TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Luotettavuusteoria

Koko: px
Aloita esitys sivulta:

Download "TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Luotettavuusteoria"

Transkriptio

1 TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Luoeavuueoria Dekripiivinen luoeavuu R() =P(T>) R(x ) =P(T>+ x T>) r() = f() R() R() =e R(x ) =e r() d +x r() d F () R() f() r() F () R() f() F () df () d R() dr() d f() d f() d e r() d e r() d r()e r() d r() df () F () d dr() R() d f() f() d Barlow Campo-ei < < 2 < < n i

2 ii, kun < /n, kun < 2 2/n, kun 2 < 3 ˆF () = (n )/n, kun n < n, kun n Σ (α) = α T S (α) = m R() d, α R() d T Σi = i k +(n i) i, T Σ = T Σn = k= n k= k ˆT S (i/n) = T Σ i T Σ c\n Luoeavuuden approkimaaio r() = ln R() λ = ln R( ) IFRA-yeemille R() e λ, kun ja λ = ln R( ). DFRA-yeemille R() e λ, kun ja λ = ln R( ). IFR-yeemille R() e m, kun m. DFR-yeemille R() e m, kun m.

3 iii Vikajakauma Nimi gammajakauma Weibullin jakauma Rayleigh n jakauma parameri α>,β > λ>,α> θ>,k iheyfunkio m V β α Γ(α) α e β λα α 2θk+ λα e Γ(k +) 2k+ e θ2 α β λ /α Γ( + ) Γ(k + 3) 2 α Γ(k +) θ (k + Γ(k + 3 ) 2 )2 θ Γ(k +) 2 α β 2 λ 2/α (Γ( + 2 α ) Γ( + α )2 ) luoeavuu Γ(β,α) e λα Γ(θ 2,k+) Γ(x) = x e d Γ(u, x) = u x e d Γ(x) Nimi normaalijakauma lognormaalijakauma alfajakauma parameri µ>,σ > α>,β > µ>,σ > iheyfunkio e β 2σ 2 ( µ)2 2πσ π e β ln(α)2 2πσ 2 e 2σ 2 ( µ)2 m µ α e 4β µ + σ2 µ 3 V σ 2 α (e σ 2 2 β e 2β ) µ + 8σ4 4 µ 6 ( ) µ luoeavuu Φ Φ( ( 2β ln(α)) Φ µ ) ( ) µ Φ σ σ σ Φ(x) = 2π x e 2 2 d

4 iv Nimi Birnbaum Saunder-jakauma kääneinormaalijakauma parameri α>,β > µ>,λ> iheyfunkio + β 2α 2πβ 3 e 2α 2 ( β + β 2) λ λ 2π 3 e 2µ 2 ( µ)2 m β( + 2 α2 ) µ V α 2 β 2 ( α2 ) λ ( ) λ λ ( ) Φ β luoeavuu Φ α β α µ ( ) λ λ Φ µ µ 3 e 2 λ µ Nimi Gumbelin jakauma. Pareon jakauma 2. Pareon jakauma parameri α,θ > γ α>,β > α>,β > α { { αβ α α, kun β, kun <β iheyfunkio α e α( θ) eα( θ), kun >β αβ α α, kun β m V luoeavuu θ γ α αβ α + π 2 6α 2 αβ 2 { e eα( θ), kun α> e eα( θ), kun α< αβ α (α>) αβ 2 (α >2) (α + 2)(α +) 2 (α 2)(α ) 2 { { β α α, kun β, kun <β, kun >β β α α, kun β γ = Ääriarvojakauma F n max (y) =F (y) n = e n( F (y)) F n min (y) = ( F (y)) n = e nf (y)

5 v Makimienropia H =E( ln f(x)) = f(x)lnf(x) dx f ME (x) =αe λ g (x) λ k g k (x) (x I) f ME (x) dx = ja E(g (X)) = η,..., E(g k (X)) = η k I Konvoluuio f () f 2 () = f ( )f 2 () d Teau ja eimoini χ 2 -ei =τ <τ < <τ N <τ N+ = p j =P(τ j T<τ j+ )= V = j= τ j+ N (C j np j ) 2 = np j n τ j f() d (j =,,...,N) N Cj 2 p j= j n χ 2 (N) K n K + n = n up = n up Kolmogorov Smirnov-ei ( ˆF () F ()) = n max n j= (F () ˆF ()) = n max n j= ( ) j n F ( j) ( F ( j ) j n ( P K n + y ) ( =P K n n y ) = y y ( ) n (k y) k (y + n k) n k = e 2z 2 n n n k k= )

6 vi K n = n up ˆF () F () = max(k n +,Kn ) P(K n z) = 2 ( ) l+ e 2l2 z 2 l= Paloiain ekponeniaalinen iheyfunkion eimaai ˆf() = C j n(τ j+ τ j ), kun τ j <τ j+ (j =,,...,N) ˆr() = ˆf() ˆR() = R() =e C j (n C C C j )(τ j+ τ j ) =Λ j, kun τ j <τ j+ j ˆr() d Λ i (τ i+ τ i ) Λ j ( τ j ) = e i=, kun τj <τ j+ f() =ˆr()R() Tiheyfunkion eimoini makimienropian kaua ˆη i = n g i ( j ) n j= KLIV(f,f 2 )= ID(f, ˆf) =KLIV(f, I (i =,...,k) f ()ln f () f 2 () d ˆf)+KLIV( ˆf,f). Aeeaan J {} ja i ekä lakeaan δ =ID(ˆf,f J ). 2. Jo δ ɛ, niin iirryään kohaan Jo aa δ>ɛ,onkaki mahdolliuua: 3. Jo i<k, aeeaan J J {i +} ekä i i +, lakeaan uui δ = ID( ˆf,f J ) ja mennään kohaan Jo i = k,eihaluua avoiea voiu aavuaa. Lopeeaan. 4. Jo i =, niin uloeaan f J () ja lopeeaan. 5. Jo aa i>, aeeaan i i ja J J {i} ekä lakeaan δ = ID( ˆf,f J ). Jo ny δ δ, aeeaan J J ja δ δ. Mennään kohaan 4.

7 vii Vikajakauman paramerien eimoini pienimmän neliöumman meneelmällä h(f()) = β + β g ()+ + β l g l () L j = C j n(τ j+ τ j ) (j =,,...,N) S(β,...,β l )= N (h(l j ) β β g (τ j ) β l g l (τ j )) 2 j= X = g (τ ) g l (τ ) g (τ ) g l (τ ) g (τ N ) g l (τ N ), β = β β. β l, y = h(l ) h(l ). h(l N ) S(β) = y Xβ 2 ˆβ =(X T X) X T y ML-eimoini Täydellinen ei: Monienuroini: L(θ) =f( ; θ)f( 2 ; θ) f( ; θ) L(θ) =f( ; θ)f( 2 ; θ) f( ; θ)r(s ; θ) a R(S 2 ; θ) a2 R(S n ; θ) an I yypin enuroini: L(θ) = ( ) n f( ; θ)f( 2 ; θ) f( ; θ)r(s; θ) n II yypin enuroini: ( ) n L(θ) = f( ; θ)f( 2 ; θ) f( ; θ)r(max(, 2,..., ); θ) n Kaplan Meier-ulorajaeimaai ˆR() = ) ( nj j=,2,... j

8 viii Ekponenijakauman ML-eimoini Täydellinen ei: ˆm = ˆλ = n ( n )= Tyypin II enuroini palauaen: T = n (T + T T n ) gamma(n, nλ) ˆλ = Tyypin II enuroini palauamaa: n(y + y y ) = n T = Y + Y Y gamma(, nλ) ˆλ = Tyypin I enuroini palauamaa: (n ) T + T T +(n )T = gamma(, λ) ˆλ = Tyypin I enuroini palauaen: (n )S Monienuroini palauaen: P(V = ) = (nλs) e nλs! ˆλ = ns P(V = ) = (nλ(s + S S n )) e nλ(s +S 2 + +S n)! ˆλ = S + S S n Monienuroini palauamaa: ˆλ = ( a )S +( a 2 )S 2 + +( a n )S n

9 ix Rakeneie yeemi Sarjaan- ja rinnankykey yeemi R max () = ( R ()) ( R k ()), R min () =R () R k () Rinnan-arjaan- ja arjaan-rinnan-kykey yeemi ( ) m k i R() = R ij () R() = i= j= ( ) m k i ( R ij ()) i= j= Binomikykey yeemi R (k,) () = k i= ( ) k R() i ( R()) k i i Loogiei kykey yeemi Dijunkiivinen muoo: (A A 2 A k ) (A 2 A 22 A 2k2 ) (A m A m2 A mkm ) Konjunkiivinen muoo: (A A 2 A k ) (A 2 A 22 A 2k2 ) (A m A m2 A mkm ) Inkluuio-ekkluuio-kaava: R() =P(D D 2 D l =) l = P(D i =) P(D i D j =)+ P(D i D j D k =) i= i<j l i<j<k l + +( ) l+ P(D D 2 D l =) R() =P(C C 2 C l =) l = P(C i =)+ P(C i C j =) P(C i C j C k =) i= i<j l i<j<k l + +( ) l P(C C 2 C l =)

10 x Saunnailukujen generoini: Nimi Weibullin jakauma Generoini ( ln( U)) /α λ Gumbelin jakauma (α >) ln( ln( U)) + θ α Gumbelin jakauma (α <) ln( ln U)+θ α. Pareon jakauma βu /α 2. Pareon jakauma β( U) /α Box Muller-muunno: { V = ln U co(2πu 2 ) V 2 = ln U in(2πu 2 ) Huolleavuu ja käyeävyy <T <T 2 < <T r < X i = T i T i (i =, 2,...) H() =E(N )= h() = dh() d P(N k) k= P(N + N =) = lim + p r () =P(N = r) (r =,, 2,...) p r () =P(N r) P(N r +)=P(T r ) P(T r+ ) Differeniaaliyhälömeneelmä: p r (+ ) p r () = P(N + = r+ N = r)p r ()+P(N + = r N = r )p r ()+o( ) Differeniaaliyhälömeneelmä ekponenijakaumalle: dp i () d Laplacen muunno: = λ i+ p i ()+λ i p i (), p i () = (i =, 2,...,r) p () =R() =e λ L(g())() = g()e d L(g () g 2 ())() =L(g ())()L(g 2 ())()

11 L g(u) du () =L( g())() = L(g())() xi Konvoluuiomeneelmä aidoille uuimiille: L(f r ())() =(L(g())()) r ja L(F r ())() = (L(g())())r = r (L(G())()) r Konvoluuiomeneelmä viiveuuimiille: L(f r ())() =L(g ())()(L(g())()) r ja L(F r ())() = L(g ())()(L(g())()) r = r L(G ())()(L(G())()) r BAO-uuimie h() =r() H() = ln R() p i () = i! H()i R() (i =, 2,...) L(θ) = f( ; θ)f( 2 ; θ) f( ; θ) R( ; θ)r( 2 ; θ) R( ; θ) Weibullin uuimiproei ML-eimaai: H() = ln R() =λ α, h() =αλ α, p r () = λr αr ˆα = ln +ln + +ln, ˆλ = 2 ˆα r! e λα U = α ( ˆα = α ln T +ln T + +ln T ) gamma(, ) T T 2 T Z = Y + Y Y = λt α gamma(, ) A = U ln Z ln = α ˆα λˆα ln =lnθ ˆλ α ˆλ (λ = θ α )

12 xii P(A a) = ( 2)! = ( 2)! v 2 e v Γ(e v (a+ln ),) dv 3( ) v 2 e v Γ(e v (a+ln ),) dv Uuimiyhälö ja -lauee viiveuuimiille L(H())() = L(G ())() L(G())() L(h())() =L(g ())()+L(h())()L(g())() L(H())() =L(G ())()+L(H())()L(g())() ja h() =g ()+h() g() =g ()+ h(u)g( u) du ja H() =G ()+H() g() =G ()+ Alkeinen uuimilaue: Blackwellin uuimilaue: Avainuuimilaue: lim h() = m, lim H() lim (H( + x) H()) = x m H(u)g( u) du = m Q() d = q< lim Q() h() = q m Vuoroeleva uuimie U = X,U 2 = X +(Y + X 2 ),U 3 = X +(Y + X 2 )+(Y 2 + X 3 ),... T i =(X + Y )+(X 2 + Y 2 )+ +(X i + Y i ) (i =, 2,...)

13 xiii W i = Y i + X i, Z i = X i + Y i (i =, 2,...) f i () =g () g (i ) () γ i () φ i (u) =g (u) g (i ) (u) γ (i ) (u) (i =, 2,...) L(H I (u))() = L(g (u))() L(g(u))()L(γ(u))(), L(h L(g (u))() I(u))() = L(g(u))()L(γ(u))(), L(H II ())() = L(g ())()L(γ())() L(g())()L(γ())(), L(h II())() = L(g ())()L(γ())() L(g())()L(γ())() S = {, jo yeemi on käyöä hekellä, jo yeemi on huolloa hekellä K = S u du A() =E(S )=P(S =) A() = E(K ) A = lim A() = lim A() = A() =e ρ() = h I() A() ρ(u) du + h II (v)e m m + µ ρ(u) du v dv Vioiumiuuimie: Ehkäievä uuimie k FRP = m Määräaikaiuuimie: k BRP = b + H(M) M M M : h(m) = M h(u) du + b M

14 xiv Ikäuuimie: k ARP = +(a )R(M) M R(x) dx M : r(m) M R(x) dx + R(M) = a Bayein meneelmä P(A B) = g(θ x) = P(B A)P(A) P(B) f(x θ)g(θ) f(x). Valiaan eijakauma g(θ). Aeeaan i. 2. Oeaan näye x i aunnaimuuujaa X. 3. Lakeaan Bayein kaavalla jälkijakauma g (θ) =g(θ x i ). 4. Jo näyeenooa jakeaan eli i<n, aeeaan i i +ja g(θ) g (θ) ja mennään kohaan 2.,. jälkijakaumaa ulee uui eijakauma, jne. Nimi beajakauma kääneigammajakauma parameri a>,b> α>,β > iheyfunkio odouarvo variani Γ(a + b) Γ(a)Γ(b) xa ( x) b, kun x a a + b ab (a + b) 2 (a + b +) β α Γ(α) x α e x, kun x> β, kun α> α β 2, kun α>2 (α ) 2 (α 2) kerymäfunkio β(x, a, b), kun Γ(β/x, α), kun x > β β(x, a, b) = Γ(a + b) x u a ( u) b du Γ(a)Γ(b)

15 xv p-appio: β(a, b) = Γ(a)Γ(b) Γ(a + b) = u a ( u) b du lo p (θ,d)= ˆθ(D) Θ p, lo p (θ,d)= k ˆθ i (D) Θ i p i= Bayein eimaaori 2-appiolle: ˆθ(D) =E(Θ D) = θg D (θ) dθ J

TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Tilastollinen laadunvalvonta

TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Tilastollinen laadunvalvonta TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Tilastollie laauvalvota Shewharti muuttujakartat ARL I = α ARL II = β x-kartta x = x + + x Ex =µ ja Vx = µ ± k Φx = π x e t t α = Φk β =Φk Φ k S-kartta S = x

Lisätiedot

KURSSIN TILASTOMATEMATIIKKA KAAVOJA

KURSSIN TILASTOMATEMATIIKKA KAAVOJA KURSSIN TILASTOMATEMATIIKKA KAAVOJA X = S = s = Otossuureita X i tai x = x i (otoskeskiarvo) (X i X) = (x i x) = Xi x i E(X) =µ, var(x) = σ X x tai, E(S )=σ (otosvariassi) Normaalijakautuee populaatio

Lisätiedot

LUOTETTAVUUS, KÄYTETTÄVYYS, HUOLLETTAVUUS. Keijo Ruohonen

LUOTETTAVUUS, KÄYTETTÄVYYS, HUOLLETTAVUUS. Keijo Ruohonen LUOTETTAVUUS, KÄYTETTÄVYYS, HUOLLETTAVUUS Keijo Ruohonen 22 Sisältö I DESKRIPTIIVINEN LUOTETTAVUUS. Vioittumisaika 4.2 Luotettavuustyyppejä 7.3 Luotettavuustyypin testaus: Barlow Campo-testi.4 Luotettavuustyyppien

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen

Lisätiedot

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden 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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 9: Muuttujanvaihto taso- ja avaruusintegraaleissa

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 9: Muuttujanvaihto taso- ja avaruusintegraaleissa MS-A24 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 9: Muuttujanvaihto taso- ja avaruusintegraaleissa Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 216 Antti Rasila

Lisätiedot

Maximum likelihood-estimointi Alkeet

Maximum likelihood-estimointi Alkeet Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X

Lisätiedot

Word Taulukko-ominaisuus

Word Taulukko-ominaisuus Word Taulukko-ominaisuus Koulutusmateriaalin tiivistelmä 17.3.2014 JAO Seuranen Valtteri Valtteri Seuranen Tehtävä 1[1] Sisällys Taulukon luominen Word-ohjelmalla... 2 Taulukon muokkaaminen... 7 Rakenne

Lisätiedot

( ds ) A (2) ψ ξ dv + ψ 2 ξ dv = ψ 2 ξ ξ 2 ψ ) V

( ds ) A (2) ψ ξ dv + ψ 2 ξ dv = ψ 2 ξ ξ 2 ψ ) V Kenttäteorian matemaattisia apuneuvoja 4..7. Gaussin ja Stokesin lauseet V S ds A = dl A = V S A dv, =, tai ) ds ) A ). Greenin kaavat I : II : 3. Diracin deltafunktio 4. Vektorilaskentaa V V ψ ξ dv +

Lisätiedot

5 Tärkeitä yksiulotteisia jakaumia

5 Tärkeitä yksiulotteisia jakaumia 5 Tärkeitä yksiulotteisia jakaumia Jakaumista löytyy lisätietoja ja kuvaajia Wikipediasta. Kirjallisuudessa käytetään useille näistä jakaumista monia erilaisia parametrointeja. Kussakin lähteessä käytetty

Lisätiedot

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1 Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien 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

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Tilastollinen päättely II, kevät 2017 Harjoitus 3B Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 10: Napa-, sylinteri- ja pallokoordinaatistot. Pintaintegraali.

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 10: Napa-, sylinteri- ja pallokoordinaatistot. Pintaintegraali. MS-A25/MS-A26 Differentiaali- ja integraalilaskenta 2 Luento 1: Napa-, sylinteri- ja pallokoordinaatistot. Pintaintegraali. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät

Lisätiedot

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio. Määritelmä 4.3. Estimaattoria X(Y ) nimitetään lineaariseksi projektioksi, jos X on lineaarinen kuvaus ja E[(X X(Y )) Y] 0 }{{} virhetermi Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi

Lisätiedot

1. Tarkastellaan kaksiulotteisessa Hilbert avaruudessa Hamiltonin operaattoria

1. Tarkastellaan kaksiulotteisessa Hilbert avaruudessa Hamiltonin operaattoria Kvanttimekaniikka I, tentti 6.. 015 4 tehtävää, 4 tuntia 1. Tarkastellaan kaksiulotteisessa Hilbert avaruudessa Hamiltonin operaattoria ( { ( ( } E iδ H =, E, δ R, kannassa B = 1 =, =. iδ E 0 1 (a (p.

Lisätiedot

Talousmatematiikan perusteet, L2 Kertaus Aiheet

Talousmatematiikan perusteet, L2 Kertaus Aiheet Talousmatematiikan perusteet, L2 Kertaus 1 Laskutoimitukset tehdään seuraavassa järjestyksessä 1. Sulkujen sisällä olevat lausekkeet (alkaen sisältä ulospäin) 2. potenssit ja juurilausekkeet 3. kerto-

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016

Lisätiedot

Differentiaali- ja integraalilaskenta 3 Laskuharjoitus 7 /

Differentiaali- ja integraalilaskenta 3 Laskuharjoitus 7 / M-A3x Differentiaali- ja integraalilaskenta 3, IV/216 Differentiaali- ja integraalilaskenta 3 Laskuharjoitus 7 / 14.-16.3. Harjoitustehtävät 37-4 lasketaan alkuviikon harjoituksissa. Kotitehtävät 41-43

Lisätiedot

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

3. Teoriaharjoitukset

3. Teoriaharjoitukset 3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Ilkka 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

Lisätiedot

Tilastollinen aineisto Luottamusväli

Tilastollinen aineisto Luottamusväli Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden

Lisätiedot

1. (a) (2p.) Systeemin infinitesimaalista siirtoa matkan ɛ verran esittää operaattori

1. (a) (2p.) Systeemin infinitesimaalista siirtoa matkan ɛ verran esittää operaattori FYSA5 Kvanttimekaniikka I, Osa B 7.. tentti: 4 tehtävää, 4 tuntia. a) p.) Systeemin infinitesimaalista siirtoa matkan ɛ verran esittää operaattori T ɛ) = iɛ h P. Osoita tämän avulla, että äärellistä siirtoa

Lisätiedot

Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t

Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t 2 1 0 1 2 Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a

Lisätiedot

Projektin arvon aleneminen

Projektin arvon aleneminen Projektin arvon aleneminen sivut 99-07 Optimointiopin seminaari - Syksy 000 / Arvon aleneminen Jatketaan projektin arvon tutkimista. Nyt huomioidaan arvon aleneminen. Syitä esimerkiksi: kaluston vanheneminen

Lisätiedot

9. laskuharjoituskierros, vko 12-13, ratkaisut

9. laskuharjoituskierros, vko 12-13, ratkaisut 9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t

Lisätiedot

u = 2 u (9.1) x + 2 u

u = 2 u (9.1) x + 2 u 9. Poissonin integraali 9.. Poissonin integraali. Ratkaistaan Diriclet n reuna-arvotehtävä origokeskisessä, R-säteisessä ympyrässä D = {(x, y) R x +y < R }, t.s. kun f : D R on annettu jatkuva funktio,

Lisätiedot

Talousmatematiikan perusteet, L2 Kertaus Aiheet

Talousmatematiikan perusteet, L2 Kertaus Aiheet Talousmatematiikan perusteet, L2 Kertaus 1 Laskutoimitukset tehdään seuraavassa järjestyksessä 1. Sulkujen sisällä olevat lausekkeet (alkaen sisältä ulospäin) 2. potenssit ja juurilausekkeet 3. kerto-

Lisätiedot

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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

Lisätiedot

Kaksisuuntainen varianssianalyysi. Heliövaara 1

Kaksisuuntainen varianssianalyysi. Heliövaara 1 Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän

Lisätiedot

Estimointiteoriaa ELEC-C5210 Satunnaisprosessit tietoliikenteessä (5op) 1/68 Jarmo Lundén 14. huhtikuuta 2016 Aalto SPA Kevät 2016

Estimointiteoriaa ELEC-C5210 Satunnaisprosessit tietoliikenteessä (5op) 1/68 Jarmo Lundén 14. huhtikuuta 2016 Aalto SPA Kevät 2016 Estimointiteoriaa ELEC-C5210 Satunnaisprosessit tietoliikenteessä (5op) 1/68 Estimaattorit ELEC-C5210 Satunnaisprosessit tietoliikenteessä (5op) 2/68 Estimointiteoriaa Esim. käytännön tietoliikenne- ja

Lisätiedot

Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg)

Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg) Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus 4 9.4.-23.4.200 Malliratkaisut (Sauli Lindberg). Näytä, että Lusinin lauseessa voidaan luopua oletuksesta m(a)

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

Perusidea: Jaetaan väli [a, b] osaväleihin ja muodostetaan osavälejä vastaavat suorakulmiot/palkit, joiden korkeus funktion arvot kyseisellä välillä.

Perusidea: Jaetaan väli [a, b] osaväleihin ja muodostetaan osavälejä vastaavat suorakulmiot/palkit, joiden korkeus funktion arvot kyseisellä välillä. Lähtötilanne Lähtötilanne Tavoite: Määritellään funktion f : [a, b] R integraali siten, että integraalin arvo yhtyy funktion f kuvaajan ja x-akselin väliin jäävän alueen pinta-alaan. Perusidea: Jaetaan

Lisätiedot

Käyttövarmuuden ja kunnossapidon perusteet, KSU-4310: Tentti ma

Käyttövarmuuden ja kunnossapidon perusteet, KSU-4310: Tentti ma KSU-430/Ten 4..2008/Prof. Seppo Vranen /3 Käyövarmuuden ja kunnossapdon perusee, KSU-430: Ten ma 4..2008 Huom. Vasaus van veen kysymykseen. Funko- ja/a ohjelmoavan laskmen, musnpanojen, luenomonseden ja

Lisätiedot

u 2 dx, u A f siten, että D(u) = inf D(U). Tarkemmin: Tarkoitus on osoittaa seuraavat minimointitehtävä ja Dirichlet n tehtävä u A f ja

u 2 dx, u A f siten, että D(u) = inf D(U). Tarkemmin: Tarkoitus on osoittaa seuraavat minimointitehtävä ja Dirichlet n tehtävä u A f ja 1. Dirichlet n periaatteesta 1.1. Periaate I. Dirichlet n periaate pohjautuu fysikaaliseen minimienergiaperiaatteeseen ja luo pohjaa osittaisdifferentiaaliyhtälöiden ja variaatiolaskennan välille). Yksinkertaisesti

Lisätiedot

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain Matriisilaskenta LH4 24 ratkaisut 1 Hae seuraavien R 4 :n aliavaruuksien dimensiot jotka sisältävät vain a) Kaikki muotoa (a b c d) olevat vektorit joilla d a + b b) Kaikki muotoa (a b c d) olevat vektorit

Lisätiedot

Kompleksianalyysi, viikko 6

Kompleksianalyysi, viikko 6 Kompleksianalyysi, viikko 6 Jukka Kemppainen Mathematics Division Funktion erikoispisteet Määr. 1 Jos f on analyyttinen pisteen z 0 aidossa ympäristössä 0 < z z 0 < r jollakin r > 0, niin sanotaan, että

Lisätiedot

, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä

, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä Pitkä matematiikka 8.9.0, ratkaisut:. a) ( x + x ) = ( + x + x ) 6x + 6x = + 6x + 6x x = x =. b) Jos x > 0, on x = + x x = + x. Tällä ei ole ratkaisua. Jos x 0, on x = + x x = + x x =. c) x = x ( x) =

Lisätiedot

Yleistetyn lineaarisen mallin perusteita

Yleistetyn lineaarisen mallin perusteita Yleistetyt lineaariset mallit II Jarkko Isotalo - TILTS18 Kertausta syksy 2009-kevät 2010 Yleistetyn lineaarisen mallin perusteita Kaikissa yleistetyissä lineaarisissa malleissa on seuraavat kolme komponenttia:

Lisätiedot

Tilastomatematiikka Kevät 2008

Tilastomatematiikka Kevät 2008 Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo

Lisätiedot

5.7 Uskottavuusfunktioon perustuvia testejä II

5.7 Uskottavuusfunktioon perustuvia testejä II 5.7 Uskottavuusfunktioon perustuvia testejä II Tässä pykälässä pohditaan edellä tarkasteltujen kolmen testisuureen yleistystä malleihin, joiden parametri on useampiulotteinen, ja testausasetelmiin, joissa

Lisätiedot

x n e x dx = n( e x ) nx n 1 ( e x ) = x n e x + ni n 1 x 4 e x dx = x 4 e x +4( x 3 e x +3( x 2 e x +2( xe x e x ))) = e x

x n e x dx = n( e x ) nx n 1 ( e x ) = x n e x + ni n 1 x 4 e x dx = x 4 e x +4( x 3 e x +3( x 2 e x +2( xe x e x ))) = e x Osittaisintegrointia käyttäen osoita integraalille I n x n e x dx oikeaksi reduktiokaava I n x n e x + ni n ja laske sen avulla mitä on I 4 kun x. x n e x dx n( e x ) nx n ( e x ) x n e x + ni n x 4 e

Lisätiedot

F(x) = P(X x), x R. F(x) = 1º

F(x) = P(X x), x R. F(x) = 1º ËÁË ÄÌ Ö ØØ Ý ÙÐÓØØ ÙÑ ½¼ º½ Ö ØØ ØÙÒÒ ÑÙÙØØÙ º º º º º º º º º º º º º º º º º º ½¼ º¾ ÖÒÓÙÐÐ Ò Ó Ø ÒÓÑ ÙÑ º º º º º º º º º º º º º º º ½¼ º¾º½  ÙÑ Ò ÝÑÑ ØÖ º º º º º º º º º º º º º º º º º º º ½½

Lisätiedot

Osittaisdifferentiaaliyhtälöt

Osittaisdifferentiaaliyhtälöt Osittaisdifferentiaaliyhtälöt Harjoituskokoelmat 4 ja 5, kevät 2011 Palautus Eemeli Blåstenille to 23.6. klo 16.00 mennessä 1. Ratkaise Dirichlet ongelma u(x, y) = 0, x 2 + y 2 < 1, u(x, y) = y + x 2,

Lisätiedot

Differentiaali- ja integraalilaskenta 3 Mallit 2 (alkuviikko) / Syksy 2016

Differentiaali- ja integraalilaskenta 3 Mallit 2 (alkuviikko) / Syksy 2016 MS-A35 Differentiaali- ja integraalilaskenta 3 Differentiaali- ja integraalilaskenta 3 Mallit 2 (alkuviikko) / Syksy 216 Tuntitehtävä 1: Laske sylinterikoordinaatteja käyttämällä sen kappaleen tilavuus,

Lisätiedot

Funktioiden approksimointi ja interpolointi

Funktioiden approksimointi ja interpolointi Funktioiden approksimointi ja interpolointi Keijo Ruotsalainen Division of Mathematics interpolaatio-ongelma 8 Eksponenttifunktion exp(x) interpolointi 3.5 Funktion e^{0.25x} \sin(x) interpolointi 7 3

Lisätiedot

f(x) =, x = 0,1,...,100. P(T 20) = P( X 50 20) 0.

f(x) =, x = 0,1,...,100. P(T 20) = P( X 50 20) 0. Ú ËÁË ÄÌ ½¾º ËÙ Ø ÐÐ Ø Ò Ó ÙÙ Ò ÐÙÓØØ ÑÙ ÚÐ Ø º º º º º º º º º º º º º º ¾ ½¾º ÇØÓ Ó Ó º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ¼ ½¾º Å Ò Ò ÙÑ Ø Ú Ô ÐÙÓØØ ÑÙ ÚÐ º º º º º º º º º º

Lisätiedot

Differentiaali- ja integraalilaskenta 3 Harjoitus 4/ Syksy 2017

Differentiaali- ja integraalilaskenta 3 Harjoitus 4/ Syksy 2017 MS-A35 Differentiaali- ja integraalilaskenta 3 Differentiaali- ja integraalilaskenta 3 Harjoitus 4/ Syksy 217 Alkuviikon harjoituksissa ratkaistaan kolme tehtävää assistentin avustuksella (läsnäololaskarit).

Lisätiedot

2. Uskottavuus ja informaatio

2. Uskottavuus ja informaatio 2. Uskottavuus ja informaatio Aluksi käsittelemme uskottavuus- ja log-uskottavuusfunktioita Seuraavaksi esittelemme suurimman uskottavuuden estimointimenetelmän Ensi viikolla perehdymme aiheeseen lisääkö

Lisätiedot

(0 desimaalia, 2 merkitsevää numeroa).

(0 desimaalia, 2 merkitsevää numeroa). NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx

Lisätiedot

J 2 = J 2 x + J 2 y + J 2 z.

J 2 = J 2 x + J 2 y + J 2 z. FYSA5 Kvanttimekaniikka I, Osa B.. tentti: 4 tehtävää, 4 tuntia. Tarkastellaan pyörimismääräoperaattoria J, jonka komponentit toteuttavat kommutaatiorelaatiot [J x, J y ] = i hj z, [J y, J z ] = i hj x,

Lisätiedot

Johdatus todennäköisyyslaskentaan Jatkuvia jakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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

Lisätiedot

PURSKETASON TARKASTELUT Ylivuototodennäköisyys puskurittomassa systeemissä

PURSKETASON TARKASTELUT Ylivuototodennäköisyys puskurittomassa systeemissä J. Virtamo 38.3141 Teleliikenneteoria / Pursketaso 1 PURSKETASON TARKASTELUT Ylivuototodennäköisyys puskurittomassa systeemissä Tarkastellaan ATM-kytkimen lähtöporttia Oletetaan: puskuri riittää vain solutason

Lisätiedot

Esimerkki 1 Ratkaise differentiaaliyhtälö

Esimerkki 1 Ratkaise differentiaaliyhtälö Esimerkki 1 Ratkaise differentiaaliyhtälö x 2 y xy =1/x. 1 / K. Tuominen kimmo.i.tuominen@helsinki.fi MApu II 1/20 20 Esimerkki 2 Ratkaise differentiaaliyhtälö x(ln y)y y ln x =0. 2 / K. Tuominen kimmo.i.tuominen@helsinki.fi

Lisätiedot

Mellin-muunnos ja sen sovelluksia

Mellin-muunnos ja sen sovelluksia Mellin-muunnos ja sen sovelluksia LuK-tutkielma Eetu Leinonen 25645 Matemaattisten tieteiden laitos Oulun yliopisto Kevät 28 Sisältö Johdanto 2 Esitiedot 2 2 Mellin-muunnos 3 2. Muunnoksen perusominaisuuksia................

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2015)

ELEC C4140 Kenttäteoria (syksy 2015) ELEC C4140 Kenttäteoria (syksy 2015) Henrik Wallén Luentoviiko 1 / versio 8. syyskuuta 2015 Johdanto (ti) Merkinnät ja yksiköt Kenttä- ja lähdesuureet Maxwellin yhtälöt ja väliaineyhtälöt Aallot ja osoittimet

Lisätiedot

Kreikka'(10'op)' Avoin&yliopisto,&kesä&2014& TT,&MA&Ulla&Tervahauta&&&TM&Nina&Nikki& & KÄYTÄNNÖN'ASIOITA'

Kreikka'(10'op)' Avoin&yliopisto,&kesä&2014& TT,&MA&Ulla&Tervahauta&&&TM&Nina&Nikki& & KÄYTÄNNÖN'ASIOITA' Kreikka'(10'op)' Avoinyliopisto,kesä2014 TT,MAUllaTervahautaTMNinaNikki KÄYTÄNNÖN'ASIOITA' Yleistä' Luennot: 15.5.A27.5.sekä2.6.A18.6.2014,maAto16.15A18.45/Tervahauta 30.7.A28.8.2014maAtoklo16.15A18.45/Nikki

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2016)

ELEC C4140 Kenttäteoria (syksy 2016) ELEC C4140 Kenttäteoria (syksy 2016) Henrik Wallén / versio 8. marraskuuta 2016 Tasoaallot, osa 1 (Ulaby 7.1, 7.2, 7.4) Kenttäosoittimet Aikaharmoniset Maxwellin yhtälöt Tasoaaltoratkaisu Tasoaaltoyhtälöt

Lisätiedot

! #! %! & #!!!!! ()) +

! #! %! & #!!!!! ()) + ! #! %! & #!!!!! ()) + Tiedekunta/Osasto Fakultet/Sektion Faculty Humanistinen tiedekunta Laitos Institution Department Taiteiden tutkimuksen laitos Tekijä Författare Author Matti Pesonen Työn nimi Arbetets

Lisätiedot

Uskottavuuden ominaisuuksia

Uskottavuuden ominaisuuksia Luku 9 Uskottavuuden ominaisuuksia 9.1 Tyhjentävyys T yhjentävyys (Fisher 1922) luonnehtii täsmällisesti havaintoihin sisältyvän informaation kvantitatiivisesti. Parametrin θ estimaatti T(x) on tyhjentävä

Lisätiedot

5. laskuharjoituskierros, vko 8, ratkaisut

5. laskuharjoituskierros, vko 8, ratkaisut Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa

Lisätiedot

M Pv + q = 0, M = EIκ = EIv, (EIv ) + Pv = q. v(x) = Asin kx + B cos kx + Cx + D + v p. P kr = π2 EI L n

M Pv + q = 0, M = EIκ = EIv, (EIv ) + Pv = q. v(x) = Asin kx + B cos kx + Cx + D + v p. P kr = π2 EI L n ÄÙ Ù ½ ËØ Ð Ù Ú Ó Ó ÐÑ ½º½ ÈÙÖ Ø ØØÙ Ø ÚÙØ ØØÙ ÙÚ Ì Ô ÒÓ ÓØ Q v + q =, M = Q, ½º½µ ÑÑÓ ÐÐ ÙÚ ÐÐ M v + q =, M = EIκ = EIv, (EIv ) + v = q. ½º¾µ ½º µ ½º µ EI = Ú Ó ÆÙÖ Ù ÚÓ Ñ v (4) + k v = q EI, k = EI,

Lisätiedot

Dynaaminen optimointi ja ehdollisten vaateiden menetelmä

Dynaaminen optimointi ja ehdollisten vaateiden menetelmä Dynaaminen opimoini ja ehdollisen vaaeiden meneelmä Meneelmien keskinäinen yheys S yseemianalyysin Laboraorio Esielmä 10 - Peni Säynäjoki Opimoiniopin seminaari - Syksy 2000 / 1 Meneelmien yhäläisyyksiä

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2015)

ELEC C4140 Kenttäteoria (syksy 2015) ELEC C4140 Kenttäteoria (syksy 2015) Henrik Wallén Luentoviiko 8 / versio 3. marraskuuta 2015 Tasoaallot, osa 1 (Ulaby 7.1, 7.2, 7.4) Kenttäosoittimet Aikaharmoniset Maxwellin yhtälöt Tasoaaltoratkaisu

Lisätiedot

JYVÄSKYLÄN YLIOPISTO. Integraalilaskenta 2 Harjoitus Olkoon A := {(x, y) R 2 0 x π, sin x y 2 sin x}. Laske käyräintegraali

JYVÄSKYLÄN YLIOPISTO. Integraalilaskenta 2 Harjoitus Olkoon A := {(x, y) R 2 0 x π, sin x y 2 sin x}. Laske käyräintegraali JYVÄSKYLÄN YLIOPISTO MTEMTIIKN J TILSTOTIETEEN LITOS Integraalilaskenta Harjoitus 4 5.4.4. Olkoon := {(x, y) R x π, sin x y sin x}. Laske käyräintegraali + (y dx + x dy) a) suoraan; ja b) Greenin lauseen

Lisätiedot

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k LUKU 3 Ulkoinen derivaatta Olkoot A R n alue k n ja ω jatkuvasti derivoituva k-muoto alueessa A Muoto ω voidaan esittää summana ω = ω i1 i 2 i k dx i 1 dx i 2 1 i 1

Lisätiedot

SGN-2500 Johdatus hahmontunnistukseen 2007 Luennot 4 ja 5

SGN-2500 Johdatus hahmontunnistukseen 2007 Luennot 4 ja 5 SGN-2500 Johdatus hahmontunnistukseen 2007 Luennot 4 ja 5 Jussi Tohka jussi.tohka@tut.fi Signaalinkäsittelyn laitos Tampereen teknillinen yliopisto SGN-2500 Johdatus hahmontunnistukseen 2007Luennot 4 ja

Lisätiedot

Kvanttimekaniikka I tentti : 4 tehtävää, 4 tuntia

Kvanttimekaniikka I tentti : 4 tehtävää, 4 tuntia Kvanttimekaniikka I.. 4 tentti : 4 tehtävää, 4 tuntia. (a (p. Olkoon H systeemin Hamiltonin operaattori, ja A jotakin observaabelia kuvaava operaattori. Johda Ehrenfestin teoreema d A dt = ī [A, H] + A

Lisätiedot

Alternoivat multilineaarimuodot

Alternoivat multilineaarimuodot LUKU 1 Alternoivat multilineaarimuodot Vektoriavaruudesta R n käytetään seuraavassa merkintää V. Sen k-kertainen karteesinen tulo on tällöin V V = V k. Määritelmä 1.1. Kuvaus T : V k R on multilineaarinen,

Lisätiedot

Valon sironta - ilmiöt ja mallinnus. Jouni Mäkitalo Fysiikan seminaari 2014

Valon sironta - ilmiöt ja mallinnus. Jouni Mäkitalo Fysiikan seminaari 2014 Valon sironta - ilmiöt ja mallinnus Jouni Mäkitalo Fysiikan seminaari 2014 Sisältö Johdanto Sironnan sähkömagneettinen mallinnus Analyyttinen sirontateoria Sironta ei-pallomaisista hiukkasista Johdanto

Lisätiedot

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: 4. Tyhjentyvyys Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: Voidaanko päätelmät perustaa johonkin tunnuslukuun t = t(y) koko aineiston y sijasta? Mitä

Lisätiedot

DYNAMIIKKA II, LUENTO 2 (SYKSY 2015) Arttu Polojärvi

DYNAMIIKKA II, LUENTO 2 (SYKSY 2015) Arttu Polojärvi DYNAMIIKKA II, LUENTO 2 (SYKSY 2015) Arttu Polojärvi LUENNON SISÄLTÖ Kertaus edelliseltä luennolta sekä ristituloista. Mekaniikan koordinaatistot: pallokoordinaatisto. Vakiovektorin muutosnopeus (kantavektorin

Lisätiedot

Differentiaaliyhtälöiden numeerinen ratkaiseminen

Differentiaaliyhtälöiden numeerinen ratkaiseminen Differentiaaliyhtälöiden numeerinen ratkaiseminen Keijo Ruotsalainen Division of Mathematics Alkuarvotehtävä Tavallisen differentiaaliyhtälön alkuarvotehtävä: Määrää reaaliarvoinen funktio y C 1 (I) siten,

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II G. Gripenberg Aalto-yliopisto 11. helmikuuta 2015 G. Gripenberg (Aalto-yliopisto) MS-A0502 Todennäköisyyslaskennan ja tilastotieteen

Lisätiedot

Mat Matematiikan peruskurssi L4, osa II

Mat Matematiikan peruskurssi L4, osa II Mat-.040 Matematiikan peruskurssi L4, osa II G. Gripenberg Aalto-yliopisto 26. maaliskuuta 200 G. Gripenberg (Aalto-yliopisto) L4, osa II 26. maaliskuuta 200 / 70 Poissonin yhtälö................... 4

Lisätiedot

Juha Ala-Luhtala Teräksen tilastollinen väsymisanalyysi. Diplomityö

Juha Ala-Luhtala Teräksen tilastollinen väsymisanalyysi. Diplomityö Juha Ala-Luhtala Teräksen tilastollinen väsymisanalyysi Diplomityö Tarkastajat: Professori Keijo Ruohonen ja Dosentti Esko Turunen Tarkastaja ja aihe hyväksytty Tieto- ja sähkötekniikan tiedekunnan osastoneuvoston

Lisätiedot

K2 AAKKOSET. K KREIKKA, (genfibeta.weebly.com/ muuttuu myöhemmin gen.fi/-osoitteeksi)

K2 AAKKOSET. K KREIKKA,   (genfibeta.weebly.com/ muuttuu myöhemmin gen.fi/-osoitteeksi) K2 AAKKOSET K KREIKKA, https://genfibeta.weebly.com/k.html (genfibeta.weebly.com/ muuttuu myöhemmin gen.fi/-osoitteeksi) K2 YLEISTÄ, https://genfibeta.weebly.com/k4.html K2 Aakkoset, https://genfibeta.weebly.com/k2-aakkoset.html

Lisätiedot

2m 2 r + V (r) ψ n (r) = ɛ n ψ n (r)

2m 2 r + V (r) ψ n (r) = ɛ n ψ n (r) Kvanttimekaniikka I. 5. 4 tentti : 4 tehtävää, 4 tuntia. (a (p. Tarkastellaan keskeisliikettä potentiaalissa V (r = V (r, missä r = r on keskeisliikkeeseen liittyvä suhteellinen etäisyys. Separoi Schrödingerin

Lisätiedot

Tarkastellaan sitten tilastollisesti riippumattomien identtisesti kuten X edellä jakautuneiden muuttujien summaa Y = X i. 1 p p. Muuttujan X PDF.

Tarkastellaan sitten tilastollisesti riippumattomien identtisesti kuten X edellä jakautuneiden muuttujien summaa Y = X i. 1 p p. Muuttujan X PDF. Jakaumia Seuraavassa esitellään digitaalisessa tietoliikenteessäuseinkäytettyjä jakaumia Esitellään jakaumien CDF, PDF ja karakteristiset funktiot sekä joitain momentteja kuten keskiarvo, 2. momentti ja

Lisätiedot

Mat Matematiikan peruskurssi L4, osa II, todistuksia ym

Mat Matematiikan peruskurssi L4, osa II, todistuksia ym Mat-.4 Matematiikan peruskurssi L4, osa II, todistuksia ym G. Gripenberg Aalto-yliopisto 4. maaliskuuta 2 G. Gripenberg Aalto-yliopisto L4, osa II, todistuksia ym. 4. maaliskuuta 2 / 68 Poissonin yhtälö...................

Lisätiedot

MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy Millä reaaliluvun x arvoilla. 3 4 x 2,

MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy Millä reaaliluvun x arvoilla. 3 4 x 2, MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 6. Millä reaaliluvun arvoilla a) 9 =, b) + + + 4, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + 4 + 6 + +, b) 8 + 4 6 + + n n, c) + + +

Lisätiedot

8.1 Ehdolliset jakaumat

8.1 Ehdolliset jakaumat 8 Ehdollinen jakauma Tämän kappaleen tärkeitä käsitteitä: Ehdollinen jakauma; ehdollinen ptnf/tf. Kertolaskusääntö eli ketjusääntö yhteisjakauman esittämiseksi. Ehdollinen odotusarvo ja ehdollinen varianssi.

Lisätiedot

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1 Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen

Lisätiedot

Ilkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä

Ilkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä Ilkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä TKK (c) Ilkka Mellin (2007) 1 Suurimman uskottavuuden menetelmä >> Suurimman uskottavuuden estimointimenetelmä Tarkentuvuus Asymptoottinen

Lisätiedot

Todennäköisyyslaskun kertaus. Heliövaara 1

Todennäköisyyslaskun kertaus. Heliövaara 1 Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

6.1 Autokovarianssifunktion karakterisaatio aikatasossa

6.1 Autokovarianssifunktion karakterisaatio aikatasossa 6. Spektraalianalyysi Tällä kurssilla on käyty läpi eräitä stationääristen aikasarjojen ominaispiirteitä, kuten aikasarjaa mallintavan stokastisen prosessin X t odotusarvo E[X t ] ja autokovarianssifunktio

Lisätiedot

Differentiaali- ja integraalilaskenta 3 Mallit laskuharjoitukseen 3 /

Differentiaali- ja integraalilaskenta 3 Mallit laskuharjoitukseen 3 / MS-A3x Differentiaali- ja integraalilaskenta 3, IV/6 Differentiaali- ja integraalilaskenta 3 Mallit laskuharjoitukseen 3 / 9..-.3. Avaruusintegraalit ja muuttujanvaihdot Tehtävä 3: Laske sopivalla muunnoksella

Lisätiedot

OPTIMAALINEN INVESTOINTIPÄÄTÖS

OPTIMAALINEN INVESTOINTIPÄÄTÖS OPTIMAALINEN INESTOINTIPÄÄTÖS Keskiarvoon palautuvalle prosessille ja Poissonin hyppyprosessille Optimointiopin seminaari - Syksy 000 / 1 I. KESKIAROON PALAUTUA PROSESSI Investoinnin kohde-etuuden arvo

Lisätiedot

1. kotitehtäväsarja - Einsteinin summaussääntö ja jännitystila - malliratkaisut

1. kotitehtäväsarja - Einsteinin summaussääntö ja jännitystila - malliratkaisut . kotitehtäväsarja - Einsteinin summaussääntö ja jännitystila - malliratkaisut Tehtävä. Ovatko seuraavat indeksimuotoiset lausekkeet karteesisessa suorakulmaisessa koordinaatistossa oikein, perustelu?

Lisätiedot

F(x) = P(X x), x R. F(x) = 1º

F(x) = P(X x), x R. F(x) = 1º ËÁË ÄÌ Ö ØØ Ý ÙÐÓØØ ÙÑ ½½½ º½ Ö ØØ ØÙÒÒ ÑÙÙØØÙ º º º º º º º º º º º º º º º º º º ½½½ º¾ ÖÒÓÙÐÐ Ò Ó Ø ÒÓÑ ÙÑ º º º º º º º º º º º º º º º ½½ º¾º½  ÙÑ Ò ÝÑÑ ØÖ º º º º º º º º º º º º º º º º º º º ½½

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi

Lisätiedot

Pro gradu -tutkielma Meteorologia SUOMESSA ESIINTYVIEN LÄMPÖTILAN ÄÄRIARVOJEN MALLINTAMINEN YKSIDIMENSIOISILLA ILMAKEHÄMALLEILLA. Karoliina Ljungberg

Pro gradu -tutkielma Meteorologia SUOMESSA ESIINTYVIEN LÄMPÖTILAN ÄÄRIARVOJEN MALLINTAMINEN YKSIDIMENSIOISILLA ILMAKEHÄMALLEILLA. Karoliina Ljungberg Pro gradu -tutkielma Meteorologia SUOMESSA ESIINTYVIEN LÄMPÖTILAN ÄÄRIARVOJEN MALLINTAMINEN YKSIDIMENSIOISILLA ILMAKEHÄMALLEILLA Karoliina Ljungberg 16.04.2009 Ohjaajat: Ari Venäläinen, Jouni Räisänen

Lisätiedot

l 1 2l + 1, c) 100 l=0 AB 3AC ja AB AC sekä vektoreiden AB ja

l 1 2l + 1, c) 100 l=0 AB 3AC ja AB AC sekä vektoreiden AB ja MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 7. Millä reaaliluvun arvoilla a) 9 =, b) + 5 + +, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + + 5 + + 99, b) 5 + 4 65 + + n 5 n, c) +

Lisätiedot

Tampereen yliopisto Informaatiotieteiden yksikkö

Tampereen yliopisto Informaatiotieteiden yksikkö Tampereen yliopisto Informaatiotieteiden yksikkö Kevät 017 Luennot: Kerkko Luosto Muistiinpanot: Jesse Railo (013) ja Jussi Klemetti (017) 6 Kartioleikkaukset Vanhan ajan geometrian merkittävimpiä tuloksia

Lisätiedot