0.08 bussimatkustajaa ei-bussimatkustajaa
|
|
- Satu Karjalainen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Riski R f C (a) Tarkastellaan kuolemaan johtaneita onnettomuuksia f bussi 13 onnettomuutta f muut 13 onnettomuutta 3 tulipalokuolemaa onnettomus 3 tulipalokuolemaa onnettomus 8 bussimatkustajaa tulipalokuolema 92 ei-bussimatkustajaa tulipalokuolema bussimatkustajaa ei-bussimatkustaa (b) f bussi 13 onnettomuutta 1 kuolemantapausta mailia per bussi 448 bussia maili f muut 13 onnettomuutta mailia per bussi 448 bussia (c) R 13 onnettomuutta bussia t t 115 vuotta 42 päivää kuolemantapausta maili 2 (a) Järjestetään skenaariot menetystason mukaan (C 1 C 2 C n ) ja lasketaan todennäköisyydet mentetystasojen saavuttamiselle: Seuraus Todennäköisyys Todennäköisyys saavuttaa taso C 1 p 1 p 1 + p 2 + p 3 + p n C 2 p 2 p 2 + p 3 + p n C n 1 p n 1 p n 1 + p n C n p n p n Seuraus Todennäköisyys Todennäköisyys saavuttaa taso Farmerin käyrä: x-akselilla menetykset, y-akselilla todennäköisyys (aidosti) ylittää x Vasemmalla lineaarinen asteikko, oikealla log-log-asteikko Yleensä suuria tappioita halutaan välttää suhteessa enemmän kuin pieniä tappioita Farmer esitti, että jos on hyväksyttävää, että seuraustaso x ylitetään todennäköisyydellä p, on myös
2 hyväksyttävää, että seuraustaso 2x ylitetään todennäköisyydellä p/2 (myöhemmin tätä sääntöä on tarkennettu ja peräti standardoitu, lisää luennolla 9: riskivertailut) LogLog-asteikolla tämä relaatio muodostaa suoran, jota voidaan käyttää Farmerin käyrän määrittämän riskiprofiilin analysointiin Tässä tapauksessa vasemmanpuoleinen käyrästä huomaa, että Voimalan räjähdys muodostaa keskeisen osan laitoksen tapaturma-alittiudesta Jos kuitenkin oletetaan, että Voimalan räjähdys skenaario voidaan sinänsä hyväksyä riskinä (sillä se on joka tapauksessa hyvin harvinainen), nähdään piirtämällä oikeanpuoliseen kuvaan Farmirin esittämä suora, että itse asiassa koko laitoksen riskiprofiili alittaa siedettävän rajan (b) Todennäköisyys, että kuolemantapauksia tulee yli sata vuodessa voidaan lukea taulukosta tai Farmerin käyrältä kohdasta C 8 (todennäköisyys, että onnettomuudessa tulee uhreja 1 < C < 8 ) Saadaan vastaukseksi: P r(c 1) P r(c 8) (a) Voimalaitostyyppien Farmerin käyrät saadaan määrittelemällä millä todennäköisyydellä tapahtuu vähintään k kpl rikkisuodattiminen rikkoutumisia kyseisille voimalatyypille Oletetaan, että voimaloiden rikkisuodattimien rikkoutuminen on riippumaton muiden voimaloiden rikkisuodattimen rikkoutumisesta Tällöin rikkisuodattimien rikkoutumisten lukumäärä K noudattaa binomijakaumaa parametrein n ja p, missä n 1 on voimaloiden lukumäärä ja p on rikkisuodattimien rikkoutumistodennäköisyys voimalatyypille Todennäköisyys, että tasan k voimalaitosta vikaantuu on ( ) n P r(k k) p k (1 p) n k, k ja kun k rikkisuodatinta vikaantuu aiheutuu kokonaispäästö, joka on k c, missä c on päästön suuruus yhdestä rikkoutumisesta Farmerin käyrät määrittää todennäköisyys P r(k > k) 1 P r(k k) 1 k i ( ) n p i (1 p) n i, i ja sitä vastaavat seuraamustasot c 1k (laitos A) ja c 1k (laitos B), yksikkö g Kaavan perusteella voimalaitostyypille B todennäköisyys, että tappiotaso on yli g on P r(k > ) 1 ( ) 1 1 (1 1) ja että tappiotaso on yli 1 g on P r(k > 1) 1 ((1 632) + ( ) (1 1) 1 1 ) 264
3 Laitostyyppi A:n todennäköisyydet voidaan laskea myös approksimoimalla binomijakaumaa normaalijakaumalla: Jos muuttuja noudattaa binomijakaumaa parametrilla n ja p, voidaan sitä approksimoida normaalijakaumalla N(µ np, σ 2 np(1 p)) (seurausta suurten lukujen laista) Approksimaatio on hyvä jos n on suuri (yleensä n > 2) ja jos p ei ole lähellä tai 1 (suhteessa n:ään) Tällöin voidaan laskea, että ( ) k np P r(k > k) 1 P r(k k) 1 Φ, np(1 p) missä Φ on standardinormaalijakauman kertymäfunktio Kertymäfunktion Φ arvot löytyvät taulukoista, eli tarpeen tullen Farmerin käyrä voidaan laskea jopa käsin Laitostyyppiä B käsitellessä nähdään jo Farmerin käyrästä (josta oleellisesti kertymäfunktio käy ilmi), että approksimointi normaalijakaumalla, joka on jatkuva ja symmetrinen, ei voi antaa kovinkaan hyvää tulosta Tässä kuitenkin todennäköisyydet pienenevät nopeasti mitättömän pieniksi, eli vaikka periaatteessa olisi mahdollista, että yli 1 suodatinta rikkoontuu samanaikaisesti, mikä aiheuttaisi 1 g/ päästöt, on se niin epätodennäköistä (tn < 1 9 ), että siihen liittyvä riski voidaan jättää tarkastelun ulkopuolelle Näin ollen voitaisiin myös tämä todennäköisyys laskea käsin Tarkat Farmerin käyrät voidaan piirtää esim Mathematicalla Ohessa Matlab-koodi: N_laitokset1;x[:1:N_laitokset]; PrA1;PrB1; SO2A1;SO2B1; figure; stairs(x*so2a,1-binocdf(x,n_laitokset,pra), k-, LineWidth,2); hold on; stairs(x*so2b,1-binocdf(x,n_laitokset,prb), r-*, LineWidth,2); legend( Laitos A, Laitos B );
4 xlabel( Päästöt g/m^3 );ylabel( Pr ); xlim([ 4]);ylim([ 1]); (b) Laitostyyppi A aiheuttaa yli 1 g/ rikkidioksidipäästön 47% todennäköisyydellä Vastaavasti laitostyyppi B 26% todennäköisyydellä Arvot voidaan katsoa Farmerin käyrästä (c) Laitostyyppi A aiheuttaa yli 2 g/ rikkidioksidipäästön % todennäköisyydellä Vastaavasti laitostyyppi B 8% todennäköisyydellä (d) Tiedetään, että laitostyypin B rikkoutuessa vapautuu 1 g/ tällöin sallitu 2 g/ raja ylittyy, jos suodattimia rikkoutuu enemmän kuin 2 kpl Määritetään haluttu rikkoutumistodennäköisyys: P r(k > 2) 5% 1 P r(k 2) 5% Ratkaisu esim Mathematican Solve komennolla antaa vastauksen p Rikkisuodattimien vikaantumistodennäköisyyttä on siis vähennettävä noin 2 % Käytännössä vikaantumistodennäköisyyttä voitaisiin pienentää esim vaihtamalla laadukkaampiin suodattimiin, vähentämällä suodattimen rasitusta(eli vähentämällä laitoksen tehoa), parantamalla suodattimen huoltoa tai lisäämällä varasuodattimia 4 Verrataan teknologioiden aggregoituja riskejä Riski R N i1 P ic i, missä P i on seurauksen i todennäköisyys ja C i on seurauksen i taso Jatkuville funktioille R altistustaso Teknologialle A: C(x) 1 x P (x) Teknologialle B: R A C(x) 1x P (x) { x, x 5, x > 5 C(x)P (x)dx ( x)1x dx 2 1 x dx 2 x1 x dx x dx 2 ( 5 x1 x 5 25 ln 1 1 ln x 5 ln 1 2 ( 5 x1 x 25 ln x ) ln 1 ln (15 ln 1 ) 2 25 { x 8, x 4, x > 4 ) 1 x dx ( ln 1 1 ln 1 (15 1 ln 1 ) ) 1587 P (x)c(x)dx, missä x on
5 R B C(x)P (x)dx + 1x x 8 dx x2 dx teknologiassa A on suurempi odotusarvoinen menetys 4 x3 C(x)P (x)dx 1x dx Riskejä voi verrata myös Farmerin käyrän avulla Todennäköisyys ylittää altistustaso x saadaan kaavalla π(x) 1 x P (t) dt, jolloin todennäköisyys ylittää menetys c saadaan sijoittamalla yllä olevaan kaavaan x C 1 (c), missä C 1 on menetysfunktion käänteisfunktio (teknologialle A: C 1 (c) ln c/ ln 1 ja teknologialle B: C 1 (x) c/1) Farmerin käyrä saadaan siis piirtämällä käyrä π(c 1 (c)) Log-logaritminen asteikko (x-akselilla menetys, y-akselilla todennäköisyys ylittää menetys, Teknologia A sininen käyrä ja Teknologia B violetti käyrä)
Mat-2.091 Sovellettu todennäköisyyslasku 5. harjoitukset/ratkaisut. Jatkuvat jakaumat
Mat-2.09 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Jatkuvat jakaumat Avainsanat: Binomijakauma, Eksponenttijakauma, Jatkuva tasainen jakauma, Kertymäfunktio, Mediaani, Normaaliapproksimaatio, Normaalijakauma,
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1
LisätiedotIntegrointi ja sovellukset
Integrointi ja sovellukset Tehtävät:. Muodosta ja laske yläsumma funktiolle fx) x 5 välillä [, 4], kun väli on jaettu neljään yhtä suureen osaan.. Määritä integraalin x + ) dx likiarvo laskemalla alasumma,
Lisätiedota) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki. 8 3 + 4 2 0 = 16 3 = 3 1 3.
Integraalilaskenta. a) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki. b) Mitä määrätty integraali tietyllä välillä x tarkoittaa? Vihje: * Integraali * Määrätyn integraalin
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
LisätiedotTestit järjestysasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 2 Lisää osamurtoja Tutkitaan jälleen rationaalifunktion P(x)/Q(x) integrointia. Aiemmin käsittelimme tapauksen, jossa nimittäjä voidaan esittää muodossa Q(x) = a(x x
LisätiedotDiskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma
Diskreetit todennäköisyysjakaumat Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Satunnaismuuttuja Satunnaisilmiö on ilmiö, jonka lopputulokseen sattuma vaikuttaa Satunnaismuuttuja on muuttuja,
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
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
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
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 4: Ketjusäännöt ja lineaarinen approksimointi
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 4: Ketjusäännöt ja lineaarinen approksimointi Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu
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
LisätiedotMat Sovellettu todennäköisyyslaskenta B
Mat-1.2620 Sovellettu todennäköisslaskenta B 1. välikoe 08.03.2011 / Kibble Kirjoita selvästi jokaiseen koepaperiin seuraavat tiedot: Mat-1.2620 SovTnB 1. vk 08.03.2011 opiskelijanumero + kirjain TEKSTATEN
LisätiedotYlioppilastutkintolautakunta S t u d e n t e x a m e n s n ä m n d e n
Ylioilastutkintolautakunta S t u d e n t e x a m e n s n ä m n d e n MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 904 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten iiteiden, sisältöjen ja isteitysten luonnehdinta
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
LisätiedotMEI Kontinuumimekaniikka
MEI-55300 Kontinuumimekaniikka 1 MEI-55300 Kontinuumimekaniikka 3. harjoitus matemaattiset peruskäsitteet, kinematiikkaa Ratkaisut T 1: Olkoon x 1, x 2, x 3 (tai x, y, z) suorakulmainen karteesinen koordinaatisto
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
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
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
LisätiedotKurssikoe on maanantaina 29.6. Muista ilmoittautua kokeeseen viimeistään 10 päivää ennen koetta! Ilmoittautumisohjeet löytyvät kurssin kotisivuilla.
HY / Avoin ylioisto Johdatus yliopistomatematiikkaan, kesä 201 Harjoitus 7 Ratkaisut palautettava viimeistään perjantaina 26.6.201 klo 16.00. Huom! Luennot ovat salissa CK112 maanantaista 1.6. lähtien.
LisätiedotTampere University of Technology
Tampere University of Technology EDE- Introduction to Finite Element Method. Exercise 3 Autumn 3.. Solve the deflection curve v(x) exactly for the beam shown y,v q v = q z, xxxx x E I z Integroidaan yhtälö
LisätiedotXXIII Keski-Suomen lukiolaisten matematiikkakilpailu 23.1.2014, tehtävien ratkaisut
XXIII Keski-Suomen lukiolaisten matematiikkakilpailu 23.1.2014, tehtävien ratkaisut 1. Avaruusalus sijaitsee tason origossa (0, 0) ja liikkuu siitä vakionopeudella johonkin suuntaan, joka ei muutu. Tykki
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
Lisätiedot1 2 x2 + 1 dx. (2p) x + 2dx. Kummankin integraalin laskeminen oikein (vastaukset 12 ja 20 ) antaa erikseen (2p) (integraalifunktiot
Helsingin yliopisto, Itä-Suomen yliopisto, Jyväskylän yliopisto, Oulun yliopisto, Tampereen yliopisto ja Turun yliopisto Matematiikan valintakoe (Ratkaisut ja pisteytys) 500 Kustakin tehtävästä saa maksimissaan
LisätiedotMatlabin perusteita Grafiikka
BL40A0000 SSKMO KH 1 Seuraavassa esityksessä oletuksena on, että Matlabia käytetään jossakin ikkunoivassa käyttöjärjestelmässä (PC/Win, Mac, X-Window System). Käytettäessä Matlabia verkon yli joko tekstipäätteeltä,
LisätiedotTilastomatematiikka TUDI
Miika Tolonen http://www.mafy.lut.fi/tilmattudi Laboratory of Applied Mathematics Lappeenranta University of Technology 10. syyskuuta 2014 Sisältö I Johdanto 1 Johdanto 2 Satunnaiskokeet ja satunnaismuuttujat
LisätiedotTässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa.
Laskuharjoitus 1A Mallit Tässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa. 1. tehtävä %% 1. % (i) % Vektorit luodaan
LisätiedotLuku 4. Derivoituvien funktioiden ominaisuuksia.
1 MAT-1343 Laaja matematiikka 3 TTY 1 Risto Silvennoinen Luku 4 Derivoituvien funktioiden ominaisuuksia Derivaatan olemassaolosta seuraa funktioille eräitä säännöllisyyksiä Näistä on jo edellisessä luvussa
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Suunnattu derivaatta Aluksi tarkastelemme vektoreita, koska ymmärrys vektoreista helpottaa alla olevien asioiden omaksumista. Kun liikutaan tasossa eli avaruudessa
LisätiedotF {f(t)} ˆf(ω) = 1. F { f (n)} = (iω) n F {f}. (11) BM20A5700 - INTEGRAALIMUUNNOKSET Harjoitus 10, viikko 46/2015. Fourier-integraali:
BMA57 - INTEGRAALIMUUNNOKSET Harjoitus, viikko 46/5 Fourier-integraali: f(x) A() π B() π [A() cos x + B() sin x]d, () Fourier-muunnos ja käänteismuunnos: f(t) cos tdt, () f(t) sin tdt. (3) F {f(t)} ˆf()
LisätiedotPythagoraan polku 16.4.2011
Pythagoraan polku 6.4.20. Todista väittämä: Jos tasakylkisen kolmion toista kylkeä jatketaan omalla pituudellaan huipun toiselle puolelle ja jatkeen päätepiste yhdistetään kannan toisen päätepisteen kanssa,
LisätiedotLineaarialgebra MATH.1040 / voima
Lineaarialgebra MATH.1040 / voima 1 Seuraavaksi määrittelemme kaksi vektoreille määriteltyä tuloa; pistetulo ja. Määritelmät ja erilaiset tulojen ominaisuudet saattavat tuntua, sekavalta kokonaisuudelta.
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
LisätiedotTestit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
Lisätiedotinfoa Viikon aiheet Potenssisarja a n = c n (x x 0 ) n < 1
infoa Viikon aiheet Tentti ensi viikolla ma 23.0. klo 9.00-3.00 Huomaa, alkaa tasalta! D0 (Sukunimet A-) E204 (Sukunimet S-Ö) Mukaan kynä ja kumi. Ei muuta materiaalia. Tentissä kaavakokoelma valmiina.
Lisätiedot2 dy dx 1. x = y2 e x2 2 1 y 2 dy = e x2 xdx. 2 y 1 1. = ex2 2 +C 2 1. y =
BM20A5830 Differentiaaliyhtälöiden peruskurssi Harjoitus 2, Kevät 207 Päivityksiä: Tehtävän 4b tehtävänanto korjattu ja vastauksia lisätty.. Ratkaise y, kun 2y x = y 2 e x2. Jos y () = 0 niin mikä on ratkaisu
LisätiedotELEC-C5210 Satunnaisprosessit tietoliikenteessä Harjoitus M1,
ELEC-C5210 Satunnaisprosessit tietoliikenteessä Harjoitus M1, 16.3.2017 1. Syntaksista, vektoreista ja matriiseista: Tehtävän eri kohdat on tehtävä järjestyksessä. Myöhemmissä kohdissa oletetaan, että
Lisätiedot4. laskuharjoituskierros, vko 7, ratkaisut
4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.
LisätiedotIV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n
IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee
LisätiedotLuku 7 Työ ja energia. Muuttuvan voiman tekemä työ Liike-energia
Luku 7 Työ ja energia Muuttuvan voiman tekemä työ Liike-energia Tavoitteet: Selittää työn käsite Mallittaa voiman tekemä työ Mallittaa liike-energian ja työn keskinäinen riippuvuus Esitiedot Newtonin lait
LisätiedotFysiikan perusteet. Liikkeet. Antti Haarto 22.05.2012. www.turkuamk.fi
Fysiikan perusteet Liikkeet Antti Haarto.5.1 Suureita Aika: tunnus t, yksikkö: sekunti s Paikka: tunnus x, y, r, ; yksikkö: metri m Paikka on ektorisuure Suoraiiaisessa liikkeessä kappaleen paikka (asema)
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotMS-A0107 Differentiaali- ja integraalilaskenta 1 (CHEM)
. Lasketaan valmiiksi derivaattoja ja niiden arvoja pisteessä x = 2: f(x) = x + 3x 3 + x 2 + 2x + 8, f(2) = 56, f (x) = x 3 + 9x 2 + 2x + 2, f (2) = 7, f (x) = 2x 2 + 8x + 2, f (2) = 86, f (3) (x) = 2x
Lisätiedot4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotLataa ilmaiseksi mafyvalmennus.fi/mafynetti. Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla!
Miten opit parhaiten? Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla! n Harjoittelu tehdään aktiivisesti tehtäviä ratkomalla. Tehtävät kattavat kaikki yo-kokeessa
Lisätiedotcos x 13 12 cos 2x dx a) symbolisesti, b) numeerisesti. Piirrä integroitavan funktion kuvaaja. Mikä itse asiassa on integraalin arvo?
Aalto-yliopisto, Matematiikan ja Systeemianalyysin laitos Matlab-tehtäviä, käyrän sovitus -e Differentiaali- ja integraalilaskenta 1. Laske integraali 2π cos x 13 12 cos 2x dx a) symbolisesti, b) numeerisesti.
LisätiedotELEC-C7230 Tietoliikenteen siirtomenetelmät
ELEC-C7230 Tietoliikenteen siirtomenetelmät Laskuharjoitus 8 - ratkaisut 1. Tehtävässä on taustalla ajatus kantoaaltomodulaatiosta, jossa on I- ja Q-haarat, ja joka voidaan kuvata kompleksiarvoisena kantataajuussignaalina.
Lisätiedotf (28) L(28) = f (27) + f (27)(28 27) = = (28 27) 2 = 1 2 f (x) = x 2
BMA581 - Differentiaalilaskenta ja sovellukset Harjoitus 4, Syksy 15 1. (a) Olisiko virhe likimain.5, ja arvio antaa siis liian suuren arvon. (b) Esim (1,1.5) tai (,.5). Funktion toinen derivaatta saa
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kertausluento 2. välikokeeseen Toisessa välikokeessa on syytä osata ainakin seuraavat asiat:. Potenssisarjojen suppenemissäde, suppenemisväli ja suppenemisjoukko. 2. Derivaatan
Lisätiedot3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =
BM20A5810 Differentiaalilaskenta ja sovellukset Harjoitus 6, Syksy 2016 1. (a) Olkoon z = z(x,y) = yx 1/2 + y 1/2. Muodosta z:lle lineaarinen approksimaatio L(x,y) siten että approksimaation ja z:n arvot
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
LisätiedotDemo 1: Excelin Solver -liitännäinen
MS-C2105 Optimoinnin perusteet Malliratkaisut 1 Ehtamo Demo 1: Excelin Solver -liitännäinen Ratkaise tehtävä käyttäen Excelin Solveria. max 3x 1 + x 2 s.e. 2x 1 + 5x 2 8 4x 1 + 2x 2 5 x 1, x 2 0 Ratkaisu
LisätiedotDierentiaaliyhtälöistä
Dierentiaaliyhtälöistä Markus Kettunen 4. maaliskuuta 2009 1 SISÄLTÖ 1 Sisältö 1 Dierentiaaliyhtälöistä 2 1.1 Johdanto................................. 2 1.2 Ratkaisun yksikäsitteisyydestä.....................
LisätiedotJohdatus tn-laskentaan perjantai 17.2.2012
Johdatus tn-laskentaan perjantai 17.2.2012 Kahden diskreetin muuttujan yhteisjakauma On olemassa myös monen muuttujan yhteisjakauma, ja jatkuvien muuttujien yhteisjakauma (jota ei käsitellä tällä kurssilla;
Lisätiedot1/6 TEKNIIKKA JA LIIKENNE FYSIIKAN LABORATORIO V1.31 9.2011
1/6 333. SÄDEOPTIIKKA JA FOTOMETRIA A. INSSIN POTTOVÄIN JA TAITTOKYVYN MÄÄRITTÄMINEN 1. Työn tavoite. Teoriaa 3. Työn suoritus Työssä perehdytään valon kulkuun väliaineissa ja niiden rajapinnoissa sädeoptiikan
LisätiedotRiemannin pintojen visualisoinnista
Riemannin pintojen visualisoinnista eli Funktioiden R R kuvaajat Simo K. Kivelä 7.7.6 Tarkastelun kohteena olkoon kompleksimuuttujan kompleksiarvoinen funktio f : C C, f(z) = w eli f(x + iy) = u(x, y)
LisätiedotLaskuharjoitus 2 ( ): Tehtävien vastauksia
TT12S1E Tietoliikenteen perusteet Metropolia/A. Koivumäki Laskuharjoitus 2 (11.9.2013): Tehtävien vastauksia 1. Eräässä kuvitteellisessa radioverkossa yhdessä radiokanavassa voi olla menossa samanaikaisesti
Lisätiedotlinux: koneelta toiselle
L8: linux linux: arkistointi tar liittää useampia tiedostoja yhteen samaan arkistoon (engl. archive) Esimerkki 1 tar cvf arkisto.tar *.DAT luo arkiston arkisto.tar, joka sisältää kaikki.dat loppuiset tiedostot
LisätiedotPIIRIANALYYSI. Harjoitustyö nro 7. Kipinänsammutuspiirien mitoitus. Mika Lemström
PIIRIANAYYSI Harjoitustyö nro 7 Kipinänsammutuspiirien mitoitus Mika emström Sisältö 1 Johdanto 3 2 RC-suojauspiiri 4 3 Diodi suojauspiiri 5 4 Johtopäätos 6 sivu 2 [6] Piirianalyysi Kipinänsammutuspiirien
LisätiedotDifferentiaaliyhtälöt I Ratkaisuehdotuksia, 2. harjoitus, kevät Etsi seuraavien yhtälöiden yleiset ratkaisut (Tässä = d
Differentiaaliyhtälöt I Ratkaisuehdotuksia,. harjoitus, kevät 016 1. Etsi seuraavien yhtälöiden yleiset ratkaisut (Tässä = d dx ): (a) y + xy = xe x, (b) (1 + x ) y xy = (1 + x ), (c) y sin x y = 1 cos
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 9 Ti 4.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 9 Ti 4.10.2011 p. 1/44 p. 1/44 Funktion approksimointi Etsitään p siten, että p f, mutta ei vaadita, että
LisätiedotMS-A0107 Differentiaali- ja integraalilaskenta 1 (CHEM)
MS-A17 Differentiaali- ja integraalilaskenta 1 CHEM) Laskuharjoitus 4lv, kevät 16 1. Tehtävä: Laske cos x dx a) osittaisintegroinnilla, b) soveltamalla sopivaa trigonometrian kaavaa. Ratkaisu: a) Osittaisintegroinnin
LisätiedotHangon liikenneturvallisuussuunnitelma: Onnettomuustarkastelut
Hangon liikenneturvallisuussuunnitelma: Onnettomuustarkastelut 5/2019 HUOM! Hangossa tilastopohja on hyvin pieni, joten analyysit/tulkinnat ovat rajallisia. Tiivistelmä Onnettomuuskehitys yleisesti Hangon
Lisätiedot11 Raja-arvolauseita ja approksimaatioita
11 Raja-arvolauseita ja approksimaatioita Tässä luvussa esitellään sellaisia kuuluisia todennäköisyysteorian raja-arvolauseita, joita sovelletaan usein tilastollisessa päättelyssä. Näiden raja-arvolauseiden
Lisätiedot3 x 1 < 2. 2 b) b) x 3 < x 2x. f (x) 0 c) f (x) x + 4 x 4. 8. Etsi käänteisfunktio (määrittely- ja arvojoukkoineen) kun.
Matematiikka KoTiA1 Demotehtäviä 1. Ratkaise epäyhtälöt x + 1 x 2 b) 3 x 1 < 2 x + 1 c) x 2 x 2 2. Ratkaise epäyhtälöt 2 x < 1 2 2 b) x 3 < x 2x 3. Olkoon f (x) kolmannen asteen polynomi jonka korkeimman
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio.
MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Riikka Korte Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto
LisätiedotOletetaan, että funktio f on määritelty jollakin välillä ]x 0 δ, x 0 + δ[. Sen derivaatta pisteessä x 0 on
Derivaatta Erilaisia lähestymistapoja: geometrinen (käyrän tangentti sekanttien raja-asentona) fysikaalinen (ajasta riippuvan funktion hetkellinen muutosnopeus) 1 / 13 Derivaatan määritelmä Määritelmä
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
LisätiedotJohdatus tn-laskentaan torstai 16.2.2012
Johdatus tn-laskentaan torstai 16.2.2012 Muunnoksen jakauma (ei pelkkä odotusarvo ja hajonta) Satunnaismuuttujien summa; Tas ja N Vakiokerroin (ax) ja vakiolisäys (X+b) Yleinen muunnos: neulanheittoesimerkki
Lisätiedotintegraali Integraalifunktio Kaavoja Integroimiskeinoja Aiheet Linkkejä Integraalifunktio Kaavoja Integroimiskeinoja Määrätty integraali
integraali 1 Matta-projekti(Aalto yliopisto): Integraali (http://matta.hut.fi/matta2/isom/html/isomli8.html ) Johdatus korkeakoulumatematiikkaan (Tampereen teknillinen korkeakoulu): Integraali (http://matwww.ee.tut.fi/jkkm/integraa/integ01.htm
LisätiedotYleiset lineaarimuunnokset
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Kari Tuominen Yleiset lineaarimuunnokset Matematiikan ja tilastotieteen laitos Matematiikka Toukokuu 29 Tampereen yliopisto Matematiikan ja tilastotieteen laitos
Lisätiedotẋ(t) = s x (t) + f x y(t) u x x(t) ẏ(t) = s y (t) + f y x(t) u y y(t),
Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Mat-2.4129 Systeemien Identifiointi 1. harjoituksen ratkaisut 1. Tarkastellaan maita X ja Y. Olkoon näiden varustelutaso
Lisätiedot1. Olkoon f :, Ratkaisu. Funktion f kuvaaja välillä [ 1, 3]. (b) Olkoonε>0. Valitaanδ=ε. Kun x 1 <δ, niin. = x+3 2 = x+1, 1< x<1+δ
Matematiikan tilastotieteen laitos Differentiaalilaskenta, syksy 2015 Lisätehtävät 1 Ratkaisut 1. Olkoon f :, x+1, x 1, f (x)= x+3, x>1 Piirrä funktion kuvaa välillä [ 1, 3]. (a) Tutki ra-arvon (ε, δ)-määritelmän
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotARVIOINTIPERIAATTEET
PSYKOLOGIAN YHTEISVALINNAN VALINTAKOE 2012 ARVIOINTIPERIAATTEET Copyright Helsingin yliopisto, käyttäytymistieteiden laitos, Materiaalin luvaton kopiointi kielletty. TEHTÄVÄ 1. (max. 34.5 pistettä) 1 a.i)
LisätiedotEksponenttifunktio ja Logaritmit, L3b
ja Logaritmit, L3b eksponentti-funktio Eksponentti-funktio Linkkejä kurssi8, / Etälukio (edu.) kurssi8, logaritmifunktio / Etälukio (edu.) Potenssifunktio y = f (x) = 2 Vakiofunktion y = a kuvaaja on vaakasuora
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 27. syyskuuta 2007 Antti Rasila () TodB 27. syyskuuta 2007 1 / 15 1 Diskreetit jakaumat Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen
LisätiedotLineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / Ratkaisut
MS-C34 Lineaarialgebra ja differentiaaliyhtälöt, IV/26 Lineaarialgebra ja differentiaaliyhtälöt Harjoitus 4 / t Alkuviikon tuntitehtävä Hahmottele matriisia A ( 2 6 3 vastaava vektorikenttä Matriisia A
LisätiedotHypoteesin testaus Alkeet
Hypoteesin testaus Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Johdanto Kokeellinen tutkimus: Varmennetaan teoreettista olettamusta fysikaalisen systeemin käyttäytymisestä
LisätiedotStokesin lause LUKU 5
LUU 5 Stokesin lause 5.1. Integrointi monistolla Olkoot W R k alue, W kompakti Jordan-joukko ja ω jatkuva k-muoto alueessa W, ω f dx 1 dx k. Asetetaan ω : f, t.s. f dx 1 dx k : f(x dx f(x 1,, x k dx 1
LisätiedotMatemaattinen Analyysi
Vaasan liopisto, kevät 2015 / ORMS1010 Matemaattinen Analsi 8. harjoitus, viikko 18 R1 ma 16 18 D115 (27.4.) R2 ke 12 14 B209 (29.4.) 1. Määritä funktion (x) MacLaurinin sarjan kertoimet, kun (0) = 2 ja
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta
LisätiedotViikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi
Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 5.-7.11.2008. 1 Tällä viikolla Sisältösuunnitelma: Ennustamisstrategioista Koneoppimismenetelmiä: k-nn (luokittelu
LisätiedotNumeeriset menetelmät Pekka Vienonen
Numeeriset menetelmät Pekka Vienonen 1. Funktion nollakohta Newtonin menetelmällä 2. Määrätty integraali puolisuunnikassäännöllä 3. Määrätty integraali Simpsonin menetelmällä Newtonin menetelmä Newtonin
LisätiedotValitse ruudun yläosassa oleva painike Download Scilab.
Luku 1 Ohjeita ohjelmiston Scilab käyttöön 1.1 Ohjelmiston lataaminen Ohjeet ohjelmiston lataamiseen Windows-koneelle. Mene verkko-osoitteeseen www.scilab.org. Valitse ruudun yläosassa oleva painike Download
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien
LisätiedotTalousmatematiikan perusteet: Luento 16. Integraalin käsite Integraalifunktio Integrointisääntöjä
Talousmatematiikan perusteet: Luento 16 Integraalin käsite Integraalifunktio Integrointisääntöjä Integraalin käsite Tarkastellaan auton nopeusmittarilukemaa v(t) ajan t funktiona aikavälillä klo 12.00-17.00
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma
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)
LisätiedotMatemaattinen Analyysi
Vaasan yliopisto, syksy 2016 / ORMS1010 Matemaattinen Analyysi 8. harjoitus, viikko 49 R1 to 12 14 F453 (8.12.) R2 to 14 16 F345 (8.12.) R3 ke 8 10 F345 (7.11.) 1. Määritä funktion f (x) = 1 Taylorin sarja
Lisätiedot2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
LisätiedotP = kv. (a) Kaasun lämpötila saadaan ideaalikaasun tilanyhtälön avulla, PV = nrt
766328A Termofysiikka Harjoitus no. 2, ratkaisut (syyslukukausi 204). Kun sylinterissä oleva n moolia ideaalikaasua laajenee reversiibelissä prosessissa kolminkertaiseen tilavuuteen 3,lämpötilamuuttuuprosessinaikanasiten,ettäyhtälö
Lisätiedot2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.
Lisätiedot1. Murtoluvut, murtolausekkeet, murtopotenssit ja itseisarvo
1. Murtoluvut, murtolausekkeet, murtopotenssit ja itseisarvo Olkoot a, b, c mielivaltaisesti valittuja reaalilukuja eli reaaliakselin pisteitä. Ne toteuttavat seuraavat laskulait (ns. kunta-aksioomat):
Lisätiedot