9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

Koko: px
Aloita esitys sivulta:

Download "9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli"

Transkriptio

1 lueto9.ppt S Lkeeteora perusteet Kevät 5 Ykskertae lkeeteoreette mall Puhdas jakojärjestelmä Asakkata saapuu keskmäär opeudella asakasta per akayks. / keskmääräe asakkade välaka Asakkata palvellaa :llä rakkasella palveljalla Kuk palvelja palvelee keskm. opeudella asakasta per akayks. / keskmääräe asakkaa palveluaka Järjestelmässä o m asakaspakkaa vähtää palvelupakkaa ja korketaa m odotuspakkaa Estyvät asakkaat jode saapuessa järjestelmä o täys meetetää Äärelle määrä palveljota < ääretö määrä palvelupakkoja m e odotuspakkoja PS-jookur Jos systeemssä o korketaa asakasta x jokasella asakkaalla o oma palveljasa. Jos asakkata taas o eemmä x > kokoaspalvelu jaetaa tasa kakke asakkade keske. Asakkaa saama palvelutesteett o ste m{/x} Yhtäkää asakasta e meetetä ekä keekää tarvtse edes odottaa palveluu pääsyä. Ss estoto järjestelmä. Tosaalta asakkade palvelu vvästyy stä eemmä mtä eemmä systeemssä o asakkata. Vve ss kostava suure. m 3 4

2 M/M/-PS joo 5 Tarkastellaa seuraavalasta ykskertasta lkeeteoreettsta malla: ääretö määrä rppumattoma käyttäjä k saapumste välajat IID oudattae Exp-jakaumaa odotusarvoaa / saapumsprosess o ss Posso-prosess testeettää yks palvelja palveluvaatmukset IID oudattae Exp-jakaumaa odotusarvoaa / ääretö määrä asakaspakkoja p jookur: PS. Kakka systeemssä oleva asakkata ss palvellaa yhtakaa tasapuolsest että palvelukapasteett jaetaa tasa kakke asakkade keske. Huom. Kedall merköllä kyseessä o M/M/-PS joomall Merktä: / lkeekuorma 6 Tlasrtymäkaavo Tasapaojakauma Tark. järjestelmässä oleve asakkade lkm:ää Xt aja t fuktoa Oletetaa että Xt jollak hetkellä t Lyhyellä akavälllä t th] vo tapahtua seuraavaa: t:llä h oh systeem saapuu uus asakas aheuttae tlasrtymä jos > t:llä /h oh h oh joku palvelussa oleva asakkaa palvelu päättyy aheuttae tlasrtymä Prosess Xt o selvästk Markov-prosess tlasrtymäkaavoaa Huom. Kyseessä o ss täsmällee sama pelkstymätö sk-prosess äärettömällä tla-avaruudella S {...} ku M/M/-FIFO joolla 7 Lähdetää lkkeelle lokaalesta tasapaoyhtälöstä: LBE K N jos < Sovelletaa stte jakaumaehtoa: 8

3 Tasapaojakauma Keskmääräe vve Stabllle systeemlle ss ku < systeemssä oleve asakkade lkm X oudattaa tasapaotlateessa ss geometrstä jakaumaa: < X Geom P{ X } K X ] D [ X ] Huom. Isestvsyys palveluaja jakauma suhtee Itse asassa PS-jookur tapauksessa tulos pätee ylesemmk: ekspoetaalse palveluaka-jakauma sjasta vodaa palveluajalle valta mkä tahasa jakauma joka odotusarvo o / Vomme ss M/M/-PS mall sjasta tarkastella ylesempää M/G/-PS malla 9 Merktää D:llä asakkaa koko systeemssäoloakaa el vvettä Koska keskmääräe systeemssäoleve lukumäärä X] o sama kaklle työsälyttävlle jookurelle sama pätee Lttle kaava ojalla myös keskmääräselle vveelle. Vodaa ss käyttää FIFO-jookurlle lueolla 8 johdettua tulosta: Keskmääräe vve kuorma fuktoa Suhteelle läpäsyopeus Huom. Vvee ykskköä käytetty keskmäärästä palveluvaatmusta Asakkaa kokemaa palvelu laatua kuvaa suhteelle läpäsyopeus /: kuorma

4 Suhteelle läpäsyopeus / kuorma fuktoa / kuorma 3 4 M/M/-PS joo Tlasrtymäkaavo Tarkastellaa seuraavalasta ykskertasta lkeeteoreettsta malla: Tark. järjestelmässä oleve asakkade lkm:ää Xt aja t fuktoa ääretö määrä rppumattoma käyttäjä k Oletetaa että Xt jollak hetkellä t saapumste välajat IID oudattae Exp-jakaumaa odotusarvoaa / Lyhyellä akavälllä t th] vo tapahtua seuraavaa: saapumsprosess o ss Posso-prosess testeettää t:llä h oh systeem saapuu uus asakas äärelle määrä palveljota < aheuttae tlasrtymä palveluvaatmukset IID oudattae Exp-jakaumaa odotusarvoaa / jos > t:llä m{/}h oh m{}h oh joku palvelussa oleva asakkaa palvelu päättyy ääretö määrä asakaspakkoja p aheuttae tlasrtymä jookur: PS. Jos systeemssä o korketaa asakasta jokasella asakkaalla o oma palveljasa. Jos asakkata taas o eemmä > Prosess Xt o selvästk Markov-prosess tlasrtymäkaavoaa kokoaspalvelu jaetaa tasa kakke asakkade keske. Huom. Kedall merköllä kyseessä o M/M/-PS joomall Merktä: Huom. Kyseessä o ss täsmällee sama pelkstymätö sk-prosess / lkeekuorma palveljaa koht 5 äärettömällä tla-avaruudella S {...} ku M/M/-FIFO-joolla 6

5 7 7 Tasapaojakauma Lokaalt tasapaoyhtälöt tapauksessa < : Lokaalt tasapaoyhtälöt tapauksessa : LBE K LBE K 8 Tasapaojakauma Jakaumaehto: Merktä : jos N < 8 9 Tasapaojakauma 3 Stabllle systeemlle ss ku < el < systeemssä oleve asakkade lkm: X tasapaojakauma o ss seuraavalae: Huom. Isestvsyys palveluaja jakauma suhtee Itse asassa PS-jookur tapauksessa tulos pätee ylesemmk: ekspoetaalse palveluaka-jakauma sjasta vodaa palveluajalle valta mkä tahasa jakauma joka odotusarvo o / Vomme ss M/M/-PS mall sjasta tarkastella ylesempää M/G/-PS malla < K K } { X P Keskmääräe vve Merktää D:llä asakkaa koko systeemssäoloakaa el vvettä Koska keskmääräe systeemssäoleve lukumäärä X] o sama kaklle työsälyttävlle jookurelle sama pätee Lttle kaava ojalla myös keskmääräselle vveelle. Vodaa ss käyttää FIFO-jookurlle lueolla 8 johdettua tulosta: mssä p w vttaa todeäkösyytee ] [ p W D E } * { W X P p

6 Keskmääräe vve kuorma fuktoa Suhteelle läpäsyopeus Huom. Vvee ykskköä käytetty keskmäärästä palveluvaatmusta kuorma Asakkaa kokemaa palvelu laatua kuvaa suhteelle läpäsyopeus /: [ ] E D : : Suhteelle läpäsyopeus / kuorma fuktoa / kuorma 3 4

7 Sovellus elastse datalketee malltamsee vuotasolla Läpmeo θ kuorma fuktoa M/M/-PS-mall soveltuu elastse datalketee kuvaamsee vuotasolla asakas TCP-vuo uuse vode saapumstesteett vuota per akayks. r yksttäse vuo ltytälk opeus datayks. per akayks. C r vode jakama lk bttopeus datayks. per akayks. L] keskmääräe vuo koko datayks. / L]/r keskmääräe vuo lähetysaka ltytäopeudella / kuorma Palvelu laatua mttaa vuo läpmeo el keskmäär. lähetysopeus L] r r θ C Huom. Läpmeo ykskköä käytetty täyttä lkkopeutta C r C.8.6 r C/ läpmeo θ.4 r C/3. r C/ r C/ kuorma 5 6 M/M//k/k-PS joo 7 Tarkastellaa seuraavalasta ykskertasta lkeeteoreettsta malla: äärelle määrä rppumattoma asakkata k < asakkaat o-off-tyyppsä ss välllä joutlata ja välllä palvelussa jouteoloajat IID oudattae Exp-jakaumaa odotusarvolla / yks palvelja palveluvaateet IID oudattae Exp-jakaumaa odotusarvolla / jokasella asakkaalla oma asakaspaka p k jookur: PS Huom. Kedall merköllä kyseessä o M/M//k/k-PS joomall O-off tyyppe asakas: joutlaaa palvelussa 8

8 Tlasrtymäkaavo Tasapaojakauma Tark. järjestelmässä oleve asakkade lkm:ää Xt aja t fuktoa Oletetaa että Xt jollak hetkellä t Lyhyellä akavälllä t th] vo tapahtua seuraavaa: jos < k t:llä k h oh joku joutlaa olevsta asakkasta srtyy palveluu aheuttae tlasrtymä jos > t:llä /h oh oh joku systeemssä oleva asakkaa palvelu päättyy aheuttae tlasrtymä Prosess Xt o selvästk Markov-prosess tlasrtymäkaavoaa k k k k Lähdetää jällee lkkeelle lokaalesta tasapaoyhtälöstä: k k k k k k K LBE Huom. Prosess Xt o pelkstymätö sk-prosess äärellsellä tla-avaruudella S { k} 9 3 Tasapaojakauma Sovelletaa stte jakaumaehtoa: k k k k k k k k k k k k k k k N 3

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli Ssältö Kertausta: ykskertae lkeeteoreette mall M/M/-PS asakasta palvelja asakaspakkaa M/M/-PS asakasta palveljaa asakaspakkaa Sovellus elastse datalketee malltamsee vuotasolla M/M//k/k-PS k asakasta palvelja

Lisätiedot

7. Menetysjärjestelmät

7. Menetysjärjestelmät lueto7.ppt S-38.45 Leeteora perusteet Kevät 25 Ssältö Kertausta: ysertae leeteoreette mall Posso-mall asaata, palvelota Sovellus vrtaava dataletee malltamsee vuotasolla Erlag-mall asaata, palvelota < Sovellus

Lisätiedot

7. Menetysjärjestelmät

7. Menetysjärjestelmät Ssältö Kertust: ykskerte lkeeteoreette mll Posso-mll (skkt, plvelot ) Sovellus vrtv dtlketee mlltmsee vuotsoll Erlg-mll (skkt, plvelot < ) Sovellus puhellketee mlltmsee rukoverkoss Bommll (skkt k

Lisätiedot

8. Jonotusjärjestelmät

8. Jonotusjärjestelmät 8. Joousjärjeselmä lueo8. S-38.45 Lkeeeora erusee Kevä 6 8. Joousjärjeselmä Ssälö Kerausa: ykskerae lkeeeoreee mall Jookur M/M/ alvelja, odousakkaa Sovellus daalkeee mallamsee akeasolla M/M/ alveljaa,

Lisätiedot

8. Jonotusjärjestelmät

8. Jonotusjärjestelmät lueo8. S-38.45 Lkeeeora erusee Kevä 5 Ssälö Kerausa: ykskerae lkeeeoreee mall Jookur M/M/ alvelja, odousakkaa Sovellus daalkeee mallamsee akeasolla M/M/ alveljaa, odousakkaa Ykskerae lkeeeoreee mall Asakkaa

Lisätiedot

ABTEKNILLINEN KORKEAKOULU

ABTEKNILLINEN KORKEAKOULU ABTEKNILLINEN KORKEAKOULU Tetoverkkolaboratoro 6. Stokastset prosesst () Luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 5 6. Stokastset prosesst () Ssältö Markov-prosesst Syntymä-kuolema-prosesst

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemaalyys laboratoro Mat-.9 Sovellettu todeäkösyyslasku A Nordlud Harjotus 8 (vko 45/3) (Ahe: Raja-arvolauseta, otostuuslukuja, johdatusta estmot, Lae luvut 9.5,.-.6). Olkoo X ~ p(λ), mssä λ

Lisätiedot

6. Stokastiset prosessit (2)

6. Stokastiset prosessit (2) Ssältö Markov-prosesst Syntymä-kuolema-prosesst luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 6 Markov-prosess Esmerkk Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella

Lisätiedot

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2 HY / Matematka ja tlastotetee latos Tlastolle päättely II, kevät 28 Harjotus 3A Ratkasuehdotuksa Tehtäväsarja I Olkoot Y,, Y ja Nθ, ) Osota, että T T Y) Y 2 o parametr gθ) θ 2 harhato estmaattor Laske

Lisätiedot

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit 68 3. Leaarset esmmäse kertaluvu dfferetaalsysteemt Tarkastelemme systeemejä () x () t = A() t x() t + b () t, jossa matrs A kertomet ja b ovat välllä I jatkuva. Jatkuve vektorarvoste fuktode avaruutta

Lisätiedot

Raja-arvot. Osittaisderivaatat.

Raja-arvot. Osittaisderivaatat. 1 MAT-13440 LAAJA MATEMATIIKKA 4 Tamperee teklle ylopsto Rsto Slveoe Kevät 2010 Luku 3 Raja-arvot Osttasdervaatat 1 Fuktode raja-arvot Tarkastelemme fuktota f : A, jode määrttelyjoukko A T Muuttujat ovat

Lisätiedot

6. Stokastiset prosessit

6. Stokastiset prosessit luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät Ssältö Peruskästtetä Posson-prosess Markov-prosesst Syntymä-kuolema-prosesst Stokastset prosesst () Tarkastellaan otakn (lkenneteoran kannalta ta stten

Lisätiedot

6. Menetysjärjestelmät

6. Menetysjärjestelmät S-38.45 Lkeeeora perusee K-99 6. Meeysjärjeselmä lec6.pp 6. Meeysjärjeselmä Ssälö Kerausa: ykskerae lkeeeoreee mall Posso-mall asakkaa, palveljoa Erlag-mall asakkaa, palveljoa < Bommall asakkaa k

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

Luento 6 Luotettavuus Koherentit järjestelmät Aalto-ylosto erustetede korkeakoulu Matematka a systeemaalyys latos Lueto 6 Luotettavuus Koherett ärestelmät Aht Salo Systeemaalyys laboratoro Matematka a systeemaalyys latos Aalto-ylosto erustetede korkeakoulu

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat: Mat-1.60 Sovellettu todeäkösyyslasketa Mat-1.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Otos ja otosjakaumat Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, χ -jakauma, Frekvess, Frekvessjakauma,

Lisätiedot

10.5 Jaksolliset suoritukset

10.5 Jaksolliset suoritukset 4.5 Jaksollset suortukset Tarkastellaa tlaetta, jossa asakas tallettaa pakktllle tostuvast yhtäsuure rahasumma k aa korkojakso lopussa. Asakas suorttaa talletukse kertaa. Lasketaa tlllä oleva pääoma :e

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma Aheet: Satuasmuuttujat ja todeäkösyysjakaumat Kertymäfukto Jakaume tuusluvut Dskreettejä jakauma Jatkuva jakauma Avasaat: Bomjakauma Desl Dskreett

Lisätiedot

TKK @ Ilkka Mellin (2008) 1/24

TKK @ Ilkka Mellin (2008) 1/24 Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia. HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla

Lisätiedot

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot Mat-.09 Sovellettu todeäkösyyslasku Systeemaalyys laboratoro Teklle korkeakoulu SYKSY 00 Ilkka Mell Sovellettu todeäkösyyslasku: Kaavat ja taulukot f XY x X x X y Y ( x, y) exp XY ( XY ) XY XY X X Y Tomttaut

Lisätiedot

Satunnaismuuttujat ja todennäköisyysjakaumat

Satunnaismuuttujat ja todennäköisyysjakaumat Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat

Lisätiedot

ABTEKNILLINEN KORKEAKOULU

ABTEKNILLINEN KORKEAKOULU ABTEKNILLINEN KORKEAKOULU 7. Meeysjärjeselmä Teoverkkolaboraoro Ssälö 7. Meeysjärjeselmä Kerausa: ykskerae lkeeeoreee mall osso-mall asakkaa, palveljoa Erlag-mall asakkaa, palveljoa < Bommall asakkaa k

Lisätiedot

3. Esimerkkejä luento03.ppt S Liikenneteorian perusteet - Kevät

3. Esimerkkejä luento03.ppt S Liikenneteorian perusteet - Kevät luento03.ppt S-38.1145 - Liikenneteorian perusteet - Kevät 2006 1 Sisältö Puhelinliikenteen malli Pakettitason malli dataliikenteelle Vuotason malli elastiselle dataliikenteelle Vuotason malli virtaavalle

Lisätiedot

Jaksolliset ja toistuvat suoritukset

Jaksolliset ja toistuvat suoritukset Jaksollset ja tostuvat suortukset Korkojakson välen tostuva suortuksa kutsutaan jaksollsks suortuksks. Tarkastelemme tässä myös ylesempä tlanteta jossa samansuurunen talletus tehdään tasavälen mutta e

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat: Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt,

Lisätiedot

3. Esimerkkejä. Sisältö. Klassinen puhelinliikenteen malli (1) Klassinen puhelinliikenteen malli (2)

3. Esimerkkejä. Sisältö. Klassinen puhelinliikenteen malli (1) Klassinen puhelinliikenteen malli (2) Sisältö Puhelinliikenteen malli Pakettitason malli dataliikenteelle Vuotason malli elastiselle dataliikenteelle Vuotason malli virtaavalle dataliikenteelle luento03.ppt S-38.45 - Liikenneteorian perusteet

Lisätiedot

Turingin kone on kuin äärellinen automaatti, jolla on käytössään

Turingin kone on kuin äärellinen automaatti, jolla on käytössään 4 TUINGIN KONEET Ala Turg 1935 36 auha Koe vo srtää auha: T U I N G auhapää: ohjausykskkö: Turg koe o ku äärelle automaatt, jolla o käytössää auhapäätä vasemmalle ta okealle; se vo myös lukea ta krjottaa

Lisätiedot

Monte Carlo -menetelmä

Monte Carlo -menetelmä Monte Carlo -menetelmä Helumn perustlan elektron-elektron vuorovakutuksen laskemnen parametrsodulla yrteaaltofunktolla. Menetelmän käyttökohde Monen elektronn systeemen elektronkorrelaato oteuttamnen mulla

Lisätiedot

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme? TKK (c) Ilkka Mell (004) Kovergesskästteet ja raja-arvolauseet Kovergesskästtetä Suurte lukuje lat Keskee raja-arvolause Keskese raja-arvolausee seurauksa Johdatus todeäkösyyslasketaa Kovergesskästteet

Lisätiedot

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla

Lisätiedot

Demonstraatiot Luento 7 D7/1 D7/2 D7/3

Demonstraatiot Luento 7 D7/1 D7/2 D7/3 TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 2008 Demonstraatiot Luento 7 7.2.2008 D7/ Tarkastellaan piirikytkentäisen järjestelmän n-kanavaista

Lisätiedot

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN MTTTP SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN Aesto kaavoje () (3), (9) ja () esmerkkeh Lepakot pakallstavat hyötesä lähettämällä korkeataajusta äätä Ne pystyvät pakallstamaa hyöteset

Lisätiedot

AB TEKNILLINEN KORKEAKOULU

AB TEKNILLINEN KORKEAKOULU B TEKNILLINEN KORKEKOULU Tetoverkkolaboratoro luento05.ppt S-38.45 - Lkenneteoran perusteet - Kevät 00 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat

Lisätiedot

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut) J. Vrtamo Lkenneteora a lkenteenhallnta / Markov-prosesst 1 Markov-prosesst (Jatkuva-akaset Markov-ketut) Tarkastellaan (statonaarsa) Markov-prosessea, oden parametravaruus on atkuva (yleensä aka). Srtymät

Lisätiedot

Tilastollisen fysiikan luennot

Tilastollisen fysiikan luennot Tlastollsen fyskan luennot Tvstelmät luvuttan I PERUSKÄSITTEITÄ JA MÄÄRITELMIÄ Lämpö on systeemen mkroskooppsten osen satunnasta lkettä Lämpöenerga vrtaa kuumemmasta kappaleesta kylmempään Jos kaks kappaletta

Lisätiedot

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä Johdatus dskreettn matematkkaan Harjotus 3, 30.9.2015 1. Luvut 1, 10 on latettu ympyrän kehälle. Osota, että löytyy kolme verekkästä lukua, joden summa on vähntään 17. Ratkasu. Tällasa kolmkkoja on 10

Lisätiedot

AB TEKNILLINEN KORKEAKOULU

AB TEKNILLINEN KORKEAKOULU AB TKNILLINN KORKAKOULU Tovrkkolaboraoro 8. Joousärslmä luo8. S-38.45 - Lkora rus - Kvä 8. Joousärslmä Ssälö Krausa: ykskra lkor mall M/M/ alvla odousakkaa M/M/ alvlaa odousakkaa 8. Joousärslmä Ykskra

Lisätiedot

8. Jonotusjärjestelmät

8. Jonotusjärjestelmät 8. Joousärslmä Ssälö 8. Joousärslmä Krausa: ykskra lkor mall Jookur M/M/ alvla odousakkaa Sovllus daalk mallams akasolla M/M/ alvlaa odousakkaa luo8. S-38.45 Lkora rus Kvä 6 8. Joousärslmä 8. Joousärslmä

Lisätiedot

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4 TKK (c) lkka Melln (005) Koesuunnttelu TKK (c) lkka Melln (005) : Mtä opmme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Mten varanssanalyysssa tutktaan yhden tekän vakutusta vastemuuttujaan, kun

Lisätiedot

Käyttövarmuuden ja kunnossapidon perusteet, KSU-4310: Tentti ma

Käyttövarmuuden ja kunnossapidon perusteet, KSU-4310: Tentti ma KSU-430/Ten 4..2008/Prof. Seppo Vranen /3 Käyövarmuuden ja kunnossapdon perusee, KSU-430: Ten ma 4..2008 Huom. Vasaus van veen kysymykseen. Funko- ja/a ohjelmoavan laskmen, musnpanojen, luenomonseden ja

Lisätiedot

J. Virtamo Jonoteoria / Prioriteettijonot 1

J. Virtamo Jonoteoria / Prioriteettijonot 1 J. Virtamo 38.3143 Jonoteoria / Prioriteettijonot 1 Prioriteettijonot Tarkastellaan M/G/1-jonojärjestelmää, jossa asiakkaat on jaettu K:hon prioriteettiluokkaan, k = 1,..., K: - luokalla 1 on korkein prioriteetti

Lisätiedot

Diskreettiaikainen dynaaminen optimointi

Diskreettiaikainen dynaaminen optimointi Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u

Lisätiedot

Estynyt puheluyritys menetetään ei johda uusintayritykseen alkaa uusi miettimisaika: aika seuraavaan yritykseen Exp(γ) pitoaika X Exp(µ)

Estynyt puheluyritys menetetään ei johda uusintayritykseen alkaa uusi miettimisaika: aika seuraavaan yritykseen Exp(γ) pitoaika X Exp(µ) J Virtamo 383143 Jonoteoria / Engsetin järjestelmä 1 Äärellinen lähdepopulaatio: M/M/s/s/n-järjestelmä Tarkastellaan estojärjestelmää (ei odotuspaikkoja) tapauksessa, jossa saapumiset tulevat äärellisestä

Lisätiedot

Yleistä. Esimerkki. Yhden palvelimen jono. palvelin. saapuvat asiakkaat. poistuvat asiakkaat. odotushuone, jonotuspaikat

Yleistä. Esimerkki. Yhden palvelimen jono. palvelin. saapuvat asiakkaat. poistuvat asiakkaat. odotushuone, jonotuspaikat J. Virtamo 38.3143 Jonoteoria / Jonojärjestelmät 1 JONOJÄRJESTELMÄT Yleistä Jonojärjestelmät muodostavat keskeisen mallinnuksen välineen mm. tietoliikenne- ja tietokonejärjestelmien suorituskyvyn analysoinnissa.

Lisätiedot

Satunnaismuuttujat ja todennäköisyysjakaumat

Satunnaismuuttujat ja todennäköisyysjakaumat Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat

Lisätiedot

ler-modern isaatio * d *r n ax* *neäemw & rffi rffi # Sch ind Schindler {4ssxisä tu\*vmisu a**r3 \mj**nt rei

ler-modern isaatio * d *r n ax* *neäemw & rffi rffi # Sch ind Schindler {4ssxisä tu\*vmisu a**r3 \mj**nt rei ler-modern saato {4ssxsä tu\*vmsu a**r3 \mj**nt Sch nd re * d *r n ax* *neäemw & rff rff # - " Schndler e,}:r:?tr,::.}a:::.?r!=+,t:",:2-:r?:.+rp;,,..*,. 21/:4?:&rä1 1tt''f &t!:/t F:*?: Haluatko hssstäs

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat: Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Estmot Estmotmeetelmät Välestmot Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, Estmaatt, Estmaattor,

Lisätiedot

Lähdemateriaalina käytetty Pertti Louneston kirjaa Clifford Algebras and spinors [1]

Lähdemateriaalina käytetty Pertti Louneston kirjaa Clifford Algebras and spinors [1] Lähdmatraala kättt Prtt Lousto kraa Clfford Algbras ad spors [] Krtausta Clfford algbra määrtllää algbraks kvadraattsll vktoravaruudll (sm. skalaartulolla. Clfford algbra oka alko vodaa sttää algbra katavktord

Lisätiedot

J. Virtamo Jonoteoria / Prioriteettijonot 1

J. Virtamo Jonoteoria / Prioriteettijonot 1 J. Virtamo 38.143 Jonoteoria / Prioriteettijonot 1 Prioriteettijonot TarkastellaanM/G/1-jonojärjestelmää, jossaasiakkaaton jaettu K:hon prioriteettiluokkaan, k =1,...,K: - luokalla 1 on korkein prioriteetti

Lisätiedot

3 Tilayhtälöiden numeerinen integrointi

3 Tilayhtälöiden numeerinen integrointi 3 Tlayhtälöden numeernen ntegront Alkuarvotehtävässä halutaan ratkasta lopputla xt f ) sten, että tlayhtälöt ẋ = fx,u, t) toteutuvat, kun alkutla x 0 on annettu Tlayhtälöden numeernen ntegront vodaan suorttaa

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat:

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat: MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 Aheet: Tlastollset testt Avasaat: Artmeette keskarvo Beroull-jakauma

Lisätiedot

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus Mat-1.361 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.1. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys,

Lisätiedot

Jonojen matematiikkaa

Jonojen matematiikkaa Lectio praecursoria Jonojen matematiikkaa Samuli Aalto luento.ppt 1 Sisältö Johdanto Joukkopalveltu jono (batch service queue) Nestevarastomalli (fluid flow storage model) 2 Reaalimaailman ilmiö... ÿþýüûr.u.p.t.

Lisätiedot

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus Mat.36 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys, Otos,

Lisätiedot

A = B = T = Merkkijonon A osamerkkijono A[i..j]: n merkkiä pitkä merkkijono A:

A = B = T = Merkkijonon A osamerkkijono A[i..j]: n merkkiä pitkä merkkijono A: Merkkjonot (strngs) n merkkä ptkä merkkjono : T T T G T n = 18 kukn merkk [], mssä 0 < n, kuuluu aakkostoon Σ, jonka koko on Σ esm. bttjonot: Σ = {0,1} ja Σ = 2, DN: Σ = {,T,,G} ja Σ = 4 tetokoneen aakkosto

Lisätiedot

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ). HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä

Lisätiedot

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2 TKK (c) Ila Mell (4) Jaaume tuusluvut Johdatus todeäösyyslasetaa Jaaume tuusluvut Marov ja Tshebyshev epäyhtälöt Momett Vous ja hupuuus Suurte luuje la TKK (c) Ila Mell (4) Jaaume tuusluvut: Mtä opmme?

Lisätiedot

Estojärjestelmä (loss system, menetysjärjestelmä)

Estojärjestelmä (loss system, menetysjärjestelmä) J. Virtamo 38.3143 Jonoteoria / Estojärjestelmä 1 Estojärjestelmä (loss system, menetysjärjestelmä) Tarkastellaan perinteistä puhdasta estojärjestelmää, jossa on annettu n = johtojen (varattavien elementtien)

Lisätiedot

SMG-1100: PIIRIANALYYSI I

SMG-1100: PIIRIANALYYSI I SMG-1100: PIIRIANALYYSI I Vahtosähkön teho hetkellnen teho p(t) pätöteho P losteho Q näennästeho S kompleksnen teho S HETKELLINEN TEHO Kn veresen kvan mpedanssn Z jännte ja vrta (tehollsarvon osottmet)

Lisätiedot

Ilmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen

Ilmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen Ilmar Juva 45727R Mat-2.108 Sovelletun matematkan erkostyö Jalkaallo-ottelun loutuloksen stokastnen mallntamnen 1 Johdanto Jalkaallo-ottelun loutuloksen mallntamsesta tlastollsn ja todennäkösyyslaskun

Lisätiedot

Bernoullijakauma. Binomijakauma

Bernoullijakauma. Binomijakauma Beroulljaauma Beroull oe o ahde mahdollse ulostulo oe, jossa taahtumsta äytetää mtysä ostume ja eäostume. Esmerejä: rahahetto (ruua ta laava), lase sytymä (tyttö ta oa), helö verryhmä ( ta c ), oselja

Lisätiedot

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,

Lisätiedot

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot TKK (c) Ilkka Mell (2004) Kokoastodeäkösyys ja Kokoastodeäkösyys ja : Johdato Kokoastodeäkösyyde ja Bayes kaavoje systeemteoreette tulkta Johdatus todeäkösyyslasketaa Kokoastodeäkösyys ja TKK (c) Ilkka

Lisätiedot

7. Modulit Modulit ja lineaarikuvaukset.

7. Modulit Modulit ja lineaarikuvaukset. 7. Modult Vektoravaruudet ovat vahdannasa ryhmä, jossa on määrtelty jonkn kunnan skalaartomnta. Hyväksymällä kerronrakenteeks kunnan sjaan rengas saadaan rakenne nmeltä modul. Moduln käste on ss vektoravaruuden

Lisätiedot

1, x < 0 tai x > 2a.

1, x < 0 tai x > 2a. PHYS-C020 Kvanttmekankka Laskuharotus 2, vkko 45 Tarkastellaan ptkn x-aksela lkkuvaa hukkasta, onka tlafunkto on (x, t) Ae x e!t, mssä A, a! ovat reaalsa a postvsa vakota a) Määrtä vako A sten, että tlafunkto

Lisätiedot

Ohjelmiston testaus ja laatu. Ohjelmistotekniikka dokumentointi

Ohjelmiston testaus ja laatu. Ohjelmistotekniikka dokumentointi Ohjelmson esaus ja laau Ohjelmsoeknkka dokumenon Ohjelmsoyöhön kuuluu oleellsena osana dokumenen krjoamnen laadukkaden dokumenen uoamnen vakeaa akaaulujen panaessa päälle, dokumenonnsa on helppo npsää

Lisätiedot

TILASTOMATEMATIIKKA I

TILASTOMATEMATIIKKA I TILASTOMATEMATIIKKA I Srkku Parvae 1. JOHDANTO MIHIN TILASTOTIEDETTÄ TARVITAAN? suure havatomäärä (data) keräämsee, tetoje tvstämsee ja kuvaluu (deskrptvset meetelmät, data-aalyys) johtopäätöste tekemsee

Lisätiedot

Todennäköisyyden aksioomat. Todennäköisyyden aksioomat. Todennäköisyyden aksioomat: Mitä opimme? 2/2. Todennäköisyyden aksioomat: Mitä opimme?

Todennäköisyyden aksioomat. Todennäköisyyden aksioomat. Todennäköisyyden aksioomat: Mitä opimme? 2/2. Todennäköisyyden aksioomat: Mitä opimme? TKK () Ilkka Mell (2004) 1 Todeäkösyyde aksoomat Suhteelle rekvess, klasse todeäkösyys ja ehdolle todeäkösyys Johdatus todeäkösyyslasketaa Todeäkösyyde aksoomat TKK () Ilkka Mell (2004) 2 Todeäkösyyde

Lisätiedot

Taustaa KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT. Jukka Talvitie, Toni Levanen & Mikko Valkama TTY / Tietoliikennetekniikka

Taustaa KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT. Jukka Talvitie, Toni Levanen & Mikko Valkama TTY / Tietoliikennetekniikka IMA- Exurso: Kompleksluvu ja radosgnaal / KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT Tausaa IMA- Exurso: Kompleksluvu ja radosgnaal / Kakk langaon vesnä ja radoeolkenne (makapuhelme, WLAN, ylesrado

Lisätiedot

Baltian Tie 2001 ratkaisuja

Baltian Tie 2001 ratkaisuja Balta Te 001 ratkasuja 1. Olkoot tehtävät T, = 1,,..., 8. Eräs mahdollsuus jakaa tehtävät kahdeksalle opskeljalle O j, j =1,,..., 8 o ohesessa taulukossa T 1 T T T 4 T T 6 T 7 T 8 O 1 O O O 4 O O 6 O 7

Lisätiedot

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut Harjotus, esmerkkratkasut K 1. Olkoon f : C C, f(z) z z. Tutk, mssä pstessä f on dervotuva. Ratkasu 1. Jotta funkto on dervotuva, on sen erotusosamäärän f(z + ) f(z) raja-arvon 0 oltava olemassa ja ss

Lisätiedot

3.5 Generoivat funktiot ja momentit

3.5 Generoivat funktiot ja momentit 3.5. Generovat funktot ja momentt 83 3.5 Generovat funktot ja momentt 3.5.1 Momentt Eräs tapa luonnehta satunnasmuuttujan jakaumaa, on laskea jakauman momentt. Ne määrtellään odotusarvon avulla. Määrtelmä

Lisätiedot

Harjoituksen pituus: 90min 3.10 klo 10 12

Harjoituksen pituus: 90min 3.10 klo 10 12 Pallollse puolustae: Sokea ja ta käspallo/ Lppupallo Tavote: aalteo estäe sjottue puolustavalle puolelle, potku ta heto estäe, syöttäse estäe rstäe taklaus, pae tla vottase estäe sjottue puolustavalle

Lisätiedot

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon S-11435, FYSIIKKA III (ES), Syksy 00, LH 4, Loppuvkko 39 LH4-1* Käyttän Maxwll-Boltzmann-jakauman parttofunktota määrtä a) nrgan nlön kskarvo (E ) skä b) nrgan nlöllnn kskpokkama kskarvosta l nrgan varanss,

Lisätiedot

Mekaniikan jatkokurssi Fys102

Mekaniikan jatkokurssi Fys102 Mekankan jatkokurss Fys102 Syksy 2009 Jukka Maalamp LUENTO 2 Alkuverryttelyä Vääntömomentt Oletus: Vomat tasossa, joka on kohtsuorassa pyörmsaksela vastaan. Oven kääntämseen tarvtaan er suurunen voma

Lisätiedot

Tilastollinen todennäköisyys

Tilastollinen todennäköisyys Tilastollie todeäköisyys TOD.NÄK JA TILASTOT, MAA10 Klassisessa todeäköisyydessä oli ehdot: äärellisyys ja symmetrisyys. Tämä tilae o usei mahdoto ts. alkeistapauksia o usei ääretö määrä tai e eivät ole

Lisätiedot

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,

Lisätiedot

TILASTOMATEMATIIKKA I

TILASTOMATEMATIIKKA I TILASTOMATEMATIIKKA I Srkku Parvae 1. JOHDANTO MIHIN TILASTOTIEDETTÄ TARVITAAN? suure havatomäärä (data) keräämsee, tetoje tvstämsee ja kuvaluu (deskrptvset meetelmät, data-aalyys) johtopäätöste tekemsee

Lisätiedot

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto Kynä-paper -harjotukset Tana Lehtnen 8.8.07 Tana I Lehtnen Helsngn ylopsto Etelä-Suomen ja Lapn lään, 400 opettajaa a. Perusjoukon (populaaton) muodostvat kakk Etelä-Suomen ja Lapn läänn peruskoulun opettajat

Lisätiedot

Tchebycheff-menetelmä ja STEM

Tchebycheff-menetelmä ja STEM Tchebycheff-menetelmä ja STEM Optmontopn semnaar - Kevät 2000 / 1 1. Johdanto Tchebycheff- ja STEM-menetelmät ovat vuorovakuttesa menetelmä evät perustu arvofunkton käyttämseen pyrkvät shen, että vahtoehdot

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-suuntainen vaihtoehtoinen hypoteesi Mat-.6 Sovellettu todeäkösyyslasketa. harjotukset Mat-.6 Sovellettu todeäkösyyslasketa B. harjotukset / Ratkasut Aheet: Tlastollset testt Avasaat: Artmeette keskarvo, Beroull-jakauma, F-jakauma, F-test,

Lisätiedot

5. Stokastiset prosessit (1)

5. Stokastiset prosessit (1) luento05.ppt S-38.45 - Liikenneteorian perusteet - Kevät 2006 Sisältö Peruskäsitteitä Poisson-prosessi 2 Stokastiset prosessit () Tarkastellaan jotakin (liikenneteorian kannalta tai sitten muuten) kiinnostavaa

Lisätiedot

Puupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö:

Puupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö: Puupntasen sandwchkattoelementn lujuuslaskelmat. Ssältö: Sandwch kattoelementn rakenne ja omnasuudet Laatan laskennan kulku Tulosten vertalua FEM-malln ja analyyttsen malln välllä. Elementn rakenne Puupntasa

Lisätiedot

Muuttujien välisten riippuvuuksien analysointi

Muuttujien välisten riippuvuuksien analysointi Mat-.4 Tlastollse aalyys peusteet, kevät 7 5. lueto: Tlastolle ppuvuus ja koelaato Muuttuje välste ppuvuukse aalysot Tlastollsssa aalyysessä tutktaa use muuttuje välsä ppuvuuksa Työttömyysastee ppuvuus

Lisätiedot

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon Taustaa Sekventaalnen vakutuskaavo Sekventaalnen päätöskaavo on 1995 ovalun ja Olven esttämä menetelmä päätösongelmen mallntamseen, fomulontn ja atkasemseen. Päätöspuun omnasuukssta Hyvää: Esttää eksplsttsest

Lisätiedot

ABTEKNILLINEN KORKEAKOULU

ABTEKNILLINEN KORKEAKOULU ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio Sisältö Peruskäsitteitä Poisson-prosessi Luento05.ppt S-38.45 - Liikenneteorian perusteet - Kevät 2005 2 Stokastiset prosessit () Stokastiset prosessit

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit

Mat Koesuunnittelu ja tilastolliset mallit Mat-.03 Koeuuttelu tlatollet mallt. harjotuket Mat-.03 Koeuuttelu tlatollet mallt. harjotuket / Ratkaut Aheet: Avaaat: Tlatollte aetoje kuvaame Oto otokaumat Etmot Etmotmeetelmät Väletmot Artmeette kekarvo,

Lisätiedot

. g = 0,42g. Moolimassat ovat vastaavasti N 2 :lle 28, 02g/ mol ja typpiatomille puolet tästä 14, 01g/ mol.

. g = 0,42g. Moolimassat ovat vastaavasti N 2 :lle 28, 02g/ mol ja typpiatomille puolet tästä 14, 01g/ mol. LH-1 Kaasusälö ssältää 1, g typpeä 1800 K lämpötlassa Sälön tlavuus on 5,0 l Laske pane sälössä ottamalla huomoon, että tässä lämpötlassa 30 % typpmolekyylestä, on hajonnut atomeks Sovella Daltonn laka

Lisätiedot

Markov-ketjut pitkällä aikavälillä

Markov-ketjut pitkällä aikavälillä MS-C2111 Stokastiset prosessit 2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton;

Lisätiedot

in 2/2012 6-7 4-5 8-9 InHelp palvelee aina kun apu on tarpeen INMICSIN ASIAKASLEHTI

in 2/2012 6-7 4-5 8-9 InHelp palvelee aina kun apu on tarpeen INMICSIN ASIAKASLEHTI n 2/2012 fo INMICSIN ASIAKASLEHTI 6-7 Dgtova kynä ja Joun Mutka: DgProfITn sovellukset pyörvät Inmcsn konesalssa. 4-5 HL-Rakentajen työmalle on vedettävä verkko 8-9 InHelp palvelee ana kun apu on tarpeen

Lisätiedot

T p = 0. λ n i T i B = Käytetään kohdan (i) identiteetin todistamiseen induktiotodistusta. : Oletetaan, että väite on totta, kun n = k.

T p = 0. λ n i T i B = Käytetään kohdan (i) identiteetin todistamiseen induktiotodistusta. : Oletetaan, että väite on totta, kun n = k. Olkoot A R n n ja T R n n sten, että on olemassa ndeks p N jolle T p = Tällästä matrsa kutsutaa nlpotentks Näytä, että () () () Olkoot Määrtä matrs B n (λi + A) n = (λi + T ) n = B = n mn n,p ( ) n λ n

Lisätiedot

1 Eksponenttifunktion määritelmä

1 Eksponenttifunktion määritelmä Ekspoettifuktio määritelmä Selvitimme aikaisemmi tällä kurssilla, millaie potessisarja säilyy derivoiissa muuttumattomaa. Se perusteella määritellää: Määritelmä. Ekspoettifuktio exp : R R määritellää lausekkeella

Lisätiedot

Painotetun metriikan ja NBI menetelmä

Painotetun metriikan ja NBI menetelmä Panotetun metrkan ja NBI menetelmä Optmontopn semnaar - Kevät / 1 Estelmän ssältö Paretopsteden generont panotetussa metrkossa Panotettu L p -metrkka Panotettu L -metrkka el panotettu Tchebycheff -metrkka

Lisätiedot

Yleistä. Teräsrakenteiden liitokset. Liitos ja kiinnitys

Yleistä. Teräsrakenteiden liitokset. Liitos ja kiinnitys Ylestä Teäsakenteden ltokset (EC3-1-8, EC3-1-8-NA) Teäsakenteden lttämsessä tosnsa vodaan käyttää seuaava menetelmä: uuv-, ntt- ja nveltappltokset htsausltokset lmaltokset Ltos ja knntys Ltosta asttavan

Lisätiedot

4. Stokastiset prosessit. lect4.tex 1. Sisältö. Peruskäsitteitä. Poisson-prosessi. Markov-prosessit. Syntymä-kuolema-prosessit

4. Stokastiset prosessit. lect4.tex 1. Sisältö. Peruskäsitteitä. Poisson-prosessi. Markov-prosessit. Syntymä-kuolema-prosessit 4. Stokastiset prosessit lect4.tex 1 Sisältö Peruskäsitteitä Poisson-prosessi Markov-prosessit Syntymä-kuolema-prosessit 2 Stokastinen prosessi Tarkasteltavana oleva järjestelmä kehittyy ajan mukana ja

Lisätiedot

Liikenneongelmien aikaskaalahierarkia

Liikenneongelmien aikaskaalahierarkia J. Virtamo 38.3141 Teleliikenneteoria / HOL-esto 1 Liikenneongelmien aikaskaalahierarkia AIKASKAALAHIERARKIA Kiinnostavat aikaskaalat kattavat laajan alueen, yli 13 dekadia! Eri aikaskaaloissa esiintyvät

Lisätiedot

Kanoniset muunnokset

Kanoniset muunnokset Kanonset muunnokset Koordnaatstomuunnokset Lagrangen formalsmssa pstemuunnoksa: Q = Q (q, t) nopeudet saadaan nästä dervomalla Kanonnen formalsm: p:t ja q:t samanarvosa 2n-ulottesen faasavaruuden muuttuja

Lisätiedot

= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1

= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1 35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,

Lisätiedot

Tilastolliset menetelmät: Lineaarinen regressioanalyysi

Tilastolliset menetelmät: Lineaarinen regressioanalyysi Tlastollset meetelmät Leaare regressoaalyys Tlastollset meetelmät: Leaare regressoaalyys 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaalyys 5. Yhde selttäjä leaare regressomall 6. Ylee leaare

Lisätiedot

Gibbsin vapaaenergia aineelle i voidaan esittää summana

Gibbsin vapaaenergia aineelle i voidaan esittää summana Lueto 8: Epädeaalsuus ja aktvsuuskerro Torsta 1.11. klo 14-16 477401A - Terodyaaset tasapaot (Syksy 2012) http://www.oulu.f/pyoet/477401a/ eetu.hekke@oulu.f Kertausta: Gbbs eerga ja tasapaovako Gbbs vapaaeerga

Lisätiedot