Luento 4 Vikapuuanalyysit
|
|
- Topi Lehtinen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Luento 4 Vikapuuanalyysit Ahti Salo Teknillinen korkeakoulu PL 1100, TKK 1
2 Vikapuuanalyysin vaiheet ❶ Ongelman ja reunaehtojen määrittely ❷ Vikapuun rakentaminen ❸ Minimikatkosjoukkojen tunnistaminen ❹ Kvalitatiivinen analyysi ❺ Kvantitatiivinen analyysi 2
3 ❶ 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 ❶ 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 Jäsentymätön ongelmankuvaus ja/tai epämääräiset rajaukset vievät pohjaa jatkoanalyyseiltä ja vaikeuttavat näiden tulkintaa 4
5 5
6 ❷ 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 ❸ 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 = Perustapahtumien joukko, joka aiheuttaa huipputapahtuman, mutta josta ei voida poistaa yhtään perustapahtumaa ilman, että jäljelle jäävät vikatapahtumat eivät johda huipputapahtuman toteutumiseen 7
8 8
9 ❸ 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 P( A) P( B) P( C) + P( A) P( B) P( D) = = Toisensa poissulkevien katkosjoukkojen todennäköisyyksien summa P( A) P( B) P( C) P( D) + P( A) P( B) P( C) P( D) + P( A) P( B) P( C) P( D) = =
13 ❹ 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 ❺ 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 P( T) = P( MKJ + MKJ ) = P( MKJ ) + P( MKJ ) P( T) = P( MKJ MKJ K MKJ ) = P( MKJ) P( MKJ MKJ ) + i < i i < i < i P( MKJ MKJ ) i 1 2 P( MKJ MKJ MKJ ) n+ 1...( 1) P( MKJ i MKJ ) 1 i K MKJ 2 in i < i < K < i n i i i i MKJ 2 MKJ 1 MKJ 3 i i 14
15 ❺ Kvantitatiivinen analyysi Summalausekkeiden avulla voidaan muodostaa approksimaatiot P( T) P( MKJ) = S i P( T) S P( MKJ 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 P( T) S Näistä S 1 on usein riittävä Perustapahtumien tn:t otettava huomioon» Jos nämä pieniä (esim. < 0.1), niin yhden lisätason mukaantuominen tarkoittaa vähintään yhtä kertaluokkaa pienempien kokonaistn:ien laskemista 1 S S P( T) S S S P( T) S S + S S S + S S P( T) S S + S M
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 laskennassa ollaan kiinnostuneita minikatkosjoukkojen unionin esittämisestä toistensa poissulkevina katkosjoukkoina» Nämä katkosjoukot eivät ole välttämättä minimaalisia Nämä voidaan tuottaa binäärisillä päätöskaavioilla (engl. binary decision diagram, BDD) Kunkin perustuman alla vasemmassa haarassa 0, oikeassa 1, yhdistelyt logiikkasäännöillä 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 P( T) = P( I ac+ I ac P) = P( I){ P( A+ B+ C D) + A B C D F} = P( I){ P( A) + P( B) + P( C D) P( A B) P( A C D) P( B C D) + P( A B C D) + P( A B C D F)} = P( I){ } = P( I) 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
25 Influenssarokotus (1/3) Rokotuskampanja Influenssaepidemian vakavuus vaihtelee vuosittain Sairastumistodennäköisyys riippuu siitä, miten vakavasta epidemiasta on kyse Erityisesti nuoret lapset, iäkkäät henkilöt ja kroonisesti sairastavat saattavat kärsiä influenssasta Kannattaako koko väestöä tai sen osia rokottaa, jos rokotus alentaa sairastumisnäköisyyden 8%:iin verrattuna tapaukseen, jossa rokotusta ei annettu? 25
26 26
27 Influenssarokotus (2/3) Rokotuksen vaikutus altistumiseen 27
28 28
Luento 4 Vikapuuanalyysit
Luento 4 Vikapuuanalyysit Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Vikapuuanalyysin vaiheet Ongelman ja reunaehtojen määrittely Vikapuun rakentaminen Minimikatkosjoukkojen tunnistaminen Kvalitatiivinen
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 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 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
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
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
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 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
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,
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
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
LisätiedotJoukot. Georg Cantor ( )
Joukot Matematiikassa on pyrkimys määritellä monimutkaiset asiat täsmällisesti yksinkertaisempien asioiden avulla. Tarvitaan jokin lähtökohta, muutama yleisesti hyväksytty ja ymmärretty käsite, joista
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
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,
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
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
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
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,
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
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
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:
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
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
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
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.
LisätiedotInsinöörimatematiikka A
Insinöörimatematiikka A Demonstraatio 3, 3.9.04 Tehtävissä 4 tulee käyttää Gentzenin järjestelmää kaavojen johtamiseen. Johda kaava φ (φ ) tyhjästä oletusjoukosta. ) φ ) φ φ 3) φ 4) φ (E ) (E ) (I, ) (I,
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).
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
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
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 + 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
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
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
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
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
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
LisätiedotReaalilukuvälit, leikkaus ja unioni (1/2)
Luvut Luonnolliset luvut N = {0, 1, 2, 3,... } Kokonaisluvut Z = {..., 2, 1, 0, 1, 2,... } Rationaaliluvut (jaksolliset desimaaliluvut) Q = {m/n m, n Z, n 0} Irrationaaliluvut eli jaksottomat desimaaliluvut
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
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
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
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 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
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
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
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
LisätiedotJos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan
17.11.2006 1. Kahdesta kohteesta (A ja K) kerättiin maanäytteitä ja näistä mitattiin SiO -pitoisuus. Tulokset (otoskoot ja otosten tunnusluvut): A K 10 16 Ü 64.94 57.06 9.0 7.29 Oletetaan mittaustulosten
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
LisätiedotSuora 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste
Suora 1/5 Sisältö KATSO MYÖS:, vektorialgebra, geometriset probleemat, taso Suora geometrisena peruskäsitteenä Pisteen ohella suora on geometrinen peruskäsite, jota varsinaisesti ei määritellä. Alkeisgeometriassa
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
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.
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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Todennäköisyyslaskennan käsitteitä Satunnaisuus ja deterministisyys Deterministisessä ilmiössä alkutila määrää lopputilan yksikäsitteisesti. Satunnaisilmiö puolestaan arpoo - yhdestä alkutilasta voi päätyä
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
LisätiedotLuku 8. Aluekyselyt. 8.1 Summataulukko
Luku 8 Aluekyselyt Aluekysely on tiettyä taulukon väliä koskeva kysely. Tyypillisiä aluekyselyitä ovat, mikä on taulukon välin lukujen summa tai pienin luku välillä. Esimerkiksi seuraavassa taulukossa
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
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
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
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
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
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
LisätiedotMS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 1: Moniulotteiset integraalit
MS-A35 ifferentiaali- ja integraalilaskenta 3 Luento : Moniulotteiset integraalit Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 26 Antti Rasila (Aalto-yliopisto) MS-A35 Syksy
LisätiedotMat Sovellettu todennäköisyyslasku. Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat:
Mat-2.091 Sovellettu todennäköisyyslasku Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma, Ehdollinen todennäköisyys, Erotustapahtuma,
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
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. 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
Lisätiedotja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2
Johdatus diskreettiin matematiikkaan Harjoitus 4, 7.10.2015 1. Olkoot c 0, c 1 R siten, että polynomilla r 2 c 1 r c 0 on kaksinkertainen juuri. Määritä rekursioyhtälön x n+2 = c 1 x n+1 + c 0 x n, n N,
LisätiedotEsimerkkejä vaativuusluokista
Esimerkkejä vaativuusluokista Seuraaville kalvoille on poimittu joitain esimerkkejä havainnollistamaan algoritmien aikavaativuusluokkia. Esimerkit on valittu melko mielivaltaisesti laitoksella tehtävään
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
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
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
LisätiedotV. V. Vazirani: Approximation Algorithms, luvut 3-4 Matti Kääriäinen
V. V. Vazirani: Approximation Algorithms, luvut 3-4 Matti Kääriäinen Luento omatoimisen luennan tueksi algoritmiikan tutkimusseminaarissa 23.9.2002. 1 Sisältö Esitellään ongelmat Steiner-puu Kauppamatkustajan
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
LisätiedotSekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä
Sekalaiset tehtävät, 11. syyskuuta 005, sivu 1 / 13 Tehtäviä Tehtävä 1. Johda toiseen asteen yhtälön ax + bx + c = 0, a 0 ratkaisukaava. Tehtävä. Määrittele joukon A R pienin yläraja sup A ja suurin alaraja
LisätiedotELMAS 4 Laitteiden kriittisyysluokittelu 8.2.2012 1/10. Ramentor Oy ELMAS 4. Laitteiden kriittisyysluokittelu. Versio 1.0
1/10 Ramentor Oy ELMAS 4 Laitteiden kriittisyysluokittelu Versio 1.0 2/10 SISÄLTÖ 1 Kuvaus... 3 2 Kriittisyysluokittelu ELMAS-ohjelmistolla... 4 2.1 Kohteen mallinnus... 4 2.2 Kriittisyystekijöiden painoarvojen
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
Lisätiedot1 Kannat ja kannanvaihto
1 Kannat ja kannanvaihto 1.1 Koordinaattivektori Oletetaan, että V on K-vektoriavaruus, jolla on kanta S = (v 1, v 2,..., v n ). Avaruuden V vektori v voidaan kirjoittaa kannan vektorien lineaarikombinaationa:
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)
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
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
LisätiedotKäytettävyysanalyysi
Käytettävyysanalyysi Käytettävyyttä ja kunnossapidon ennakoivaa kohdentamista. Lopputuloksena on : Analysoitua dataa laitoksen kriittisistä laitteista Havaintoja ja parannusehdotuksia prosessista. Lausunto
Lisätiedot= 5! 2 2!3! = = 10. Edelleen tästä joukosta voidaan valita kolme särmää yhteensä = 10! 3 3!7! = = 120
Tehtävä 1 : 1 Merkitään jatkossa kirjaimella H kaikkien solmujoukon V sellaisten verkkojen kokoelmaa, joissa on tasan kolme särmää. a) Jokainen verkko G H toteuttaa väitteen E(G) [V]. Toisaalta jokainen
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
LisätiedotMonimutkaisten järjestelmien toimintavarmuuden parantaminen Jussi Kangaspunta ja Ahti Salo
Monimutkaisten järjestelmien toimintavarmuuden parantaminen 22..202 Jussi Kangaspunta ja Ahti Salo Taustaa Yhteiskunnan turvallisuusstrategia ja elintärkeiden toimintojen turvaaminen Esim. myrskyjen aiheuttamat
LisätiedotTEHTÄVIEN RATKAISUT. Luku Kaikki luvut on kokonaislukuja. Luonnollisia lukuja ovat 35, 7 ja 0.
TEHTÄVIEN RATKAISUT Luku.. Kaikki luvut on kokonaislukuja. Luonnollisia lukuja ovat, 7 ja 0.. a) Luvun vastaluku on, koska + ( ) 0. b) Luvun 7 vastaluku on 7, koska 7 + ( 7) 0. c) Luvun 0 vastaluku on
LisätiedotEsimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
Lisätiedot1. laskuharjoituskierros, vko 4, ratkaisut
1. laskuharjoituskierros, vko 4, ratkaisut D1. Heitetään kahta virheetöntä noppaa, joiden kuudella tahkolla on silmäluvut 1, 2, 3, 4, 5 ja 6. Tällöin heittotuloksiin liittyvä otosavaruus on S = {(x, y)
LisätiedotOhjelmoinnin perusteet Y Python
Ohjelmoinnin perusteet Y Python T-106.1208 12.4.2010 T-106.1208 Ohjelmoinnin perusteet Y 12.4.2010 1 / 34 Graafiset käyttöliittymät Tähän asti kirjoitetuissa ohjelmissa on ollut tekstipohjainen käyttöliittymä.
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
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
Lisätiedotv 8 v 9 v 5 C v 3 v 4
Verkot Verkko on (äärellinen) matemaattinen malli, joka koostuu pisteistä ja pisteitä toisiinsa yhdistävistä viivoista. Jokainen viiva yhdistää kaksi pistettä, jotka ovat viivan päätepisteitä. Esimerkiksi
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotJohdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
LisätiedotAlgoritmit 1. Luento 7 Ti Timo Männikkö
Algoritmit 1 Luento 7 Ti 31.1.2017 Timo Männikkö Luento 7 Järjestetty binääripuu Binääripuiden termejä Binääripuiden operaatiot Solmun haku, lisäys, poisto Algoritmit 1 Kevät 2017 Luento 7 Ti 31.1.2017
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
Lisätiedotmissä on myös käytetty monisteen kaavaa 12. Pistä perustelut kohdilleen!
Matematiikan johdantokurssi Kertausharjoitustehtävien ratkaisuja/vastauksia/vihjeitä. Osoita todeksi logiikan lauseille seuraava: P Q (P Q). Ratkaisuohje. Väite tarkoittaa, että johdetut lauseet P Q ja
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
Lisätiedot