
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
LisätiedotLineaarialgebra 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.
LisätiedotSovellettu 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
LisätiedotKäänteismatriisin 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
Lisätiedot1. TILASTOLLINEN HAHMONTUNNISTUS
1. TILASTOLLINEN HAHMONTUNNISTUS Tilastollisissa hahmontunnistusmenetelmissä piirteitä tarkastellaan tilastollisina muuttujina Luokittelussa käytetään hyväksi seuraavia tietoja: luokkien a priori tn:iä,
LisätiedotKannan 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
LisätiedotJ1 (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
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
Lisätiedot7.4 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)
LisätiedotYksisuuntainen 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
Lisätiedota 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
Lisätiedot2. 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
LisätiedotMat Sovellettu todennäköisyyslasku A
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Klassinen todennäköisyys ja kombinatoriikka Todennäköisyyden aksioomat Kokonaistodennäköisyys ja Bayesin kaava Bayesin kaava,
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
LisätiedotSovellettu 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
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