031021P Tilastomatematiikka (5 op) Kurssi-info ja lukion kertausta
|
|
- Sinikka Karjalainen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 031021P Tilastomatematiikka (5 op) Kurssi-info ja lukion kertausta Jukka Kemppainen Mathematics Division
2 Käytännön asioita Luennot (yht. 7 4 h) ke ja pe 8-10 (ks. tarkemmin Oodista tai Nopasta) Harjoitukset (yht. 7 2 h) alkavat viikolla 3 Suorittaminen: Kurssin voi suorittaa loppukokeella (5 tehtävää á 6 pistettä, max. 30 pistettä) Jukka Kemppainen Mathematics Division 2 / 37
3 Lisäpisteet Loppukokeen pistesummaan voi saada lisäpisteitä (a) osallistumalla aktiivisesti laskuharjoituksiin seuraavan taulukon mukaisesti Laskuharjoituspisteet (harjoituksia 7) Laskuharjoitusten lkm Laskuharjoituspisteet (b) tekemällä 3 STACK-tenttiä (á 2 pistettä) Moodle-ympäristössä osoitteessa josta löytyy myös kaikki kurssimateriaali. Ympäristöön kirjaudutaan Oulun yliopiston sähköpostitunnuksilla. Ensimmäisellä kerralla järjestelmä kysyy kurssiavainta, joka on TilastoOulu2016. Jukka Kemppainen Mathematics Division 3 / 37
4 Kurssin läpäisy Kurssin läpäisyn ratkaisee loppukokeen ja lisäpisteiden yhteissumma. Maksimipistemäärä on Varma läpipääsy 15 pisteellä = 39pistettä. Jukka Kemppainen Mathematics Division 4 / 37
5 Todennäköisyys ja tilastot lukiossa Edellisen opetussuunnitelman mukaan kurssin MAA6 Todennäköisyys ja tilastot keskeiset sisällöt ovat: diskreetti ja jatkuva tilastollinen jakauma jakauman tunnusluvut klassinen ja tilastollinen todennäköisyys Kombinatoriikka todennäköisyyksien laskusäännöt diskreetti ja jatkuva todennäköisyysjakauma diskreetin jakauman odotusarvo normaalijakauma Jukka Kemppainen Mathematics Division 5 / 37
6 Kurssin sisältö Kurssilla käsitellään seuraavia asioita Viikko 1 Todennäköisyyden perusominaisuudet ja ehdollinen tn. Viikko 2 Jatkuva ja diskreetti satunnaismuuttuja Viikko 3 Jakaumien tunnusluvut ja keskeinen raja-arvolause Viikko 4 Estimointiteoriaa Viikko 5 Tilastollinen testaus Viikko 6 Regressioanalyysi Viikko 7 2-ulotteiset jakaumat Jukka Kemppainen Mathematics Division 6 / 37
7 Lukion kertausta Kannattaa palautella mieliin kurssin MAA6 oppisisältöä tämän kurssin suorittamisen helpottamiseksi. Sisältöjä vertaamalla nähdään, että esimerkiksi kombinatoriikkaa ja klassista todennäköisyyttä ei tällä kurssilla esitetä. Se ei kuitenkaan tarkoita, etteikö niitä tarvitsisi osata. Ne siis kannattaa kerrata. Netistä löytyy paljon materiaalia ja kannattanee myös kaivella esiin vanha lukion oppikirja. Seuraavaksi esitellään kertausmateriaali pähkinänkuoressa. Jukka Kemppainen Mathematics Division 7 / 37
8 Mitä tilastomatematiikka on? Tilastomatematiikka (tämä kurssi) on todennäköisyyslaskennan ja tilastotieteen symbioosi. Ylen Abi-treenit sivuilla todennäköisyyslaskentaa luonnehditaan näin: Todennäköisyyslaskenta on matematiikan osa-alue, joka pyrkii ennustamaan tapahtumien todennäköisyyttä. Todennäköisyyslaskennan tiedoista on hyötyä veikkaus- ja rahapeleissä, mutta se ennustaa myös erilaisten tilastoitujen tapahtumien tapahtumista. Jukka Kemppainen Mathematics Division 8 / 37
9 Mitä tilastomatematiikka on? Wikipediassa tilastotiedettä luonnehditaan näin Tilastotiede on tieteenala, joka tutkii tilastollisten aineistojen keräämistä, käsittelyä ja niiden pohjalta tehtävää päättelyä. Tilastotieteen avulla voidaan mitata havaintoja ja käsitellä mittausten muodostamia aineistoja, ja tilastotiede tuo siten empiriaa erilaisiin tutkimuksiin. Tilastotieteen tulosten pohjalta tehtävä päättely on induktiivista päättelyä eli aineiston pohjalta pyritään yleistämään asioita yksittäisestä yleiseen. Jukka Kemppainen Mathematics Division 9 / 37
10 Mitä tilastomatematiikka on? Tilastomatematiikan pyrkimyksenä on hallita satunnaisilmiöitä todennäköisyyslaskennan avulla. Tilastollisessa tutkimuksessa kerätään havaintoja, joista pyritään tekemään mahdollisimman luotettavia johtopäätöksiä. Tarvittaessa havaintoja joudutaan muokkaamaan niin, että tietyn todennäköisyysmallin oletukset tulevat voimaan, minkä jälkeen tehdään kyseisen mallin avulla johtopäätöksiä tutkimuksen kohteesta. Nykyään todennäköisyysmalleja käytetään ilmiöiden kuvailussa käytännöllisesti katsoen kaikilla tieteenaloilla. Opintojakson tavoitteena on antaa teoreettiset perusvalmiudet satunnaisilmiöiden mallintamiseen ja tilastollisten menetelmien opiskeluun. Jukka Kemppainen Mathematics Division 10 / 37
11 Satunnaiskoe vs. deterministinen koe Koe, jonka lopputulos voidaan alkutilanteen ja ilmiön mekanismin perusteella ennustaa tarkkaan, on deterministinen. Satunnaiskokeella tarkoitetaan ilmiötä, jossa (1) koetta voidaan toistaa samoissa oloissa (2) kokeella on useampi kuin yksi lopputulos, jonka määrää satunnainen mekanismi Jukka Kemppainen Mathematics Division 11 / 37
12 Esimerkki Esim. 1 Onko seuraavissa kyse deterministisestä kokeesta vai satunnaiskokeesta? (1) Jääkiekon SM-liigan mestaruuden voittava joukkue keväällä 2016? (2) Satunnaisesti valitun miehen sosiaaliturvatunnuksen toiseksi viimeinen merkki on parillinen luku? (3) Perheeseen syntyvä lapsi on tyttö? (4) Auringonnousun ajankohta Oulussa ? (5) Differentiaaliyhtälön y (x) = y(x) ratkaisu alkuehdolla y(0) = 1? (6) Tilastomatematiikka-kurssin läpäiseminen keväällä 2016? Jukka Kemppainen Mathematics Division 12 / 37
13 Otosavaruus ja tapahtuma Määr. 1 Satunnaiskokeen E mahdolliset lopputulokset ovat alkeistapahtumia ja kaikkien alkeistapahtumien e joukko on otosavaruus S. Määr. 2 Satunnaiskokeessa tapahtuma on otosavaruuden S osajoukko. Tapahtumasysteemi E on kaikkien tapahtumien muodostama joukko. Huomautus 1 Myös tyhjä joukko φ on tapahtuma. Tapahtumasysteemi on siis otosavaruuden osajoukkojen muodostama joukko E = {A A S}. Jukka Kemppainen Mathematics Division 13 / 37
14 Joukko-oppia Kuten määritelmistä nähdään, on joukko-oppi hyvin keskeisessä asemassa. Kerrataan sen vuoksi joukko-opin perusoperaatiot. Perusjoukko S (satunnaiskokeessa otosavaruus), A, B S osajoukkoja (A ja B tapahtumia) Joukon komplementti A = S \ A = {x S x / A} ( A ei tapahdu ) Yhdiste A B = {x S x A tai x B} ( A tai B tapahtuvat ) Leikkaus A B = {x S x A ja x B} ( A ja B tapahtuvat ) Erotus A\B = A B = {x S x A ja x / B} ( A tapahtuu, mutta B ei tapahdu ) Jukka Kemppainen Mathematics Division 14 / 37
15 Vennin diagrammi Joukko-opin operaatioita voidaan havainnollistaa Vennin diagrammien avulla. Niistä on apua myös yksinkertaisten todennäköisyyksien laskemisessa. Kuva : Joukon A komplementti A. Kuva : Joukkojen A ja B yhdiste A B. Jukka Kemppainen Mathematics Division 15 / 37
16 Kuva : Joukkojen A ja B leikkaus A B. Kuva : Joukkojen B ja A erotus B \ A. Jukka Kemppainen Mathematics Division 16 / 37
17 Satunnaiskokeen malli Satunnaiskoetta mallinnetaan siis matemaattisesti joukko-opin avulla. Kannattaa opetella ilmaisemaan satunnaiskoe joukko-opillisesti ja kääntäen. Havainnollistetaan peruskäsitteitä taulukon avulla: Satunnaiskokeessa Symboli Mallissa Alkeistapausten joukko S Otosavaruus Alkeistapahtuma e i Otosavaruuden alkiot Tapahtuma A S:n osajoukko Tapahtumasysteemi E σ-algebra S:ssä Varma tapahtuma S Otosavaruus Mahdoton tapahtuma φ Tyhjä joukko A tai B sattuu A B Yhdiste A ja B sattuu A B Leikkaus A ei satu A Komplementti A sattuu, mutta B ei A\B erotus Jukka Kemppainen Mathematics Division 17 / 37
18 Mallin hyödyntäminen käytännössä Monia todennäköisyyteen liittyviä ongelmia voidaan ratkoa tapauskohtaisesti ns. maalaisjärjellä. Mallin avulla todennäköisyyksien laskentaa voidaan kuitenkin helpottaa ja nopeuttaa. Joskus se voi olla jopa välttämätöntä (myös koneellisessa laskemisessa), jos suotuisia alkeistapahtumia on valtava määrä. Joukko-opin avulla kiinnostava tapahtuma A voidaan esimerkiksi hajottaa toisensa poissulkeviin osiin A B ja A B, joiden tn:t osataan laskea ja A:n tn. saadaan identiteetistä A = (A B) (A B) Usein myös siirtyminen komplementtiin A voi auttaa, jos A:n tn. voidaan laskea helposti, mutta A:n todennäköisyyttä ei. Jukka Kemppainen Mathematics Division 18 / 37
19 Esimerkkejä Esim. 2 Määrää otosavaruudet seuraaville satunnaiskokeille. (a) Heitetään kolikkoa kolme kertaa. (b) Heitetään kolikkoa, kunnes saadaan ensimmäinen kruuna. (c) Määritetään lampun kestoikä. Ratkaisu: (a) Merkitään H = heitto on kruuna T = heitto on klaava Otosavaruudeksi S voidaan ottaa kolmen merkin jonot XYZ, missä kukin X,Y,Z on joko H tai T, jolloin #S = 8. Tässä tapauksessa voidaan jopa luetella kaikki alkiot ja todeta, että S = {HHH,HHT,HTH,THH,HTT,THT,TTH,TTT}. Jukka Kemppainen Mathematics Division 19 / 37
20 Esimerkkejä (b) Mahdollisia tuloksia ovat tulossarjat H, TH, TTH,... Tuloksena voidaan myös tarkastella ensimmäisen kruunan ilmestymiseen tarvittavien heittojen lukumäärää, jolloin tulossarjat ovat 1, 2, 3,... Tällöin otosavaruudeksi voidaan ottaa S = {1,2,3,...} = N. Nyt kaikkia alkeistapauksia ei voi edes luetella, sillä S on ääretön joukko. Alkiot voidaan kyllä numeroida, sillä N on numeroituva joukko. (c) Nyt satunnaiskokeen lopputulos voi olla mikä tahansa reaaliluku t 0. Otosavaruudeksi voidaan ottaa S = {t R t 0} = [0, [. Tässä tapauksessa otosavaruus ei ole edes numeroituva. Jukka Kemppainen Mathematics Division 20 / 37
21 Esimerkkejä Esim. 3 Esitä tapahtumat (a) Saadaan vähintään kaksi kruunaa. (b) Korkeintaan 5 heittoa. (c) Vähintään 100 tuntia. Ratkaisu: (a) Merkitään A = vähintään 2 kruunaa. Esimerkin 2 merkintöjä käyttäen A on joukko A = {HHT,HTH,HHT,HHH}. (b) Merkitään B = korkeintaan 5 heittoa. Joukko-opillisesti B = {1,2,3,4,5}. (c) Merkitään tapahtumaa C:llä. Joukko-opillisesti C = {t R t 100} = [100, [. Jukka Kemppainen Mathematics Division 21 / 37
22 Klassinen todennäköisyys Otosavaruus on äärellinen S = {e 1,e 2,...,e N }. Alkeistapahtumat ovat yhtä todennäköisiä. Koska alkioita on N kappaletta, on kunkin alkeistapahtuman e i todennäköisyys P(e i ) = 1 N. Satunnaiskokeen tapahtuman B esiintymistodennäköisyys on tällöin P(B) = m N, missä m = #B on joukon B alkioiden lukumäärä. Jukka Kemppainen Mathematics Division 22 / 37
23 Esimerkkejä Esim. 4 Heitetään kolikkoa kolme kertaa. Millä todennäköisyydellä saadaan (a) kolme kruunaa? (b) kaksi kruunaa? Ratkaisu: (a) Käytetään Esimerkin 2 merkintöjä. Olkoon A = saadaan kolme kruunaa. Joukko-opillisesti A = {HHH}, joten P(A) = #A #S = 1 8. Jukka Kemppainen Mathematics Division 23 / 37
24 Esimerkkejä (b) Merkitään B = saadaan kaksi kruunaa. Joukko-opillisesti B = {HHT,HTH,THH}, joten P(B) = #B #S = 3 8. Jukka Kemppainen Mathematics Division 24 / 37
25 Esimerkkejä Esim. 5 (de Mérén probleema) Ranskalainen aatelismies de Méré oli innokas uhkapeluri. Hän havaitsi kokeellisesti seuraavaa (a) Kannattaa lyödä vetoa siitä, että heitettäessä 4 noppaa saadaan ainakin yksi kuutonen. (b) Ei kannata lyödä vetoa siitä, että heitettäessä kahta noppaa 24 kertaa saadaan ainakin yksi kuutospari. De Méré ei kuitenkaan kyennyt teoreettisesti selittämään havaintoaan, joten hän kääntyi Pascalin puoleen (n. 1650). Tämä tapahtuma toimi virikkeenä todennäköisyyslaskennan syntyyn. Jukka Kemppainen Mathematics Division 25 / 37
26 de Mérén probleeman ratkaisu (a) Otetaan otosavaruudeksi S merkkijonot x 1 x 2 x 3 x 4, missä kukin x i on heiton i silmäluku. Tällöin #S = 6 4. Olkoon A = saadaan ainakin yksi kuutonen. Tarkastellaan sen komplementtia A = ei yhtään kuutosta. Kaikki silmäluvut ovat tällöin erisuuria kuin 6, joten ja näin ollen #A = = 5 4 P(A) = #A #S = = 1 ( 5) Jukka Kemppainen Mathematics Division 26 / 37
27 de Mérén probleeman ratkaisu (b) Kussakin kahden nopan heitossa on 6 6 = 36 eri tulosvaihtoehtoa, joten #S = Jos B = saadaan ainakin yksi kuutospari, niin komplementti on B = ei yhtään kuutosparia. Kussakin kahden nopan heitossa on 35 suotuisaa tapausta olla saamatta kuutosparia, joten ja saadaan #B = = P(A) = #A #S = = 1 ( 35) Jukka Kemppainen Mathematics Division 27 / 37
28 Kombinatoriikkaa Olkoon E = {e 1,e 2,...,e n }, missä n N = {1,2,...}. Permutaatio Äärellisen joukon E alkioiden jono (e i1,e i2,...,e in ), jossa jokainen alkio esiintyy täsmälleen kerran. Permutaatioiden lukumäärä on n! = (n 1) n. k-permutaatio on äärellisen joukon E k:n eri alkion jono (e i1,...,e ik ), joiden lukumäärä on n! (n k)!. k-kombinaatio on äärellisen joukon E k-alkioinen osajoukko {e i1,...,e ik }. Näiden joukkojen lukumäärä on ( n) k = n! (n k)!k!. Jukka Kemppainen Mathematics Division 28 / 37
29 Esimerkkejä Esim. 6 (a) Lotossa arvotaan 7 numeroa 39 mahdollisesta. Kuinka monta erilaista lottoriviä voidaan arpoa? (b) Pokerissa pelaajalle jaetaan 5 korttia 52 mahdollisesta. Kuinka monta erilaista pokerikättä voidaan jakaa? (c) Vakioveikkauksessa valitaan yksi kolmesta eri merkistä {1, X, 2} 13 kohteeseen. Kuinka monta erilaista vakioriviä voidaan veikata? Ratkaisu: (a) Kyseessä on otanta ilman takaisinpanoa, joten erilaisten lottorivien lukumäärän ilmoittaa luvun 39 7-kombinaatioiden lukumäärä, joka on ( 39 7 ) = 39! 7!32! Jukka Kemppainen Mathematics Division 29 / 37
30 Esimerkkejä (b) Kyseessä on otanta ilman takaisinpanoa, joten erilaisten pokerikäsien lukumäärä on ( ) (c) Kukin merkki voi olla mikä tahansa merkeistä 1,X,2, joten kyseessä on otanta takaisinpanolla. Erilaisia vakiorivejä on siten kappaletta. Jukka Kemppainen Mathematics Division 30 / 37
31 Esimerkkejä Esim. 7 Tarkastellaan erilaisia pokerikäsiä. Millä tn:llä käsi on (a) ns. hai eli kaikki kortit ovat eri suuruisia eivätkä ne voi olla 5 peräkkäistä (ns. suora) eikä samaa maata (ns. väri)? (b) neloset eli saadaan neljä samansuuruista korttia. Ratkaisu: Korteissa on suuruus 1, 2,..., 13 ja väri {He,Pa,Ru,Ri}. Tarkastellaan erikseen suuruutta ja väriä. (i) Suuruus: poimitaan 5 erisuuruista korttia, joka voidaan tehdä ( 13 5) eri tavalla. Peräkkäisten korttien kombinaatiot (1,2,3,4,5),...,(9,10,11,12,13),(10,11, 12, 13,1(A)) eivät käy. Näitä on yhteensä 10 kappaletta. Suuruudet voidaan siis valita ( 13 5) 10 eri tavalla. Jukka Kemppainen Mathematics Division 31 / 37
32 Esimerkkejä (a) jatkuu... (ii) Väri: kaikki kortit eivät voi olla samaa väriä, joten epäkäypiä mahdollisuuksia (He,He,He,He,He),...,(Ri,Ri,Ri,Ri,Ri) on 4 kappaletta. Värit voidaan siis valita eri tavalla. Kysytty todennäköisyys on näin ollen (( 13 5) 10 )( ) ( 52 5) 50.1% (b) Kuten kohdassa (a) voidaan todeta, että kaksi erisuuruista voidaan valita eri tavalla. Yksittäiselle kortille, joka ei esiinny nelosissa, on 4 värivaihtoehtoa. Kysytty todennäköisyys on ) 0.024%. ( 52 5 Jukka Kemppainen Mathematics Division 32 / 37
33 Esimerkkejä Esim. 8 Laatikossa on 15 palloa; 4 valkoista, 5 punaista ja 6 mustaa. Laatikosta nostetaan umpimähkään 3 palloa. Millä todennäköisyydellä pallojen joukossa on (a) valkoinen pallo tai punainen pallo? (b) valkoinen pallo ja punainen pallo? (c) valkoinen pallo, mutta ei punaista palloa? Ratkaisu: Olkoot Tällöin #A = A = saadaan ainakin yksi valkoinen pallo, B = saadaan ainakin yksi punainen pallo. ( ) 11 = 165, #B = 3 ( ) 10 ja#(a B) = 3 ( ) 6 = Jukka Kemppainen Mathematics Division 33 / 37
34 Esimerkkejä (a) Kysytty todennäköisyys on P(A B) = 1 P(A B) = = (b) Todennäköisyys on (c) Tn. on P(A B) =1 P(A B) =1 P(A) P(B)+P(A B) = = P(A\B) = P(A) P(A B) = 1 P(A) P(A B) = = Jukka Kemppainen Mathematics Division 34 / 37
35 Geometrinen todennäköisyys Otosavaruus S on jana, alue tai 3-ulotteinen tila. Tapahtuma A on S:n osajoukko. Tapahtuman A todennäköisyys on P(A) = m(a) m(s), missä m(a) joukon A pituus, pinta-ala tai tilavuus. Jukka Kemppainen Mathematics Division 35 / 37
36 Esimerkki Esim. 9 Heitetään r-säteistä lanttia neliöruutuiselle tasaiselle alustalle. Oletetaan, että ruutujen sivun pituus on a 2r. Mikä on todennäköisyys, että lantti peittää jonkin ruudun kärjen? Laske likiarvo tn:lle esimerkkitapauksessa a = 2r. Ratkaisu: Tarkastellaan lantin keskipisteen paikkaa neliössä S = [0, a] [0, a]. Kolikko peittää nurkan, jos keskipisteen etäisyys nurkasta on r. Kysytty tn. on (piirrä kuva) 4 πr 2 /4 a 2 = πr2 a 2. Jos esimerkiksi a = 2r, niin tn. on π Yllä olevalla tavalla voidaan määrätä likiarvo π:lle, kun heittokoe toistetaan useasti. Jukka Kemppainen Mathematics Division 36 / 37
37 Harjoittelu tekee mestarin Sitten ei muuta kuin harjoittelemaan. Osa edellä esitetyistä esimerkeistä oli ehkä turhankin vaativia. Kannattaa lähteä ihan perusesimerkeistä liikkeelle. Esimerkiksi edellä mainituilta Abi-treenit sivuilta löytyy perustehtäviä, joiden avulla perusasioita voi harjoitella ja palautella mieliin. Myös mm. seuraavilta sivuilta löytyy opetusvideoita ja oppimateriaalia, joista saanee apua kurssin suorittamiseen. Opetushallituksen Etälukio-sivusto matikkamatskut-sivusto Jukka Kemppainen Mathematics Division 37 / 37
031021P Tilastomatematiikka (5 op)
031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division Käytännön asioita Luennot (yht. 11 4 h) ti 12-14 ja to 8-10 (ks. tarkempi opetusohjelma Oodista tms.) Harjoitukset (yht. 11 2 h)
LisätiedotTodennäköisyys (englanniksi probability)
Todennäköisyys (englanniksi probability) Todennäköisyyslaskenta sai alkunsa 1600-luvulla uhkapeleistä Ranskassa (Pascal, Fermat). Nykyisin todennäköisyyslaskentaa käytetään hyväksi mm. vakuutustoiminnassa,
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015
12.1.2016/1 MTTTP5, luento 12.1.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotB. Siten A B, jos ja vain jos x A x
Mat-1.2600 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Johdanto Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma,
LisätiedotOsa 1: Todennäköisyys ja sen laskusäännöt. Klassinen todennäköisyys ja kombinatoriikka
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Klassinen todennäköisyys ja kombinatoriikka TKK (c) Ilkka Mellin (2007) 1 Klassinen todennäköisyys ja kombinatoriikka >> Klassinen
Lisätiedot&idx=2&uilang=fi&lang=fi&lvv=2015
20.10.2015/1 MTTTP5, luento 20.10.2015 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotMiten hyvin mallit kuvaavat todellisuutta? Tarvitaan havaintoja.
Luku 1 Johdanto 1.1 Todennäköisyys ja tilastotiede Kurssi käsittelee todennäköisyyslaskentaa ja tilastotiedettä. Laaditaan satunnaisilmiöille todennäköisyysmalleja. Miten hyvin mallit kuvaavat todellisuutta?
LisätiedotTODENNÄKÖISYYS JA TILASTOT MAA6 KERTAUS
TODENNÄKÖISYYS JA TILASTOT MAA6 KERTAUS Klassinen todennäköisyys P suotuisten alkeistapausten lkm kaikkien alkeistapausten lkm P( mahdoton tapahtuma ) = 0 P( varma tapahtuma ) = 1 0 P(A) 1 Todennäköisyys
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 13. syyskuuta 2007 Antti Rasila () TodB 13. syyskuuta 2007 1 / 21 1 Klassinen todennäköisyys 2 Kombinatoriikkaa Kombinatoriikan perusongelmat Permutaatiot
LisätiedotSuotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä
Todennäköisyys 1 Klassinen todennäköisyys: p = Suotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä Esimerkkejä: Nopan heitto, kolikon heitto Satunnaismuuttuja Tilastollisesti vaihtelevaa
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
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
LisätiedotTilastotieteen perusteet
Tilastotieteen perusteet Esim. Arvostettu juoma-asiantuntija ekonomisti E osallistuu juomien makutestiin, jossa voi saada voi saada arvonimen Melko Suuri Maistaja (MSM *), Suuri maistaja (SM**) tai Erittäin
LisätiedotLuku 1. Johdanto. 1.1 Todennäköisyys ja tilastotiede. 1.2 Havaitut frekvenssit ja empiiriset jakaumat
Luku 1 Johdanto 1.1 Todennäköisyys ja tilastotiede Tämä kurssi käsittelee sekä todennäköisyyslaskentaa että tilastotiedettä. Uhkapelurien ongelmat inspiroivat todennäköisyyslaskennan uranuurtajien ajattelua,
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015
25.10.2016/1 MTTTP5, luento 25.10.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Todennäköisyyslaskennan käsitteitä Satunnaisuus ja deterministisyys Deterministisessä ilmiössä alkutila määrää lopputilan yksikäsitteisesti. Satunnaisilmiö puolestaan arpoo - yhdestä alkutilasta voi päätyä
Lisätiedot031021P Tilastomatematiikka (5 op)
031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division Yleinen todennäköisyys Kertausmateriaalissa esiteltiin koulusta tuttuja todennäköisyysmalleja. Tällä kurssilla todennäköisyys on
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
LisätiedotTodennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset
Todennäköisyyslaskenta I, kesä 207 Helsingin yliopisto/avoin Yliopisto Harjoitus, ratkaisuehdotukset. Kokeet ja Ω:n hahmottaminen. Mitä tarkoittaa todennäköisyys on? Olkoon satunnaiskokeena yhden nopan
LisätiedotMat Sovellettu todennäköisyyslasku. Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat:
Mat-2.091 Sovellettu todennäköisyyslasku Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma, Ehdollinen todennäköisyys, Erotustapahtuma,
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
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
LisätiedotOTATKO RISKIN? peli. Heitä noppaa 3 kertaa. Tavoitteena on saada
OTATKO RISKIN? peli 1. Heitä noppaa 20 kertaa. Tavoitteena on saada vähintään 10 kertaa silmäluku 4, 5 tai 6. Jos onnistut, saat 300 pistettä. Jos et onnistu, menetät 2. Heitä noppaa 10 kertaa. Tavoitteena
LisätiedotOtanta ilman takaisinpanoa
Otanta ilman takaisinpanoa Populaatio, jossa N alkiota (palloa, ihmistä tms.), kahdenlaisia ( valkoinen, musta ) Poimitaan umpimähkään (= symmetrisesti) n-osajoukko eli otos Merkitään tapahtuma A k = otoksessa
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
LisätiedotOsa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden aksioomat
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Todennäköisyyden aksioomat TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyden aksioomat >> Todennäköisyyden määritteleminen Todennäköisyyden
Lisätiedot811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2016-2017 4. Joukot, relaatiot ja funktiot Osa 1: Joukot 4.1 Joukot Matemaattisesti joukko on mikä tahansa hyvin määritelty kokoelma objekteja, joita kutsutaan joukon alkioiksi
LisätiedotTodennäköisyys. Antoine Gombaud, eli chevalier de Méré?.? Kirjailija ja matemaatikko
Todennäköisyys TOD.NÄK JA TILASTOT, MAA10 Todennäköisyyslaskennan juuret ovat ~1650-luvun uhkapeleissä. Kreivi de Mérén noppapelit: Jos noppaa heitetään 4 kertaa, niin kannattaako lyödä vetoa sen puolesta,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
M-0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 1: Todennäköisyyslaskennan peruskäsitteet; Todennäköisyyden aksioomat; Todennäköisyyslaskennan peruslaskusäännöt; Kokonaistodennäköisyyden
LisätiedotA = B. jos ja vain jos. x A x B
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Klassinen todennäköisyys ja kombinatoriikka Kokonaistodennäköisyys ja Bayesin kaava Avainsanat: Bayesin kaava, Binomikaava, Binomikerroin,
LisätiedotTodennäköisyyslaskenta - tehtävät
Todennäköisyyslaskenta - tehtävät Todennäköisyyslaskentaa käsitellään Pitkän matematiikan kertauskirjan sivuilla 253 276. Klassinen todennäköisyys Kombinatoriikka Binomitodennäköisyys Satunnaismuuttuja,
Lisätiedot9 Yhteenlaskusääntö ja komplementtitapahtuma
9 Yhteenlaskusääntö ja komplementtitapahtuma Kahta joukkoa sanotaan erillisiksi, jos niillä ei ole yhtään yhteistä alkiota. Jos pysytellään edelleen korttipakassa, niin voidaan ilman muuta sanoa, että
LisätiedotJohdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat TKK (c) Ilkka Mellin (2005) 1 Todennäköisyyden aksioomat Todennäköisyyden määritteleminen Todennäköisyyden aksioomat äärellisissä otosavaruuksissa
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit siis dokumentoida
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit siis dokumentoida
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 Todennäköisyys ja sen määritteleminen. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Todennäköisyys ja sen määritteleminen TKK (c) Ilkka Mellin (2005) 1 Todennäköisyys ja sen määritteleminen Deterministisyys ja satunnaisuus Todennäköisyyden määritteleminen
LisätiedotIlkka Mellin Todennäköisyyslaskenta
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Johdanto: Deterministisyys ja satunnaisuus Todennäköisyyden määritteleminen Todennäköisyyslaskennan peruskäsitteet TKK (c)
LisätiedotTodennäköisyyslaskenta 1/7 Sisältö ESITIEDOT: joukko-oppi, lukumäärän laskeminen, funktiokäsite Hakemisto
Todennäköisyyslaskenta /7 Sisältö ESITIEDOT: joukko-oppi, n laskeminen, käsite Hakemisto Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennassa tarkastelun kohteena ovat satunnaisilmiöt.esimerkkejä
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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Klassinen todennäköisyys ja kombinatoriikka Klassinen todennäköisyys Olkoon S = {s 1,s 2,...,s n } äärellinen otosavaruus. Oletetaan, että Pr(s i ) = 1, kaikille i = 1, 2,...,n n Tällöin alkeistapahtumat
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 1
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 1 Aiheet: Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Klassinen
Lisätiedot1. Kuinka monella tavalla joukon kaikki alkiot voidaan järjestää jonoksi? Tähän antaa vastauksen: tuloperiaate ja permutaatio
TOD.NÄK JA TILASTOT, MAA10 Kombinatoriikka Todennäköisyyksiä (-laskuja) varten tarvitaan tieto tapahtumille suotuisien alkeistapausten lukumäärästä eli tapahtumaa vastaavan osajoukon alkioiden lukumäärästä.
LisätiedotTodennäköisyyslaskenta: Todennäköisyys ja sen laskusäännöt
Todennäköisyys ja sen laskusäännöt Todennäköisyyslaskenta: Todennäköisyys ja sen laskusäännöt 1. Johdanto 2. Joukko-opin peruskäsitteet 3. Todennäköisyyslaskennan peruskäsitteet 4. Todennäköisyyslaskennan
LisätiedotTODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä
J. Virtamo 38.3143 Jonoteoria / Todennäköisyyslaskenta 1 TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä Otosavaruus S S on satunnaiskokeen E kaikkien mahdollisten alkeistapahtumien e joukko. Esim. 1. Noppaa
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
LisätiedotTilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo.
Kertaus Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Luokiteltu aineisto. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo. Hajontaluvut luokittelemattomalle
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-25 Todennäköisyyslaskenta Tentti 12.4.216 / Kimmo Vattulainen Funktiolaskin sallittu. Palauta kaavakokoelma 1. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi
LisätiedotA. Jos A on niiden perusjoukon S alkioiden x joukko, jotka toteuttavat ehdon P(x) eli joille lause P(x) on tosi, niin merkitsemme
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 1 Aiheet: Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Klassinen todennäköisyys
Lisätiedot3.7 Todennäköisyysjakaumia
MAB5: Todennäköisyyden lähtökohdat 4 Luvussa 3 Tunnusluvut perehdyimme jo jakauman käsitteeseen yleensä ja normaalijakaumaan vähän tarkemmin. Lähdetään nyt tutustumaan binomijakaumaan ja otetaan sen jälkeen
LisätiedotJohdatus matemaattiseen päättelyyn
Johdatus matemaattiseen päättelyyn Maarit Järvenpää Oulun yliopisto Matemaattisten tieteiden laitos Syyslukukausi 2015 1 Merkintöjä 2 Todistamisesta 2 3 Joukko-oppia Tässä luvussa tarkastellaan joukko-opin
LisätiedotVarma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Unioni, Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Alkeistapahtuma, Ehdollinen todennäköisyys,
LisätiedotD ( ) Var( ) ( ) E( ) [E( )]
Mat-.2620 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Diskreettejä jakaumia Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Eksponenttijakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotOsa 1: Todennäköisyys ja sen laskusäännöt
Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt - Satunnaiskokeet, otosavaruudet ja tapahtumat - Todennäköisyyden määritteleminen KE (2014) 1 Satunnaiskokeet, otosavaruudet ja tapahtumat
LisätiedotTodennäköisyyslaskenta I. Ville Hyvönen
Todennäköisyyslaskenta I Ville Hyvönen Kesä 2016 Sisältö 1 Todennäköisyys 3 1.1 Klassinen todennäköisyys............................ 3 1.2 Kombinatoriikkaa................................ 6 1.2.1 Tuloperiaate...............................
LisätiedotJohdatus todennäköisyyslaskentaan Klassinen todennäköisyys ja kombinatoriikka. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Klassinen todennäköisyys ja kombinatoriikka TKK (c) Ilkka Mellin (2005) 1 Klassinen todennäköisyys ja kombinatoriikka Klassinen todennäköisyys Kombinatoriikan perusperiaatteet
LisätiedotTodennäköisyyslaskenta sivuaineopiskelijoille
Todennäköisyyslaskenta sivuaineopiskelijoille Tentit: 4.11.2013 ja 2.12.2013. Loput kaksi tenttiä (vuonna 2014) ilmoitetaan myöhemmin. Tentissä on 4 tehtävää á 8 pistettä, aikaa 4 tuntia. Arvostelu 0 5.
Lisätiedot811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2018-2019 7. Kombinatoriikka 7.1 Johdanto Kombinatoriikka tutkii seuraavan kaltaisia kysymyksiä: Kuinka monella tavalla jokin toiminto voidaan suorittaa? Kuinka monta tietynlaista
LisätiedotTOD.NÄK JA TILASTOT, MAA10 Kombinaatio, k-kombinaatio
1..018 TOD.NÄK JA TILASTOT, MAA10 Kombinaatio, k-kombinaatio Esimerkki 1: Sinulla on 5 erilaista palloa. Kuinka monta erilaista kahden pallon paria voit muodostaa, kun valintajärjestykseen a) kiinnitetään
LisätiedotTuloperiaate. Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta
Tuloperiaate Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta ja 1. vaiheessa valinta voidaan tehdä n 1 tavalla,. vaiheessa valinta voidaan tehdä n tavalla,
Lisätiedot4. Todennäköisyyslaskennan kertausta
luento04.ppt S-38.1145 - Liikenneteorian perusteet - Kevät 2006 1 Sisältö eruskäsitteet Diskreetit satunnaismuuttujat Diskreetit jakaumat lkm-jakaumat Jatkuvat satunnaismuuttujat Jatkuvat jakaumat aikajakaumat
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotTodennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syyslokakuu 019 / Hytönen. laskuharjoitus, ratkaisuehdotukset 1. Kurssilla on 0 opiskelijaa, näiden joukossa Jutta, Jyrki, Ilkka ja Alex. Opettaja aikoo valita umpimähkään opiskelijan
LisätiedotTodennäköisyyden käsite ja laskusäännöt
Luku 1 Todennäköisyyden käsite ja laskusäännöt Lasse Leskelä Aalto-yliopisto 12. syyskuuta 2017 1.1 Todennäköisyyden käsite Todennäköisyys on tapa kuvailla kvantitatiivisesti jonkin tapahtuman uskottavuutta,
LisätiedotKäytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:
8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)
LisätiedotOsa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden peruslaskusäännöt
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Todennäköisyyden peruslaskusäännöt TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyden peruslaskusäännöt >> Uusien tapahtumien muodostaminen
LisätiedotMatemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto
Matemaattinen tilastotiede Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto Alkusanat Tämä moniste perustuu vuosina 2002-2004 pitämiini matemaattisen tilastotieteen luentoihin
Lisätiedot(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.
Todennäköisyyslaskenta I, kesä 7 Harjoitus 4 Ratkaisuehdotuksia. Satunnaismuuttujalla X on ns. kaksipuolinen eksponenttijakauma eli Laplacen jakauma: sen tiheysfunktio on fx = e x. a Piirrä tiheysfunktio.
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 3: Todennäköisyysjakaumia. Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Diskreettejä jakaumia TKK (c) Ilkka Mellin (2007) 1 Diskreettejä jakaumia >> Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma
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
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)
LisätiedotTodennäköisyyslaskenta I
Todennäköisyyslaskenta I Ville Hyvönen, Topias Tolonen 1 Kesä 2017 1 Luentomateriaali alun perin Villen käsialaa kesältä 2016, materiaalia muokataan kesän 2017 luentojen mukana ajan tapaa ja luennoitsijan
Lisätiedotikä (vuosia) on jo muuttanut 7 % 46 % 87 % 96 % 98 % 100 %
Testaa taitosi 1 1. Noppaa heitetään kahdesti. Merkitse kaikki alkeistapaukset koordinaatistoon. a) Millä todennäköisyydellä ainakin toinen silmäluvuista on 3? b) Mikä on a-kohdan tapahtuman vastatapahtuma?
LisätiedotTodennäköisyyslaskenta I
Todennäköisyyslaskenta I Ville Hyvönen, Patrik Lauha, Topias Tolonen 1 Kesä 2018 1 Virheitä ja kehitysehdotuksia otetaan vastaan jatkuvasti osoitteeseen topias.tolonen@helsinki.f i. Kiitos palautteestasi!
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Satunnaismuuttujat ja todennäköisyysjakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujat ja todennäköisyysjakaumat
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
Lisätiedot1. Matkalla todennäköisyyteen
1. Matkalla todennäköisyyteen Wovon man nicht sprechen kann, darüber muss man schweigen (Ludwig Wittgenstein, Tractatus Logico-Philosophicus 1921) Miten ihmeessä tämä liittyy tähän kurssiin????!?? 1.1
Lisätiedot1. Matikan kurssin arvosanat jakautuivat seuraavalla tavalla:
MAA6.3 Loppukoe 9.11.01 Jussi Tyni Valitse kuusi tehtävää Muista merkitä vastauspaperiin oma nimesi ja tee etusivulle pisteytysruudukko. Kaikkiin tehtävien ratkaisuihin välivaiheet näkyviin! 1. Matikan
LisätiedotMiten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?
21.3.2019/1 MTTTP1, luento 21.3.2019 7 TILASTOLLISEN PÄÄTTELYN PERUSTEITA Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä
LisätiedotJohdatus todennäköisyyslaskentaan Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Diskreettejä jakaumia TKK (c) Ilkka Mellin (2005) 1 Diskreettejä jakaumia Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen jakauma Negatiivinen
LisätiedotORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. Jatkossa ratkaisuehdotukset ovat tyypillisesti paljon lakonisempia.
ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Harjoitus 1 Ratkaisuehdotuksia ja selittelyjä Tämänkertaiset ratkaisuehdotukset ovat pitkähköjä, ja ne sisältävät paljon selittelyjä. Jatkossa
LisätiedotViikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi
Viikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 29-31.10.2008. 1 Tällä viikolla 1. Käytännön järjestelyistä 2. Kurssin sisällöstä ja aikataulusta 3. Johdantoa Mitä koneoppiminen
LisätiedotTodennäköisyyslaskenta
Todennäköisyyslaskenta Opintomoniste kurssille MAT-25 Todennäköisyyslaskenta, Tampereen teknillinen yliopisto Antti Perttula, Kimmo Vattulainen, Tia Suurhasko Versio 9/212 Sisältö 1 Todennäköisyys 3 1.1
LisätiedotTilastomatematiikka Kevät 2008
Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/73 Johdanto Moderni yhteiskunta: Todellisuuden tilastollinen malli Kolme
LisätiedotLuento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja
1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2005) 1 Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujat ja niiden todennäköisyysjakaumat
LisätiedotTilastotieteen perusteet
Tilastotieteen perusteet Esim. Arvostettu juoma-asiantuntija ekonomisti E osallistuu juomien makutestiin, jossa voi saada voi saada arvonimen Melko Suuri Maistaja (MSM *), Suuri maistaja (SM**) tai Erittäin
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas LUENNOT Luento Paikka Vko Päivä Pvm Klo 1 L 304 8 Pe 21.2. 08:15-10:00 2 L 304 9 To 27.2. 12:15-14:00 3 L 304 9 Pe 28.2. 08:15-10:00 4 L 304 10 Ke 5.3.
LisätiedotTommi Sottinen, tommi.sottinen@uwasa.fi
Päätöksiä ja Paatoksia Tommi Sottinen, tommi.sottinen@uwasa.fi 28. marraskuuta 2011 Sisältö 0 Logiikkaa ja joukko-oppia 4 0.1 Logiikka................................ 4 0.2 Joukko-oppi..............................
LisätiedotFunktiot ja raja-arvo P, 5op
Funktiot ja raja-arvo 800119P, 5op Pekka Salmi 15. syyskuuta 2017 Pekka Salmi FUNK 15. syyskuuta 2017 1 / 122 Yleistä Luennot: ke 810, to 1214 (ensi viikosta lähtien) Luennoitsija: Pekka Salmi, MA327 Laskupäivä:
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,
LisätiedotMuista merkitä vastauspaperiin oma nimesi ja tee etusivulle pisteytysruudukko. Kaikkiin tehtävien ratkaisuihin välivaiheet näkyviin!
MAA6 Kurssikoe 1.11.14 Jussi Tyni ja Juha Käkilehto Muista merkitä vastauspaperiin oma nimesi ja tee etusivulle pisteytysruudukko. Kaikkiin tehtävien ratkaisuihin välivaiheet näkyviin! A-OSIO: Laske kaikki
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 2
031021P Tilastomatematiikka (5 op) viikko 2 Jukka Kemppainen Mathematics Division Satunnaismuuttuja Useissa luonnon- tai teknistieteellisissä sovellutuksissa satunnaiskokeen lopputulos on numeerinen lukuarvo.
Lisätiedot(1) Pekan pakasta vetämät neljä korttia ovat hertta 5, hertta 6, hertta 7 ja pata 7. Mikä on todennäköisyys, että seuraava kortti
Todennäköisyyslaskenta: sarja 1 Todennäköisyyyslaskenta-tehtäväsarjassa on tehtäviä seuraavista asioista: klassinen todennäköisyys, todennäköisyyden laskusäännöt, kombinatoriikka, toistokoe sekä diskreetti-
LisätiedotMääritelmiä. Nopanheitossa taas ω 1 = saadaan 1, ω 2 = saadaan 2,..., ω 6 = saadaan
Todennäköisyys Todennäköisyys on epävarman matematiikkaa. Matemaattinen todennäköisyys mallintaa satunnaisia ilmiöitä, kuten esimerkiksi nopantai lantinheitto. Todennäköisyyttä voi lähestyä mm. tilastollisesti
LisätiedotSATTUMAA SATUMAASSA. Todennäköisyyslaskentaa nopanheitosta mittateoriaan
SATTUMAA SATUMAASSA Todennäköisyyslaskentaa nopanheitosta mittateoriaan Noora Karvinen Matematiikan pro gradu Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Kesä 2015 Tiivistelmä: Noora Karvinen,
LisätiedotTodennäköisyyslaskenta
Todennäköisyyslaskenta Syksy 2017 Kerkko Luosto 3. lokakuuta 2017 Kerkko Luosto Todennäköisyyslaskenta 3. lokakuuta 2017 1 / 33 Johdanto Johdantoesimerkki Esimerkki Hannu Huijari ostaa Keijo Kelmiltä Hämärätorilla
LisätiedotA-osa. Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein 0-6. Taulukkokirjaa saa käyttää apuna, laskinta ei.
PITKÄ MATEMATIIKKA PRELIMINÄÄRIKOE 7..07 NIMI: A-osa. Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein 0-. Taulukkokirjaa saa käyttää apuna, laskinta ei.. Valitse oikea vaihtoehto ja
Lisätiedot