Luento 4 Vikapuuanalyysit
|
|
- Aarno Mikkola
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Luento 4 Vikapuuanalyysit Ahti Salo Teknillinen korkeakoulu PL 1100, TKK 1
2 Vikapuuanalyysin vaiheet Ongelman ja reunaehtojen määrittely Vikapuun rakentaminen Minimikatkosjoukkojen tunnistaminen Kvalitatiivinen analyysi Kvantitatiivinen analyysi 2
3 Ongelman ja reunaehtojen määrittely Lähtökohtana huipputapahtuman ja reunaehtojen tunnistaminen Huipputapahtumalle annettava yksikäsitteinen ja selkeä määrittely Tulee vastata täsmällisesti seuraaviin kysymyksiin:» Mitä: tarkasteltavan tapahtuman tyyppi ja luonne (esim. tulipalo, jäähdytysveden syötön menetys, jne.)» Missä: tapahtuman tarkka esiintymispaikka (esim. veden syöttö lauhdutinaltaaseen)» Milloin: tapahtuman esiintymistilanne (esim. vuosihuoltoseisokin aikana) Esim. Tulipalo polttoainesäiliössä vuosihuoltoseisokin aikana 3
4 Ongelman ja reunaehtojen määrittely Reunaehtoja voivat olla Järjestelmän fyysiset rajat» Mitkä järjestelmän osat otetaan mukaan analyysiin? Alkutilanteet» Mikä on järjestelmän tila, kun huipputapahtuma esiintyessä? (esim. täydellinen toiminta tila, rajoitettu toiminta, huoltoseisokki jne.)» Missä tilassa komponentit ovat? (esim.venttiilien asento, prosessilaitteiden tila jne.) Ulkoisten tekijöiden vaikutus» Mitkä ulkoiset tekijät otetaan mukaan? (esim. poikkeukselliset sääolot, sabotaasi, jne.) Yksityiskohtaisuuden taso» Miten tarkasti eri vikaantumistavat tai järjestelmän osat mallinnetaan? (esim. mitkä järjestelmät mallinnetaan komponenttitasolla, otetaanko inhimilliset virheet mukaan, jne.) Huomioita Pyrittävä riittävän tarkkaan erittelyyn Haettava tarkoituksenmukainen yksityiskohtaisuuden taso Jäsentymättön ongelmankuvaus ja/tai rajaukset vievät pohjaa tekevät jatkoanalyyseiltä 4
5 5
6 Vikapuun rakentaminen Aloitetaan huipputapahtuman analyysista: Selvitetään huipputapahtuman välittömät, välttämättömät ja riittävät syyt Syyt liitetään huipputapahtumaan vikapuun portilla Edetään hierarkkisesti perustapahtumiin (esim. komponenttivikoihin)» Kukin vikatapahtuma kuvataan ja esitetään porttina» Kaikki porttien sisäänmenot määritellään täydellisesti» Rakennetaan vikapuu tasoittain siten, että kukin taso kuvataan ennen etenemistä seuraavalle tasolle Tehdään deduktiivinen analyysi» Kunkin ylemmän tason kohdalla kysytään, mitkä ovat sen välittömät syyt Vikatapahtumien luokittelu Primäärivika (primary failure)» Vika, jonka aiheuttaa kohteen normaali ikääntyminen tai muu sisäinen vikamekanismi Sekundäärivika (secondary failure)» Vika, jonka aiheuttaa ulkopuolinen, poikkeuksellinen rasitus, toisen komponentin vikaantuminen tai toimintahäiriö, tai inhimillinen virhe Ohjausvika (command fault)» Vika, joka aiheutuu virheellisestä tai puuttuvasta ohjaussignaalista tai muusta puuttuvasta tai virheellisestä tukitoiminnosta 6
7 Minimikatkosjoukkojen tunnistaminen Vikaantumislogiikan tarkastelu Huipputapahtuma, logiikkaportit ja perustapahtumat ovat vikaantumistapahtumia, jotka esitetään Boolen algebran muuttujien avulla Vikatapahtuma esiintyy <=> sitä vastaava Boolen muuttuja saa arvon tosi, esim. X 1, = 0, komponentti vialla komponentti ehjä Kutakin porttia vastaa Boolen lauseke:» OR = Boolen summa (+), AND = Boolen tulo ( ), jne. 1, G = 0, portin tapahtuma toteutuu portin tapahtuma ei toteudu» Huom! piste vastaa siis leikkausta ja summa unionia Huipputapahtumasta lähtien sovelletaan porttien määritelmiä (ks. seuraavat 2 kalvoa) Saadaan perustapahtumien tulojen summa, jossa kukin summatermi on minimikatkosjoukko Minimikatkosjoukko on perustapahtumien joukko, joka aiheuttaa huipputapahtuman, mutta josta ei voida poistaa yhtään perustapahtumaa ilman, että huipputapahtuma ei toteutuisi 7
8 8
9 Minimikatkosjoukkojen tunnistaminen Boolean algebran säännöt X Y = Y X X + Y = Y + X X ( Y Z) = ( X Y) Z X + ( Y + Z) = ( X + Y) + Z X ( Y + Z) = ( X Y) + ( X Z) X X = X, X + X = X X ( X + Y) = X, X + ( X Y) = X X X = φ, X + X =Ω ( so.koko avaruus) X Y = X + Y, X + Y = X Y X = X 9
10 Esimerkki minimikatkosjoukoista (1/3) Vikaa kuvaava huipputapahtuma T toteutuu, kun T = A B ( C+ D) = A B C+ A B D Vennin kaavio Oheistus ohessa Kaavio ei kuitenkaan sikäli hyvä, että esim. A ja D voivat molemmat toteutua vain jos joko B tai C toteutuu (tosin vikapuun perusteella A:n ja B:n voidaan vaatia toteutuvan) 10
11 Esimerkki minimikatkosjoukoista (2/3) Havaintoja Minimikatkosjoukot A B C ja A B D voivat esiintyä yhtä aikaa, koska A B C D on molemmissa Vikalogiikan purkaminen perustapahtumiksi Boolen algebran ei siis välttämättä anna toisensa poissulkevia (engl. mutually exclusive) katkosjoukkoja Esimerkiksi edellisen kalvon esimerkissä tällaisia katkosjoukkoja on kolme 11
12 Esimerkki minimikatkosjoukoista (3/3) Minimikatkosjoukkojen A B C ja A B D todennäköisyyksien summa PAPBPC ( ) ( ) ( ) + PAPBPD ( ) ( ) ( ) = = Toisensa poissulkevien katkosjoukkojen todennäköisyyksien summa PAPBPCPD ( ) ( ) ( ) ( ) + PAPBPCPD ( ) ( ) ( ) ( ) + PAPBPCPD ( ) ( ) ( ) ( ) = =
13 Kvalitatiivinen tulkinta Minimikatkosjoukkojen (MKJ) tulkinta Minimikatkosjoukot antavat kuvan järjestelmän vikaantumisesta Minimikatkosjoukkolistan perusteella voidaan tunnistaa tärkeimmät parannustoimenpiteet Käyttötapoja Mitkä perustapahtumat esiintyvät minimikatkosjoukoissa useimmin?» Näihin kannattaa kiinnittää huomiota, jos perustapahtumien todennäköisyyksistä ei tarkkaa tietoa Onko perustapahtumista joku sellainen, että se ei kuulu mihinkään minimikatkosjoukkoon?» Tällainen perustapahtuma ei voi aiheuttaa huipputapahtumaa 13
14 Kvantitatiivinen analyysi Lasketaan järjestelmän vikaantumistodennäköisyys Vikaantuminen = huipputapahtuman toteutuminen Laskenta perustuu minimikatkosjoukkoesitykseen» Huipputapahtuma toteutuu jos ja vain jos joku minimikatkosjoukoista toteutuu» Huipputapahtuman todennäköisyys saadaan siis minimikatkosjoukkojen unionina PT ( ) = PMKJ ( + MKJ ) = PMKJ ( ) + PMKJ ( ) P( T ) = P( MKJ MKJ MKJ ) = P( MKJ ) PMKJ ( MKJ ) + i < i i < i < i PMKJ ( MKJ) i 1 2 PMKJ ( MKJ MKJ ) n+ 1...( 1) P( MKJ i MKJ ) 1 i MKJ 2 in i < i < < i n i i i i MKJ 2 MKJ 1 MKJ 3 i i 14
15 Kvantitatiivinen analyysi Summalausekkeiden avulla voidaan muodostaa approksimaatiot PT ( ) PMKJ ( ) = S i PT ( ) S PMKJ ( MKJ ) = S S i1 i2 1 2 i < i P( T ) S S + P( MKJ MKJ MKJ ) 1 2 = S S + S i i < i < i i i i Pätee PT ( ) S1 S1 S2 P( T) S1 S S P( T) S S + S S S + S S P( T) S S + S Näistä S 1 on usein riittävä Perustapahtumien todennäköisyydet otettava huomioon 15
16 Katkosjoukkojen määrityksestä Huomioita Minimikatkosjoukkojen tn:ien summa antaa ylärajan huipputapahtuman todennäköisyydelle» Saatu arvo tarkka, jos minimikatkosjoukkojen leikkaus on tyhjä (näin käy vain harvoin) Huipputapahtuman tarkan tn:n laskemiseksi voidaan olla kiinnostuneita minikatkosjoukkojen unionin esittämistä toistensa poissulkevien katkosjoukkojen avulla Nämä voidaan binäärisillä päätöskaavioilla (engl. binary decision diagram, BDD) 16
17 Binääriset päätöskaaviot BDD:n rakentaminen Rakennetaan tasoittain vikapuun alaosasta ylöspäin Jokainen polku huipputapahtumasta ykköshaaraan vastaa katkosjoukkoa Ko. katkosjoukot ovat toisensa poissulkevia, koska polut ovat yksiselitteisiä (so kukin haara vastaa joko nollaa 0:aa tai 1:tä) 2. vaihe 3. vaihe 17
18 Pumppujärjestelmän riskianalyysi (1/3) Järjestelmän toiminta Pumppu siirtää nestettä lähtöaltaasta kohdealtaaseen, jos kohdealtaan nestemäärä laskee alle vaatimustason Pumppu ei toimi, jos sähkönsaanti pettää Pumppu voi vikaantua komponenttivikojen takia, joista osa vaikuttaa sähkönsaantiin Vikapuut Esiintymistaajuudet (/kk) alkutapahtuman ja komponenttien vikaantumiselle Kohdeallas vajaa I 10 krt/kk A, B, F 0,01 krt/kk C 0,02 krt/kk D 0,05 krt/kk 18
19 Pumppujärjestelmän riskianalyysi (2/3) Pumppujärjestelmän toimintaa kuvaava tapahtumapuu Järjestelmä ei toimi skenaarioissa I ac P ja I ac Vikapuista saadaan ac = G1+ G2 = ( A + B) + ( C D) = A+ B+ C D ac = A+ B+ C D = A B ( C+ D) = A B C+ A B D P = D F, P = D+ F 19
20 Pumppujärjestelmän riskianalyysi (2/3) Vikaantumisen todennäköisyys I ac P = I ( A B C+ A B D) ( D F) = I A B C D F + I A B D D F = I A B C D F ( D D = φ) I ac = I A+ I B+ I C D PT ( ) = PI ( ac+ I ac P) = PI ( ){ PA ( + B+ C D) + ABC D F} = PI ( ){ PA ( ) + PB ( ) + PC ( D) PAB ( ) P( A C D) P( B C D) + P( A B C D) + PAB ( C D F)} = PI ( ){ } = PI ( ) So. pumppujärjestelmä vikaantuu keskimäärin joka viides 5 kuukausi 20
21 Logiikkakaavioiden käyttö Osajärjestelmien riippuvuuksia voidaan havainnollistaa logiikkakaavioina Engl. master logic diagram, MLD Huipputapahtuma vastaa tällöin tyypillisesti järjestelmän toimimista, ei vikaantumista Kiinnostuksen kohteena se, mihin tilaan järjestelmä joutuu riippumattomien osajärjestelmien pettäessä 21
22 Jäähdytysjärjestelmä (1/3) Tarkasteltavana vetyreaktorijärjestelmää Kriisitilanteessa vetyvirtaukset voidaan pysäyttää kriisitilanteessa ajasajojärjestelmällä (shutdown device, SDD) Jos reaktorin lämpötila on liian korkea, jäähdytys vaatii, että hätäjäähdytysjärjestelmän toimii (emergency cooling system, ECC) Molemmat järjestelmät toimivat säätöjärjestelmän varassa (actuator control system, ACS) Operaattori (operating agent, OA) pystyy kuitenkin yksinään pysäyttämään vetyvirran Vikaantumistaajuudet 22
23 Jäähdytysjärjestelmä (2/3) Riippuvuussuhteet Logiikkakaavio 23
24 Jäähdytysjärjestelmä (3/3) Osajärjestelmien vaikutukset Tärkeimmät riskitekijät 24
Luento 4 Vikapuuanalyysit
Luento 4 Vikapuuanalyysit Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Vikapuuanalyysin vaiheet ❶ Ongelman ja reunaehtojen määrittely ❷ Vikapuun rakentaminen ❸ Minimikatkosjoukkojen tunnistaminen
LisätiedotLuento 5 Vikapuuanalyysit
Luento 5 Vikapuuanalyysit Jan-Erik Holmberg Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto jan-erik.holmberg@riskpilot.fi 1 Influenssarokotus (1/3) Rokotuskampanja
LisätiedotLuento 4 Vikapuuanalyysit
Luento 4 Vikapuuanalyysit Ahti Salo Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto ahti.salo@aalto.fi 1 Influenssarokotus (1/3) Rokotuskampanja Influenssaepidemian
LisätiedotTurvallisuus prosessien suunnittelussa ja käyttöönotossa
Turvallisuus prosessien suunnittelussa ja käyttöönotossa Moduuli 2 Turvallisuus prosessilaitoksen suunnittelussa 1. Yleistä 2. Vikapuuanalyysi 3. Tapahtumapuuanalyysi 4. Onnettomuuksien esiintymistaajuuden
LisätiedotTurvallisuus prosessien suunnittelussa ja käyttöönotossa. Moduuli 2 Turvallisuus prosessilaitoksen suunnittelussa
Turvallisuus prosessien suunnittelussa ja käyttöönotossa Moduuli 2 Turvallisuus prosessilaitoksen suunnittelussa Moduuli 2: Turvallisuus prosessilaitoksen suunnittelussa Ryhmätyö 8 Kvantitatiivisten turvallisuus-
LisätiedotLuento 5 Riippuvuudet vikapuissa Esimerkkejä PSA:sta
Luento 5 Riippuvuudet vikapuissa Esimerkkejä S:sta hti Salo Teknillinen korkeakoulu L 1100, 0015 TKK 1 Toisistaan riippuvat vikaantumiset Riippuvuuksien huomiointi erustapahtumien taustalla voi olla yhteisiä
LisätiedotLuento 6 Yhteisvikojen analyysi PSA:n sovelluksia
Luento 6 Yhteisvikojen analyysi PSA:n sovelluksia Jan-Erik Holmberg Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto jan-erik.holmberg@riskpilot.fi 1 Katkosjoukkojen
LisätiedotLuento 5 Yhteisvikojen analyysi PSA:n sovelluksia
alto-yliopiston perustieteiden korkeakoulu Luento 5 Yhteisvikojen analyysi S:n sovelluksia hti Salo Systeemianalyysin laboratorio alto-yliopiston perustieteiden korkeakoulu L 11100, 00076 alto ahti.salo@aalto.fi
LisätiedotLuento 10 Riskitekijöiden priorisointi
Luento 10 Riskitekijöiden priorisointi Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Riskien priorisointi Lähtökohtia Riskienhallintatoimenpiteet pyritään kohdistamaan siten, että kokonaisriskiä
LisätiedotLuento 5 Riippuvuudet vikapuissa Esimerkkejä PSA:sta
Luento 5 Riippuvuudet vikapuissa Esimerkkejä S:sta hti Salo L 1100, 0015 TKK 1 Toisistaan riippuvat vikaantumiset Riippuvuuksien huomiointi erustapahtumien taustalla voi olla yhteisiä syitä Nämä on pyrittävä
LisätiedotKohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.
25.2.215 1. Autossa on 4 rengasta ja 1 vararengas (T i Exp(λ), [λ] = 1/km, i=1,...,5). Kulkeakseen auto tarvitsee 4 ehjää rengasta. Aluksi auto käyttää neljää alkuperäistä rengasta. Kun yksi näistä vikaantuu,
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
LisätiedotLuento 6 Luotettavuus Koherentit järjestelmät
Lueto 6 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi ja-erik.holmberg@aalto.fi Määritelmä Tarkasteltava yksikö luotettavuus
LisätiedotLuento 7 Luotettavuus Koherentit järjestelmät
Lueto 7 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio Aalto-yliopisto perustieteide korkeakoulu PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi Määritelmä Tarkasteltava
LisätiedotTeollisuusautomaation standardit. Osio 5:
Teollisuusautomaation standardit Osio 5 Osio 1: SESKOn Komitea SK 65: Teollisuusprosessien ohjaus Osio 2: Toiminnallinen turvallisuus: periaatteet Osio 3: Toiminnallinen turvallisuus: standardisarja IEC
LisätiedotOhjelmistojen virheistä
Ohjelmistojen virheistä Muutama sana ohjelmistojen virheistä mistä niitä syntyy? Matti Vuori, www.mattivuori.net 2013-09-02 1(8) Sisällysluettelo Ohjelmistojen virheitä: varautumattomuus ongelmiin 3 Ohjelmistojen
LisätiedotYhteisviat ja intervallitodennäköisyydet vikapuuanalyysissä
Aalto-yliopisto Perustieteiden korkeakoulu Teknillisen fysiikan ja matematiikan tutkinto-ohjelma Yhteisviat ja intervallitodennäköisyydet vikapuuanalyysissä Kandidaatintyö 17.01.2013 Tomi Jussila Työn
LisätiedotJoukot. Georg Cantor ( )
Joukot Matematiikassa on pyrkimys määritellä monimutkaiset asiat täsmällisesti yksinkertaisempien asioiden avulla. Tarvitaan jokin lähtökohta, muutama yleisesti hyväksytty ja ymmärretty käsite, joista
LisätiedotMat Sovellettu todennäköisyyslasku A
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Klassinen todennäköisyys ja kombinatoriikka Todennäköisyyden aksioomat Kokonaistodennäköisyys ja Bayesin kaava Bayesin kaava,
LisätiedotLiite 2: Verkot ja todennäköisyyslaskenta. Todennäköisyyslaskenta ja puudiagrammit
Ilkka Mellin Todennäköisyyslaskenta Liite 2: Verkot ja todennäköisyyslaskenta Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyslaskenta ja puudiagrammit >> Puutodennäköisyydet
LisätiedotLause 5. (s. 50). Olkoot A ja B joukkoja. Tällöin seuraavat ehdot ovat
jen Kahden joukon A ja B samuutta todistettaessa kannattaa usein osoittaa, että A on B:n osajoukko ja että B on A:n osajoukko. Tällöin sovelletaan implikaation ja ekvivalenssin yhteyttä. Lause 5. (s. 50).
LisätiedotProjektin riskit, mahdollisuudet ja niiden hallinta
Projektin riskit, mahdollisuudet ja niiden hallinta TU-C3010 Projektien suunnittelu ja ohjaus Aalto-yliopisto, Perustieteiden korkeakoulu, Tuotantotalous 9.8.2017 Jere Lehtinen Agenda Teeman jälkeen opiskelija
LisätiedotJohdatus todennäköisyyslaskentaan Todennäköisyyslaskenta ja puudiagrammit. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2005) 1 Todennäköisyyslaskenta ja puudiagrammit Puutodennäköisyydet Todennäköisyyslaskennan laskusääntöjen
LisätiedotLuento 3 Riskien kvalitatiivinen arviointi PSA:n pääpiirteet Vikapuuanalyysi
Luento 3 Riskien kvalitatiivinen arviointi PSA:n pääpiirteet Vikapuuanalyysi Ahti Salo Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto ahti.salo@aalto.fi
LisätiedotTodennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit: Esitiedot
TKK (c) Ilkka Mellin (2004) 1 Todennäköisyyslaskenta ja puudiagrammit iite: Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2004) 2 Todennäköisyyslaskenta ja puudiagrammit: Mitä opimme? Verkkoteoria
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,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila Kalvoissa käytetään materiaalia P. Palon vuoden 2005 kurssista. 07.09.2007 Antti Rasila () SovTodB 07.09.2007 07.09.2007 1 / 24 1 Todennäköisyyslaskennan
LisätiedotHY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I
HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I Tehtävä 1 on klassikko. 1. Tässä tehtävässä tapahtumat A ja B eivät välttämättä
LisätiedotKustannustehokkaat riskienhallintatoimenpiteet kuljetusverkostossa (Valmiin työn esittely)
Kustannustehokkaat riskienhallintatoimenpiteet kuljetusverkostossa (Valmiin työn esittely) Joonas Lanne 23.2.2015 Ohjaaja: Eeva Vilkkumaa Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Todennäköisyyslaskennan käsitteitä Satunnaisuus ja deterministisyys Deterministisessä ilmiössä alkutila määrää lopputilan yksikäsitteisesti. Satunnaisilmiö puolestaan arpoo - yhdestä alkutilasta voi päätyä
Lisätiedot1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.
Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i
Lisätiedotverkkojen G ja H välinen isomorfismi. Nyt kuvaus f on bijektio, joka säilyttää kyseisissä verkoissa esiintyvät särmät, joten pari
Tehtävä 9 : 1 Merkitään kirjaimella G tehtäväpaperin kuvan vasemmanpuoleista verkkoa sekä kirjaimella H tehtäväpaperin kuvan oikeanpuoleista verkkoa. Kuvan perusteella voidaan havaita, että verkko G on
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
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.
LisätiedotInduktiotodistus: Tapaus n = 0 selvä; ol. väite pätee kun n < m.
Väite: T (n) (a + b)n 2 + a. Induktiotodistus: Tapaus n = 0 selvä; ol. väite pätee kun n < m. Huomaa että funktion x x 2 + (m 1 x) 2 kuvaaja on ylöspäin aukeava paraabeli, joten funktio saavuttaa suurimman
LisätiedotEri tietolähteiden käyttö kunnossapidon tukena
Prognos, Vuosiseminaari 2005 Eri tietolähteiden käyttö kunnossapidon tukena Toni Ahonen VTT Tuotteet ja tuotanto Esityksen rakenne 1. Katsaus taustaan ja tavoitteisiin 2. Lähestymistapoja vika- ja kunnossapitodatan
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
LisätiedotDynaaminen SLA-riski. Goodnet-projektin loppuseminaari pe Pirkko Kuusela, Ilkka Norros VTT
Dynaaminen SLA-riski Goodnet-projektin loppuseminaari pe 19.10.2012 Pirkko Kuusela, Ilkka Norros VTT 2 Motivaatio Suunniteltu verkko: No-single-point-of-failure Arki: vähänkin isommassa verkossa on yleensä
LisätiedotKun järjestelmää kuvataan operaattorilla T, sisäänmenoa muuttujalla u ja ulostuloa muuttujalla y, voidaan kirjoittaa. y T u.
DEE-00 Lineaariset järjestelmät Harjoitus, ratkaisuehdotukset Järjestelmien lineaarisuus ja aikainvarianttisuus Kun järjestelmää kuvataan operaattorilla T, sisäänmenoa muuttujalla u ja ulostuloa muuttujalla
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Verkot ja todennäköisyyslaskenta
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Verkot ja todennäköisyyslaskenta TKK (c) Ilkka Mellin (2005) 1 Verkot ja todennäköisyyslaskenta >> Puudiagrammit todennäköisyyslaskennassa:
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
LisätiedotMatematiikan tukikurssi, kurssikerta 3
Matematiikan tukikurssi, kurssikerta 3 1 Epäyhtälöitä Aivan aluksi lienee syytä esittää luvun itseisarvon määritelmä: { x kun x 0 x = x kun x < 0 Siispä esimerkiksi 10 = 10 ja 10 = 10. Seuraavaksi listaus
Lisätiedot1 Määrittelyjä ja aputuloksia
1 Määrittelyjä ja aputuloksia 1.1 Supremum ja infimum Aluksi kerrataan pienimmän ylärajan (supremum) ja suurimman alarajan (infimum) perusominaisuuksia ja esitetään muutamia myöhemmissä todistuksissa tarvittavia
LisätiedotRatkaisu: a) Kahden joukon yhdisteseen poimitaan kaikki alkiot jotka ovat jommassakummassa joukossa (eikä mitään muuta).
Matematiikan laitos Johdatus Diskreettiin Matematiikaan Harjoitus 1 03.11.2010 Ratkaisuehdotuksia Aleksandr Nuija 1. Tarkastellaan joukkoja A = {1,3,4}, B = {2,3,7,9} ja C = {2, 5, 7}. Määritä joukot (a)
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
LisätiedotTurvallisuus prosessien suunnittelussa ja käyttöönotossa. 1. Luennon aiheesta yleistä 2. Putkisto- ja instrumentointikaavio 3. Poikkeamatarkastelu
Turvallisuus prosessien suunnittelussa ja käyttöönotossa Moduuli 2 Turvallisuus prosessilaitoksen suunnittelussa 1. Luennon aiheesta yleistä 2. Putkisto- ja instrumentointikaavio 3. Poikkeamatarkastelu
Lisätiedotjäsentäminen TIEA241 Automaatit ja kieliopit, syksy 2015 Antti-Juhani Kaijanaho 26. marraskuuta 2015 TIETOTEKNIIKAN LAITOS
TIEA241 Automaatit ja kieliopit, syksy 2015 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 26. marraskuuta 2015 Sisällys Tunnistamis- ja jäsennysongelma Olkoon G = (N, Σ, P, S) kontekstiton kielioppi ja
Lisätiedotb) Määritä myös seuraavat joukot ja anna kussakin tapauksessa lyhyt sanallinen perustelu.
Johdatus yliopistomatematiikkaan Helsingin yliopisto, matematiikan ja tilastotieteen laitos Kurssikoe 23.10.2017 Ohjeita: Vastaa kaikkiin tehtäviin. Ratkaisut voi kirjoittaa samalle konseptiarkille, jos
Lisätiedot3. laskuharjoituskierros, vko 6, ratkaisut
Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa
Lisätiedotkeskenään isomorfiset? (Perustele!) Ratkaisu. Ovat. Tämän näkee indeksoimalla kärjet kuvan osoittamalla tavalla: a 1 b 3 a 5
Johdatus diskreettiin matematiikkaan Harjoitus 6, 21.10.2015 1. Ovatko verkot keskenään isomorfiset? (Perustele!) Ratkaisu. Ovat. Tämän näkee indeksoimalla kärjet kuvan osoittamalla tavalla: a 2 b 4 a
LisätiedotYhteenlaskun ja skalaarilla kertomisen ominaisuuksia
Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia Voidaan osoittaa, että avaruuden R n vektoreilla voidaan laskea tuttujen laskusääntöjen mukaan. Huom. Lause tarkoittaa väitettä, joka voidaan perustella
LisätiedotMS-A0402 Diskreetin matematiikan perusteet
MS-A0402 Diskreetin matematiikan perusteet Osa 1: Joukko-oppi ja logiikka Riikka Kangaslampi 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kiitokset Nämä luentokalvot perustuvat Gustaf
LisätiedotDatatähti 2019 loppu
Datatähti 2019 loppu task type time limit memory limit A Summa standard 1.00 s 512 MB B Bittijono standard 1.00 s 512 MB C Auringonlasku standard 1.00 s 512 MB D Binääripuu standard 1.00 s 512 MB E Funktio
LisätiedotLuento 3 Riskien kvalitatiivinen arviointi PSA:n pääpiirteet Vikapuuanalyysi
Luento 3 Riskien kvalitatiivinen arviointi PSA:n pääpiirteet Vikapuuanalyysi Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Esimerkki Farmerin käyristä (1/2) Lähtökohtia Laitostyyppi hajoaa todennäköisyydellä
Lisätiedota) Sievennä lauseke 1+x , kun x 0jax 1. b) Aseta luvut 2, 5 suuruusjärjestykseen ja perustele vastauksesi. 3 3 ja
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 1.10.2018 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
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
LisätiedotJohdatus matematiikkaan
Johdatus matematiikkaan Luento 6 Mikko Salo 6.9.2017 Sisältö 1. Kompleksitaso 2. Joukko-oppia Kompleksiluvut Edellisellä luennolla huomattiin, että toisen asteen yhtälö ratkeaa aina, jos ratkaisujen annetaan
LisätiedotTIE448 Kääntäjätekniikka, syksy 2009. Antti-Juhani Kaijanaho. 7. joulukuuta 2009
TIE448 Kääntäjätekniikka, syksy 2009 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 7. joulukuuta 2009 Sisällys Sisällys Seuraava deadline Vaihe F maanantai 14.12. klo 12 rekisteriallokaatio Arvostelukappale
LisätiedotYhteistyötä sisältämätön peliteoria jatkuu
Yhteistyötä sisältämätön peliteoria jatkuu Tommi Lehtonen Optimointiopin seminaari - Syksy 2000 / 1 Bayesilainen tasapaino Täysi informaatio Vajaa informaatio Staattinen Nash Bayes Dynaaminen Täydellinen
LisätiedotOletetun onnettomuuden laajennus, ryhmä A
MUISTIO 1 (4) 06.04.2009 YDINVOIMALAITOKSEN OLETETTUJEN ONNETTOMUUKSIEN LAAJENNUS Ydinvoimalaitoksen turvallisuutta koskevan valtioneuvoston asetuksen (733/2008) 14 kolmannen momentin mukaan onnettomuuksien
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotVikasietoisuus ja luotettavuus
Vikasietoisuus ja luotettavuus Luotettavuussuureet Keskuksen vikasietoisuus Mallinnusmenetelmät Rka/ML -k2000 Tiedonvälitystekniikka I 14-1 Vikasietoisuuden peruskäsitteitä ovat Vikaantuminen (failure,
LisätiedotVikasietoisuus ja luotettavuus
Vikasietoisuus ja luotettavuus Luotettavuussuureet Keskuksen vikasietoisuus Mallinnusmenetelmät Rka/ML -k98 Tiedonvälitystekniikka I 3-1 Vikasietoisuuden peruskäsitteitä ovat Vikaantuminen (failure, malfunction)
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
LisätiedotKurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten
Todennäköisyys Kurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten tietoliikennejärjestelmien ymmärtämisessä
LisätiedotÄärellisten mallien teoria
Äärellisten mallien teoria Harjoituksen 5 ratkaisut (Hannu Niemistö) Tehtävä 1 OlkootGjaG neljän solmun verkkoja Määritä, milloing = 2 G eli verkot ovat osittaisesti isomorfisia kahden muuttujan suhteen
Lisätiedot2. Minkä joukon määrittelee kaava P 0 (x 0 ) P 1 (x 0 ) mallissa M = ({0, 1, 2, 3}, P M 0, P M 1 ), kun P M 0 = {0, 1} ja P M 1 = {1, 2}?
HY / Matematiikan ja tilastotieteen laitos Johdatus logiikkaan II, syksy 2018 Harjoitus 4 Ratkaisuehdotukset 1. Mitkä muuttujat esiintyvät vapaina kaavassa x 2 ( x 0 R 0 (x 1, x 2 ) ( x 3 R 0 (x 3, x 0
LisätiedotLuento 8 Vikaantumisprosessit ja käytettävyys
Luento 8 Vikaantumisprosessit ja käytettävyys Jan-Erik Holmberg Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto jan-erik.holmberg@riskpilot.fi 1 Komponenttien
LisätiedotMuodonmuutostila hum 30.8.13
Muodonmuutostila Tarkastellaan kuvan 1 kappaletta Ω, jonka pisteet siirtvät ulkoisen kuormituksen johdosta siten, että siirtmien tapahduttua ne muodostavat kappaleen Ω'. Esimerkiksi piste A siirt asemaan
LisätiedotAjasta riippuva todennäköisyysperusteinen riskianalyysi ja ennakkohuoltojen optimointi
Ajasta riippuva todennäköisyysperusteinen riskianalyysi ja ennakkohuoltojen optimointi Salla Kalliokoski Pro gradu -tutkielma Toukokuu 2018 MATEMATIIKAN JA TILASTOTIETEEN LAITOS TURUN YLIOPISTO Turun yliopiston
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
LisätiedotÄärellisten mallien teoria
Äärellisten mallien teoria Harjoituksen 4 ratkaisut Tehtävä 1. Määritä suurin aste k, johon saakka kuvan verkot G ja G ovat osittaisesti isomorfisia: Ratkaisu 1. Huomataan aluksi, että G =4 G : Ehrenfeucht-Fraïssé
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Mat Systeemien Identifiointi. 4. harjoitus
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.4129 Systeemien Identifiointi 4. harjoitus 1. a) Laske valkoisen kohinan spektraalitiheys. b) Tarkastellaan ARMA-prosessia C(q 1 )y = D(q 1 )e,
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..
LisätiedotDYNAAMISIIN TAPAHTUMAPUIHIN
Aalto-yliopisto MS-E2177 Operaatiotutkimuksen projektityöseminaari DYNAAMISIIN TAPAHTUMAPUIHIN PERUSTUVA TODENNÄKÖISYYSPOHJAINEN RISKIANALYYSI YDINVOIMALAMALLILLE Projektisuunnitelma 8.3.2016 Lauri Nyman
LisätiedotSalausmenetelmät. Veikko Keränen, Jouko Teeriaho (RAMK, 2006)
Salausmenetelmät Veikko Keränen, Jouko Teeriaho (RAMK, 2006) LUKUTEORIAA JA ALGORITMEJA 3. Kongruenssit à 3.1 Jakojäännös ja kongruenssi Määritelmä 3.1 Kaksi lukua a ja b ovat keskenään kongruentteja (tai
LisätiedotDigitaalilaitteen signaalit
Digitaalitekniikan matematiikka Luku 3 Sivu 3 (9) Digitaalilaitteen signaalit Digitaalilaitteeseen tai -piiriin tulee ja siitä lähtee digitaalisia signaaleita yksittäisen signaalin arvo on kunakin hetkenä
LisätiedotAjattelemme tietokonetta yleensä läppärinä tai pöytäkoneena
Mikrotietokone Moderni tietokone Ajattelemme tietokonetta yleensä läppärinä tai pöytäkoneena Sen käyttötarkoitus on yleensä työnteko, kissavideoiden katselu internetistä tai pelien pelaaminen. Tietokoneen
LisätiedotLuento 2 Riskien arvioinnista
Luento 2 Riskien arvioinnista Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Termistöä Vaara (engl. hazard) Tarkoittaa ei-toivotun seuraamuksen (tappion, vahingon) toteutumisen mahdollisuutta Ei
LisätiedotOptimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely)
Optimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely) Markus Losoi 30.9.2013 Ohjaaja: DI Antti Toppila Valvoja: prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston
Lisätiedotjäsennyksestä TIEA241 Automaatit ja kieliopit, syksy 2016 Antti-Juhani Kaijanaho 29. syyskuuta 2016 TIETOTEKNIIKAN LAITOS Kontekstittomien kielioppien
TIEA241 Automaatit ja kieliopit, syksy 2016 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 29. syyskuuta 2016 Sisällys Harjoitustehtävätilastoa Tilanne 29.9.2016 klo 8:41 (lähes kaikki kommentoitu) passed
LisätiedotMat Sovellettu todennäköisyyslasku. Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat:
Mat-2.091 Sovellettu todennäköisyyslasku Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma, Ehdollinen todennäköisyys, Erotustapahtuma,
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
LisätiedotTurvallisuus prosessien suunnittelussa ja käyttöönotossa. Moduuli 2 Turvallisuus prosessilaitoksen suunnittelussa
Turvallisuus prosessien suunnittelussa ja käyttöönotossa Moduuli 2 Turvallisuus prosessilaitoksen suunnittelussa Moduuli 2: Turvallisuus prosessilaitoksen suunnittelussa PI-kaavio poikkeamatarkastelun
LisätiedotJuuri 4 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus. b) B = (3, 0, 5) K2. 8 ( 1)
Kertaus K1. a) OA i k b) B = (, 0, 5) K. K. a) AB (6 ( )) i () ( ( 7)) k 8i 4k AB 8 ( 1) 4 64116 819 b) 1 1 AB( ( 1)) i 1 i 4 AB ( ) ( 4) 416 0 45 5 K4. a) AB AO OB OA OB ( i ) i i i 5i b) Pisteen A paikkavektori
Lisätiedot3.1 Väliarvolause. Funktion kasvaminen ja väheneminen
Väliarvolause Funktion kasvaminen ja väheneminen LAUSE VÄLIARVOLAUSE Oletus: Funktio f on jatkuva suljetulla välillä I: a < x < b f on derivoituva välillä a < x < b Väite: On olemassa ainakin yksi välille
LisätiedotJohdatus todennäköisyyslaskentaan Verkot ja todennäköisyyslaskenta. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Verkot ja todennäköisyyslaskenta TKK (c) Ilkka Mellin (2004) 1 Verkot ja todennäköisyyslaskenta Puudiagrammit todennäköisyyslaskennassa: Johdatteleva esimerkki Todennäköisyyslaskenta
LisätiedotSähkövirran määrittelylausekkeesta
VRTAPRLASKUT kysyttyjä suureita ovat mm. virrat, potentiaalit, jännitteet, resistanssit, energian- ja tehonkulutus virtapiirin teho lasketaan Joulen laista: P = R 2 sovelletaan Kirchhoffin sääntöjä tuntemattomien
LisätiedotAlgebra. 1. Ovatko alla olevat väittämät tosia? Perustele tai anna vastaesimerkki. 2. Laske. a) Luku 2 on luonnollinen luku.
Algebra 1. Ovatko alla olevat väittämät tosia? Perustele tai anna vastaesimerkki. a) Luku on luonnollinen luku. b) Z c) Luvut 5 6 ja 7 8 ovat rationaalilukuja, mutta luvut ja π eivät. d) sin(45 ) R e)
LisätiedotDigitaalitekniikan matematiikka Luku 5 Sivu 1 (22) Lausekkeiden sieventäminen F C F = B + A C. Espresso F = A (A + B) = A A + A B = A B
igitaalitekniikan matematiikka Luku 5 Sivu (22).9.2 e = + = ( + ) = + = Espresso igitaalitekniikan matematiikka Luku 5 Sivu 2 (22).9.2 e Johdanto Tässä luvussa esitetään perusteet lausekemuodossa esitettyjen
LisätiedotDigitaalitekniikan matematiikka Luku 3 Sivu 1 (19) Kytkentäfunktiot ja perusporttipiirit
Digitaalitekniikan matematiikka Luku 3 Sivu (9) && Digitaalitekniikan matematiikka Luku 3 Sivu 2 (9) Johdanto Tässä luvussa esitetään digitaalilaitteen signaalit ja digitaalipiirien perustyypit esitellään
LisätiedotT Kevät 2003 Logiikka tietotekniikassa: erityiskysymyksiä I Laskuharjoitus 11 Ratkaisut
T-79.146 Kevät 2003 Logiikka tietotekniikassa: erityiskysymyksiä I Laskuharjoitus 11 Ratkaisut 1. M : a P P f Q, R Q e P a) M, a = A(P UQ), sillä (esim.) (a,,,,,...) on tilasta a alkava täysi polku, joka
LisätiedotLuento 8 Riskitekijöiden priorisointi
Luento 8 Riskitekijöiden priorisointi Ahti alo ysteemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto ahti.salo@aalto.fi 1 Riskien priorisointi Lähtökohtia Riskienhallintatoimenpiteet
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-200 Todennäköisyyslaskenta Tentti 29.04.20 / Kimmo Vattulainen Funktiolaskin sallittu.. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi kuutosen. A aloittaa
LisätiedotSIGNAALITEORIAN KERTAUSTA 1
SIGNAALITEORIAN KERTAUSTA 1 1 (26) Fourier-muunnos ja jatkuva spektri Spektri taajuuden funktiona on kompleksiarvoinen funktio, jonka esittäminen graafisesti edellyttää 3D-kuvaajan piirtämisen. Yleensä
LisätiedotEsteet, hyppyprosessit ja dynaaminen ohjelmointi
Esteet, hyppyprosessit ja dynaaminen ohjelmointi Juha Martikainen 4.10.2000 Oppikirjan sivut 83-87 ja 93-98 Optimointiopin seminaari - Syksy 2000 / 1 Esteet (määritelmät) Muistellaan menneitä: Ajelehtiva
Lisätiedot(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?
6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.
Lisätiedot(x, y) 2. heiton tulos y
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 2, 4, 6, 8, 11 Pistetehtävät: 3, 5, 9, 12 Ylimääräiset tehtävät: 7, 10, 13 Aiheet: Joukko-oppi Todennäköisyys ja sen määritteleminen
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
Lisätiedot