Reikä. Säätila. Hammassärky Osuma
|
|
- Urho Tapio Rantanen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 190 Nuolen X Y intuitiivinen merkitys on, että X vaikuttaa suoraan Y:hyn Verkon topologia solmut ja nuolet määräävät muuttujien ehdolliset riippumattomuudet Kun topologia on kiinnitetty, pitää vielä määrätä kullekin muuttujalle ehdollinen todennäköisyysjakauma annettuna sen vanhemmat Verkon topologia ja ehdolliset todennäköisyysjakaumat määräävät implisiittisesti täyden yhteisjakauman muuttujille Säätila Reikä Hammassärky Osuma 191 Taloon on asennettu varashälytin, joka on luotettava murtoyritysten tunnistaja, mutta reagoi myös lieviin maanjäristyksiin Naapurit Jussi ja Meeri ovat luvanneet tarkistaa tilanteen hälytyksen kuullessaan Jussi kuulee jokaisen hälytyksen, mutta sen lisäksi joskus erehtyy tarkistamaan tilanteen myös puhelimen soidessa Meeri puolestaan kuuntelee musiikkia lujalla, eikä aina kuule hälytystä Tavoitteenamme on arvioida murron todennäköisyys annettuna tieto siitä kuka on käynyt tai ei ole käynyt tarkistamassa tilannetta
2 192 P(murto).001 Murto Järistys P(järistys).002 Hälytys P(jussikäy) True.90 False.05 JussiKäy Hälytys Murto Järistys P(hälytys) True True.95 True False.94 False True.29 False False.001 Hälytys P(meerikäy) MeeriKäy True.70 False Verkon topologiaan sisältyvät seuraavat ajatukset: Murto ja maanjäristys vaikuttavat suoraan hälyttimen laukeamiseen, Jussin ja Meerin vierailut riippuvat suoraan vain hälyttimestä he eivät huomaa murtoa tai maanjäristystä suoraan tai keskustele keskenään Musiikinkuuntelu ja puhelimen soiminen ovat verkosta luettavissa vain implisiittisesti hälytyksen aiheuttaman tarkistuskäynnin epävarmuutena Todennäköisyydet tiivistävät äärettömän mahdollisten vaikuttajien joukon Esim. hälytin voi jäädä laukeamatta koska ilmankosteus on korkea, on sähkökatko, varapatteri on tyhjentynyt, johdot on katkaistu, kuollut hiiri estää kelloa soimasta, jne.
3 194 Ehdollisten todennäköisyyksien taulukot luettelevat muuttujan arvojen todennäköisyydet riippuen solmun vanhempien arvoasetuksesta Kunkin rivin todennäköisyyksien on summauduttava arvoon 1 Edellisessä esimerkissä kaikki muuttujat ovat totuusarvoisia, joten riittää todennäköisyyden p tapauksessa, että muuttujan arvo on tosi, koska arvon epätosi tn. on 1-p Yleisesti ottaen, jos solmulla on k vanhempaa, niin erikseen määrättäviä todennäköisyyksiä on 2 k kappaletta Jos solmulla ei ole vanhempia on taulukossa vain yksi rivi 195 Bayes-verkon semantiikka Jokaisen yhteistodennäköisyysjakauman solun arvo voidaan laskea Bayes-verkon sisältämästä informaatiosta Solun arvo on muuttujien tietty arvoasetus P(X 1 = x 1 X n = x n ), jota merkitään P(x 1,, x n ) Solun arvo on P(x 1,, x n ) = i=1,,n P(x i vanhemmat(x i )), missä vanhemmat(x i ) viittaa muuttujien Vanhemmat(X i ) määrättyihin arvoihin P(jussiKäy meerikäy hälytys murto järistys) = P(jussiKäy hälytys) P(meeriKäy hälytys) P(hälytys murto järistys) P( murto) P( järistys) = =.00062
4 196 Yhteisjakauma P(x 1,, x n ) voidaan kirjoittaa tulosäännöllä muotoon P(x n x n-1,, x 1 ) P(x n-1,, x 1 ) Samaa purkamista voidaan toistaa, jolloin lopulta saadaan kaava P(x n x n-1,, x 1 ) P(x n-1 x n-2,, x 1 ) P(x 2 x 1 ) P(x 1 ) = i=1,,n P(x i x i-1,, x 1 ) Tämäketjusääntö (chain rule) pätee mille tahansa satunnaismuuttujien joukolle Jakauma on siis yhtäpitävä väittämän P(X i X i-1,, X 1 ) = P(X i Vanhemmat(X i )) kanssa kunhan Vanhemmat(X i ) { X i-1,, X 1 } 197 Kun solmut indeksoidaan järjestyksessä, joka on konsistentti verkkostruktuurin implisiittisen osittaisjärjestyksen kanssa, niin ehto pätee Solmuilta siis vaaditaan ehdollista riippumattomuutta edeltäjäsolmuista annettuna vanhemmat Solmun vanhemmiksi tulee valita ne solmut, jotka vaikuttavat muuttujan arvoon suoraan Jos esimerkissä ajatellaan Meerin tarkastuskäyntisolmua, niin murto ja järistys vaikuttavat sen arvoon, mutta vain hälytyksen kautta Uskomme mukaan P(MeeriKäy JussiKäy, Hälytys, Järistys, Murto) = P(MeeriKäy Hälytys)
5 198 Bayes-verkon etu täyteen yhteisjakaumaan verrattuna on kompaktisuus, joka seuraa sen lokaalisuudesta Alikomponentit ovat tekemisissä vain rajoitetun määrän muita komponentteja kanssa riippumatta komponenttien kokonaismäärästä Tästä seuraa kompleksisuuden lineaarinen, ei eksponentiaalinen, kasvu Bayes-verkko sovellukselle, jossa kuhunkin n:stä muuttujasta vaikuttaa suoraan korkeintaan k muuttujaa, vaatii ehdollisten todennäköisyystaulukoiden esittämiseen 2 k lukua Kaikkiaan siis n2 k lukua, kun yhteisjakaumassa on 2 n solua Esim. n = 30 ja k = 5: n2 k = 960 ja 2 n > Bayes-verkossa voidaan tarkkuutta vaihtaa kompleksisuuteen Heikkoja riippuvuuksia voi kannattaa jättää pois verkosta kompleksisuuden pitämiseksi kurissa, mutta tällöin verkon tarkkuus kärsii Verkkotopologian oikea määrääminen on vaikea ongelma Solmut pitäisi lisätä järjestyksessä: "juuri aiheuttajat", muuttujat, joihin ne vaikuttavat suoraan, jne., kunnes lopulta lehdiksi tulevat muuttujat jotka eivät vaikuta suoraan mihinkään muihin muuttujiin Väärässä järjestyksessä lisätyt solmut tekevät verkosta kompleksisemman ja epäintuitiivisen
6 200 Ehdollisten jakaumien esittäminen Yleisesti solmun ehdollisten jakaumien taulukko vaatii O(2 k ) luvun määräämistä ja kokemusta ehtojen todennäköisyyksistä Tyypillisemmin lasten ja vanhempien arvojen suhteen määrää helpommin laskettava kanoninen jakauma Yksinkertaisin esimerkki on deterministinen solmu, jonka arvo määräytyy vanhempien arvojen perusteella ilman epävarmuutta Esim. looginen suhteesta voisi olla vaikka solmu Skandinaavi jonka arvo on vanhempien Ruotsi, Norja, Tanska ja Islanti disjunktio 201 Epävarmuutta voidaan esittää myös kohinaisilla loogisilla suhteilla Kohinaisessa disjunktiossa (noisy-or) voidaan lapsen totuus estää riippumattomasti vanhemman arvon ollessa lapsen arvon todeksi tekevä muuttuja P( kuume kylmä, flunssa, malaria) = 0.6 P( kuume kylmä, flunssa, malaria) = 0.2 P( kuume kylmä, flunssa, malaria) = 0.1
7 202 Kylmä Flunssa Malaria P(kuume) P( kuume) F F F F F T F T F F T T = T F F T F T = T T F = T T T = Jatkuva-arvoiset muuttujat Näiden käsittely voidaan välttää diskretoinnilla, jossa jatkuva arvoalue jaetaan joihinkin intervalleihin Liian harvasta jaosta seuraa suuri tarkkuuden menetys ja liian tiheästä puolestaan suuri määrä käsiteltäviä arvoja Diskretointi voi kuitenkin olla jopa todistettavasti oikea lähestymistapa Toinen mahdollisuus on arvioida jatkuvaa arvoaluetta jollain standardilla todennäköisyyden tiheysfunktioperheellä, joilla on äärellinen määrä parametreja Esim. Gaussin l. normaalijakauman N(μ, σ 2 )(x) parametrit ovat keskiarvo μ ja varianssi σ 2
8 204 Hybridiverkossa on sekä diskreettejä että jatkuva-arvoisia muuttujia Tällöin on kyettävä laskemaan jatkuva-arvoisen solmun ehdollinen todennäköisyys ja diskreetin solmun todennäköisyys annettuna jatkuva-arvoiset vanhemmat Esim. hedelmän (jatkuva-arvoinen) Hinta riippuu (jatkuvaarvoisesta) Sadosta ja (binääriarvoisesta) Tuesta Asiakkaan (diskreetti) Ostopäätös puolestaan riippuu yksinomaan hinnasta Hinnan todennäköisyysjakauman P(Hinta Sato, Tuki) määräämiseksi lasketaan erikseen P(Hinta Sato, tuki) ja P(Hinta Sato, tuki) Lisäksi tarkastellaan hinnan h jakauman riippuvuutta muuttujan Sato arvosta s 205 Hinnan jakauman parametrit määritellään siis s:n funktiona Usein käytetty jakauma on lineaarinen Gaussin jakauma, jonka keskiarvo μ riippuu lineaarisesti vanhemman arvosta ja jolla on kiinnitetty hajonta σ P(h s, tuki) = N(a t s+ b t, σ t2 )(h) = 1/(σ t (2π)) exp(-½(h - (a t s+b t ))/σ t ) 2 ) P(h s, tuki) = N(a f s+ b f, σ f2 )(h) Näin muodostuvat yksikyttyräiset jakaumat yhdistämällä saadaan lopulta kaksikyttyräinen jakauma P(h s) Lineaarista normaalijakaumaa noudattavan Bayes-verkon yhteisjakauma "käyttäytyy hyvin"
9 206 Diskreetti Ostopäätös riippuu tuotteen hinnasta Hinnan ollessa korkea ei ostoja tehdä ja hinnan ollessa matala asiakas ostaa hedelmän Hinnan ollessa näiden väliltä asiakkaan ostopäätös muuttuu pehmeästi/sileästi Ehdollinen todennäköisyys on siis pehmeä kynnysarvo Yksi mahdollisuus on käyttää ns. probit-jakaumaa, standardin normaalijakauman integraalia Φ(x) = -,,x N(0, 1)(x) dx 207 Tällöin ostopäätöksen ehdollinen todennäköisyys voisi olisi P(ostaa hinta = h) = Φ((-h+ μ) / σ) Esim. neuraaliverkoissa paljon käytetty pehmeän kynnyksen määrittelytapa on ns. logit-jakauma, joka käyttää sigmoidifunktiota P(ostaa h) = 1/(1 + exp(-2(-h+ μ)/σ)) Logit-jakaumalla on pidemmät hännät kuin probit-jakaumalla Probit on käytännössä tarkempi kuin logit, joka taas puolestaan on helpompi käsitellä matemaattisesti ja siksi yleinen
10 208 Tarkka päättely Bayes-verkoissa Tavoitteemme on selvittää kyselymuuttujan X posteriorijakauma kun havaintomuuttujien E = E 1,, E m havaitut arvot ovat e ja piilomuuttujat ovat Y = Y 1,, Y l Täydestä yhteisjakaumasta voimme vastata kyselyyn P(X e) laskemalla α P(X, e) = α y P(X, e, y) Bayes-verkko on yhteisjakauman täysi esitys, erityisesti tekijät P(X, e, y) voidaan ilmaista verkon ehdollisten todennäköisyyksien tulona Täten verkon perusteella voidaan vastata annettuun kyselyyn 209 KyselynP(Murto jussikäy, meerikäy) arvottaminen Piilomuuttujat ovat Järistys ja Hälytys P(Murto jussikäy, meerikäy) = α j h P(Murto, j, h, jussikäy, meerikäy) Verkon ehdollisten todennäköisyystaulukoiden perusteella tarvittavat arvot voidaan laskea, esim. P(murto jussikäy, meerikäy) = α j h P(murto) P(j) P(h murto, j) P(jussikäy h) P(meerikäy h) Tekijöitä järjestelemällä saadaan tehokkaammin laskettava kaava α P(murto) j P(j) h P(h murto, j) P(jussikäy h) P(meerikäy h)
11 210 Laskemalla P(murto jussikäy, meerikäy) ja P( murto jussikäy, meerikäy), saadaan aiemmin käyttämillämme arvoilla P(Murto jussikäy, meerikäy) [0.284, 0.716] Bayes-verkon DAGin evaluoiminen vastaa puun syvyyssuuntaista läpikäyntiä, joten sen tilavaativuus on vain lineaarinen muuttujien lukumäärän suhteen Aikavaativuus n:n muuttujan verkolle on aina O(2 n ) Esim. tulo P(jussikäy h) P(meerikäy h) joudutaan laskemaan uudestaan jokaiselle arvolle j Toistuvien alilauseiden uudelleenevaluoinnin välttämisellä voidaan saavuttaa lisää säästöä 211 Lopulta saadaan kyselyn P(Murto jussikäy, meerikäy) vastaus α f M (Murto) f Ĵ,Ĥ,JK,MK (Murto), missä f M (Murto) = P(Murto) Muuttujien summaamisessa pois voidaan tekijät, jotka eivät riipu muuttujan arvosta, siirtää summauksen ulkopuolelle Kyselyn kannalta irrelevantit tekijät voidaan poistaa Kysely P(JussiKäy murto) antaa lauseen, jonka viimeinen tekijä on h mk P(meerikäy = mk Hälytys = h), jonka arvo määritelmän mukaan on 1 Verkon solmut, jotka eivät ole kyselymuuttujan esi-isiä tai havaintomuuttujia ovat kyselyn kannalta irrelevantteja
12 212 Muuttujien eliminointi Toistuvat alilauseet voidaan evaluoida kerran ja niiden arvo talletetaan käytettäväksi aina tarvittaessa Tarkastellaan muuttujien eliminointi -algoritmia lausekkeen P(Murto jussikäy, meerikäy) evaluoinnissa: α P(Murto) j P(j) h P(h Murto, j) M J H P(jussikäy h) P(meerikäy h) JK MK Edellä on tekijöille otettu lyhennysmerkinnät Tekijä MK, P(meerikäy h), ei vaadi yli muuttujan MeeriKäy summaamista, koska arvo meerikäy on kiinnitetty 213 Talletetaan todennäköisyydet 2-alkioiseen vektoriin f MK (Hälytys) = [P(meerikäy hälytys), P(meerikäy hälytys)] T Tekijälle JK talletetaan samanlainen vektori f JK (Hälytys) P(murto).001 Murto Järistys P(järistys).002 Hälytys Murto Järistys P(hälytys) True True.95 f JK (Hälytys) f MK (Hälytys) True False.94 False True.29 False False.001
13 214 Tekijä H on P(h Murto, j) ja se vaatii matriisin f H (Hälytys, Murto, Järistys) Tekijöiden MK, JK ja H tulosta summataan Hälytys pois, jolloin saadaan yli muuttujien Murto ja Järistys arvoalueiden käyvä 2 2 matriisi f Ĥ,JK,MK (Murto, Järistys) = h f H (h, Murto, Järistys) f JK (h) f MK (h) = f H (hälytys, Murto, Järistys) f JK (hälytys) f MK (hälytys) + f H ( hälytys, Murto, Järistys) f JK ( hälytys) f MK ( hälytys) P(murto).001 Murto Järistys P(järistys).002 f Ĥ,JK,MK (Murto, Järistys) 215 Kahden matriisin pisteittäisen tulon laskeminen A B f 1 (A,B) B C f 2 (B,C) T T.3 T T.2 T F.7 T F.8 F T.9 F T.6 F F.1 F F.4 A B C f 3 (A,B,C) T T T.3.2 T T F.3.8 T F T.7.6 T F F.7.4 F T T.9.2 F T F.9.8 F F T.1.6 F F F.1.4
14 216 Vastaavasti muuttuja Järistys summataan pois tulosta f J (Järistys) f Ĥ,JK,MK (Murto, Järistys), jolloin saadaan matriisi f Ĵ,Ĥ,JK,MK (Murto) = f J (järistys) f Ĥ,JK,MK (Murto, järistys) + f J ( järistys) f Ĥ,JK,MK (Murto, järistys) P(murto).001 Murto f Ĵ,Ĥ,JK,MK (Murto) 217 Bayes-verkko on monipuu (polytree), jos kunkin solmuparin välillä on korkeintaan yksi suuntaamaton polku Tarkan päättelyn aika- ja tilavaativuus monipuussa on verkon koon suhteen lineaarista Päättely Bayes-verkossa sisältää erikoistapauksenaan propositiologiikan päättelyn Näin ollen yleisessä tapauksessa päättely Bayes-verkossa on NP-kovaa Itse asiassa voidaan osoittaa, että päättely on yhtä vaativaa kuin toteuttavien arvoasetusten lukumäärän laskeminen Ongelma on aidosti vaikeampi kuin NP-kova, se on #P-kova
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
LisätiedotMuuttujien eliminointi
228 Muuttujien eliminointi Toistuvat alilauseet voidaan evaluoida kerran ja niiden arvo talletetaan käytettäväksi aina tarvittaessa Tarkastellaan muuttujien eliminointi -algoritmia lausekkeen P(Murto jussikäy,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedot30A02000 Tilastotieteen perusteet
30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi
LisätiedotJohdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
LisätiedotApproksimatiivinen päättely
218 Approksimatiivinen päättely Koska tarkka päättely on laskennallisesti vaativaa, niin on syytä tarkastella ratkaisujen approksimointia Approksimointi perustuu satunnaiseen otantaan tunnetusta todennäköisyysjakaumasta
LisätiedotA ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.
Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =
LisätiedotDBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi
DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi Historiaa Bayesin kaavan hyödyntäminen BN-ohjelmistoja ollut ennenkin Tanskalaisten Hugin
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset
LisätiedotLineaarinen yhtälöryhmä
Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.
LisätiedotTodennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syyslokakuu 019 / Hytönen. laskuharjoitus, ratkaisuehdotukset 1. Kurssilla on 0 opiskelijaa, näiden joukossa Jutta, Jyrki, Ilkka ja Alex. Opettaja aikoo valita umpimähkään opiskelijan
LisätiedotSallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,
Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on
Lisätiedot2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.
LisätiedotTILASTOLLINEN OPPIMINEN
301 TILASTOLLINEN OPPIMINEN Salmiakki- ja hedelmämakeisia on pakattu samanlaisiin käärepapereihin suurissa säkeissä, joissa on seuraavat sekoitussuhteet h 1 : 100% salmiakkia h 2 : 75% salmiakkia + 25%
LisätiedotJohdatus tn-laskentaan perjantai 17.2.2012
Johdatus tn-laskentaan perjantai 17.2.2012 Kahden diskreetin muuttujan yhteisjakauma On olemassa myös monen muuttujan yhteisjakauma, ja jatkuvien muuttujien yhteisjakauma (jota ei käsitellä tällä kurssilla;
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a
LisätiedotOtosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko
ÌÓÒÒĐĐÓ ÝÝ ÔÖÙ ØØ Naiiveja määritelmiä Suhteellinen frekvenssi kun ilmiö toistuu Jos tehdas on valmistanut 1000000 kpl erästä tuotetta, joista 5013 ovat viallisia, niin todennäköisyys, että tuote on viallinen
LisätiedotOminaisarvot ja ominaisvektorit 140 / 170
Ominaisarvot ja ominaisvektorit 140 / 170 Seuraavissa luvuissa matriisit ja vektori ajatellaan kompleksisiksi, ts. kertojakuntana oletetaan olevan aina kompleksilukujoukko C Huomaa, että reaalilukujoukko
LisätiedotMoniulotteiset satunnaismuuttujat ja jakaumat
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotLuento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja
1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
LisätiedotEsimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien
LisätiedotV ar(m n ) = V ar(x i ).
Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
Lisätiedot5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3
Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,
LisätiedotMatriisit. Määritelmä 1 Reaaliluvuista a ij, missä i = 1,..., k ja j = 1,..., n, muodostettua kaaviota a 11 a 12 a 1n a 21 a 22 a 2n A =
1 / 21 Määritelmä 1 Reaaliluvuista a ij, missä i 1,..., k ja j 1,..., n, muodostettua kaaviota a 11 a 12 a 1n a 21 a 22 a 2n A... a k1 a k2 a kn sanotaan k n matriisiksi. Usein merkitään A [a ij ]. Lukuja
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
Lisätiedots = 11 7 t = = 2 7 Sijoittamalla keskimmäiseen yhtälöön saadaan: k ( 2) = 0 2k = 8 k = 4
BM0A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 5, Syksy 05. (a) i. Jotta vektori c sijaitsisi a:n ja b:n virittämällä tasolla, c on voitava esittää a:n ja b:n lineaarikombinaationa. c ta + sb
Lisätiedot6. laskuharjoitusten vastaukset (viikot 10 11)
6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287
LisätiedotMS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 9 1 Implisiittinen derivointi Tarkastellaan nyt yhtälöä F(x, y) = c, jossa x ja y ovat muuttujia ja c on vakio Esimerkki tällaisesta yhtälöstä on x 2 y 5 + 5xy = 14
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
LisätiedotTalousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi
Talousmatematiikan perusteet: Luento 10 Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi Lineaarikuvaus Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta, jossa käytetään
LisätiedotTosiaikaiset päätökset
160 Tosiaikaiset päätökset Koko pelipuun läpikäyminen millä tahansa realistisella pelillä on liian hidasta Pelipuun generoiminen on katkaistava johonkin syvyyteen ja absoluuttiset lopputilojen arvot on
LisätiedotKannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:
8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden
LisätiedotNormaalijakaumasta johdettuja jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2007) 1 Normaalijakaumasta johdettuja jakaumia >> Johdanto χ 2 -jakauma F-jakauma
LisätiedotJuuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
Juuri 0 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 9..08 Kertaus K. a) Alapaineiden pienin arvo on ja suurin arvo 74, joten vaihteluväli on [, 74]. b) Alapaineiden keskiarvo on 6676870774
LisätiedotNumeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35
Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen
LisätiedotTalousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi
Talousmatematiikan perusteet: Luento 11 Lineaarikuvaus Matriisin aste Käänteismatriisi Viime luennolla Käsittelimme matriisien peruskäsitteitä ja laskutoimituksia Vakiolla kertominen, yhteenlasku ja vähennyslasku
LisätiedotKanta ja Kannan-vaihto
ja Kannan-vaihto 1 Olkoon L vektoriavaruus. Äärellinen joukko L:n vektoreita V = { v 1, v 2,..., v n } on kanta, jos (1) Jokainen L:n vektori voidaan lausua v-vektoreiden lineaarikombinaationa. (Ts. Span(V
Lisätiedot8.1 Ehdolliset jakaumat
8 Ehdollinen jakauma Tämän kappaleen tärkeitä käsitteitä: Ehdollinen jakauma; ehdollinen ptnf/tf. Kertolaskusääntö eli ketjusääntö yhteisjakauman esittämiseksi. Ehdollinen odotusarvo ja ehdollinen varianssi.
LisätiedotMiten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?
21.3.2019/1 MTTTP1, luento 21.3.2019 7 TILASTOLLISEN PÄÄTTELYN PERUSTEITA Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä
LisätiedotP (A)P (B A). P (B) P (A B) = P (A = 0)P (B = 1 A = 0) P (B = 1) P (A = 1)P (B = 1 A = 1) P (B = 1)
Harjoitustehtäviä (erä 1) 1 1. Käytetään yksinkertaisesti Bayesin kaavaa: P (A B) = P (A)P (B A). P (B) Tapauksessa B = 1 saadaan P (A = 0 B = 1) = P (A = 1 B = 1) = P (A = 0)P (B = 1 A = 0) P (A = 1)P
Lisätiedot2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
LisätiedotTuntemattomassa ympäristössä etsiminen
165 Tuntemattomassa ympäristössä etsiminen Online haussa agentin on reagoitava havaintoihinsa välittömästi tekemättä pitkälle tulevaisuuteen ulottuvia suunnitelmia Tuntemattomassa ympäristössä tutkiskelu
LisätiedotLuku 7. Verkkoalgoritmit. 7.1 Määritelmiä
Luku 7 Verkkoalgoritmit Verkot soveltuvat monenlaisten ohjelmointiongelmien mallintamiseen. Tyypillinen esimerkki verkosta on tieverkosto, jonka rakenne muistuttaa luonnostaan verkkoa. Joskus taas verkko
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
Lisätiedot8 KANNAT JA ORTOGONAALISUUS. 8.1 Lineaarinen riippumattomuus. Vaasan yliopiston julkaisuja 151
Vaasan yliopiston julkaisuja 151 8 KANNAT JA ORTOGONAALISUUS KantaOrthogon Sec:LinIndep 8.1 Lineaarinen riippumattomuus Lineaarinen riippumattomuus on oikeastaan jo määritelty, mutta kirjoitamme määritelmät
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat
.9. Kaksiulotteiset satunnaismuuttujat MS-A Todennäköisslaskennan ja tilastotieteen peruskurssi Viikko Moniulotteiset satunnaismuuttujat sekä niiden jakaumat ja tunnusluvut; Moniulotteisia jakaumia Usein
LisätiedotMallipohjainen klusterointi
Mallipohjainen klusterointi Marko Salmenkivi Johdatus koneoppimiseen, syksy 2008 Luentorunko perjantaille 5.12.2008 Johdattelua mallipohjaiseen klusterointiin, erityisesti gaussisiin sekoitemalleihin Uskottavuusfunktio
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotOlkoon seuraavaksi G 2 sellainen tasan n solmua sisältävä suunnattu verkko,
Tehtävä 1 : 1 a) Olkoon G heikosti yhtenäinen suunnattu verkko, jossa on yhteensä n solmua. Määritelmän nojalla verkko G S on yhtenäinen, jolloin verkoksi T voidaan valita jokin verkon G S virittävä alipuu.
Lisätiedot5 Lineaariset yhtälöryhmät
5 Lineaariset yhtälöryhmät Edellisen luvun lopun esimerkissä päädyttiin yhtälöryhmään, jonka ratkaisemisesta riippui, kuuluuko tietty vektori eräiden toisten vektorien virittämään aliavaruuteen Tämäntyyppisiä
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
Lisätiedot1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 017 Harjoitus 5 Ratkaisuehdotuksia Tehtäväsarja I 1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
Lisätiedot13. Loogiset operaatiot 13.1
13. Loogiset operaatiot 13.1 Sisällys Loogiset operaatiot AND, OR, XOR ja NOT. Operaatioiden ehdollisuus. Bittioperaatiot. Loogiset operaatiot ohjausrakenteissa. Loogiset operaatiot ja laskentajärjestys.
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
Lisätiedotk S P[ X µ kσ] 1 k 2.
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 28 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
LisätiedotA = a b B = c d. d e f. g h i determinantti on det(c) = a(ei fh) b(di fg) + c(dh eg). Matriisin determinanttia voi merkitä myös pystyviivojen avulla:
11 Determinantti Neliömatriisille voidaan laskea luku, joka kertoo muun muassa, onko matriisi kääntyvä vai ei Tätä lukua kutsutaan matriisin determinantiksi Determinantilla on muitakin sovelluksia, mutta
LisätiedotTilastollisen 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
LisätiedotAlgoritmit 1. Luento 9 Ti Timo Männikkö
Algoritmit 1 Luento 9 Ti 7.2.2017 Timo Männikkö Luento 9 Graafit ja verkot Kaaritaulukko, bittimatriisi, pituusmatriisi Verkon lyhimmät polut Floydin menetelmä Lähtevien ja tulevien kaarien listat Forward
LisätiedotEllipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio
Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä
LisätiedotJohdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
LisätiedotGenerointi yksinkertaisista diskreeteistä jakaumista
S-38.148 Tietoverkkojen simulointi / Satunnaismuuttujien generointi 1(18) Generointi yksinkertaisista diskreeteistä jakaumista Seuraavassa U, U 1,..., U n tarkoittavat riippumattomia U(0,1)-jakautuneita
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6B
Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
LisätiedotMatematiikka B2 - TUDI
Matematiikka B2 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
LisätiedotKäytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:
8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 2A
Tilastollinen päättely II, kevät 07 Harjoitus A Heikki Korpela 3. tammikuuta 07 Tehtävä. (Monisteen tehtävä.3 Olkoot Y,..., Y n Exp(λ. Kirjoita vastaava tilastollisen mallin lauseke (ytf. Muodosta sitten
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7
Inversio-ongelmien laskennallinen peruskurssi Luento 7 Kevät 2012 1 Tilastolliset inversio-ongelmat Tilastollinen ionversio perustuu seuraaviin periaatteisiin: 1. Kaikki mallissa olevat muuttujat mallinnetaan
LisätiedotPositiivitermisten sarjojen suppeneminen
Positiivitermisten sarjojen suppeneminen Jono (b n ) n= on kasvava, jos b n+ b n kaikilla n =, 2,... Lemma Jokainen ylhäältä rajoitettu kasvava jono (b n ) n= raja-arvo on lim n b n = sup n Z+ b n. suppenee
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 3 Ti 13.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 3 Ti 13.9.2011 p. 1/37 p. 1/37 Epälineaariset yhtälöt Newtonin menetelmä: x n+1 = x n f(x n) f (x n ) Sekanttimenetelmä:
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 4. lokakuuta 2007 Antti Rasila () TodB 4. lokakuuta 2007 1 / 17 1 Moniulotteiset todennäköisyysjakaumat Johdanto Kaksiulotteiset satunnaismuuttujat Kaksiulotteisen
LisätiedotTilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo.
Kertaus Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Luokiteltu aineisto. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo. Hajontaluvut luokittelemattomalle
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
LisätiedotJohdatus todennäköisyyslaskentaan Jatkuvia jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Jatkuvia jakaumia TKK (c) Ilkka Mellin (2005) 1 Jatkuvia jakaumia Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen raja-arvolause TKK (c) Ilkka Mellin
Lisätiedot58131 Tietorakenteet ja algoritmit (kevät 2016) Ensimmäinen välikoe, malliratkaisut
58131 Tietorakenteet ja algoritmit (kevät 2016) Ensimmäinen välikoe, malliratkaisut 1. Palautetaan vielä mieleen O-notaation määritelmä. Olkoon f ja g funktioita luonnollisilta luvuilta positiivisille
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedot