9. Tila-avaruusmallit

Koko: px
Aloita esitys sivulta:

Download "9. Tila-avaruusmallit"

Transkriptio

1 9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia malleja, jotka kehittyvät ajan funktiona. Mallista itsestään ei aina ole saatavilla suoraa havaintoa, vaan havaittu arvo voi riippua mallista jonkin kuvauksen kautta. Esimerkki 9.1. (Liikkuvan kohteen paikallistaminen etäältä) Olkoon X t R 6 lentokoneen tai vaikka satelliitin paikkakoordinaatit (X 1t, X 2t, X 3t ) ajanhetkellä t. Maasta tehtyjen tutkamittausten avulla saadaan häiriöinen 1 havainto Y t = X t + r t vektorin X t tilasta. Vektorin X t tila kehittyy dynaamisesti eli ajan funktiona. Yksinkertainen malli on, että X t = X t 1 + q t. Määritelmä 9.1. Lineaarinen tila-avaruusmalli (eng. state space model) koostuu systeemin tilamallista X t+1 = FX t + q t, (9.0.1) missä X t edustaa systeemin tilaa hetkellä t, ja havaintomallista Y t = GX t + r t + u t, (9.0.2) missä r t edustaa havaintoon mahdollisesti sisältyvää satunnaista häiriötä ja u t edustaa havainnoissa mahdollisesti olevia tunnettuja dynaamisia muuttujia. Vektoriarvoiset prosessit q t ja r t ovat valkoista kohinaa ja ne ovat riippumattomia satunnaisvektoreista X s kaikilla s. Matriisia F nimitetään transitiomatriisiksi ja matriisia G havaintomatriisiksi. Huomioita määritelmästä: Systeemin tilan X t ei tarvitse olla suoraan havaittavissa tai mitattavissa. Systeemin tila X t on on ns. piilotettu eli latentti muuttuja. Kun r t on Gaussista kohinaa, niin eri aikaan tehdyt havainnot Y t ja Y s ovat toisistaan ehdollisesti riippumattomia, kun tilat X t on annettu. Toisin sanoen eri aikaan tehtyjen havaintojen Y s ja Y t välinen tilastollinen riippuvuus johtuu systeemin tilasta X t. Systeemin tila X t+1 riippuu systeemin aiemmista tiloista vain edellisen hetken arvon X t kautta. Huomautus Kun systeemin aiempi tila X t, tunnetaan, niin systeemin tila X t+1 ei riipu aiempien havaintojen Y t arvoista. Tila-avaruusmalli on joustava malli, joka kykenee kuvaamaan erityyppisiä tilanteita. 1 Häiriöt syntyvät esim. tutkalaitteessa itsessään olevasta lämpökohinasta, ilmakehän häiriöistä, muista radiosignaaleista ja avaruudesta tulevasta taustakohinasta. 97

2 Tila-avaruusmallin avulla voidaan toteutaa pienellä määrällä parametreja myös muita rakenteellisia malleja. Tila-avaruusmallissa voidaan helposti myös sallia havaintomatriisin ja transitionmatriisin riippuvuus ajasta. Esimerkki 9.2 (AR-prosessin tila-avaruusmalli). Olkoon X t µ = p φ p (X t p µ) + ε t k=1 AR(p)-prosessi. Asetetaan tilaksi vektori (X t µ, X t 1 µ,..., X t p µ). Dynaaminen tilamalli on φ X t+1 µ 1 φ 2... φ p X t µ X t µ ε t. = X t 1 µ X t p+1 X t p 0 Havaintomalliksi asetetaan X t µ X t 1 µ Y t = µ + [ ] = X t Vektoriarvoiset prosessit X t p Määritelmä 9.2. Sanotaan, että X t on vektoriarvoinen stokastinen prosessi, jos sen jokainen komponentti on stokastinen prosessi. Tällä kurssilla merkitään vektoriarvoisen stokastisen prosessi X t komponentteja matriisilaskennasta tutuin merkinnöin X kt. Esimerkki 9.3. Olkoon ε 1t N(0, 1) ja ε 2t N(0, 3). Silloin q t = (ε 1t, ε 2t ) on vektoriarvoinen stokastinen prosessi, jonka arvot ovat avaruudessa R 2. Kahden eri prosessin välistä stokastista riippuvuutta voidaan mitata ristikorrelaatiolla. Määritelmä 9.3. Stokastisten prosessien X t ja Y t välinen ristikovarianssifunktio on kaikilla τ 0. Γ XY t (τ) = E[(X t τ E[X t τ ])(Y t E[Y t ])] 98

3 Määritelmä 9.4. Vektoriarvoinen stokastinen prosessi r t on valkoista kohinaa, jos sen kukin komponentti on valkoista kohinaa ja eri komponenttien r kt ja r k t ristikovarianssifunktio häviää. Vektoriarvoisen stokastisen prosessin odotusarvo 2 E[X t ] on vektori m t, jonka komponentit ovat m k t = E[X k t ]. Vastaavasti vektoriarvoisen stokastisen prosessin X t autokovarianssifunktio on matriisiarvoinen kuvaus, jonka elementit ovat ristikorrelaatiofunktioita. (Γ t (τ)) kl = Γ X ktx lt t (τ) 9.1 Suodatus, silotus ja ennustaminen Perusasetelma tila-avaruusmallissa on, että halutaan estimoida systeemin tila X t ajanhetkellä t on havaittu arvot Y 1,..., Y s. Ongelma jakautuu kolmeen eri tyyppiin 1. Kun s = t, kyseessä on suodatus (eng. filtering) 2. Kun s < t, kyseessä on ennustaminen (eng. forecasting) 3. Kun s > t, kyseessä on silotus (eng. smoothing, työslangissa usein smuuttaus ). 9.2 Gaussinen suodatus Käsitellään tällä kurssilla vain Gaussisia vektoriarvoisia prosesseja. Havainnot ovat M- ulotteisia eli Y t R M ja tilat ovat N-ulotteisia eli X t R N kullakin t. Tarkastellaan MMSE-estimaattia, jota merkitään kun t s. Otetaan käyttön myös lyhennysmerkintä E[X t Y 1,..., Y s ], (9.2.3) Y 1:s = (Y 1,...,Y s ) R sm. Ehdollinen odotusarvo (9.2.3) voidaan laskea vektorin X t ehdollisen todennäköisyysjakauman todennäköisyystiheysfunktion f(x t y 1:s ) avulla, kun Y 1:s saa arvon y 1:2. Palautetaan mieleen ehdollisen todennäköisyystiheysfunktion (tntf) määritelmä: 2 aina kun odotusarvot ovat hyvin määriteltyjä. f(x t y 1:s ) = f(x t, y 1:s ). f(y 1:s ) 99

4 Määritelmä 9.5. Vektoriarvoisen prosessin X t prediktiotntf on ja suodatustntf on f(x t y 1:t 1 ) f(x t y 1:t ). Seuraavassa lemmassa otetaan ensimmäiset askeleet rekursiiviseen suodatukseen. Lemmassa kannattaa kiinnittää erityisesti huomiota indeksien kulkuun yhtälöiden (9.2.4) ja (9.2.5) välilä, kun uusi havainto y t+1 on saatavilla. Lemma 9.1. Olkoon vektoriarvoisen stokastisen prosessin X t tntf hetkellä 0 f(x 0 ). Silloin prediktiotntf f(x k y 1:k 1 ) = f(x k x k 1 )f(x x k y 1:k 1 )dx k 1. (9.2.4) R N Suodatustntf on missä C k on ehdollisen jakauman normitustekjjä. f(x k y 1:k ) = C y1:k f(y k x k )f(x k y 1:k 1 ), (9.2.5) Todistus. Satunnaisvektoreiden X k, X k 1 ja Y 1:k 1 yhteisjakauman tntf on f(x k, x k 1, y 1:k 1 ). Ehdollinen tntf f(x k, x k 1 y 1:k 1 ) = f(x k, x k 1, y 1:k 1 ) f(y 1:k 1 ) = f(x k, x k 1, y 1:k 1 )f(x k 1, y k 1 ) f(x k 1, y k 1 )f(y 1:k 1 ) = f(x k (x k 1, y 1:k 1 ))f(x k 1 y 1:k 1 ) Huomatus = f(x k x k 1 )f(x k 1 y 1:k 1 ). Integroimalla muuttujan x k 1 suhteen saadaan prediktiotntf. Suodatustntf saadaan samoin f(x k y 1:k ) = f(x k, y 1:k ) f(y 1:k ) = f(y 1:k, x k ) f(x k, y 1:k 1 ) y 1:k 1 ) f(x k, y 1:k ) f(y 1:k 1 ) y 1:k ) = C y1:k f(y 1:k x k, y 1:k 1 )f(x k y 1:k 1 ) tilamalli = f(y 1:k x k )f(x k y 1:k 1 ). 9.3 Kalman-suodatus Kalman suodatus (eng.kalman filtering) antaa ratkaisun tila-avaruusmallin suodatusongelm alle. Tarkastellaan tilamallia X t+1 = FX t + q t 100

5 ja havaintomallia missä q t N(0, Q) ja r t N(0, R). Y t = GX t + r t, Lause 9.1 (Kalman-suodatus). Olkoon m 0 = E[X 0 ] ja P 0 = E[(X 0 m 0 )(X 0 m 0 ) T ] annettu. Merkitään m k = E[X k Y 1:k ] ja Prediktiotntf ja suodatustntf ovat muotoa P k = E[(X k m k )(X k m k ) T Y 1:k ] Lisäksi f(x k y 1:k 1 ) = N(m, P k ) f(x k y 1:k ) = N(m k, P k ). f(y k y 1:k 1 ) = N(Gm k, S k). Jakaumien parametrit saadaan vuorottelemaalla prediktioaskelta ja päivitysaskelta m k P k = Fm k 1 = FP k 1F T + Q v k = y k Gm k S k = GP k GT + R K k = P k GT S 1 k m k = m k + K kv k P k = P k K ks k K T k. Huomautus Kalman-suodatuksessa voidaan luontevasti myös sallia transitiomatriisin ja havaintomatriisin riippuminen ajasta. Tällainen epästationäärisyys on hankalaa liittää muihin aikasarjamalleihin kuin tila-avaruusmalleihin. 101

TKK @ Ilkka Mellin (2008) 1/5

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

Lisätiedot

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita

Lisätiedot

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio:

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio: Inversio-ongelmista Craig, Brown: Inverse problems in astronomy, Adam Hilger 1986. Havaitaan oppositiossa olevaa asteroidia. Pyörimisestä huolimatta sen kirkkaus ei muutu. Projisoitu pinta-ala pysyy ilmeisesti

Lisätiedot

1 Kannat ja kannanvaihto

1 Kannat ja kannanvaihto 1 Kannat ja kannanvaihto 1.1 Koordinaattivektori Oletetaan, että V on K-vektoriavaruus, jolla on kanta S = (v 1, v 2,..., v n ). Avaruuden V vektori v voidaan kirjoittaa kannan vektorien lineaarikombinaationa:

Lisätiedot

Ominaisarvo ja ominaisvektori

Ominaisarvo ja ominaisvektori Määritelmä Ominaisarvo ja ominaisvektori Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka

Lisätiedot

Esipuhe. Sirkka-Liisa Eriksson

Esipuhe. Sirkka-Liisa Eriksson 3 Esipuhe Matematiikka tieteiden kuningatar ja palvelija on lukioihin ja ammattikorkeakouluihin suunnattuun koulukohtaiseen valinnaiseen syventävään kurssiin perustuva kirja. Kirjan tarkoituksena on kerrata

Lisätiedot

Avaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät

Avaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät 11 Taso Avaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät tason. Olkoot nämä pisteet P, B ja C. Merkitään vaikkapa P B r ja PC s. Tällöin voidaan sanoa, että vektorit

Lisätiedot

Kysynnän ennustaminen muuttuvassa maailmassa

Kysynnän ennustaminen muuttuvassa maailmassa make connections share ideas be inspired Kysynnän ennustaminen muuttuvassa maailmassa Nina Survo ja Antti Leskinen SAS Institute Mitä on kysynnän ennustaminen? Ennakoiva lähestymistapa, jolla pyritään

Lisätiedot

Black ja Scholes ilman Gaussia

Black ja Scholes ilman Gaussia Black ja Scholes ilman Gaussia Tommi Sottinen Vaasan yliopisto SMY:n vuosikokousesitelmä 19.3.2012 1 / 21 Johdanto Tarkastelemme johdannaisten, eli kansankielellä optioiden, hinnoittelua. Kuuluisin hinnoittelumalli

Lisätiedot

031021P Tilastomatematiikka (5 op) viikot 5 6

031021P Tilastomatematiikka (5 op) viikot 5 6 031021P Tilastomatematiikka (5 op) viikot 5 6 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan

Lisätiedot

ARTIKKELEITA. 1. Johdanto. 2. Regressiomalli ja ennustaminen. Mikael Linden VTT, kansantaloustieteen professori Joensuun yliopisto

ARTIKKELEITA. 1. Johdanto. 2. Regressiomalli ja ennustaminen. Mikael Linden VTT, kansantaloustieteen professori Joensuun yliopisto Kansantaloudellinen aikakauskirja 100. vsk. 4/2004 ARTIKKELEITA Vuoden 2004 alkoholiverotuksen muutoksen kulutusennusteet vuosille 2004 2012 Mikael Linden VTT, kansantaloustieteen professori Joensuun yliopisto

Lisätiedot

Verkot ja todennäköisyyslaskenta Verkko Verkko eli graafi muodostuu pisteiden joukosta V, särmien joukosta A ja insidenssikuvauksesta : A V V jossa

Verkot ja todennäköisyyslaskenta Verkko Verkko eli graafi muodostuu pisteiden joukosta V, särmien joukosta A ja insidenssikuvauksesta : A V V jossa Mat-.6 Sovellettu todennäköisyyslaskenta B Mat-.6 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Verkot ja todennäköisyyslaskenta Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio Jakaumien

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman

Lisätiedot

Karteesinen tulo. Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla 1 / 21

Karteesinen tulo. Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla 1 / 21 säilyy Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla c b a 1 2 3 5 1 / 21 säilyy Esimerkkirelaatio R = {(1, b), (3, a), (5, a), (5, c)} c b a 1

Lisätiedot

7. laskuharjoituskierros, vko 10, ratkaisut

7. laskuharjoituskierros, vko 10, ratkaisut 7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,

Lisätiedot

Taso 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste, suora

Taso 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste, suora Taso 1/5 Sisältö Taso geometrisena peruskäsitteenä Kolmiulotteisen alkeisgeometrian peruskäsitteisiin kuuluu taso pisteen ja suoran lisäksi. Intuitiivisesti sitä voidaan ajatella joka suunnassa äärettömyyteen

Lisätiedot

Tilayhtälötekniikasta

Tilayhtälötekniikasta Tilayhtälötekniikasta Tilayhtälöesityksessä it ä useamman kertaluvun differentiaaliyhtälö esitetään ensimmäisen kertaluvun differentiaaliyhtälöryhmänä. Jokainen ensimmäisen kertaluvun differentiaaliyhtälö

Lisätiedot

F(x) = 1. x x 0 + F(x) = F(x 0) kaikilla x 0 R.

F(x) = 1. x x 0 + F(x) = F(x 0) kaikilla x 0 R. Luku 5 Jatkuvat jakaumat Sellaiset suureet kuten esimerkiksi aika, lämpötila, pituus ja paino ajatellaan tavallisesti jatkuviksi muuttujiksi, ts. muuttujiksi, jotka voivat saada mitä tahansa reaaliarvoja

Lisätiedot

Logistinen regressio, separoivat hypertasot

Logistinen regressio, separoivat hypertasot Logistinen regressio, separoivat hypertasot Topi Sikanen Logistinen regressio Aineisto jakautunut K luokkaan K=2 tärkeä erikoistapaus Halutaan mallintaa luokkien vedonlyöntikertoimia (odds) havaintojen

Lisätiedot

MATEMATIIKKA MATEMATIIKAN PITKÄ OPPIMÄÄRÄ. Oppimäärän vaihtaminen

MATEMATIIKKA MATEMATIIKAN PITKÄ OPPIMÄÄRÄ. Oppimäärän vaihtaminen MATEMATIIKKA Oppimäärän vaihtaminen Opiskelijan siirtyessä matematiikan pitkästä oppimäärästä lyhyempään hänen suorittamansa pitkän oppimäärän opinnot luetaan hyväksi lyhyemmässä oppimäärässä siinä määrin

Lisätiedot

Numeerinen integrointi

Numeerinen integrointi Numeerinen integrointi Analyyttisesti derivointi triviaalia, integrointi vaikeaa. Numeerisesti laskettaessa tilanne on päinvastainen. Integrointi on yhteenlaskua, joka on tasoittava operaatio: lähtötietojen

Lisätiedot

Sijoitus integraaliin

Sijoitus integraaliin 1 / 32 Muunnetaan funktion f integraali yli joukon U integraaliksi yli joukon V tekemällä sijoitus x = g(y), missä g : V U on bijektio (ainakin), kun se rajoitetaan funktioksi g : V U. Uudeksi integroitavaksi

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

Johdatus matemaattiseen päättelyyn

Johdatus matemaattiseen päättelyyn Johdatus matemaattiseen päättelyyn Oulun yliopisto Matemaattisten tieteiden laitos 2011 Maarit Järvenpää 1 Todistamisesta Matematiikassa väitelauseet ovat usein muotoa: jos P on totta, niin Q on totta.

Lisätiedot

3 Suorat ja tasot. 3.1 Suora. Tässä luvussa käsitellään avaruuksien R 2 ja R 3 suoria ja tasoja vektoreiden näkökulmasta.

3 Suorat ja tasot. 3.1 Suora. Tässä luvussa käsitellään avaruuksien R 2 ja R 3 suoria ja tasoja vektoreiden näkökulmasta. 3 Suorat ja tasot Tässä luvussa käsitellään avaruuksien R 2 ja R 3 suoria ja tasoja vektoreiden näkökulmasta. 3.1 Suora Havaitsimme skalaarikertolaskun tulkinnan yhteydessä, että jos on mikä tahansa nollasta

Lisätiedot

Projektin arvon määritys

Projektin arvon määritys Projektin arvon määritys Luku 6, s. 175-186 Optimointiopin seminaari - Syksy 2000 / 1 Tehtävä Johdetaan menetelmä projektiin oikeuttavan option määrittämiseksi kohde-etuuden hinnan P perusteella projektin

Lisätiedot

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 10.6.2013 klo 10-13 Ratkaisut ja pisteytysohjeet

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 10.6.2013 klo 10-13 Ratkaisut ja pisteytysohjeet Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe.6. klo - Ratkaisut ja pisteytysohjeet. Ratkaise seuraavat epäyhtälöt ja yhtälö: a) x+ x +9, b) log (x) 7,

Lisätiedot

2.4 Pienimmän neliösumman menetelmä

2.4 Pienimmän neliösumman menetelmä 2.4 Pienimmän neliösummn menetelmä Optimointimenetelmiä trvitn usein kokeellisen dtn nlysoinniss. Mittuksiin liittyy virhettä, joten mittus on toistettv useit kertoj. Oletetn, että mittn suurett c j toistetn

Lisätiedot

x > y : y < x x y : x < y tai x = y x y : x > y tai x = y.

x > y : y < x x y : x < y tai x = y x y : x > y tai x = y. ANALYYSIN TEORIA A Kaikki lauseet eivät ole muotoiltu samalla tavalla kuin luennolla. Ilmoita virheistä yms osoitteeseen mikko.kangasmaki@uta. (jos et ole varma, onko kyseessä virhe, niin ilmoita mieluummin).

Lisätiedot

Alijärjestelmän mittaus ja muita epätäydellisiä mittauksia

Alijärjestelmän mittaus ja muita epätäydellisiä mittauksia T-79.4001 Tietojenkäsittelyteorian seminaari 0..008 1 Alijärjestelmän mittaus ja muita epätäydellisiä mittauksia Loepp & Wootters, Protecting Information, luvut.4-.5 T-79.4001 Tietojenkäsittelyteorian

Lisätiedot

Automaatiojärjestelmät. Häiriöihin ja onnettomuuksiin liittyy kauaskantoisia seurauksia. Tekniset tuotantojärjestelmät ovat monimutkaistuneet

Automaatiojärjestelmät. Häiriöihin ja onnettomuuksiin liittyy kauaskantoisia seurauksia. Tekniset tuotantojärjestelmät ovat monimutkaistuneet 1. JOHDANTO Päätökset tehdään epävarmuuden vallitessa Tuotantojärjestelmien häiriöt voivat johtaa suuriin taloudellisiin menetyksiin Häiriöihin ja onnettomuuksiin liittyy kauaskantoisia seurauksia Tekniset

Lisätiedot

) + T (r + ) + T (r. ) Ke rt Φ( log( s σ2. (1.1) sφ( log( s σ2 2 E. VALKEILA 2 )

) + T (r + ) + T (r. ) Ke rt Φ( log( s σ2. (1.1) sφ( log( s σ2 2 E. VALKEILA 2 ) 2 E. VALKEILA 1. Johdanto 1.1. Käytännöt. Kurssin kotisivu löytyy osoitteesta http://www.math.hut.fi/teaching/rahoitus/ Kurssi suoritetaan kahdella välikokeella; luennot ja seuraavan viikon harjoitustehtävät

Lisätiedot

HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI. Matematiikan ja tilastotieteen laitos. Matemaattis-luonnontieteellinen

HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI. Matematiikan ja tilastotieteen laitos. Matemaattis-luonnontieteellinen HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta/Osasto Fakultet/Sektion Faculty Laitos Institution Department Matemaattis-luonnontieteellinen Tekijä Författare Author Aleks

Lisätiedot

Todennäköisyyslaskenta 1/7 Sisältö ESITIEDOT: joukko-oppi, lukumäärän laskeminen, funktiokäsite Hakemisto

Todennäköisyyslaskenta 1/7 Sisältö ESITIEDOT: joukko-oppi, lukumäärän laskeminen, funktiokäsite Hakemisto Todennäköisyyslaskenta /7 Sisältö ESITIEDOT: joukko-oppi, n laskeminen, käsite Hakemisto Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennassa tarkastelun kohteena ovat satunnaisilmiöt.esimerkkejä

Lisätiedot

Matematiikan pitkä oppimäärä

Matematiikan pitkä oppimäärä Matematiikan pitkä oppimäärä Matematiikan pitkän oppimäärän opetuksen tehtävänä on antaa opiskelijalle matemaattiset valmiudet, joita tarvitaan ammatillisissa opinnoissa ja korkeakouluopinnoissa. Pitkän

Lisätiedot

TIIVISTELMÄRAPORTTI (SUMMARY REPORT)

TIIVISTELMÄRAPORTTI (SUMMARY REPORT) 2013/MAT827 ISSN 1797-3457 (verkkojulkaisu) ISBN (PDF) 978-951-25-2421-1 TIIVISTELMÄRAPORTTI (SUMMARY REPORT) MIEHITTÄMÄTTÖMÄN VEDENALAISEN LAITTEEN NAVIGOINTI Jarmo Takala, Jussi Collin, Jarkko Tuomi

Lisätiedot

14 Jatkuva jakauma. Käsitellään kuitenkin ennen täsmällisiä määritelmiä johdatteleva

14 Jatkuva jakauma. Käsitellään kuitenkin ennen täsmällisiä määritelmiä johdatteleva 4 Jatkuva jakauma Edellä määriteltiin diskreetiksi satunnaismuuttujaksi sellainen, joka voi saada vain (hyppäyksittäin) erillisiä arvoja. Jatkuva satunnaismuuttuja voi saada mitä hyvänsä arvoja yleensä

Lisätiedot

käännetty prosessi. Tarkastellaan pelkistymätöntä stationaarista stokastista prosessia X t.

käännetty prosessi. Tarkastellaan pelkistymätöntä stationaarista stokastista prosessia X t. J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 1 AJAN KÄÄNTÖ JA KÄÄNTYVÄT PROSESSIT Käännetty prosessi Tarkastellaan pelkistymätöntä stationaarista stokastista prosessia X t. Tähän prosessiin voidaan liittää

Lisätiedot

Esimerkki kaikkialla jatkuvasta muttei missään derivoituvasta funktiosta

Esimerkki kaikkialla jatkuvasta muttei missään derivoituvasta funktiosta Esimerkki kaikkialla jatkuvasta muttei missään derivoituvasta funktiosta Seminaariaine Miikka Rytty Matemaattisten tieteiden laitos Oulun yliopisto 2004 Matemaattista ja historiallista taustaa Tämän kappaleen

Lisätiedot

1. LINEAARISET YHTÄLÖRYHMÄT JA MATRIISIT. 1.1 Lineaariset yhtälöryhmät

1. LINEAARISET YHTÄLÖRYHMÄT JA MATRIISIT. 1.1 Lineaariset yhtälöryhmät 1 1 LINEAARISET YHTÄLÖRYHMÄT JA MATRIISIT Muotoa 11 Lineaariset yhtälöryhmät (1) a 1 x 1 + a x + + a n x n b oleva yhtälö on tuntemattomien x 1,, x n lineaarinen yhtälö, jonka kertoimet ovat luvut a 1,,

Lisätiedot

Todennäköisyysjakaumien mallintaminen Matlabohjelmalla

Todennäköisyysjakaumien mallintaminen Matlabohjelmalla Todennäköisyysjakaumien mallintaminen Matlabohjelmalla Tekijä: 55354J timo.nordlund@hut.fi Ohjaaja: Ilkka Mellin Jätetty: 13.8.2003 Sisällysluettelo 1. JOHDANTO... 3 2. OHJELMAKOODI... 4 2.1. RAKENNE...

Lisätiedot

FYSA220/1 (FYS222/1) HALLIN ILMIÖ

FYSA220/1 (FYS222/1) HALLIN ILMIÖ FYSA220/1 (FYS222/1) HALLIN ILMIÖ Työssä perehdytään johteissa ja tässä tapauksessa erityisesti puolijohteissa esiintyvään Hallin ilmiöön, sekä määritetään sitä karakterisoivat Hallin vakio, varaustiheys

Lisätiedot

4 / 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 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

Lisätiedot

1 Sovelluksia. Sovelluksia 1

1 Sovelluksia. Sovelluksia 1 Sovelluksia 1 1 Sovelluksia 1.1 Tausta ja tärkeimpiä määritelmiä Kalvo 1 Aloitetaan tutustumaan luennolla tarkasteltaviin prosesseihin. Tarkempia selityksiä, esimerkiksi Brownin liikkestä, löytyy kertauksesta,

Lisätiedot

Todennäköisyyslaskenta sivuaineopiskelijoille

Todennäköisyyslaskenta sivuaineopiskelijoille Todennäköisyyslaskenta sivuaineopiskelijoille Tentit: 4.11.2013 ja 2.12.2013. Loput kaksi tenttiä (vuonna 2014) ilmoitetaan myöhemmin. Tentissä on 4 tehtävää á 8 pistettä, aikaa 4 tuntia. Arvostelu 0 5.

Lisätiedot

Lyhyt yhteenvetokertaus nodaalimallista SÄTEILYTURVAKESKUS STRÅLSÄKERHETSCENTRALEN RADIATION AND NUCLEAR SAFETY AUTHORITY

Lyhyt yhteenvetokertaus nodaalimallista SÄTEILYTURVAKESKUS STRÅLSÄKERHETSCENTRALEN RADIATION AND NUCLEAR SAFETY AUTHORITY Lyhyt yhteenvetokertaus nodaalimallista SÄTELYTUVAKESKUS STÅLSÄKEHETSCENTALEN ADATON AND NUCLEA SAFETY AUTHOTY Ei enää tarkastella neutronien kulkua, vaan työn alla on simppeli tuntemattoman differentiaaliyhtälöryhmä

Lisätiedot

Lataa ilmaiseksi mafyvalmennus.fi/mafynetti. Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla!

Lataa ilmaiseksi mafyvalmennus.fi/mafynetti. Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla! Miten opit parhaiten? Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla! n Harjoittelu tehdään aktiivisesti tehtäviä ratkomalla. Tehtävät kattavat kaikki yo-kokeessa

Lisätiedot

Liikkeet. Haarto & Karhunen. www.turkuamk.fi

Liikkeet. Haarto & Karhunen. www.turkuamk.fi Liikkeet Haarto & Karhunen Suureita Aika: tunnus t, yksikkö: sekunti = s Paikka: tunnus x, y, r, ; yksikkö: metri = m Paikka on ektorisuure Suoraiiaisessa liikkeessä kappaleen paikka (asema) oidaan ilmoittaa

Lisätiedot

eli optioiden hinnoittelun ja toistamisen taito tai oppi optioiden oikeasta hinnasta Tommi Sottinen

eli optioiden hinnoittelun ja toistamisen taito tai oppi optioiden oikeasta hinnasta Tommi Sottinen Rahoitust=Coria eli optioiden hinnoittelun ja toistamisen taito tai oppi optioiden oikeasta hinnasta Tommi Sottinen tommi.sottinen@helsinki.fi mathstat.helsinki.fi/ tsottine 18. huhtikuuta 26 Sisältö I

Lisätiedot

Fysikaalisten tieteiden esittely puolijohdesuperhiloista

Fysikaalisten tieteiden esittely puolijohdesuperhiloista Fysikaalisten tieteiden esittely puolijohdesuperhiloista "Perhaps a thing is simple if you can describe it fully in several different ways without immediately knowing that you are describing the same thing."

Lisätiedot

Mat-2.3114 Investointiteoria Laskuharjoitus 3/2008, Ratkaisut 05.02.2008

Mat-2.3114 Investointiteoria Laskuharjoitus 3/2008, Ratkaisut 05.02.2008 Korko riippuu usein laina-ajan pituudesta ja pitkille talletuksille maksetaan korkeampaa korkoa. Spot-korko s t on se korko, joka kertyy lainatulle pääomalle hetkeen t (=kokonaisluku) mennessä. Spot-korot

Lisätiedot

Kurssikuvausten väljyyttä voidaan käyttää resurssien salliessa keskeisten sisältöjen syventämiseen ja eheyttävien kokonaisuuksien muodostamiseen.

Kurssikuvausten väljyyttä voidaan käyttää resurssien salliessa keskeisten sisältöjen syventämiseen ja eheyttävien kokonaisuuksien muodostamiseen. 5.6. Matematiikka Matematiikan asema aikamme kulttuurissa edellyttää valmiutta ymmärtää, hyödyntää ja tuottaa matemaattisesti esitettyä tietoa. Matematiikan opetuksen tehtävänä on tutustuttaa opiskelija

Lisätiedot

Aki Taanila YHDEN SELITTÄJÄN REGRESSIO

Aki Taanila YHDEN SELITTÄJÄN REGRESSIO Aki Taanila YHDEN SELITTÄJÄN REGRESSIO 26.4.2011 SISÄLLYS JOHDANTO... 1 LINEAARINEN MALLI... 1 Selityskerroin... 3 Excelin funktioita... 4 EKSPONENTIAALINEN MALLI... 4 MALLIN KÄYTTÄMINEN ENNUSTAMISEEN...

Lisätiedot

Lataa ilmaiseksi mafyvalmennus.fi/mafynetti. Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla!

Lataa ilmaiseksi mafyvalmennus.fi/mafynetti. Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla! Miten opit parhaiten? Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla! n Harjoittelu tehdään aktiivisesti tehtäviä ratkomalla. Tehtävät kattavat kaikki yo-kokeessa

Lisätiedot

Puuttuvan tiedon ongelmat pitkittäistutkimuksissa

Puuttuvan tiedon ongelmat pitkittäistutkimuksissa 1/27 Puuttuvan tiedon ongelmat pitkittäistutkimuksissa Jaakko Nevalainen Tampereen yliopisto Sosiaalilääketieteen päivät 3.-4.11.2014 2/27 Sisältö 1 Johdanto ja peruskäsitteet 2 Mallintamiseen pohjautuvat

Lisätiedot

MATEMATIIKKA 5 VIIKKOTUNTIA

MATEMATIIKKA 5 VIIKKOTUNTIA EB-TUTKINTO 2008 MATEMATIIKKA 5 VIIKKOTUNTIA PÄIVÄMÄÄRÄ: 5. kesäkuuta 2008 (aamupäivä) KOKEEN KESTO: 4 tuntia (240 minuuttia) SALLITUT APUVÄLINEET: Europpa-koulun antama taulukkovihkonen Funktiolaskin,

Lisätiedot

Erikoistyö: Alkoholin kulutusmenojen ennustaminen

Erikoistyö: Alkoholin kulutusmenojen ennustaminen Erikoistyö: Alkoholin kulutusmenojen ennustaminen Tekijä: Mikko Nordlund 49857B mikko.nordlund@hut.fi Ohjaaja: Ilkka Mellin Jätetty: 11.12.2003 Sisällysluettelo 1. JOHDANTO... 3 2. MALLIEN TUTKIMINEN...

Lisätiedot

Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, lukuvuosi 2011-2012

Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, lukuvuosi 2011-2012 Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, lukuvuosi 2011-2012 Raija Leppälä 17. lokakuuta 2011 Sisältö 1 Johdanto 3 2 Todennäköisyyslaskentaa 5 2.1 Satunnaisilmiö ja tapahtuma 5 2.2 Klassinen

Lisätiedot

Muuttujien riippumattomuus

Muuttujien riippumattomuus 199 Muuttujien riippumattomuus Jos esimerkkiin lisätään muuttuja Säätila, jolla on 4 mahdollista arvoa, on edellä ollut yhteisjakauman taulukko monistettava neljästi Koska hammasongelmat eivät vaikuta

Lisätiedot

ClassPad 330 plus ylioppilaskirjoituksissa apuna

ClassPad 330 plus ylioppilaskirjoituksissa apuna ClassPad 330 plus ylioppilaskirjoituksissa apuna Suomessa sallittiin CAS (Computer Algebra System) laskimien käyttö keväästä 2012 alkaen ylioppilaskirjoituksissa. Norjassa ja Ruotsissa vastaava kehitys

Lisätiedot

DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi

DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi Historiaa Bayesin kaavan hyödyntäminen BN-ohjelmistoja ollut ennenkin Tanskalaisten Hugin

Lisätiedot

Helsingin, 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 11.6.2012 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)

Lisätiedot

Sijoitustoiminnan matematiikka

Sijoitustoiminnan matematiikka Sijoitustoiminnan matematiikka Harri Nyrhinen, Helsingin yliopisto Kevät 2011 1 Sisältö 1 Johdanto 4 2 Deterministiset korkomarkkinat 5 2.1 Korkomalli............................. 5 2.2 Kassavirrat ja

Lisätiedot

Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari Korhonen

Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari Korhonen Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari 1 1. JOHDANTO 1.1 Määritelmiä 1.2 Tietorakenteen ja algoritmin valinta 1.3 Algoritmit ja tiedon määrä 1.4 Tietorakenteet ja toiminnot 1.5 Esimerkki:

Lisätiedot

Insinöörimatematiikka A

Insinöörimatematiikka A Insinöörimatematiikka A Demonstraatio 3, 3.9.04 Tehtävissä 4 tulee käyttää Gentzenin järjestelmää kaavojen johtamiseen. Johda kaava φ (φ ) tyhjästä oletusjoukosta. ) φ ) φ φ 3) φ 4) φ (E ) (E ) (I, ) (I,

Lisätiedot

Littlen tulos. Littlen lause sanoo. N = λ T. Lause on hyvin käyttökelpoinen yleisyytensä vuoksi

Littlen tulos. Littlen lause sanoo. N = λ T. Lause on hyvin käyttökelpoinen yleisyytensä vuoksi J. Virtamo 38.3143 Jonoteoria / Littlen tulos 1 Littlen tulos Littlen lause Littlen tuloksena tai Littlen lauseena tunnettu tulos on hyvin yksinkertainen relaatio järjestelmään tulevan asiakasvirran, keskimäärin

Lisätiedot

LABORATORIOTYÖ 3 VAIHELUKITTU VAHVISTIN

LABORATORIOTYÖ 3 VAIHELUKITTU VAHVISTIN LABORATORIOTYÖ 3 VAIHELUKITTU VAHVISTIN Päivitetty: 23/01/2009 TP 3-1 3. VAIHELUKITTU VAHVISTIN Työn tavoitteet Työn tavoitteena on oppia vaihelukitun vahvistimen toimintaperiaate ja käyttömahdollisuudet

Lisätiedot

Suora 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste

Suora 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste Suora 1/5 Sisältö KATSO MYÖS:, vektorialgebra, geometriset probleemat, taso Suora geometrisena peruskäsitteenä Pisteen ohella suora on geometrinen peruskäsite, jota varsinaisesti ei määritellä. Alkeisgeometriassa

Lisätiedot

Mitä on laadullinen tutkimus? Pertti Alasuutari Tampereen yliopisto

Mitä on laadullinen tutkimus? Pertti Alasuutari Tampereen yliopisto Mitä on laadullinen tutkimus? Pertti Alasuutari Tampereen yliopisto Määritelmiä Laadullinen tutkimus voidaan määritellä eri tavoin eri lähtökohdista Voidaan esimerkiksi korostaa sen juuria antropologiasta

Lisätiedot

1. Lineaarinen optimointi

1. Lineaarinen optimointi 0 1. Lineaarinen optimointi 1. Lineaarinen optimointi 1.1 Johdatteleva esimerkki Esimerkki 1.1.1 Giapetto s Woodcarving inc. valmistaa kahdenlaisia puuleluja: sotilaita ja junia. Sotilaan myyntihinta on

Lisätiedot

TOPOLOGISET RYHMÄT. I Topologisten ryhmien yleistä teoriaa

TOPOLOGISET RYHMÄT. I Topologisten ryhmien yleistä teoriaa Heikki Junnila TOPOLOGISET RYHMÄT I Topologisten ryhmien yleistä teoriaa 1. Määritelmä, perusominaisuuksia..... 1 2. Aliryhmät ja tekijäryhmät. Jatkuvat homomorfismit. Tulot..... 13 3. Yhtenäisyys ja epäyhtenäisyys

Lisätiedot

10 %. Kuinka monta prosenttia arvo nousi yhteensä näiden muutosten jälkeen?

10 %. Kuinka monta prosenttia arvo nousi yhteensä näiden muutosten jälkeen? YLIOPPILASTUTKINTO- LAUTAKUNTA 3.3.0 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ Kokeessa saa vastata enintään kymmeneen tehtävään. Tähdellä (*) merkittyjen tehtävien maksimipistemäärä on 9, muiden tehtävien maksimipistemäärä

Lisätiedot

2) Aliohjelma, jonka toiminta perustuu sivuvaikutuksiin: aliohjelma muuttaa parametrejaan tai globaaleja muuttujia, tulostaa jotakin jne.

2) Aliohjelma, jonka toiminta perustuu sivuvaikutuksiin: aliohjelma muuttaa parametrejaan tai globaaleja muuttujia, tulostaa jotakin jne. Proseduurit Proseduuri voi olla 1) Funktio, joka palauttaa jonkin arvon: real function sinc(x) real x sinc = sin(x)/x... y = sinc(1.5) 2) Aliohjelma, jonka toiminta perustuu sivuvaikutuksiin: aliohjelma

Lisätiedot

Korko optioiden volatiliteettirakenteen estimointi

Korko optioiden volatiliteettirakenteen estimointi Aalto yliopisto Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Kevät 2010 Korko optioiden volatiliteettirakenteen estimointi Pohjola konserni Projektisuunnitelma Robert Huuhilo Juhana Joensuu Teppo

Lisätiedot

Mika Hirvensalo. Insinöörimatematiikka D 2015

Mika Hirvensalo. Insinöörimatematiikka D 2015 Mika Hirvensalo Insinöörimatematiikka D 2015 Sisältö 1 Lineaarialgebran peruskäsitteitä............................................... 5 1.1 Lineaariset yhtälöryhmät..................................................

Lisätiedot

815338A Ohjelmointikielten periaatteet 2014-2015

815338A Ohjelmointikielten periaatteet 2014-2015 815338A Ohjelmointikielten periaatteet 2014-2015 X Skriptiohjelmointi Sisältö 1. Johdanto 2. Skriptikielten yleispiirteitä 3. Python 815338A Ohjelmointikielten periaatteet, Skriptiohjelmointi 2 X.1 Johdanto

Lisätiedot

Perusarkkitehtuurin ja vuorovaikutuksen mallintamisen perusteita.

Perusarkkitehtuurin ja vuorovaikutuksen mallintamisen perusteita. Perusarkkitehtuurin ja vuorovaikutuksen mallintamisen perusteita. Arkkitehtuuriin vaikuttavat ympäristötekijät Jo kehittämisen alkuvaiheessa on tarpeellista hahmotella arkkitehtuurin perusratkaisu. Lähtökohdat

Lisätiedot

Pitkä matematiikka, Lyhyt matematiikka MATEMATIIKKA, PITKÄ, LUKIO-OPETUS

Pitkä matematiikka, Lyhyt matematiikka MATEMATIIKKA, PITKÄ, LUKIO-OPETUS Pitkä matematiikka, Lyhyt matematiikka MATEMATIIKKA, PITKÄ, LUKIO-OPETUS Matematiikka tarjoaa välineitä johdonmukaisen ja täsmällisen ajattelun edistämiseen, avaruuden hahmottamiseen sekä käytännön ja

Lisätiedot

Lataa ilmaiseksi mafyvalmennus.fi/mafynetti. Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla!

Lataa ilmaiseksi mafyvalmennus.fi/mafynetti. Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla! Miten opit parhaiten? Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla! n Harjoittelu tehdään aktiivisesti tehtäviä ratkomalla. Tehtävät kattavat kaikki yo-kokeessa

Lisätiedot

plot(f(x), x=-5..5, y=-10..10)

plot(f(x), x=-5..5, y=-10..10) [] Jokaisen suoritettavan rivin loppuun ; [] Desimaalierotin Maplessa on piste. [] Kommentteja koodin sekaan voi laittaa # -merkin avulla. Esim. #kommentti tähän [] Edelliseen tulokseen voi viitata merkillä

Lisätiedot

Pääsykoe 2001/Ratkaisut Hallinto

Pääsykoe 2001/Ratkaisut Hallinto Pääsykoe 2001/Ratkaisut Hallinto 1. Osio 3/Tosi; Organisaatiokenttää ei mainita (s.35). 2. Osiot 1 ja 2/Epätosia; Puppua. Osio 3/Lähellä oikeata kuvion 2.1 mukaan (s.30). Osio 4/Tosi (sivun 30 tekstin

Lisätiedot

Lukion. Calculus. Todennäköisyys ja tilastot. Paavo Jäppinen Alpo Kupiainen Matti Räsänen Otava PIKATESTIN JA KERTAUSKOKEIDEN TEHTÄVÄT RATKAISUINEEN

Lukion. Calculus. Todennäköisyys ja tilastot. Paavo Jäppinen Alpo Kupiainen Matti Räsänen Otava PIKATESTIN JA KERTAUSKOKEIDEN TEHTÄVÄT RATKAISUINEEN Calculus Lukion 3 MAA Todennäköisyys ja tilastot Paavo Jäppinen Alpo Kupiainen Matti Räsänen Otava PIKATESTIN JA KERTAUSKOKEIDEN TEHTÄVÄT RATKAISUINEEN Todennäköisyys ja tilastot (MAA) Pikatesti ja kertauskokeet

Lisätiedot

3 Toisen kertaluvun lineaariset differentiaaliyhtälöt

3 Toisen kertaluvun lineaariset differentiaaliyhtälöt 3 Toisen kertaluvun lineaariset differentiaaliyhtälöt 3.1 Homogeeniset lineaariset differentiaaliyhtälöt Toisen kertaluvun differentiaaliyhtälö on lineaarinen, jos se voidaan kirjoittaa muotoon Jos r(x)

Lisätiedot

Monissa käytännön ongelmissa ei matriisiyhtälölle Ax = b saada ratkaisua, mutta approksimaatio on silti käyttökelpoinen.

Monissa käytännön ongelmissa ei matriisiyhtälölle Ax = b saada ratkaisua, mutta approksimaatio on silti käyttökelpoinen. Pns ratkaisu (Kr. 20.5, Lay 6.5 C-II/KP-II, 20, Kari Eloranta Monissa käytännön ongelmissa ei matriisiyhtälölle Ax = b saada ratkaisua, mutta approksimaatio on silti käyttökelpoinen. Määritelmä Jos A on

Lisätiedot

Matriisilaskenta. Ville Tilvis

Matriisilaskenta. Ville Tilvis Matriisilaskenta Ville Tilvis 1 joulukuuta 2013 Sisältö Johdanto 1 1 Matriisit ja vektorit 2 11 Nimityksiä 2 12 Peruslaskutoimitukset 4 2 Lineaariset yhtälöryhmät 10 21 Lineaarinen yhtälö ja yhtälöryhmä

Lisätiedot

Johdatus todennäköisyyslaskentaan ja tilastotieteeseen. Stefan Emet

Johdatus todennäköisyyslaskentaan ja tilastotieteeseen. Stefan Emet Johdatus todennäköisyyslaskentaan ja tilastotieteeseen Stefan Emet Matematiikan ja tilastotieteen lts Turun yliopisto 24 Sisältö Johdanto. Todennäköisyys..................................2 Peruskäsitteitä.................................

Lisätiedot

10 y 2 3 x D 100; D 30 29 59 6 D 10 5. 100 10 2 3 a: Vastaavasti sadalla kilometrillä kulutettavan polttoaineen E10 energiasisältö on 90 100 x a C 10

10 y 2 3 x D 100; D 30 29 59 6 D 10 5. 100 10 2 3 a: Vastaavasti sadalla kilometrillä kulutettavan polttoaineen E10 energiasisältö on 90 100 x a C 10 Helsingin ylioisto, Itä-Suomen ylioisto, Jyväskylän ylioisto, Oulun ylioisto, Tamereen ylioisto ja Turun ylioisto Matematiikan valintakokeen 3.6.0 ratkaisut. Oletetaan, että litralla (uhdasta) bensiiniä

Lisätiedot

Suora. Hannu Lehto. Lahden Lyseon lukio

Suora. Hannu Lehto. Lahden Lyseon lukio Suora Hannu Lehto Lahden Lyseon lukio Suuntavektori Normaalivektori Hannu Lehto 4. syyskuuta 2010 Lahden Lyseon lukio 2 / 12 Esimerkki Suuntavektori Normaalivektori Tarkastellaan suoraa y = 2 3 x 1. kulmakerroin

Lisätiedot

Luento 5: Peliteoria

Luento 5: Peliteoria Luento 5: Peliteoria Portfolion optimointi Sijoittajan tehtävä Nashin tasapaino Vangin ongelma Nashin neuvotteluratkaisu 1 Portfolion optimointi Varallisuus A sijoitetaan n:ään sijoituskohteeseen (osake,

Lisätiedot

Todellinen vuosikorko. Efektiivinen/sisäinen korkokanta. Huomioitavaa

Todellinen vuosikorko. Efektiivinen/sisäinen korkokanta. Huomioitavaa Todellinen vuosikorko Huomioitavaa Edellinen keskimaksuhetkeen perustuva todellinen vuosikorko antaa vain arvion vuosikorosta. Tarkempi arvio todellisesta korosta saadaan ottamalla huomioon mm. koronkorko.

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta:

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta: RMS22 Päätöksenteko epävarmuuden vallitessa Syksy 28 Harjoitus 8 Ratkaisuehdotuksia Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta: Pankki harkitsee myöntääkö 5. euron lainan asiakkaalle 12%

Lisätiedot

CCD-kamerat ja kuvankäsittely

CCD-kamerat ja kuvankäsittely CCD-kamerat ja kuvankäsittely Kari Nilsson Finnish Centre for Astronomy with ESO (FINCA) Turun Yliopisto 6.10.2011 Kari Nilsson (FINCA) CCD-havainnot 6.10.2011 1 / 23 Sisältö 1 CCD-kamera CCD-kameran toimintaperiaate

Lisätiedot

Katso Opetus.tv:n video: Kirchhoffin 1. laki http://opetus.tv/fysiikka/fy6/kirchhoffin-lait/

Katso Opetus.tv:n video: Kirchhoffin 1. laki http://opetus.tv/fysiikka/fy6/kirchhoffin-lait/ 4.1 Kirchhoffin lait Katso Opetus.tv:n video: Kirchhoffin 1. laki http://opetus.tv/fysiikka/fy6/kirchhoffin-lait/ Katso Kimmo Koivunoron video: Kirchhoffin 2. laki http://www.youtube.com/watch?v=2ik5os2enos

Lisätiedot

1 Raja-arvo. 1.1 Raja-arvon määritelmä. Raja-arvo 1

1 Raja-arvo. 1.1 Raja-arvon määritelmä. Raja-arvo 1 Raja-arvo Raja-arvo Raja-arvo kuvaa funktion f arvon f() kättätmistä, kun vaihtelee. Joillakin funktioilla f() muuttuu vain vähän, kun muuttuu vähän. Toisilla funktioilla taas f() hppää tai vaihtelee arvaamattomasti,

Lisätiedot

FY9 Fysiikan kokonaiskuva

FY9 Fysiikan kokonaiskuva FY9 Sivu 1 FY9 Fysiikan kokonaiskuva 6. tammikuuta 2014 14:34 Kurssin tavoitteet Kerrata lukion fysiikan oppimäärä Yhdistellä kurssien asioita toisiinsa muodostaen kokonaiskuvan Valmistaa ylioppilaskirjoituksiin

Lisätiedot

Erkki Laitinen, Oulun yliopisto, matemaattisten tieteiden laitos. Mallien tyyppejä

Erkki Laitinen, Oulun yliopisto, matemaattisten tieteiden laitos. Mallien tyyppejä Erkki Laitinen, Oulun yliopisto, matemaattisten tieteiden laitos Mallien tyyppejä Mallin suunnittelusta Reaalimaailman systeemi Matemaattinen systeemi Tarkkailu Malli, laskenta, päätelmät populaation kehittyminen

Lisätiedot

DISKREETTI MATEMATIIKKA

DISKREETTI MATEMATIIKKA DISKREETTI MATEMATIIKKA 1 2 DISKREETTI MATEMATIIKKA Sisällysluettelo 1. Relaatio ja funktio 3 1.1. Karteesinen tulo 3 1.2. Relaatio ja funktio 3 2. Kombinatoriikkaa 8 2.1. Tulo- ja summaperiaate 9 2.2.

Lisätiedot

Seurantatieto tarkentuu eri mittausmenetelmien tuloksia yhdistäen

Seurantatieto tarkentuu eri mittausmenetelmien tuloksia yhdistäen Seurantatieto tarkentuu eri mittausmenetelmien tuloksia yhdistäen Pirkko Kauppila, Jenni Attila, Sari Mitikka, Juhani Kettunen, Kari Kallio ja Seppo Kaitala Suomen ympäristökeskus Limnologipäivät 10.-11.4.2013

Lisätiedot

3 Raja-arvo ja jatkuvuus

3 Raja-arvo ja jatkuvuus 3 Raja-arvo ja jatkuvuus 3. Raja-arvon käsite Raja-arvo kuvaa funktion kättätmistä jonkin lähtöarvon läheisdessä. Raja-arvoa tarvitaan toisinaan siksi, että funktion arvoa ei voida laskea kseisellä lähtöarvolla

Lisätiedot

S-114.3812 Laskennallinen Neurotiede

S-114.3812 Laskennallinen Neurotiede S-114.3812 Laskennallinen Neurotiede Laskuharjoitus 2 4.12.2006 Heikki Hyyti 60451P Tehtävä 1 Tehtävässä 1 piti tehdä lineaarista suodatusta kuvalle. Lähtötietoina käytettiin kuvassa 1 näkyvää harmaasävyistä

Lisätiedot