Tilastollinen päättely II, kevät 2017 Harjoitus 1A

Koko: px
Aloita esitys sivulta:

Download "Tilastollinen päättely II, kevät 2017 Harjoitus 1A"

Transkriptio

1 Tilastollinen päättely II, kevät 207 Harjoitus A Heikki Korpela 23. tammikuuta 207 Tehtävä. Kertausta todennäköisyyslaskennasta. Ilmoita satunnaismuuttujan Y jakauman nimi ja pistetodennäköisyys- tai tiheysfunktio seuraavissa tapauksissa. Ilmoita myös satunnaismuuttujan Y odotusarvo sekä varianssi. Huom. Jakaumat on tällä kurssilla nimetty hieman eri tavoin kuin TN 2 -kurssilla, joten seuraavassa on merkitty ne molemmilla tavoin.) a) Y X + + X n, kun X,..., X n, ja X i Bθ) Bernoulliθ) otos Bernoullijakaumasta) b) Y U + V, kun U N, σ 2 ), V N 2, σ 2 2) ja U V. c) Y U 2, kun U N0, ). d) Y ax + b, kun X Tas0, ) U0, ) ja a > 0, b R. e) Y X + + X n, kun X,..., X n Expλ). f) Y X + X 2, kun X Poi ) Poisson ), X2 Poi 2 ) ja X X 2. Vastaus:. a) Bernoulli-jakauman momenttiemäfunktio on M Xi t) q + θe t, missä q θ. Riippumattomuuden ja momenttiemäfunktion ominaisuuksien nojalla sm:n Y mef on q + θe t ) n, joka on binomijakauman mef. Koska mef määrää jakauman, Y Binn, θ). Binomijakauman odotusarvo on nθ ja varianssi nθ θ). b) Normaalijakauman mef on M U t) exp t + 2 σ2 t 2 ), josta riippumattomuuden nojalla M Y exp + 2 )t + 2 σ2 σ 2 2)t 2 ), joten Y N + 2, σ 2 + σ 2 2). Odotusarvo on + 2 ja varianssi σ 2 + σ 2 2. c) Kyseessä on jakauma Gamma 2, 2 ) johto TN 2 -kurssin materiaalissa osiossa 5.3.7), joka voidaan tunnistaa myös khiin neliön jakaumaksi yhdellä vapausasteella χ 2. Odotusarvo on ja varianssi 2 / 2 2) 2. d) Skaalausta ja siirtoa koskevien laskusääntöjen mukaan f Y y) ) y b a f X a { a 0 < y b } < {b < y < a + b} a a + b) b Vastaavasti momenttiemäfunktiosta M X t) et e t0 t 0) e bt M X at) e bt eat at et t t 0) saadaan M Y t) eb+a)t e bt b+a b)t t 0), jonka perusteella Y Tasb, b + a). Odotusarvo on b+a+b 2 a b+a b)2 2 + b ja varianssi 2 a2 2. e) Eksponenttijakauman mef:stä M Xi t) λ λ t ) ja riippumattomuudesta saadaan, että M Y t) λ λ t )n, joka on Gamman, λ)-jakauman mef. Odotusarvo on n/λ ja varianssi n/λ 2. f) Poisson-jakauman mef:stä M Xi t) exp i e t )) ja riippumattomuudesta saadaan, että M Y t) exp + 2 )e t )), joka on Poi + 2 )-jakauman mef. Odotusarvo ja varianssi ovat + 2.

2 Tehtävä 2. Tilanne on sama kuin monisteen Esimerkissä.2.2. Nyt ei kuitenkaan ole mahdollista mitata kunkin laitteen elinikää erikseen, vaan käytetään halvempaa koejärjestelyä, jossa n laitetta pannaan yhtä aikaa käyntiin ja kuukauden 30 päivää) kuluttua tullaan tarkastamaan, mitkä niistä ovat ehjiä ja mitkä rikki. Muodosta tätä asetelmaa kuvaava tilastollinen malli parametrille /λ EY i. Vihje. Ajattele koeasetelmaa n-kertaisena toistokokeena, jossa onnistuminen merkitsee, että laite on ehjä, ja epäonnistuminen, että se on rikki. Mikä on onnistumistodennäköisyys :n avulla lausuttuna?) 2. Vastaus: Oletetaan, että kunkin laitteen kestoikä päivissä edelleen noudattaa Expλ) Exp/) -jakaumaa. Todennäköisyys sille, että yksittäinen laite on ehjä vielä 30 päivän päästä, saadaan eksponenttifunktion tiheyttä integroimalla tai kertymäfunktiosta): PY i 30) PY i 30) F Yi 30) exp λ30)) exp 30λ) exp 30 ) Merkitään Z:lla ehjänä säilyneiden laitteiden lukumäärää arvojoukko 0,..., n). Jos oletetaan lisäksi edelleen, että laitteiden rikkoutumistodennäköisyydet ovat samoja ja toisistaan riippumattomia, saadaan yhteisjakaumaltaan periaatteessa hierarkkinen) malli, jossa todennäköisyyden sille, että k laitetta on ehjiä kuukauden kuluttua, määrittelee binomijakauma: Z Bin n, exp 30 )) ) n f Z k) exp 30 )) k exp 30 )) n k k Tehtävä 3. a) a) Satunnaismuuttuja Y on diskreetti, arvojoukkonaan {, 2, 3, 4, 5}. Sille on kaksi vaihtoehtoista pistetodennäköisyysfunktiota, jotka on taulukoitu alla. y f Y y; ) 0,2 0,5 0,2 0, 0 f Y y; 2) 0 0, 0,2 0,6 0, Emme tiedä, kumpaa näistä sattuma käyttää arpoessaan Y :n arvon. Tulkitse tämä parametrisena tilastollisena mallina, jonka parametria merkitään θ:lla. Mikä on parametriavaruus? Jos havaitaan Y 4, mitä voit päätellä θ:sta? Kuinka varmasti? b) Kyseisestä jakaumasta tehdään myös toinen havainto Y 2, jonka arvoksi saadaan Y 2. Mitä nyt voit päätellä θ:sta? 3. Vastaus: a) Tilastollinen malli voidaan esittää toteamalla, että taulukko määrittelee tiheyden täydellisesti 2

3 lähtö- ja maalijoukon karteesisena tulona), tai esimerkiksi seuraavasti 0,2, y, θ, 0, y, θ 2, 0,5, y 2, θ, 0,, y 2, θ 2, 0,2, y 3, θ, f Y y; θ) 0,2, y 3, θ 2, 0,, y 4, θ, 0,6, y 4, θ 2, 0, y 5, θ, 0,, y 5, θ 2, Parametriavaruus on siis joukko {, 2}. Jos havaitaan Y 4, parametrin arvo 2 on uskottavampi kuin parametrin arvo. Parametrin arvoon liittyy kuitenkin huomattavan suurta epävarmuutta, koska otoskoko on niin pieni, ja epävarmuuden kvantifiointikin on samasta syystä vaikeaa. b) Mallin mukaan tapahtuma Y i on mahdoton tapahtuma, jos parametrin arvo on 2. Tällöin voitaisiin siis sanoa, että parametrin arvo on varmasti, jos malli on määritelty oikein ja tapahtuman havainnointi tehty oikein. Tehtävä 4. Luennolla ja monisteessa Esimerkissä.2.. käytettiin ajatusta pienestä otoksesta suuresta perusjoukosta, jonka avulla voitiin tehdä mukava jakaumaoletus satunnaismuuttujista Y,..., Y n, ja päädyttiin mukavan selkeään tilastolliseen malliin. Entä jos tehdas onkin valmistanut vain 20 lamppua? Testaaja poimii viisi lamppua ilman takaisinpanoa) ja saa vastaavan aineiston y,..., y 5 ). Millainen yptnf f Y y; θ) olisi ilman ajatusta riippumattomuudesta? Vihje: jos testaaja poimisi yhden lampun, muuttuisiko Y :n jakauma esimerkkiin verrattuna? Jos tiedetään että Y y, millaista ehdollista jakaumaa Y 2 noudattaisi? Jos tiedetään Y y, Y 2 y 2, niin millaista ehdollista jakaumaa Y 3 noudattaisi? Päättele yptnf jatkamalla samoin ja soveltamalla kertolaskusääntöä tästä lisää TN 2:n luvuissa 8.2 ja 9.3.)) Vastaus: Sovitaan, että θ kuvaa edelleen rikkinäisten lamppujen osuutta, eli rikkinäisiä lamppuja on otoksessa Nθ kappaletta, missä N 20 ja K Nθ 0,,..., 20). Nostoja tehdään n

4 kappaletta. Tällöin f Y y ) {y }Nθ/N) + {y 0} θ) θ y θ) y f Y2 Y y 2 y ) PY y, Y 2 y 2 ) PY y ) θnθ )/N θ Nθ )/N ), y, y 2, θn ) Nθ ))/N ) θ N ) Nθ + )/N ), y, y 2 0, Nθ 0)/N ), y 0, y 2, N ) Nθ 0)/N ), y 0, y 2 0 2) {y 2 }Nθ y )/N ) + {y 2 0} Nθ y )/N )), eli Y 2 Y BNθ Y )/N )), f Y3 Y,Y 2 y 3 y, y 2 ) PY y, Y 2 y 2, Y 3 y 3 ) PY y, Y 2 y ) {y 3 }Nθ y y 2 )/N 2) + {y 3 0} Nθ y y 2 )/N 2)), Y 3 Y, Y 2 ) BNθ Y Y 2 )/N 2)),. Y n Y n BNθ Y... Y n )/N n + )) 3) ) missä kohdassa ) viitataan ehdollisen todennäköisyyden määritelmään. Kohdassa 2) perusteluna on klassinen todennäköisyystulkinta jäljellä olevien suotuisten tapausten määrä jaettuna kaikkien tapausten määrällä). Kohdassa 3) merkintä Y n viittaa vektoriin Y,..., Y n ). Kertolaskukaavaa soveltamalla saadaan f Y y) f Y y )f Y2 Y y 2 y ) f Yn Y n y n y n ) θ) y θ) y ) y2 Nθ y Nθ y ) y2 N N ) yn Nθ y... y n Nθ y ) yn... y n N n + N n + ) y ) y Nθ N Nθ N N ) y2 ) y2 Nθ y N Nθ + y N N ) yn Nθ y... y n N n + Nθ + y y n N n + N n + y i n i i Nθ N i ) Nθ + N N n + ) i n i Nθ i j j y i i N i ) Nθ + j ) yn j y i y i 4

5 Vaihtoehtoinen, ehkä havainnollisempi muotoilu olisi 5 {y i } 20 i + i:s lamppu rikki? i:llä nostolla lamppuja i {y i 0} i:s lamppu ehjä? i 20θ j i:llä nostolla rikkin. lamppuja + i 20 i ) 20θ + j } {{ } i:llä nostolla ehjiä lamppuja )) Tarkastellaan vielä vektorien sijaan pelkkää onnistumisten lukumäärää k. Tarkastellaan ensin yksinkertaista tapausta, jossa onnistumiset sattuvat olemaan ensimmäisinä ja epäonnistumiset viimeisinä. Tarkastellaan tapahtuman W todennäköisyyttä aiemman yhteispistetodennäköisyysfunktion avulla siirrymme merkitsemään N θ K) PW ) n i K i j y i i N i ) K + j y i Oletusten mukaan ensimmäiset k alkiota ovat ykkösiä ja loput k + :stä n:ään nollia, eli tulo voidaan jakaa PW ) n lk+ 0 k i i K N i ) K + j j i 0 l K N l ) K + j k i K j i k n K i + ) i i lk+ n lk+ k + j l jk+ 0 N l ) K + N l + K + k) 0 k j k K +) K k + ) N k + K +k) N n + K + k) K) K k + ) N K) N K n + k + ) K) K k) N K) N K n + k) K)! K k)! N K)! N K n + k)! Tämän jälkeen olennaisesti tapahtumien symmetriatulkinnan esimerkiksi jono,,, 0, 0) on yhtä todennäköinen kuin esimerkiksi 0, 0,,, )) nojalla voidaan todeta, että samaan onnistumisten lukumäärään voidaan päätyä kaikilla jonoilla, joissa on samat alkiot, mutta eri järjestyksessä. k onnistumista ja n k epäonnistumista voidaan järjestää jonoksi n k) eri tavalla. Toisin sanoen todennäköisyys pitää vielä kertoa tekijällä ) n k n! 5 n k)!k!.

6 f K k) n! n k)!k! K)! K k)! n! K! K k)!k! ) K! n! K k)!k! )) ) ) N K N K n k n k K ) N K ) k n k N n), N K)! N K n + k)! N K)! N K n + k)!n k)! N K)! N K n + k)!n k)! eli hypergeometrisen jakauman ptnf kuten pitikin). 6

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

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

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

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

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

Sisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN... 8 2. TODENNÄKÖISYYS...

Sisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN... 8 2. TODENNÄKÖISYYS... Sisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN... 8 1.1 INDUKTIO JA DEDUKTIO... 9 1.2 SYYT JA VAIKUTUKSET... 11 TEHTÄVIÄ... 13

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

Sisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4

Sisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4 Sisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN...6 1.1 INDUKTIO JA DEDUKTIO...7 1.2 SYYT JA VAIKUTUKSET...9

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

Muista merkitä vastauspaperiin oma nimesi ja tee etusivulle pisteytysruudukko. Kaikkiin tehtävien ratkaisuihin välivaiheet näkyviin!

Muista merkitä vastauspaperiin oma nimesi ja tee etusivulle pisteytysruudukko. Kaikkiin tehtävien ratkaisuihin välivaiheet näkyviin! MAA6 Kurssikoe 1.11.14 Jussi Tyni ja Juha Käkilehto Muista merkitä vastauspaperiin oma nimesi ja tee etusivulle pisteytysruudukko. Kaikkiin tehtävien ratkaisuihin välivaiheet näkyviin! A-OSIO: Laske kaikki

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

Tuloperiaate. Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta

Tuloperiaate. Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta Tuloperiaate Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta ja 1. vaiheessa valinta voidaan tehdä n 1 tavalla,. vaiheessa valinta voidaan tehdä n tavalla,

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

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

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

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

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

1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet

1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet VAASAN YLIOPISTO/AVOIN YLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia 1 KURSSIKYSELYAINEISTO: 1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka

Lisätiedot

Mitä tarvitsee tietää biostatistiikasta ja miksi? Matti Uhari Lastentautien klinikka Oulun yliopisto

Mitä tarvitsee tietää biostatistiikasta ja miksi? Matti Uhari Lastentautien klinikka Oulun yliopisto Mitä tarvitsee tietää biostatistiikasta ja miksi? Matti Uhari Lastentautien klinikka Oulun yliopisto Tutkimusaineistomme otantoja Hyödyt Ei tarvitse tutkia kaikkia Oikein tehty otanta mahdollistaa yleistämisen

Lisätiedot

Aki Taanila TILASTOLLISEN PÄÄTTELYN ALKEET

Aki Taanila TILASTOLLISEN PÄÄTTELYN ALKEET Aki Taanila TILASTOLLISEN PÄÄTTELYN ALKEET 21.5.2014 SISÄLLYS 0 JOHDANTO... 1 1 TILASTOLLINEN PÄÄTTELY... 2 1.1 Tiekartta... 4 2 YHTÄ MUUTTUJAA KOSKEVA PÄÄTTELY... 5 2.1 Keskiarvon luottamusväli... 5 2.2

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

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

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

SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON?

SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON? SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON?...7 TILASTO...7 TILASTOTIEDE...8 HISTORIAA...9 TILASTOTIETEEN NYKYINEN ASEMA...9 TILASTOLLISTEN MENETELMIEN ROOLIT ERI TYYPPISET AINEISTOT JA ONGELMAT...10

Lisätiedot

1.1 Tilastomenetelmät luotettavan tutkimuksen perustana 1 1.1.1 Otos vs. näyte 1 1.1.2 Tilastollinen päättely ja tieteellisyyden kriteerit 2

1.1 Tilastomenetelmät luotettavan tutkimuksen perustana 1 1.1.1 Otos vs. näyte 1 1.1.2 Tilastollinen päättely ja tieteellisyyden kriteerit 2 Sisältö 1 JOHDANTO 1 1.1 Tilastomenetelmät luotettavan tutkimuksen perustana 1 1.1.1 Otos vs. näyte 1 1.1. Tilastollinen päättely ja tieteellisyyden kriteerit TEOREETTINEN JAKAUMA 3.1 Satunnaismuuttuja

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

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

25.9.2008 klo 9-15. 1. Selvitä vakuutustekniseen vastuuvelkaan liittyvät riskit ja niiltä suojautuminen.

25.9.2008 klo 9-15. 1. Selvitä vakuutustekniseen vastuuvelkaan liittyvät riskit ja niiltä suojautuminen. SHV-tutkinto Vakavaraisuus 25.9.28 klo 9-15 1(5) 1. Selvitä vakuutustekniseen vastuuvelkaan liittyvät riskit ja niiltä suojautuminen. (1p) 2. Henkivakuutusyhtiö Huolekas harjoittaa vapaaehtoista henkivakuutustoimintaa

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

Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu.

Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Ka6710000 TILASTOLLISEN ANALYYSIN PERUSTEET 2. VÄLIKOE 9.5.2007 / Anssi Tarkiainen Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Tehtävä 1. a) Gallupissa

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

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

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

1. Normaalisuuden tutkiminen, Bowmanin ja Shentonin testi, Rankit Plot, Wilkin ja Shapiron testi

1. Normaalisuuden tutkiminen, Bowmanin ja Shentonin testi, Rankit Plot, Wilkin ja Shapiron testi Mat-2.2104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Yhteensopivuuden ja homogeenisuden testaaminen Bowmanin ja Shentonin testi, Hypoteesi, 2 -homogeenisuustesti, 2 -yhteensopivuustesti,

Lisätiedot

Tilastomatematiikka 1, KESÄ2010/TIMO&AIMO 2010. Tehtäväkokoelma

Tilastomatematiikka 1, KESÄ2010/TIMO&AIMO 2010. Tehtäväkokoelma Tilastomatematiikka 1, KESÄ2010/TIMO&AIMO 2010 Tehtäväkokoelma 1. Komponentit k 1,...,k n muodostavat rinnan kytketyn systeemin, jos systeemi toimii aina, kun yksikin komponentti toimii. Komponentit muodostavat

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

Kuormat on yhdistettävä rakennesuunnittelussa riippuvasti

Kuormat on yhdistettävä rakennesuunnittelussa riippuvasti 16.5.2012/1(6)/tp Kuormat on yhdistettävä rakennesuunnittelussa riippuvasti Pysyvät kuormat ovat riippumattomia, mutta ne yhdistetään nykyisissä rakennesuunnittelunormeissa aina riippuvasti 1. Pysyvä ja

Lisätiedot

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä 1 MAT-1345 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 9 Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa

Lisätiedot

Aki Taanila TILASTOLLINEN PÄÄTTELY

Aki Taanila TILASTOLLINEN PÄÄTTELY Aki Taanila TILASTOLLINEN PÄÄTTELY 14.4.2012 SISÄLLYS 0 JOHDANTO... 1 1 TILASTOLLINEN PÄÄTTELY... 2 2 YHTÄ MUUTTUJAA KOSKEVA PÄÄTTELY... 7 2.1 Normaalijakautuneisuuden testaaminen... 7 2.2 Keskiarvon luottamusväli...

Lisätiedot

n! k!(n k)! n = Binomikerroin voidaan laskea pelkästään yhteenlaskun avulla käyttäen allaolevia ns. palautuskaavoja.

n! k!(n k)! n = Binomikerroin voidaan laskea pelkästään yhteenlaskun avulla käyttäen allaolevia ns. palautuskaavoja. IsoInt Tietokoneiden muisti koostuu yksittäisistä muistisanoista, jotka nykyaikaisissa koneissa ovat 64 bitin pituisia. Muistisanan koko asettaa teknisen rajoituksen sille, kuinka suuria lukuja tietokone

Lisätiedot

Ohjelmoinnin perusteet Y Python

Ohjelmoinnin perusteet Y Python Ohjelmoinnin perusteet Y Python T-106.1208 24.1.2011 T-106.1208 Ohjelmoinnin perusteet Y 24.1.2011 1 / 36 Luentopalaute kännykällä alkaa tänään! Ilmoittaudu mukaan lähettämällä ilmainen tekstiviesti Vast

Lisätiedot

Tarkista vielä ennen analysoinnin aloittamista seuraavat seikat:

Tarkista vielä ennen analysoinnin aloittamista seuraavat seikat: Yleistä Tilastoapu on Excelin sisällä toimiva apuohjelma, jonka avulla voit analysoida tilastoaineistoja. Tilastoapu toimii Excelin Windows-versioissa Excel 2007, Excel 2010 ja Excel 2013. Kun avaat Tilastoavun,

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

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

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

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

KAHDEN RYHMÄN VERTAILU

KAHDEN RYHMÄN VERTAILU 10.3.2015 KAHDEN RYHMÄN VERTAILU Jouko Miettunen Center for Life-Course and Systems Epidemiology jouko.miettunen@oulu.fi Luennon sisältö Luokitellut muuttujat Ristiintaulukko, prosentit Khiin neliötesti

Lisätiedot

TILASTOTIETEEN PERUSTEET, kl 2011

TILASTOTIETEEN PERUSTEET, kl 2011 TILASTOTIETEEN PERUSTEET, kl 2011 Luku 3: TILASTOLLINEN KUVAILU Tässä luvussa esittelemme menetelmiä, joilla havaintomatriisin yhden sarakkeen eli yhden muuttujan havaintojen sisältämä informaatio kuvaillaan

Lisätiedot

Klassisen ja geometrisen todennäköisyyden harjoituksia

Klassisen ja geometrisen todennäköisyyden harjoituksia MAB5: Todennäköisyyden lähtökohdat Klassisen ja geometrisen todennäköisyyden harjoituksia 3.1 Heität tavallista noppaa. Millä todennäköisyydellä a) saat kuutosen? b) saat ykkösen? c) saat parittoman pisteluvun?

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

Helsingin, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 9.6.2014 klo 10 13

Helsingin, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 9.6.2014 klo 10 13 Helsingin, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 9.6.014 klo 10 13 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt: x + a) 3 x + 1 > 0 c) x x + 1 = 1 x 3 4 b) e x + e x 3

Lisätiedot

Aloitamme yksinkertaisella leluesimerkillä. Tarkastelemme yhtä osaketta S. Oletamme että tänään, hetkellä t = 0, osakkeen hinta on S 0 = 100=C.

Aloitamme yksinkertaisella leluesimerkillä. Tarkastelemme yhtä osaketta S. Oletamme että tänään, hetkellä t = 0, osakkeen hinta on S 0 = 100=C. Luku 1 Johdatteleva esimerkki Herra K. tarjoaa osto-option Aloitamme yksinkertaisella leluesimerkillä. Tarkastelemme yhtä osaketta S. Oletamme että tänään, hetkellä t = 0, osakkeen hinta on S 0 = 100=C.

Lisätiedot

Uudistamistuloksen vaihtelun vaikutus uudistamisen kustannustehokkuuteen metsänviljelyssä. Esitelmän sisältö. Taustaa. Tutkimuksen päätavoitteet

Uudistamistuloksen vaihtelun vaikutus uudistamisen kustannustehokkuuteen metsänviljelyssä. Esitelmän sisältö. Taustaa. Tutkimuksen päätavoitteet Uudistamistuloksen vaihtelun vaikutus uudistamisen kustannustehokkuuteen metsänviljelyssä Metsänuudistaminen pohjoisen erityisolosuhteissatutkimushankkeen loppuseminaari 15.3.2012 Rovaniemi Esitelmän sisältö

Lisätiedot

ORMS 2020 Päätöksenteko epävarmuuden vallitessa. Tommi Sottinen

ORMS 2020 Päätöksenteko epävarmuuden vallitessa. Tommi Sottinen ORMS 2020 Päätöksenteko epävarmuuden vallitessa Tommi Sottinen Sisältö Esipuhe 5 Luku 1. Todennäköisyys 7 Todennäköisyyskäsitteet 7 Todennäköisyyden laskusäännöt 11 Satunnaismuuttujat 21 Harjoitustehtäviä

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

Tehtävä 1. Hypoteesi: Liikuntaneuvonta on hyvä keino vaikuttaa terveydentilaan. Onko edellinen hypoteesi hyvä tutkimushypoteesi? Kyllä.

Tehtävä 1. Hypoteesi: Liikuntaneuvonta on hyvä keino vaikuttaa terveydentilaan. Onko edellinen hypoteesi hyvä tutkimushypoteesi? Kyllä. Tehtävä 1 Hypoteesi: Liikuntaneuvonta on hyvä keino vaikuttaa terveydentilaan. Onko edellinen hypoteesi hyvä tutkimushypoteesi? Kyllä Ei Hypoteesi ei ole hyvä tutkimushypoteesi, koska se on liian epämääräinen.

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

Ääriarvosovelluksia. Hannu Lehto. Lahden Lyseon lukio

Ääriarvosovelluksia. Hannu Lehto. Lahden Lyseon lukio Ääriarvosovelluksia Hannu Lehto Lahden Lseon lukio Ääriarvoprobleeman Ääriarvoprobleeman Ääriarvoprobleeman Ääriarvoprobleeman 1. Piirrä kuva Ääriarvoprobleeman Ääriarvoprobleeman Ääriarvoprobleeman 2

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

Relaation ominaisuuksia. Ominaisuuksia koskevia lauseita Sulkeumat. Joukossa X määritelty relaatio R on. (ir) irrefleksiivinen, jos x Rx kaikilla x X,

Relaation ominaisuuksia. Ominaisuuksia koskevia lauseita Sulkeumat. Joukossa X määritelty relaatio R on. (ir) irrefleksiivinen, jos x Rx kaikilla x X, Relaation Joukossa X määritelty relaatio R on (r) refleksiivinen, jos xrx kaikilla x X, (ir) irrefleksiivinen, jos x Rx kaikilla x X, Relaation Joukossa X määritelty relaatio R on (r) refleksiivinen, jos

Lisätiedot

Talousmatematiikan perusteet, L3 Prosentti, yhtälöt Aiheet

Talousmatematiikan perusteet, L3 Prosentti, yhtälöt Aiheet Talousmatematiikan perusteet, L3 Prosentti, t Toisen Prosentti 1 Jos b on p% luvusta a, eli niin b = p 100 a a = perusarvo (Mihin verrataan?) (Minkä sadasosista on kysymys.) p = prosenttiluku (Miten monta

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3 Ratkaisuehdotuksia 1. (a) Päätöspuu on matala, jos mitään sattumasolmua ei välittömästi seuraa sattumasolmu eikä mitään päätössolmua

Lisätiedot

Tasapainotehta via vaakamallin avulla

Tasapainotehta via vaakamallin avulla Tasapainotehta via vaakamallin avulla Aihepiiri Luokka-aste Kesto Tarvittavat materiaalit / välineet Asiasanat Lausekkeet ja yhtälöt 7.-8. luokka 20 30 minuuttia Piirtoheitin, 2 kalvoa, erimuotoisia paloja

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

Puheentutkimuksen tilastoanalyysin perusteet. 8. luento. Pertti Palo 20.1.2012

Puheentutkimuksen tilastoanalyysin perusteet. 8. luento. Pertti Palo 20.1.2012 Puheentutkimuksen tilastoanalyysin perusteet 8. luento Pertti Palo 20.1.2012 Käytännön asioita Viimeisen seminaarin siirto: 2.3. 10-12 -> 2.3. 14-16. Miten seminaarin luentokuulustelun voi korvata? Harjoitustöiden

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

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

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

Ratkaisu: a) Aritmeettisen jonon mielivaltainen jäsen a j saadaan kaavalla. n = a 1 n + (n 1)n d = 5 500 + 4 = 501500. 2 500 = 5 + 2001 2

Ratkaisu: a) Aritmeettisen jonon mielivaltainen jäsen a j saadaan kaavalla. n = a 1 n + (n 1)n d = 5 500 + 4 = 501500. 2 500 = 5 + 2001 2 Kotitehtäviä 5. Ratkaisuehdotuksia. a) Jono a,..., a 500 on aritmeettinen, a = 5 ja erotusvakio d = 4. Laske jäsenet a, a 8 ja a 00 sekä koko jonon summa. b) Jono b,..., b 0 on geometrinen, b = ja suhdeluku

Lisätiedot

Evoluutiopuu. Aluksi. Avainsanat: biomatematiikka, päättely, kombinatoriikka, verkot. Luokkataso: 6.-9. luokka, lukio

Evoluutiopuu. Aluksi. Avainsanat: biomatematiikka, päättely, kombinatoriikka, verkot. Luokkataso: 6.-9. luokka, lukio Evoluutiopuu Avainsanat: biomatematiikka, päättely, kombinatoriikka, verkot Luokkataso: 6.-9. luokka, lukio Välineet: loogiset palat, paperia, kyniä Kuvaus: Tehtävässä tutkitaan bakteerien evoluutiota.

Lisätiedot

Tavanomaisten otostunnuslukujen, odotusarvon luottamusvälin ja Box ja Whisker -kuvion määritelmät: ks. 1. harjoitukset.

Tavanomaisten otostunnuslukujen, odotusarvon luottamusvälin ja Box ja Whisker -kuvion määritelmät: ks. 1. harjoitukset. Mat-.04 Tilastollisen analyysin perusteet Mat-.04 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Testit suhdeasteikollisille muuttujille Hypoteesi, Kahden riippumattoman otoksen t-testit,

Lisätiedot

Digitaalitekniikan matematiikka Harjoitustehtäviä

Digitaalitekniikan matematiikka Harjoitustehtäviä arjoitustehtäviä Sivu 6 6.3.2 e arjoitustehtäviä uku 3 ytkentäfunktiot ja perusporttipiirit 3. äytäväkytkin on järjestelmä jossa käytävän kummassakin päässä on kytkin ja käytävän keskellä lamppu. amppu

Lisätiedot

Simulointi. Satunnaisluvut

Simulointi. Satunnaisluvut Simulointi Satunnaisluvut Satunnaisluvut Anyone who considers arithmetic methods of producing random digits is, of course, in a state of sin, John v. Neumann Simuloinnissa käytetään aina näennäisesti satunnaisia

Lisätiedot

Perusjoukon kokonaissumman estimointi Coxin regressiolla ja logistisella regressiolla: sovellus rakennusten aloitustilastoon

Perusjoukon kokonaissumman estimointi Coxin regressiolla ja logistisella regressiolla: sovellus rakennusten aloitustilastoon Perusjoukon kokonaissumman estimointi Coxin regressiolla ja logistisella regressiolla: sovellus rakennusten aloitustilastoon Juha Paju Tilastotieteen pro gradu -tutkielma Jyväskylän yliopisto Matematiikan

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

A. Mikä on 10-järjestelmä eli 10-kertaisia lukuja ja niiden 10:s osia

A. Mikä on 10-järjestelmä eli 10-kertaisia lukuja ja niiden 10:s osia 1(10) A. Mikä on 10-järjestelmä eli 10-kertaisia lukuja ja niiden 10:s osia Ensimmäinen oppilas rakentaa luvun 1 paikka-alustalle ja toinen oppilas piirtää sen olevalle paikka-alustalle. Toinen oppilas

Lisätiedot

TESTINVALINTATEHTÄVIEN VASTAUKSET

TESTINVALINTATEHTÄVIEN VASTAUKSET TESTINVALINTATEHTÄVIEN VASTAUKSET Vastaukset on merkitty keltaisella, muuttujien mittaustasot muuttujan kuvauksen perässä ja muu osa vastauksesta kysymyksen perässä. Tehtävä 1. Talousmatematiikan kurssin

Lisätiedot

Korkolasku ja diskonttaus, L6

Korkolasku ja diskonttaus, L6 Korkolasku ja diskonttaus, L6 1 Merkinnät Tarkastellaan tilannetta, jossa pääomalle maksetaan korkoa. Tulemme seuraavassa systemaattisesti käyttämään seuraavia merkintöjä K 0 = alkupääoma p = korkoprosentti

Lisätiedot

Kuinka monta riippumatonta simulaationäytettä tarvitaan. - tämä varianssi on riippumaton jakauman ulottuvuuksien määrästä

Kuinka monta riippumatonta simulaationäytettä tarvitaan. - tämä varianssi on riippumaton jakauman ulottuvuuksien määrästä Viime kerralla Karkea laskenta Kuinka monta riippumatonta simulaationäytettä tarvitaan Monte Carlo (luku 11) - suora simulointi - hiladiskretointi Slide 1 - hylkäyspoiminta Markov-ketju Monte Carlo - Gibbs-poiminta

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

Voidaan laskea siis ensin keskimääräiset kiinteät kustannukset AFC: 100 000 /10000=10

Voidaan laskea siis ensin keskimääräiset kiinteät kustannukset AFC: 100 000 /10000=10 Harjoitukset 3 Taloustieteen perusteet Ratkaisuehdotukset Kesäyliopisto 2014 1. a) Autonrenkaita valmistavalla yhtiöllä on 100 000 :n kiinteät kustannukset vuodessa. Kun yritys tuottaa 10 000 rengasta,

Lisätiedot

Metropolia ammattikorkeakoulu 05.02.2015 TI00AA43-3004: Ohjelmointi Kotitehtävät 3

Metropolia ammattikorkeakoulu 05.02.2015 TI00AA43-3004: Ohjelmointi Kotitehtävät 3 : http://users.metropolia.fi/~pasitr/2014-2015/ti00aa43-3004/kt/03/ratkaisut/ Tehtävä 1. (1 piste) Tee ohjelma K03T01.cpp, jossa ohjelmalle syötetään kokonaisluku. Jos kokonaisluku on positiivinen, niin

Lisätiedot

3.5 Todennäköisyyden laskumenetelmiä

3.5 Todennäköisyyden laskumenetelmiä MAB5: Todennäköisyyden lähtökohdat 3.5 Todennäköisyyden laskumenetelmiä Aloitetaan esimerkillä, joka on sitä sarjaa, mihin ei ole mitään muuta yleispätevää ohjetta kuin että on edettävä järjestelmällisesti

Lisätiedot

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 5.3.1999

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 5.3.1999 1(5) VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen TENTTI 5.3.1999 Tehtävä 1. Liitteessä on kuvattu yksi luentojen perusesimerkeistä, Raiffan pallouurnia

Lisätiedot

Seurantojen otoskoon arviointi RKTL:ssä

Seurantojen otoskoon arviointi RKTL:ssä Seurantojen otoskoon arviointi RKTL:ssä Mika Kurkilahti MTT 23.8.2012 Miksi seurantoja tehdään? RKTL:lle esitetään jatkuvasti paljon kysymyksiä Mikä on eläinkantojen koko ajallisesti ja alueellisesti,

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

Harjoitustehtäväkierros 1

Harjoitustehtäväkierros 1 T-06.50 kurssihenkilökunta deadline Tiistai 20.0.2009 2:5 Johdanto Tämä tehtäväkierros käsittelee pääasiassa toisen luennon sisältöä. Harjoituksia saa tehdä yksin tai yhdessä. Yhdessä tekeminen on suositeltavaa,

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

5.3 Ensimmäisen asteen polynomifunktio

5.3 Ensimmäisen asteen polynomifunktio Yllä olevat polynomit P ( x) = 2 x + 1 ja Q ( x) = 2x 1 ovat esimerkkejä 1. asteen polynomifunktioista: muuttujan korkein potenssi on yksi. Yleisessä 1. asteen polynomifunktioissa on lisäksi vakiotermi;

Lisätiedot

Projekti, projektinhallinta ja projektiliiketoiminta. Projektin ympäristö, päämäärä, tavoitteet, elinkaari, laajuus ja työn ositus

Projekti, projektinhallinta ja projektiliiketoiminta. Projektin ympäristö, päämäärä, tavoitteet, elinkaari, laajuus ja työn ositus Projekti, projektinhallinta ja projektiliiketoiminta. Projektin ympäristö, päämäärä, tavoitteet, elinkaari, laajuus ja työn ositus 25.1.2013 Karlos Artto TU-22.1120 Projektien suunnittelu ja ohjaus, kevät

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

811312A Tietorakenteet ja algoritmit, 2014-2015, Harjoitus 7, ratkaisu

811312A Tietorakenteet ja algoritmit, 2014-2015, Harjoitus 7, ratkaisu 832A Tietorakenteet ja algoritmit, 204-205, Harjoitus 7, ratkaisu Hajota ja hallitse-menetelmä: Tehtävä 7.. Muodosta hajota ja hallitse-menetelmää käyttäen algoritmi TULOSTA_PUU_LASKEVA, joka tulostaa

Lisätiedot

Yleistä. Esimerkki. Yhden palvelimen jono. palvelin. saapuvat asiakkaat. poistuvat asiakkaat. odotushuone, jonotuspaikat

Yleistä. Esimerkki. Yhden palvelimen jono. palvelin. saapuvat asiakkaat. poistuvat asiakkaat. odotushuone, jonotuspaikat J. Virtamo 38.3143 Jonoteoria / Jonojärjestelmät 1 JONOJÄRJESTELMÄT Yleistä Jonojärjestelmät muodostavat keskeisen mallinnuksen välineen mm. tietoliikenne- ja tietokonejärjestelmien suorituskyvyn analysoinnissa.

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

NIMI: SYNTYMÄPÄIVÄ: KOULU: MAA: KOODINUMERO:

NIMI: SYNTYMÄPÄIVÄ: KOULU: MAA: KOODINUMERO: NIMI: SYNTYMÄPÄIVÄ: KOULU: MAA: KOODINUMERO: Ohjeet: (1) Kirjoita vastauksesi sinulle erikseen annettavalla paperille. (2) Voit käyttää joko lyijy- tai kuulakärkikynää, värillisiä kyniä ja tieteellistä

Lisätiedot

Painopiste. josta edelleen. x i m i. (1) m L A TEX 1 ( ) x 1... x k µ x k+1... x n. m 1 g... m n g. Kuva 1. i=1. i=k+1. i=1

Painopiste. josta edelleen. x i m i. (1) m L A TEX 1 ( ) x 1... x k µ x k+1... x n. m 1 g... m n g. Kuva 1. i=1. i=k+1. i=1 Pinopiste Snomme ts-ineiseksi kpplett, jonk mteriliss ei ole sisäisiä tiheyden vihteluj. Tällisen kppleen pinopisteen sijinti voidn joskus päätellä kppleen muodon perusteell. Esimerkiksi ts-ineisen pllon

Lisätiedot

Hintadiskriminaatio 2/2

Hintadiskriminaatio 2/2 Hintadiskriminaatio 2/2 Matti Hellvist 12.2.2003 Toisen asteen hintadiskrimiaatio eli tuotteiden kohdennus Toisen asteen hintadiskriminaatio toimii tilanteessa, jossa kuluttajat ovat keskenään erilaisia

Lisätiedot

z muunnos ja sen soveltaminen LTI järjestelmien analysointiin

z muunnos ja sen soveltaminen LTI järjestelmien analysointiin z muunnos ja sen soveltaminen LTI järjestelmien analysointiin muunnoksella (eng. transform) on vastaava asema diskreettiaikaisten signaalien ja LTI järjestelmien analyysissä kuin Laplace muunnoksella jatkuvaaikaisten

Lisätiedot

Informaatioteoria. Lasse Holmström Matemaattisten tieteiden laitos Oulun yliopisto. Kevät 2012. 1 f f. f 1 1 1 f

Informaatioteoria. Lasse Holmström Matemaattisten tieteiden laitos Oulun yliopisto. Kevät 2012. 1 f f. f 1 1 1 f Informaatioteoria Lasse Holmström Matemaattisten tieteiden laitos Oulun yliopisto Kevät 202 0 f f 0 X Y f f Sisältö Johdanto. Historiaa................................ Informaatioteorian synty...................2

Lisätiedot

Keskity jo harjoituksissa - keskity peleissäkin - panosta onnistumisiin. Porin Ässät C-1 22.10.2014. Markku Gardin

Keskity jo harjoituksissa - keskity peleissäkin - panosta onnistumisiin. Porin Ässät C-1 22.10.2014. Markku Gardin Keskity jo harjoituksissa - keskity peleissäkin - panosta onnistumisiin Porin Ässät C-1 22.10.2014 Markku Gardin Mentaaliharjoittelun perusta (hyvä tietää) Aivot ohjaavat - hermojärjestelmät, hormonit

Lisätiedot