6. Stokastiset prosessit
|
|
- Antero Mikkonen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 luento6.ppt S Lkenneteoran perusteet - Kevät Ssältö Peruskästtetä Posson-prosess Markov-prosesst Syntymä-kuolema-prosesst
2 Stokastset prosesst () Tarkastellaan otakn (lkenneteoran kannalta ta stten muuten) knnostavaa ärestelmää kuvaavaa suuretta Tyypllsest se kehttyy aan myötä satunnasest Esm.. varattuen kanaven lkm puhelnverkon lnkssä hetkellä t ta n:nnen asakkaan saapuessa Esm.. paketten lkm tlastollsen kanavontlatteen puskurssa hetkellä t ta n:nnen asakkaan saapuessa Stokastnen prosess kuvaa tällasta aan myötä satunnasest tapahtuvaa kehtystä Mllä tahansa yksttäsellä hetkellä t (ta n) ärestelmää kuvaa yksttänen satunnasmuuttua Nän ollen stokastnen prosess vodaan määrtellä kokoelmaks satunnasmuuttua 3 Stokastset prosesst () Määr. Reaalarvonen stokastnen prosess X (X t t I) (stochastc process) on kokoelma satunnasmuuttua X t, otka saavat arvoa ossakn reaallukuen osaoukossa S, X t (ω) S, a ota ndekso reaalarvonen (akaa kuvaava) parametr t I. Stokastsa prosessea kutsutaan oskus myös satunnasprosesseks (random process) ta lyhyest prosesseks Indeksoukkoa I Rsanotaan prosessn parametravaruudeks (parameter space) Arvooukkoa S Rtaas sanotaan prosessn tla-avaruudeks (state space) Huom. Monast merknnällä X t tarkotetaan koko prosessa (ekä pelkästään yksttästä, ohonkn tettyyn aanhetkeen t lttyvää satunnasmuuttuaa) 4
3 Stokastset prosesst (3) Jokanen yksttänen satunnasmuuttua X t on kuvaus otosavaruudelta Ω reaallukuen oukkoon R: X : Ω R, ω X ( ω) t Stokastsen prosessn X vodaan nän ollen aatella olevan kuvauksen otosavaruudelta Ω reaalarvosten funktoden oukkoon R I (argumenttnaan parametr t I): I X : Ω R, ω X ( ω) Jokaseen alkestapaukseen ω Ω lttyy reaalarvonen funkto X(ω). Funktota X(ω) kutsutaan prosessn reaalsatoks (realzaton) [el poluks (path) el traektorks (traectory)]. t 5 Yhteenveto Annetulla alkestapauksella ω Ω X(ω) (X t (ω) t I) on reaalarvonen funkto (argumenttnaan t I) Annetulla aanhetkellä t I, X t (X t (ω) ω Ω) on satunnasmuuttua (kun ω Ω) Annetulla alkestapauksella ω Ω a aanhetkellä t I, X t (ω) on reaalluku 6
4 Esmerkk Tarkastellaan lkenneprosessa X (X t t [,T]) kahden puhelnkeskuksen välsellä lnkllä ollakn akavälllä [,T] X t kertoo varattuen kanaven lkm:n hetkellä t Alkestapaus ω Ω lmasee mkä on varattuen kanaven lkm X hetkellä, mtkä ovat näden X :n puhelun älelläolevat ptoaat, mllä aanhetkllä saapuu uusa kutsua, a mtkä ovat näden uusen kutsuen ptoaat. Näden tetoen perusteella on mahdollsta konstruoda lkenneprosessn X reaalsaato X(ω) Alkestapaus ω ss ssältää kaken prosessn kulkuun vakuttavan satunnasuuden Annetulla alkestapauksella ω prosessn reaalsaato X(ω) on van determnstnen reaalarvonen funkto 7 Lkenneprosess kanavat kanavakohtanen mehtystla kutsun ptoaka kanaven lkm kutsuen saapumshetket estynyt kutsu varattuen kanaven lkm aka aka 8
5 Prosessen luokttelusta Palautetaan meln: Parametravaruus ndeksoukko I (t I) Tla-avaruus arvooukko S (X t (ω) S) Luokttelua: Parametravaruuden tyyppn perustuva: Dskreettakaset prosesst: parametravaruus dskreett Jatkuva-akaset processes: parametravaruus atkuva Tla-avaruuden tyyppn perustuva: Dskreetttlaset prosesst: tla-avaruus dskreett Jatkuvatlaset prosesst: tla-avaruus atkuva Tällä kursslla kesktymme dskreetttlasn prosessehn (otka ss vovat olla dskreett- ta atkuva-akasa) Tyypllnen prosess kuvaa asakkaden lkm:ää ossakn onosysteemssä (ollon tla-avaruudeks tulee S {,,,...}) 9 Esmerkkeä Dskreettakasa a dskreetttlasa prosessea Esm.. varattuen kanaven lkm puhelnverkon lnkssä n:nnen kutsun saapuessa, n,,... Esm.. paketten lkm tlastollsen kanavontlatteen puskurssa n:nnen paketn saapuessa, n,,... Jatkuva-akasa a dskreetttlasa prosessea Esm. 3. varattuen kanaven lkm puhelnverkon lnkssä hetkellä t > Esm. 4. paketten lkm tlastollsen kanavontlatteen puskurssa hetkellä t >
6 Merkntöä Dskreettakaselle prosesslle parametravaruus on tyypllsest kakken postvsten kokonaslukuen oukko, I {,, } ndeks t korvataan tällön (usen) ndeksllä n: X n, X n (ω) Jatkuva-akaselle prosesslle parametravaruus on tyypllsest oko okn äärellnen väl, I [, T], ta stten kakken e-negatvsten reaallukuen oukko, I [, ) ndeks t krotetaan tällön (usen) prosessa kuvaavan symboln älkeen sulkuhn (ekä alandeksks): X(t), X (t;ω) Jakauma Stokastsen prosessn akauman (dstrbuton) määräävät sen äärellsulotteset akaumat (fnte-dmensonal dstrbutons) P{ X x,, X t t x n n mssä t,, t n I, x,, x n S a n,,... Yleensä näden äärellsulottestenkaan akaumen määräämnen e ole helppoa satunnasmuuttuen X t välsten rppuvuuksen vuoks }
7 Rppuvuus Kakken yksnkertasn (mutta e kovnkaan knnostava) esmerkk stokastsesta prosesssta saadaan ottamalla oukko täydellsest rppumattoma satunnasmuuttua X t. Tällön P{ Xt x,..., Xt xn} P{ Xt x} P{ X n tn n Yksnkertasn e-trvaal esmerkk on Markov-prosess. Tällön P{ X x,..., X x } P t tn n { Xt x} P{ X } { t x X t x P X t xn Xt x n n n Tämä lttyy ns. Markov-omnasuuteen: Jos Markov-prosessn nykytla tunnetaan, prosessn tulevasuus e mtenkään rpu prosessn aemmasta mennesyydestä (el stä, mten nykytlaan on tultu). x } 3 } Statonaarsuus Määr. Stokastnen prosess X on statonaarnen (statonary), os kakk äärellsulotteset akaumat ovat aan srron suhteen nvaranttea, ts. P { Xt,, } {,, + x Xt xn P Xt x X t x n + n n kaklla, n, t,, t n a x,, x n Seuraus: Valnnalla n nähdään, että statonaarsen prosessn kakk yksttäset satunnasmuuttuat X t ovat samon akautuneta, ts. P{ X t x} F( x) kaklla t I. Ko. akaumaa sanotaan prosessn statonaarseks akaumaks (statonary dstrbuton). } 4
8 Stokastset prosesst lkenneteorassa Tällä kursslla (a lkenneteorassa ylesemmnkn) stokastslla prosesslla kuvataan saapumsprosessa (arrval process), so. asakkaden saapumsta ohonkn ärestelmään tlaprosessa (state process), so. ko. ärestelmän tlaa Huom. Jälkmmäsestä käytetään myös nmtystä lkenneprosess (traffc process) 5 Saapumsprosess Saapumsprosess vodaan kuvata oko psteprosessna (τ n n,,...), mssä τ n kertoo n:nnen asakkaan saapumshetken (dskreettakanen, atkuvatlanen) kasvava: τ n+ τ n kaklla n nän ollen epästatonaarnen! yleensä oletetaan, että saapumsten välset välaat τ n - τ n- ovat rppumattoma a samon akautuneta (IID) uusutumsprosess tällön rttää määrtellä välakoen akauma eksponentaalsest akautuneet välaat Posson-prosess talaskurprosessna (A(t) t ), mssä A(t) kertoo hetkeen t mennessä saapuneden asakkaden lkm:n (atkuva-akanen, dskreetttlanen) kasvava: A(t+ ) A(t) kaklla t, nän ollen epästatonaarnen! rppumattomat lsäykset, mssä A(t+ ) A(t) noudattaa Posson( )- akaumaa Posson-prosess 6
9 Tlaprosess Yksnkertasessa tapauksessa systeemn tlaa kuvaa pelkkä kokonasluku esm. asakkaden lkm X(t) hetkellä t Monmutkasemmassa tapauksessa systeemn tlana on kokonaslukuarvonen vektor esm. esto- a onoverkkomallt Tyypllsest ollaan knnostuneta, onko tlaprosesslla statonaarsta akaumaa a os on, mkä se on Huom. Vakka systeemn tla e noudattaskaan alkuhetkellä statonaarsta akaumaa, monessa tapauksessa tlaakauma lähestyy stä, kun t 7 Ssältö Peruskästtetä Posson-prosess Markov-prosesst Syntymä-kuolema-prosesst 8
10 Bernoull-prosess Määr. Bernoull-prosess (X n n,,...) onnstumstodennäkösyytenään p on sara rppumattoma Bernoull-tostokoketa (ossa kakssa onnstumstodennäkösyys on vako p) Kyseessä on selvästkn dskreettakanen a dskreetttlanen prosess Parametravaruus: I {,, } Tla-avaruus: S {,} Äärellsulotteset akaumat (huom. X n :t ovat IID): P{ X x,..., X n xn} P{ X x} P{ X n p x ( p) x p Bernoull-prosess on statonaarnen (stat. ak.: Bernoull(p)-akauma) x ( p) n x n x n } 9 Posson-prosess () Bernoull-prosessn atkuva-akanen vastne on Posson-prosess kyseessä on psteprosess (τ n n,,...), mssä τ n kertoo n:nnen tapahtuman (esm. asakkaan saapumnen) tapahtumahetken Bernoull-prosessn epäonnstumsta vastaa ss asakkaan saapumnen Määr.. Psteprosessa (τ n n,,...) sanotaan Possonprosessks ntensteettnään, os lyhyellä akavälllä (t, t+h] saapuu uus asakas tn:llä h + o(h) (musta akavälestä rppumatta) o(h) vttaa sellaseen funktoon, olle o(h)/h, kunh uusa asakkata saapuu vakontensteetllä : (h + o(h))/h tn, että vällle (t, t+h] e satu saapumsta on h + o(h) Nän määrteltynä Posson-prosess on dskreettakanen a atkuvatlanen parametravaruus: I {,, } tla-avaruus: S (, )
11 Posson-prosess () Tarkastellaan kahden saapumsen välakaa τ n τ n- (merk. τ ) Koska saapumsntensteett pysyy vakona, välaan päättymnen lyhyellä akavälllä (t, t+h], kun se on o kestänyt aan t, e rput:stä (ekä musta aemmsta saapumssta) Nän ollen saapumsten välaat ovat rppumattoma a lsäks nllä on ns. unohtavasuusomnasuus, mkä omnasuus atkuvsta akaumsta on van eksponenttakaumalla Määr.. Psteprosessa (τ n n,,...) sanotaan Possonprosessks ntensteettnään, os saapumsten välaat τ n τ n- ovat rppumattoma a samon akautuneta (IID) yhtesenä akaumanaan Exp() Posson-prosess (3) Tarkastellaan lopuks välllä [,t] saapuneden asakkaden lkm:ää A(t) Bernoull-prosessssa knteällä akavälllä sattuneden epäonnstumsten lkm noudattaa bnomakaumaa. Kun akavälä lyhennetään, saadaan raatapauksena Posson-akauma. Huom. A() Määr. 3. Laskurprosessa (A(t) t ) sanotaan Posson-prosessks ntensteettnään, os ko. prosessn lsäykset yhtespsteettömllä välellä ovat rppumattoma a noudattavat Posson-akaumaa seuraavast: A( t + ) A( t) Posson( ) Nän määrteltynä Posson-prosess on atkuva-akanen a dskreetttlanen parametravaruus: I [, ) tla-avaruus: S {,,, }
12 Posson-prosess (4) Yksulottenen akauma: A(t) Posson(t) E[A(t)] t, D [A(t)] t Äärellsulotteset akaumat (er välen rppumattomuuden noalla): P{ A( t) x,..., A( tn) xn} P{ A( t) x} P{ A( t) A( t) x P{ A( t ) A( t ) x x } n n n } Huom. Laskurprosessna määrtelty Posson-prosess e ole statonaarnen, mutta sllä on statonaarset lsäykset e ss statonaarsta akaumaakaan vaan samon akautuneet lsäykset n x 3 Kolme er tapaa luonnehta Posson-prosessa Vodaan osottaa, että kakk kolme Posson-prosessn määrtelmää ovat yhtäptävä A(t) τ 4 τ 3 τ τ τ 3 τ 4 e saapumsta tn:llä h+o(h) saapumnen tn:llä h+o(h) 4
13 Posson-prosessn omnasuuksa () Omnasuus (Summa): Olkoot A (t) a A (t) rppumattoma Possonprosessea ntensteeten a. Tällön nden summaprosess (el ns. superposto) A (t) + A (t) on Posson-prosess ntensteetllä +. Tod. Tarkastellaan lyhyttä akavälä (t, t+h]: tn, ette ko. vällle satu saapumsa kummassakaan prosessssa, on ( h + o( h))( h + o( h)) ( + ) h + o( h) tosaalta, täsmälleen yhden saapumsen tn on ( h + o( h))( h + o( h)) + ( h + o( h))( h + o( h)) ( + ) h + o( ) h + 5 Posson-prosessn omnasuuksa () Omnasuus (Satunnaspomnta): Olkoon τ n Posson-prosess ntensteettnään. Merk. σ n :llä osaprosessa, ohon on valttu psteet alkuperäsestä prosesssta τ n satunnasest a rppumattomast pommalla (tn:llä p). Tällön σ n on Posson-prosess ntensteetllä p. Tod. Tarkastellaan lyhyttä akavälä (t, t+h]: tn, ette ko. välllä ole saapumsa satunnaspomnnan älkeen, on ( h + o( h)) + ( p)( h + o( h)) ph + o( h) tosaalta, täsmälleen yhden saapumsen tn on p p ( h + o( h)) ph + o( h) 6
14 Posson-prosessn omnasuuksa (3) Omnasuus 3 (Satunnaslattelu): Olkoon τ n Posson-prosess ntensteettnään. Merk. σ n () :llä osaprosessa, ohon on valttu psteet alkuperäsestä prosesssta τ n satunnasest a rppumattomast pommalla (tn:llä p), a σ n () :llä älelle äävstä pstestä muodostettua osaprosessa. Tällön σ n () a σn () ovat rppumattoma Possonprosessea ntensteetellä p a ( p). Tod. Omnasuuden noalla rttäs osottaa, että prosesst ovat rppumattoma. Todstus kutenkn svuutetaan tällä kursslla. p (-p) 7 Posson-prosessn omnasuuksa (4) Omnasuus 4 (PASTA): Tarkastellaan (stabla) ärestelmää, ohon saapuu uusa asakkata Posson-prosessn mukasest. Merktään X(t):llä systeemn tlaa hetkellä t (atkuva-akanen prosess) a Y n :llä systeemn tlaa n:nnen asakkaan saapumshetkellä (dskreettakanen prosess). Nällä kahdella prosesslla on täsmälleen sama statonaarnen akauma. Vodaan ss sanoa, että saapuva asakas näkee systeemn tasapanotlassa PASTA Posson Arrvals See Tme Average Huom. PASTA-omnasuus on Posson-prosessn ertysomnasuus ekä se ss ole vomassa mulle saapumsprosesselle Tarkastellaan esm. systeemä, ossa on van yks on-off-tyyppnen asakas ( oma PC ). Postuttuaan systeemstä, sama asakas palaa snne satunnasen aan kuluttua. Tällanen asakas näkee systeemn ana tyhänä snne saapuessaan. Sen saan atkuvassa aassa tarkasteltuna ko. systeem on van aottan tyhänä. 8
15 Ssältö Peruskästtetä Posson-prosess Markov-prosesst Syntymä-kuolema-prosesst 9 Markov-prosess Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella S {,,,N} ta S {,,...} Määr. Prosess X(t) on Markov-prosess, os P{ X ( tn+ ) xn+ X ( t) x,, X ( tn) xn} P X ( t ) x X ( t ) x } { n+ n+ n n kaklla n, t < <t n+ a x,, x n + Tätä ehtoa sanotaan Markov-omnasuudeks Jos Markov-prosessn nykytla tunnetaan, prosessn tulevasuus e mtenkään rpu prosessn aemmasta mennesyydestä (el stä, mten nykytlaan on tultu) Nykytla ss ssältää kaken atkon kannalta tarpeellsen nformaaton 3
16 Esmerkk Rppumattomen lsäysten prosess X(t) on ana Markov-prosess: X ( tn) X ( tn) + ( X ( tn) X ( tn)) Seuraus: Posson-prosess on Markov-prosess Määrtelmän 3 mukaan Posson-prosessn lsäykset ovat rppumattoma 3 Akahomogeensuus Määr. Markov-prosess X(t) on akahomogeennen, os P { X ( t + ) y X ( t) x} P{ X ( ) y X () x} kaklla t, a x, y S Tn:t P{X(t + )y X(t) x} evät ss rpu t:stä 3
17 Tlasrtymäntensteett Tarkastellaan akahomogeensta Markov-prosessa X(t) Tlasrtymäntensteett q (state transton rate), mssä, S, määrtellään seuraavast: q lm P{ X ( h) X () : h h Tlatn:t P{X(t)}, S, määräytyvät ykskästtesest srtymäntensteetestä q, kunhan ns. alkuakauma (ntal dstrbuton) el tn:t P{X() }, S, on annettu } Huom. Jatkossa raotamme tarkastelumme pelkästään akahomogeensn Markov-prosessehn 33 Eksponentaalsest akautuneet tlassaoloaat Oletetaan, että Markov-prosess on tlassa hetkellä t. Lyhyellä akavälllä (t, t+h] prosess srtyy uuteen tlaan tn:llä q h + o(h) (rppumatta stä, mtä tapahtu ennen hetkeä t) Merktään q :llä kokonasntensteettä srtyä pos tlasta, ts. q : Lyhyellä akavälllä (t, t+h] prosess srtyy pos tlasta tn:llä q h + o(h) (rppumatta stä, mtä tapahtu ennen hetkeä t) Kyseessä on selvästkn ns. unohtavasuusomnasuus Tlassa vetetty aka noudattaa ss eksponenttakaumaa ntensteettnään q q 34
18 Tlasrtymätodennäkösyydet Merktään T :llä oloakaa tlassa a T :llä sellasta (potentaalsta) oloakaa tlassa, oka päättyy srtymään tlaan : T Exp( q Exp( q Sm T vodaan aatella rppumattomen a eksponentaalsest akautuneden sm:en T mnmks (ks. luennon 5 kalvo 44): ), T ) T mnt Merk. p :llä tn:ttä, että toteutunut srtymä on tlasta tlaan. Ko. tlasrtymätodennäkösyydet (state transton probabltes) saadaan kaavalla q p P{ T T} q 35 Tlasrtymäkaavo Akahomogeennen Markov-prosess estetään usen ns. tlasrtymäkaavon (state transton dagram) avulla. Kyseessä on suunnattu verkko, onka solmut vastaavat prosessn tloa a ykssuuntaset lnkt vastaavat mahdollsa tlasrtymä lnkk tlasta tlaan q > Esm. Kolmtlanen Markov-prosess (S {,,}): Q q q q q 36
19 Pelkstymättömyys Määr. Tlasta pääsee tlaan ( ), os tlasrtymäkaavosta löytyy suunnattu polku :stä :hn Jos nän on, nn lähdettäessä tlasta tlassa käydään (oskus tulevasuudessa) postvsella tn:llä Määr. Tlat a kommunkovat ( ), os a Määr. Markov-prosess on pelkstymätön (rreducble), os kakk tlat kommunkovat keskenään Esmerkks edellsellä kalvolla estetty Markov-prosess on pelkstymätön 37 Tasapanoakauma a globaalt tasapanoyhtälöt Tark. pelkstymätöntä Markov-prosessa X(t) srtymäntensteeten q Määr. Olkoon (, S) tla-avaruudessa S määrtelty akauma, ts. se toteuttaa ns. normeerausehdon S (N) Jakauma on prosessn X(t) tasapanoakauma (equlbrum dstrbuton), os seuraavat globaalt tasapanoehdot (global balance equatons) ovat vomassa kaklla S: q q (GBE) On mahdollsta, ette prosesslla ole tasapanoakaumaa. Kutenkn, os esm. tla-avaruus on äärellnen, tasapanoakauma on ana olemassa. Valtsemalla tasapanoakauma alkuakaumaks (ts. P{X() } ), ko. Markov-prosesssta tulee statonaarnen (statonaarsena akaumanaan ) 38
20 Esmerkk Q + + (N) + ( + ) +, 3+, (GBE) 39 Lokaalt tasapanoyhtälöt a kääntyvyys Tarkastellaan edelleen pelkstymätöntä Markov-prosessa X(t) srtymäntensteeten q Väte. Olkoon (, S) tla-avaruudessa S määrtelty akauma, ts. S (N) Jos seuraavat lokaalt tasapanoehdot (local balance equatons) ovat vomassa kaklla, S: q q nn on prosessn tasapanoakauma. Tod. (GBE):t seuravat (LBE):stä summaamalla Tässä tapauksessa ko. Markov-prosessa sanotaan kääntyväks (reversble) (LBE) 4
21 Ssältö Peruskästtetä Posson-prosess Markov-prosesst Syntymä-kuolema-prosesst 4 Syntymä-kuolema-prosess Tark. atkuva-akasta a dskreetttlasta Markov-prosessa X(t) oko tla-avaruudella S {,,,N} ta S {,,...} Määr. Markov-prosess X(t) on syntymä-kuolema-prosess (brthdeath process), os tlasrtymät ovat mahdollsa van verekkästen tloen välllä, ts. Tässä tapauksessa merktään > q q :, q :, + Huom. a N (kun N < ) 4
22 Pelkstymättömyys Väte: Syntymä-kuolema-prosess on pelkstymätön, os a van os >kaklla S\{N} a >kaklla S\{} Ääretöntlasen pelkstymättömän sk-prosessn tlasrtymäkaavo: 3 Äärellstlasen pelkstymättömän sk-prosessn tlasrtymäkaavo: N- N N- N- N- N 43 Tasapanoakauma () Tarkastellaan pelkstymätöntä syntymä-kuolema-prosessa X(t) Tarkotus on ohtaa tasapanoakauma ( S), mkäl sellanen on olemassa Lokaalt tasapanoyhtälöt: Nän ollen Jakaumaehto el normeerausehto: S S (LBE) (N) 44
23 45, + Tasapanoakauma () Tasapanoakauma on ss olemassa täsmälleen sllon, kun Äärellnen tla-avaruus: Ko. summa on ana äärellnen. Tasapanoakaumaks tulee Ääretön tla-avaruus: Jos ko. summa on äärellnen, nn tasapanoakaumaks tulee < S, + N Esmerkk Q (N) ) ( ρ ρ ρ ρ ρ (LBE) ) / : ( + + ρ ρ ρ
24 Puhdas syntymäprosess Määr. Syntymä-kuolema-prosess on puhdas syntymäprosess, os kaklla S Ääretöntlasen syntymäprosessn tlasrtymäkaavo: Äärellstlasen syntymäprosessn tlasrtymäkaavo: N- N- N- N Esmerkks Posson-prosess on ääretöntlanen puhdas syntymäprosess (ntensteeten kaklla S {,, }) Huom. Puhdas syntymäprosess e ole koskaan pelkstymätön (saat stten statonaarnen). 47 THE END 48
ABTEKNILLINEN KORKEAKOULU
ABTEKNILLINEN KORKEAKOULU Tetoverkkolaboratoro 6. Stokastset prosesst () Luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 5 6. Stokastset prosesst () Ssältö Markov-prosesst Syntymä-kuolema-prosesst
Lisätiedot6. Stokastiset prosessit (2)
Ssältö Markov-prosesst Syntymä-kuolema-prosesst luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 6 Markov-prosess Esmerkk Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella
LisätiedotMarkov-prosessit (Jatkuva-aikaiset Markov-ketjut)
J. Vrtamo Lkenneteora a lkenteenhallnta / Markov-prosesst 1 Markov-prosesst (Jatkuva-akaset Markov-ketut) Tarkastellaan (statonaarsa) Markov-prosessea, oden parametravaruus on atkuva (yleensä aka). Srtymät
Lisätiedot3.5 Generoivat funktiot ja momentit
3.5. Generovat funktot ja momentt 83 3.5 Generovat funktot ja momentt 3.5.1 Momentt Eräs tapa luonnehta satunnasmuuttujan jakaumaa, on laskea jakauman momentt. Ne määrtellään odotusarvon avulla. Määrtelmä
LisätiedotAB TEKNILLINEN KORKEAKOULU
B TEKNILLINEN KORKEKOULU Tetoverkkolaboratoro luento05.ppt S-38.45 - Lkenneteoran perusteet - Kevät 00 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat
Lisätiedot9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli
lueto9.ppt S-38.45 Lkeeteora perusteet Kevät 5 Ykskertae lkeeteoreette mall Puhdas jakojärjestelmä Asakkata saapuu keskmäär opeudella asakasta per akayks. / keskmääräe asakkade välaka Asakkata palvellaa
Lisätiedot9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli
Ssältö Kertausta: ykskertae lkeeteoreette mall M/M/-PS asakasta palvelja asakaspakkaa M/M/-PS asakasta palveljaa asakaspakkaa Sovellus elastse datalketee malltamsee vuotasolla M/M//k/k-PS k asakasta palvelja
Lisätiedot1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä
Johdatus dskreettn matematkkaan Harjotus 3, 30.9.2015 1. Luvut 1, 10 on latettu ympyrän kehälle. Osota, että löytyy kolme verekkästä lukua, joden summa on vähntään 17. Ratkasu. Tällasa kolmkkoja on 10
LisätiedotABTEKNILLINEN KORKEAKOULU
ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio Sisältö Peruskäsitteitä Poisson-prosessi Luento05.ppt S-38.45 - Liikenneteorian perusteet - Kevät 2005 2 Stokastiset prosessit () Stokastiset prosessit
Lisätiedot5. Stokastiset prosessit (1)
luento05.ppt S-38.45 - Liikenneteorian perusteet - Kevät 2006 Sisältö Peruskäsitteitä Poisson-prosessi 2 Stokastiset prosessit () Tarkastellaan jotakin (liikenneteorian kannalta tai sitten muuten) kiinnostavaa
Lisätiedot7. Modulit Modulit ja lineaarikuvaukset.
7. Modult Vektoravaruudet ovat vahdannasa ryhmä, jossa on määrtelty jonkn kunnan skalaartomnta. Hyväksymällä kerronrakenteeks kunnan sjaan rengas saadaan rakenne nmeltä modul. Moduln käste on ss vektoravaruuden
Lisätiedot1, x < 0 tai x > 2a.
PHYS-C020 Kvanttmekankka Laskuharotus 2, vkko 45 Tarkastellaan ptkn x-aksela lkkuvaa hukkasta, onka tlafunkto on (x, t) Ae x e!t, mssä A, a! ovat reaalsa a postvsa vakota a) Määrtä vako A sten, että tlafunkto
LisätiedotMonte Carlo -menetelmä
Monte Carlo -menetelmä Helumn perustlan elektron-elektron vuorovakutuksen laskemnen parametrsodulla yrteaaltofunktolla. Menetelmän käyttökohde Monen elektronn systeemen elektronkorrelaato oteuttamnen mulla
LisätiedotLuento 6 Luotettavuus Koherentit järjestelmät
Aalto-ylosto erustetede korkeakoulu Matematka a systeemaalyys latos Lueto 6 Luotettavuus Koherett ärestelmät Aht Salo Systeemaalyys laboratoro Matematka a systeemaalyys latos Aalto-ylosto erustetede korkeakoulu
LisätiedotKokonaislukuoptimointi
Kokonaslukuotmont Robust dskreett otmont ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28 sältö Robustn lneaarsen kokonasluku- sekä sekalukuotmontongelman
LisätiedotMat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut
Harjotus, esmerkkratkasut K 1. Olkoon f : C C, f(z) z z. Tutk, mssä pstessä f on dervotuva. Ratkasu 1. Jotta funkto on dervotuva, on sen erotusosamäärän f(z + ) f(z) raja-arvon 0 oltava olemassa ja ss
LisätiedotER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto
Ohelmen analsont Ohelmen kuvaamnen kaavolla ohelmen mmärtämnen kaavoden avulla kaavoden tuottamnen ohelmasta Erlasa kaavotppeä: ER-kaavot, tlakaavot, UML-kaavot tetohakemsto vuokaavot (tarkemmn) Vuoanals
Lisätiedot7. Menetysjärjestelmät
lueto7.ppt S-38.45 Leeteora perusteet Kevät 25 Ssältö Kertausta: ysertae leeteoreette mall Posso-mall asaata, palvelota Sovellus vrtaava dataletee malltamsee vuotasolla Erlag-mall asaata, palvelota < Sovellus
LisätiedotMat Lineaarinen ohjelmointi
Mat-.4 Lneaarnen ohelmont 8..7 Luento 6 Duaaltehtävä (kra 4.-4.4) S ysteemanalyysn Lneaarnen ohelmont - Syksy 7 / Luentorunko Motvont Duaaltehtävä Duaalteoreemat Hekko duaalsuus Vahva duaalsuus Täydentyvyysehdot
LisätiedotHASSEN-WEILIN LAUSE. Kertausta
HASSEN-WEILIN LAUSE Kertausta Käytetään seuraava merkntjä F = F/F q on sukua g oleva funktokunta Z F (t = L F (t (1 t(1 qt on funktokunnan F/F q Z-funkto. α 1, α 2,..., α 2g ovat polynomn L F (t nollakohten
LisätiedotJaksolliset ja toistuvat suoritukset
Jaksollset ja tostuvat suortukset Korkojakson välen tostuva suortuksa kutsutaan jaksollsks suortuksks. Tarkastelemme tässä myös ylesempä tlanteta jossa samansuurunen talletus tehdään tasavälen mutta e
LisätiedotKanoniset muunnokset
Kanonset muunnokset Koordnaatstomuunnokset Lagrangen formalsmssa pstemuunnoksa: Q = Q (q, t) nopeudet saadaan nästä dervomalla Kanonnen formalsm: p:t ja q:t samanarvosa 2n-ulottesen faasavaruuden muuttuja
Lisätiedot4. Stokastiset prosessit. lect4.tex 1. Sisältö. Peruskäsitteitä. Poisson-prosessi. Markov-prosessit. Syntymä-kuolema-prosessit
4. Stokastiset prosessit lect4.tex 1 Sisältö Peruskäsitteitä Poisson-prosessi Markov-prosessit Syntymä-kuolema-prosessit 2 Stokastinen prosessi Tarkasteltavana oleva järjestelmä kehittyy ajan mukana ja
LisätiedotPainotetun metriikan ja NBI menetelmä
Panotetun metrkan ja NBI menetelmä Optmontopn semnaar - Kevät / 1 Estelmän ssältö Paretopsteden generont panotetussa metrkossa Panotettu L p -metrkka Panotettu L -metrkka el panotettu Tchebycheff -metrkka
LisätiedotTavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä
Tavotteet skaalaavan funkton lähestymstapa el referensspste menetelmä Optmontopn semnaar - Kevät 2000 / 1 Estelmän ssältö Panotetun metrkan ongelmen havatsemnen Referensspste menetelmän dean esttely Referensspste
LisätiedotTilastollisen fysiikan luennot
Tlastollsen fyskan luennot Tvstelmät luvuttan I PERUSKÄSITTEITÄ JA MÄÄRITELMIÄ Lämpö on systeemen mkroskooppsten osen satunnasta lkettä Lämpöenerga vrtaa kuumemmasta kappaleesta kylmempään Jos kaks kappaletta
LisätiedotEräs Vaikutuskaavioiden ratkaisumenetelmä
Mat-2.142 Optmontopn semnaar, s-99 28.9. 1999 Semnaarestelmän referaatt Joun Ikonen Lähde: Ross D. Schachter: Evaluatng nfluence dagrams, Operatons Research, Vol 34, No 6, 1986 Eräs Vakutuskaavoden ratkasumenetelmä
Lisätiedot3 Tilayhtälöiden numeerinen integrointi
3 Tlayhtälöden numeernen ntegront Alkuarvotehtävässä halutaan ratkasta lopputla xt f ) sten, että tlayhtälöt ẋ = fx,u, t) toteutuvat, kun alkutla x 0 on annettu Tlayhtälöden numeernen ntegront vodaan suorttaa
Lisätiedotd L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ
TTKK/Fyskan latos FYS-1640 Klassnen mekankka syksy 2009 Laskuharjotus 5, 16102009 1 Ertysessä suhteellsuusteorassa Lagrangen funkto vodaan krjottaa muodossa v L = m 2 u t 1! ṙ 2 V (r) Osota, että tämä
LisätiedotTchebycheff-menetelmä ja STEM
Tchebycheff-menetelmä ja STEM Optmontopn semnaar - Kevät 2000 / 1 1. Johdanto Tchebycheff- ja STEM-menetelmät ovat vuorovakuttesa menetelmä evät perustu arvofunkton käyttämseen pyrkvät shen, että vahtoehdot
LisätiedotÄärellisten ryhmien hajotelmat suoriksi tuloiksi
TAMPEREEN YLIOPISTO Pro gradu -tutkelma Vel-Matt Nemnen Äärellsten ryhmen hajotelmat suorks tuloks Informaatoteteden ykskkö Matematkka Kesäkuu 2016 Tampereen ylopsto Informaatoteteden ykskkö NIEMINEN,
LisätiedotMittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa
Mttausteknkan perusteet / luento 6 Mttausepävarmuus ja shen lttyvää termnologaa Mttausepävarmuus = mttaustulokseen lttyvä parametr, joka kuvaa mttaussuureen arvojen odotettua vahtelua Mttauksn lttyvä kästtetä
LisätiedotYrityksen teoria ja sopimukset
Yrtyksen teora a sopmukset Mat-2.4142 Optmontopn semnaar Ilkka Leppänen 22.4.2008 Teemoa Yrtyksen teora: tee va osta? -kysymys Yrtys kannustnsysteemnä: ylenen mall Työsuhde vs. urakkasopmus -analyysä Perustuu
LisätiedotCOULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT
COUOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT SISÄTÖ: Coulombn voma Sähkökenttä Coulombn voman a sähkökentän laskemnen pstevaaukslle Jatkuvan vaauksen palottelemnen pstevaauksks
Lisätiedotr i m i v i = L i = vakio, (2)
4 TÖRMÄYKSET ILMATYYNYPÖYDÄLLÄ 41 Erstetyn systeemn sälymslat Kun kaks kappaletta törmää tosnsa ne vuorovakuttavat keskenään tetyn ajan Vuorovakutuksella tarkotetaan stä että kappaleet vahtavat keskenään
Lisätiedot13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit
68 3. Leaarset esmmäse kertaluvu dfferetaalsysteemt Tarkastelemme systeemejä () x () t = A() t x() t + b () t, jossa matrs A kertomet ja b ovat välllä I jatkuva. Jatkuve vektorarvoste fuktode avaruutta
LisätiedotPro gradu -tutkielma. Whitneyn upotuslause. Teemu Saksala
Pro gradu -tutkelma Whtneyn upotuslause Teemu Saksala Helsngn ylopsto Matematkan ja tlastoteteen latos 5. maalskuuta 2013 0.1 Johdanto Topologset monstot ovat melenkntosa, koska ne ovat määrtelmänsä nojalla
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.204 Tlastollsen analyysn perusteet, kevät 2007 5. luento: Tlastollnen rppuvuus ja korrelaato Ka Vrtanen Muuttujen välsten rppuvuuksen analysont Tlastollsssa analyysessä tutktaan usen muuttujen välsä
LisätiedotBL20A0600 Sähkönsiirtotekniikka
BLA6 Sähkönsrtoteknkka Tehonaon laskenta Jarmo Partanen LT Energy Electrcty Energy Envronment Srtoverkkoen laskenta Verkon tehonaon laskemnen srron hävöt ännteolosuhteet ohtoen kuormttumnen verkon käyttäytymnen
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.340 Lneaarnen ohjelmont 3.9.2007 Luento Johdanto (krja.-.4) S ysteemanalyysn Laboratoro eknllnen korkeakoulu Eeva Vlkkumaa Lneaarnen ohjelmont - Syksy 2007 / Luentorunko Hstoraa Lneaarnen optmonttehtävä
Lisätiedot1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0.
BM20A5800 - Funktot, lneaaralgebra, vektort Tentt, 26.0.206. (a) Krjota yhtälöryhmä x + 2x 3 = a 2x + x 2 + 5x 3 = b x x 2 + x 3 = c matrsmuodossa Ax = b ja ratkase x snä erkostapauksessa kun b = 0. Mllä
Lisätiedot7. Menetysjärjestelmät
Ssältö Kertust: ykskerte lkeeteoreette mll Posso-mll (skkt, plvelot ) Sovellus vrtv dtlketee mlltmsee vuotsoll Erlg-mll (skkt, plvelot < ) Sovellus puhellketee mlltmsee rukoverkoss Bommll (skkt k
LisätiedotTaustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon
Taustaa Sekventaalnen vakutuskaavo Sekventaalnen päätöskaavo on 1995 ovalun ja Olven esttämä menetelmä päätösongelmen mallntamseen, fomulontn ja atkasemseen. Päätöspuun omnasuukssta Hyvää: Esttää eksplsttsest
LisätiedotIlmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen
Ilmar Juva 45727R Mat-2.108 Sovelletun matematkan erkostyö Jalkaallo-ottelun loutuloksen stokastnen mallntamnen 1 Johdanto Jalkaallo-ottelun loutuloksen mallntamsesta tlastollsn ja todennäkösyyslaskun
LisätiedotTyön tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt
FYSP103 / 1 KAASUTUTKIMUS Työn tavotteta havannollstaa deaalkaasun tlanyhtälöä oppa, mten lman kosteus vakuttaa havattavn lmöhn ja mttaustuloksn kerrata mttauspöytäkrjan ja työselostuksen laatmsta Luento-
LisätiedotKollektiivinen korvausvastuu
Kollektvnen korvausvastuu Sar Ropponen 4.9.00 pävtetty 3..03 Ssällysluettelo JOHDANTO... KORVAUSVASTUUSEEN LIITTYVÄT KÄSITTEET VAHINKOVAKUUTUKSESSA... 3. MERKINNÄT... 3. VAHINGON SELVIÄMINEN JA KORVAUSVASTUU...
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemaalyys laboratoro Mat-.9 Sovellettu todeäkösyyslasku A Nordlud Harjotus 8 (vko 45/3) (Ahe: Raja-arvolauseta, otostuuslukuja, johdatusta estmot, Lae luvut 9.5,.-.6). Olkoo X ~ p(λ), mssä λ
LisätiedotMittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?
Mttausteknkan perusteet / luento 7 Mttausepävarmuus Mttausepävarmuus Mttaustulos e ole koskaan täysn oken Mttaustulos on arvo mtattavasta arvosta Mttaustuloksen ja mtattavan arvon ero on mttausvrhe Mkäl
LisätiedotTodennäköisyyden aksioomat. Todennäköisyyden aksioomat. Todennäköisyyden aksioomat: Mitä opimme? 2/2. Todennäköisyyden aksioomat: Mitä opimme?
TKK () Ilkka Mell (2004) 1 Todeäkösyyde aksoomat Suhteelle rekvess, klasse todeäkösyys ja ehdolle todeäkösyys Johdatus todeäkösyyslasketaa Todeäkösyyde aksoomat TKK () Ilkka Mell (2004) 2 Todeäkösyyde
Lisätiedot1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on
HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla
LisätiedotLohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4
TKK (c) lkka Melln (005) Koesuunnttelu TKK (c) lkka Melln (005) : Mtä opmme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Mten varanssanalyysssa tutktaan yhden tekän vakutusta vastemuuttujaan, kun
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.
HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla
LisätiedotUsean muuttujan funktioiden integraalilaskentaa
Usean muuttujan funktoden ntegraallaskentaa Pntantegraaln määrtelmä Yhden muuttujan tapaus (kertausta) Olkoon f() : [a, b] R jatkuva funkto Oletetaan tässä ksnkertasuuden vuoks, että f() Remann-ntegraal
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematkkaan Informaatoteknologan tedekunta Jyväskylän ylopsto 4. luento 24.11.2017 Neuroverkon opettamnen - gradenttmenetelmä Neuroverkkoa opetetaan syöte-tavote-parella
LisätiedotVERKKOJEN MITOITUKSESTA
J. Vrtamo 38.3141 Telelkenneteora / Verkon mtotus 1 VERKKOJEN MITOITUKSESTA 1. Prkytkentäset verkot Lnkken kapasteetten (johtoja/lnkk) määräämnen sten, että verkon kokonaskustannukset mnmotuvat, kun päästä-päähän
LisätiedotSatunnaismuuttujat ja todennäköisyysjakaumat
Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat
LisätiedotGeneettiset algoritmit ja luonnossa tapahtuva mikroevoluutio
Mat-2.108 Sovelletun matematkan erkostyöt Geneettset algortmt ja luonnossa tapahtuva mkroevoluuto 11.5.2005 Teknllnen korkeakoulu Systeemanalyysn laboratoro Oll Stenlund 47068f 1 Johdanto 3 2 Geneettset
Lisätiedot4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman
4. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7..008 Thomas Hackman 4. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 4. Tähtteteellsten
LisätiedotTaustaa KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT. Jukka Talvitie, Toni Levanen & Mikko Valkama TTY / Tietoliikennetekniikka
IMA- Exurso: Kompleksluvu ja radosgnaal / KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT Tausaa IMA- Exurso: Kompleksluvu ja radosgnaal / Kakk langaon vesnä ja radoeolkenne (makapuhelme, WLAN, ylesrado
LisätiedotT p = 0. λ n i T i B = Käytetään kohdan (i) identiteetin todistamiseen induktiotodistusta. : Oletetaan, että väite on totta, kun n = k.
Olkoot A R n n ja T R n n sten, että on olemassa ndeks p N jolle T p = Tällästä matrsa kutsutaa nlpotentks Näytä, että () () () Olkoot Määrtä matrs B n (λi + A) n = (λi + T ) n = B = n mn n,p ( ) n λ n
LisätiedotFDS-OHJELMAN UUSIA OMINAISUUKSIA
FDS-OHJELMAN UUSIA OMINAISUUKSIA Smo Hostkka VTT PL 1000, 02044 VTT Tvstelmä Fre Dynamcs Smulator (FDS) ohjelman vdes verso tuo mukanaan joukon muutoksa, jotka vakuttavat ohjelman käyttöön ja käytettävyyteen.
Lisätiedot5. KVANTTIMEKANIIKKAA
5. KVANTTIMEKANIIKKAA Bohrn atommallsta samme jonknlasen kuvan atomn rakenteesta. Kutenkaan Bohrn atommall e pysty selttämään kakka kokeellsa havantoja spektrestä: Mks osa spektren vvosta on tosa vomakkaampa
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.
MS-A0205/MS-A0206 Dfferentaal- ja ntegraallaskenta 2 Luento 7: Lagrangen kertojat. Penmmän nelösumman menetelmä. Jarmo Malnen Matematkan ja systeemanalyysn latos 1 Aalto-ylopsto Kevät 2016 1 Perustuu Antt
LisätiedotFYSA220/2 (FYS222/2) VALON POLARISAATIO
FYSA220/2 (FYS222/2) VALON POLARSAATO Työssä tutktaan valoaallon tulotason suuntasen ja stä vastaan kohtsuoran komponentn hejastumsta lasn pnnasta. Havannosta lasketaan Brewstern lan perusteella lasn tatekerron
LisätiedotA = B = T = Merkkijonon A osamerkkijono A[i..j]: n merkkiä pitkä merkkijono A:
Merkkjonot (strngs) n merkkä ptkä merkkjono : T T T G T n = 18 kukn merkk [], mssä 0 < n, kuuluu aakkostoon Σ, jonka koko on Σ esm. bttjonot: Σ = {0,1} ja Σ = 2, DN: Σ = {,T,,G} ja Σ = 4 tetokoneen aakkosto
LisätiedotYksikköoperaatiot ja teolliset prosessit
Ykskköoperaatot ja teollset prosesst 1 Ylestä... 2 2 Faasen välnen tasapano... 3 2.1 Neste/höyry-tasapano... 4 2.1.1 Puhtaan komponentn höyrynpane... 4 2.1.2 Ideaalnen seos... 5 2.1.3 Epädeaalnen nestefaas...
LisätiedotSU/Vakuutusmatemaattinen yksikkö (5)
SU/Vakuutusmatemaattnen ykskkö 0..06 (5) Rahastoonsrtovelvotteeseen ja perustekorkoon lttyvät laskentakaavat Soveltamnen. Rahastosrtovelvote RSV. Täydennyskerron b 6 Nätä laskentakaavoja sovelletaan täydennyskertomen,
Lisätiedot= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2
HY / Matematka ja tlastotetee latos Tlastolle päättely II, kevät 28 Harjotus 3A Ratkasuehdotuksa Tehtäväsarja I Olkoot Y,, Y ja Nθ, ) Osota, että T T Y) Y 2 o parametr gθ) θ 2 harhato estmaattor Laske
Lisätiedot3. Datan käsittely lyhyt katsaus
3. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento..0 Thomas Hackman HTTPK I, kevät 0, luento 3 3. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus
LisätiedotGalerkin in menetelmä
hum.9.3 Galerkn n menetelmä Galerknn menetelmän soveltamnen e ole rajottunut van ongelmn, jotka vodaan pukea sellaseen varaatomuotoon, joka on seurauksena funktonaaln mnmomsesta, kuten potentaalenergan
LisätiedotMat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:
Mat-.36 Tlastollnen päättely 7. harjotukset Mat-.36 Tlastollnen päättely 7. harjotukset / Tehtävät Aheet: Avansanat: ypoteesen testaus. lajn vrhe,. lajn vrhe, arhaton test, ylkäysalue, ylkäysvrhe, ypotees,
LisätiedotTyön tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt
FYSP103 / 1 KAASUTUTKIUS Työn tavotteta havannollstaa deaalkaasun tlanyhtälöä oa, mten lman kosteus vakuttaa havattavn lmöhn ja mttaustuloksn kerrata mttausöytäkrjan ja työselostuksen laatmsta Luento-
LisätiedotTilastollinen mekaniikka. Peruskäsitteitä Mikro- ja makrotilat Maxwell-Boltzmann jakauma Bose-Einstein jakauma Fermi-Dirac jakauma Jakaumafunktiot
Tlastollnen mekankka Peruskästtetä Mkro- ja makrotlat Maxwell-Boltzmann jakauma Bose-Ensten jakauma Ferm-Drac jakauma Jakaumafunktot Tlastollnen mekankka Teora on stä vakuttavamp, mtä yksnkertasemmat ovat
LisätiedotIlmanvaihdon lämmöntalteenotto lämpöhäviöiden tasauslaskennassa
Y m ä r s t ö m n s t e r ö n m o n s t e 122 Ilmanvahdon lämmöntalteenotto lämöhävöden tasauslaskennassa HELINKI 2003 Ymärstömnsterön monste 122 Ymärstömnsterö Asunto- ja rakennusosasto Tatto: Lela Haavasoja
LisätiedotMatematiikan ja tilastotieteen laitos Johdatus diskreettiin matematiikkaan (Syksy 2008) 4. harjoitus Ratkaisuja (Jussi Martin)
Matematan ja tlastoteteen latos Johdatus dsreettn matemataan (Sysy 28 4. harjotus Ratasuja (Juss Martn 1. Kertomus Hotell Kosmosesta jatuu: Hotellyhtymän johdolta tul määräys laata luettelo asta mahdollssta
LisätiedotEpätäydelliset sopimukset
Eätäydellset somukset Matt Rantanen 15.4.008 ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 16 Matt Rantanen Otmonton semnaar - Kevät 008 Estelmän ssältö Eätäydellset somukset ja omstusokeus alanén
LisätiedotTyössä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa
URUN AMMAIKORKEAKOULU YÖOHJE (7) FYSIIKAN LABORAORIO V.2 2.2 38E. MEKAANISEN VÄRÄHELYN UKIMINEN. yön tavote 2. eoraa yössä tutustutaan harmonsen mekaansen värähdyslkkeen omnasuuksn seuraavssa tapauksssa:
LisätiedotSU/Vakuutusmatemaattinen yksikkö (6)
SU/Vakuutusmatemaattnen ykskkö 28.0.206 (6) Rahastoonsrtovelvotteeseen ja perustekorkoon lttyvät laskentakaavat Soveltamnen. Rahastosrtovelvote RSV 2. Täydennyskerron b 6 Nätä laskentakaavoja sovelletaan
LisätiedotUuden eläkelaitoslain vaikutus allokaatiovalintaan
TEKNILLINEN KORKEAKOULU Systeemanalyysn laboratoro Mat-2.108 Sovelletun matematkan erkostyö Uuden eläkelatoslan vakutus allokaatovalntaan Tmo Salmnen 58100V Espoo, 14. Toukokuuta 2007 Ssällysluettelo Johdanto...
LisätiedotMarkov-prosessit (Jatkuva-aikaiset Markov-ketjut)
J. Virtamo 38.3143 Jonoteoria / Markov-prosessit 1 Markov-prosessit (Jatkuva-aikaiset Markov-ketut) Tarkastellaan (stationaarisia) Markov-prosessea, oiden parametriavaruus on atkuva (yleensä aika). Siirtymät
LisätiedotKUVIEN LAADUN ANALYSOINTI
KUVIEN LAADUN ANALYSOINTI Lasse Makkonen 1.7.2003 Joensuun Ylopsto Tetojenkästtelytede Pro gradu tutkelma Tvstelmä Tutkelmassa luodaan katsaus krjallsuudessa esntyvn dgtaalsten kuven laadullsen analysonnn
LisätiedotDemonstraatiot Luento 7 D7/1 D7/2 D7/3
TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 2008 Demonstraatiot Luento 7 7.2.2008 D7/ Tarkastellaan piirikytkentäisen järjestelmän n-kanavaista
LisätiedotMekaniikan jatkokurssi Fys102
Mekankan jatkokurss Fys102 Syksy 2009 Jukka Maalamp LUENTO 2 Alkuverryttelyä Vääntömomentt Oletus: Vomat tasossa, joka on kohtsuorassa pyörmsaksela vastaan. Oven kääntämseen tarvtaan er suurunen voma
Lisätiedot10.5 Jaksolliset suoritukset
4.5 Jaksollset suortukset Tarkastellaa tlaetta, jossa asakas tallettaa pakktllle tostuvast yhtäsuure rahasumma k aa korkojakso lopussa. Asakas suorttaa talletukse kertaa. Lasketaa tlllä oleva pääoma :e
LisätiedotKonvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?
TKK (c) Ilkka Mell (004) Kovergesskästteet ja raja-arvolauseet Kovergesskästtetä Suurte lukuje lat Keskee raja-arvolause Keskese raja-arvolausee seurauksa Johdatus todeäkösyyslasketaa Kovergesskästteet
LisätiedotS , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon
S-11435, FYSIIKKA III (ES), Syksy 00, LH 4, Loppuvkko 39 LH4-1* Käyttän Maxwll-Boltzmann-jakauman parttofunktota määrtä a) nrgan nlön kskarvo (E ) skä b) nrgan nlöllnn kskpokkama kskarvosta l nrgan varanss,
LisätiedotMat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:
Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt,
LisätiedotRahastoonsiirtovelvoitteeseen ja perustekorkoon liittyvät laskentakaavat. Soveltaminen
SU/Vakuutusmatemaattnen ykskkö 0.4.05 Rahastoonsrtovelvotteeseen ja perustekorkoon lttyvät laskentakaavat Soveltamnen. Rahastosrtovelvote RSV. Täydennyskerron b 6 Nätä perusteta sovelletaan täydennyskertomen,
LisätiedotRahastoonsiirtovelvoitteeseen, perustekorkoon ja vakuutusmaksukorkoon liittyvät laskentakaavat ja periaatteet
SU/Vakuutusmatemaattnen ykskkö 3..209 (7) Rahastoonsrtovelvotteeseen, perustekorkoon ja vakuutusmaksukorkoon lttyvät laskentakaavat ja peraatteet Soveltamnen. Rahastosrtovelvote RSV 2. Täydennyskerron
LisätiedotTietojen laskentahetki λ α per ,15 0,18 per ,15 0,18 per tai myöhempi 0,20 0,18
SU/Vakuutusmatemaattnen ykskkö 6.3.07 (6) Rahastoonsrtovelvotteeseen ja perustekorkoon lttyvät laskentakaavat Soveltamnen. Rahastosrtovelvote RSV. Täydennyskerron b 6 Nätä laskentakaavoja sovelletaan täydennyskertomen,
LisätiedotIlkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot
Mat-.09 Sovellettu todeäkösyyslasku Systeemaalyys laboratoro Teklle korkeakoulu SYKSY 00 Ilkka Mell Sovellettu todeäkösyyslasku: Kaavat ja taulukot f XY x X x X y Y ( x, y) exp XY ( XY ) XY XY X X Y Tomttaut
LisätiedotJYVÄSKYLÄN YLIOPISTO Taloustieteiden tiedekunta
JYVÄSKYLÄN YLIOPISTO Talousteteden tedekunta AIKA- IKÄ- JA KOHORTTIVAIKUTUKSET KOTITALOUKSIEN RAHOITUSVARALLISUUDEN RAKENTEISIIN SUOMESSA VUOSINA 1994 2004 Kansantaloustede Pro gradu -tutkelma Maalskuu
LisätiedotTyöllistääkö aktivointi?
Jyväskylän ylopsto Matemaatts-luonnonteteellnen tedekunta Työllstääkö aktvont? Vakuttavuusanalyys havannovassa tutkmuksessa Elna Kokkonen tlastoteteen pro gradu tutkelma 31. elokuuta 2007 Tlastoteteen
LisätiedotTilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus
Mat.36 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys, Otos,
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat Sovelletun matematiikan erikoistyö. Ei-normaalisten tuottojakaumien mallintaminen
TKNLLNN KOKKOULU Systeemanalyysn laboratoro Mat-.18 Sovelletun matematkan erkostyö -normaalsten tuottoakaumen mallntamnen Tmo Salmnen 581V soo, 1. Toukokuuta 7 1 Ssällysluettelo Ssällysluettelo... Johdanto...
LisätiedotReaaliarvoinen funktio f : on differentioituva pisteessä x, jos f:lle on siinä voimassa kehitelmä. h h. eli. Silloin
MAT-3440 LAAJA MATEMATIIKKA 4 Tampereen teknllnen ylopsto Rsto Slvennonen Kevät 00 4. Vektorfunkton dervaatta. Ketjusääntö.. Reaalarvosen funkton dervaatta Tässä luvussa estetään dervaattakäste ensn reaalarvoselle
Lisätiedoton määritelty tarkemmin kohdassa 2.3 ja pi kohdassa 2.2.
SU/Vakuutusmatemaattnen ykskkö 7.8.08 (7) Rahastoonsrtovelvotteeseen ja perustekorkoon lttyvät laskentakaavat Soveltamnen. Rahastosrtovelvote RSV. Täydennyskerron b 6 Nätä laskentakaavoja sovelletaan täydennyskertomen,
LisätiedotJäykän kappaleen liike
aananta 9.9.014 1/17 Jäykän kappaleen lke Tähän ast tarkasteltu massapstemekankkaa : m, r, v Okeast fyskaalset systeemt ovat äärellsen kokosa, esm. jäykät kappaleet r r j = c j =vako, j elastset kappaleet
Lisätiedot11. Vektorifunktion derivaatta. Ketjusääntö
7 Vektorfunkton dervaatta Ketjusääntö Täydennämme ja kertaamme seuraavassa dfferentaallaskennan teoraa kursslta Laaja matematkka Palautetaan meln dervaatan määrtelmä reaalfunktolle: Funkton f : R R dervaatta
LisätiedotMoraalinen uhkapeli: N:n agentin tapaus eli moraalinen uhkapeli tiimeissä
Moraalnen uhkapel: N:n agentn tapaus el moraalnen uhkapel tmessä Mat-2.4142 Optmontopn semnaar Ismo Räsänen 4.3.2008 S ysteemanalyysn Laboratoro Teknllnen korkeakoulu Estelmä 11 - Ismo Räsänen Optmontopn
Lisätiedot