TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Luotettavuusteoria
|
|
- Arttu Karjalainen
- 6 vuotta sitten
- Katselukertoja:
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 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
LisätiedotKURSSIN 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
LisätiedotLUOTETTAVUUS, 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
LisätiedotIlkka 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
LisätiedotJATKUVAT 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
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
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
LisätiedotMS-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
LisätiedotMaximum 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
LisätiedotWord 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
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 +
Lisätiedot5 Tärkeitä yksiulotteisia jakaumia
5 Tärkeitä yksiulotteisia jakaumia Jakaumista löytyy lisätietoja ja kuvaajia Wikipediasta. Kirjallisuudessa käytetään useille näistä jakaumista monia erilaisia parametrointeja. Kussakin lähteessä käytetty
LisätiedotJohdatus 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
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
LisätiedotTilastollinen 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.
LisätiedotMS-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
LisätiedotLause 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
Lisätiedot1. 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.
LisätiedotTalousmatematiikan 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-
LisätiedotMS-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
LisätiedotDifferentiaali- 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
Lisätiedotl (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
LisätiedotMS-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
Lisätiedot3. 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
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
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
Lisätiedot1. (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
LisätiedotKuva 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
LisätiedotProjektin 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
Lisätiedot9. 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
Lisätiedotu = 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,
LisätiedotTalousmatematiikan 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-
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
LisätiedotKaksisuuntainen varianssianalyysi. Heliövaara 1
Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän
LisätiedotEstimointiteoriaa 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
LisätiedotMatematiikan 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)
LisätiedotF(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
LisätiedotPerusidea: 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
LisätiedotKäyttövarmuuden 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
Lisätiedotu 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
LisätiedotMatriisilaskenta, 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
LisätiedotKompleksianalyysi, 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
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) =
LisätiedotYleistetyn 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:
LisätiedotTilastomatematiikka 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
Lisätiedot5.7 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
Lisätiedotx 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
LisätiedotF(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
LisätiedotOsittaisdifferentiaaliyhtälöt
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,
LisätiedotDifferentiaali- 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,
LisätiedotFunktioiden 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
Lisätiedotf(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
LisätiedotDifferentiaali- 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).
Lisätiedot2. 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).
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
LisätiedotJ 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,
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
LisätiedotPURSKETASON 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
LisätiedotEsimerkki 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
LisätiedotMellin-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................
LisätiedotELEC 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
LisätiedotKreikka'(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
LisätiedotELEC 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
LisätiedotUskottavuuden 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
Lisätiedot5. 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
LisätiedotM 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,
LisätiedotDynaaminen 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
LisätiedotELEC 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
LisätiedotJYVÄSKYLÄN 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
LisätiedotLUKU 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
LisätiedotSGN-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
LisätiedotKvanttimekaniikka 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
LisätiedotAlternoivat 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,
LisätiedotValon 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
LisätiedotTässä 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
LisätiedotDYNAMIIKKA 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
LisätiedotDifferentiaaliyhtälöiden numeerinen ratkaiseminen
Differentiaaliyhtälöiden numeerinen ratkaiseminen Keijo Ruotsalainen Division of Mathematics Alkuarvotehtävä Tavallisen differentiaaliyhtälön alkuarvotehtävä: Määrää reaaliarvoinen funktio y C 1 (I) siten,
LisätiedotMS-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
LisätiedotMat 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
LisätiedotJuha 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
LisätiedotK2 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
Lisätiedot2m 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
LisätiedotTarkastellaan 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
LisätiedotMat 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...................
LisätiedotMATEMATIIKAN 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) + + +
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.
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotIlkka 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
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
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
Lisätiedot6.1 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
LisätiedotDifferentiaali- 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
LisätiedotOPTIMAALINEN INVESTOINTIPÄÄTÖS
OPTIMAALINEN INESTOINTIPÄÄTÖS Keskiarvoon palautuvalle prosessille ja Poissonin hyppyprosessille Optimointiopin seminaari - Syksy 000 / 1 I. KESKIAROON PALAUTUA PROSESSI Investoinnin kohde-etuuden arvo
Lisätiedot1. kotitehtäväsarja - Einsteinin summaussääntö ja jännitystila - malliratkaisut
. kotitehtäväsarja - Einsteinin summaussääntö ja jännitystila - malliratkaisut Tehtävä. Ovatko seuraavat indeksimuotoiset lausekkeet karteesisessa suorakulmaisessa koordinaatistossa oikein, perustelu?
LisätiedotF(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
LisätiedotMS-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
LisätiedotPro 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
Lisätiedotl 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) +
LisätiedotTampereen 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