11. Simulointi luento11.ppt S Liikenneteorian perusteet Kevät

Koko: px
Aloita esitys sivulta:

Download "11. Simulointi luento11.ppt S-38.1145 Liikenneteorian perusteet Kevät 2006 1"

Transkriptio

1 lueto.ppt S Liikeeteoria perusteet Kevät 2006

2 Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tietoje keruu Tilastollie aalyysi 2

3 Tiedote Lueo tavoite Esitellää simuloiti yhteä liikeeteoria työkalua Käydää lyhyesti läpi simuloitii liittyvät eri osa-alueet Liikeeteoria syvetävä moduuli sisältää myös erillise kurssi aiheesta S Tietoverkkoje simuloiti Pakollie Teleliikeeteoria syvetävässä moduulissa Esitiedot: S ja C/C++ -kiele tutemus Lueoidaa vai joka toie vuosi (syytä huomioida opitoje suuittelussa!) Lueoidaa seuraava kerra syksyllä

4 Mitä simuloiti o? Simuloiti o (liikeeteoria kaalta) eräs tilastollie meetelmä tarkasteltava järjestelmä suorituskyvy arvioimiseksi Se sisältää eljä eri vaihetta: Järjestelmä (olemassa oleva tai kuvitteellise) mallius dyaamisea (ajassa kehittyvää) stokastisea prosessia Prosessi reaalisaatioide tuottamie ( todellisuude havaioiti ) tällaista reaalisaatiota kutsutaa usei simuloitiajoksi (simulatio ru) Tietoje keruu ( mittaus ) Kerättyje tietoje tilastollie aalyysi ja johtopäätöste teko 4

5 Vaihtoehto, mutta mille? Aiemmi olemme jo tutustueet toisee suorituskyvy arvioitimeetelmää, imittäi matemaattisee aalyysii Käsittelimme kaksi vaihetta Järjestelmä mallius ajassa kehittyvää stokastisea prosessia (tässä kurssissa rajoituimme sytymä-kuolema-prosesseihi) Malli aalyyttie ratkaisu Järjestelmä malliusvaihe o kummalleki yhteie Tosi malli tarkkuudella voi olla suuriaki eroja: toisi kui simuloiti, matemaattie aalyysi edellyttää yleesä hyviki rajoittavie oletuste tekoa 5

6 Liikeeteoreettise järjestelmä suorituskyvy arvioiti Todellie järjestelmä mallius Matemaattie malli (stokastisea prosessia) Suorituskyvy arvioiti malli validioiti Matemaattie aalyysi Simuloiti 6

7 Aalyysi vs. simuloiti () Matemaattise aalyysi edut: Tuloste tuottamie opeaa (aalyysi eli yhtälöide jälkee) Tulokset tarkkoja Ataa äkemystä Optimoiti usei mahdollista (vaikkaki saattaa olla vaikeaa) Matemaattise aalyysi haitat: Asettaa rajoittavia ehtoja malliuksee malli yleesä liia yksikertaie (esim. vai tasapaiotila huomioitu) moimutkaiste järjestelmie suorituskyvy arvioiti lähes mahdotota Rajoittavie ehtojeki vallitessa aalyysi itsessää yleesä vaikeaa 7

8 Aalyysi vs. simuloiti (2) Simuloii edut: Ei rajoittavia ehtoja malliusvaiheessa mahdollistaa moimutkaisteki järjestelmie suorituskyvy arvioii Mallius yleesä hyvi suoraviivaista Simuloii haitat: Tuloste tuottamie yleesä työlästä (simuloitiajot vaativat paljo prosessoriaikaa) Tulokset epätarkkoja (tosi tarketuvia: mitä eemmä ajoja, sitä tarkemmat tulokset) Kokoaisäkemykse saamie vaikeampaa Optimoiti mahdollista vai hyvi rajoitetusti (esim. muutama erilaise parametrikombiaatio tai ohjausperiaattee vertailu) 8

9 Stokastise prosessi simuloii vaiheet Järjestelmä mallius ajassa kehittyvää stokastisea prosessia tästä o jo puhuttu kurssi aiemmilla lueoilla jatkossa otamme lähtökohdaksi aetu malli (so. stokastise prosessi) lisäksi rajoitamme tarkastelu tällä lueolla yksikertaisii liikeeteoreettisii malleihi (vrt. aiemmat lueot) Prosessi reaalisaatioide tuottamie satuaislukuje geeroiti tapahtumaohjattu simuloiti usei simuloiilla tarkoitetaa pelkästää tätä vaihetta (liikeeteoria kaalta se o kuiteki simuloitia suppeammassa mielessä) Tietoje keruu trasietti vaihe vs. tasapaiotila Tilastollie aalyysi ja johtopäätökset piste-estimaattorit luottamusvälit 9

10 Simuloii toteutus Simuloiti toteutetaa yleesä tietokoeohjelmaa Simuloitiohjelma sisältää yleesä kaikki edellä maiitut vaiheet malliusta ja johtopäätöksiä lukuuottamatta, ts. järjestelmä malliksi valitu stokastise prosessi reaalisaatioide tuottamise, tietoje keruu sekä kerättyje tietoje tilastollise aalyysi Simuloitiohjelma voidaa toteuttaa kokoaisuudessaa jollaki yleiskäyttöisellä ohjelmoitikielellä esim. C tai C++ joustavaa mutta työlästä ja riskialtista mahdollisille ohjelmoitivirheille käyttäe hyväksi joitaki simuloitii erikoistueita ohjelmakirjastoja esim. CNCL erityisesti simuloiteja varte kehitetyillä simuloitiohjelmistoilla esim. OPNET, BONeS, NS (osittai perustuu o-kirjastoihi) opeaa ja luotettavaa (ohjelma laadusta riippue) mutta jäykkää 0

11 Muita simuloititapoja Edellä kuvattu diskreetti tapahtumapohjaie simuloiti kyseessä diskreetti, dyaamie ja stokastie simuloiti eli mite simuloidaa tarkasteltavaa järjestelmää kuvaava matemaattise malli (diskreettitilaise stokastise prosessi) kehitystä ajassa tavoittea saada jotai tietoa ko. systeemi käyttäytymisestä jatkossa rajoitumme tällaisee simuloitii Muita simuloititapoja: jatkuvassa simuloiissa tila-avaruus o jatkuva (tilamuuttujie riippuvuudet aetaa yleesä differetiaaliyhtälösysteemiä), esim. letokoee letorada simuloiti staattisessa simuloiissa aja kulumisella ei ole merkitystä (ei ole olemassa prosessia, jota luoehtisi erilaiset tapahtumat), esim. moiulotteiste itegraalie umeerie itegroiti s. Mote-Carlomeetelmällä determiistie simuloiti ei taas sisällä ollekaa satuaisia kompoetteja (esim. esimmäie esimerkki yllä)

12 Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tietoje keruu Tilastollie aalyysi 2

13 Liikeeprosessi reaalisaatioide tuottamie Oletetaa, että olemme mallitaeet tarkasteltava järjestelmä stokastisea prosessia Seuraavaa tehtävää o prosessi reaalisaatioide tuottamie Se koostuu kahdesta osasta: kaikille prosessi kulkuu vaikuttaville satuaismuuttujille o arvottava arvot (yleesä reaaliluku) satuaisesti ko. sm: jakaumasta (sm:ie väliset riippuvuudet tietysti huomioide) äi saaduilla arvoilla kostruoidaa prosessi reaalisaatio ts. se kehittymie ajassa Nämä kaksi osaa eivät suikaa tapahdu peräkkäi eri vaiheissa, vaa imeomaa limittäi tai vuorotelle Satuaismuuttujie arvoje arvota perustuu s. (pseudo)satuaislukuje geeroitii (radom umber geeratio) Prosessi reaalisaatio kostruoiti tehdää yleesä tapahtumapohjaisesti (discrete evet simulatio) 3

14 Tapahtumapohjaie simuloiti () Idea: simuloiti eteee tapahtumasta tapahtumaa jos jollaki aikavälillä ei tapahdu mitää, voimme hypätä ko. aikaväli yli Tapahtuma vastaa (yleesä) systeemi tila muuttumista esim. yksikertaisessa liikeeteoreettisessa mallissa asiakkaide saapumiset ja poistumiset systeemistä tällaisia tapahtumia voidaa kutsua perustapahtumiksi ylimääräisiä tapahtumia aiheutuu esim. tietoje keruusta ja prosessi reaalisaatio geeroii lopetuksesta Tapahtuma karakterisoidaa kahdella parametrilla tapahtumahetki (so. milloi tapahtuma käsitellää) ja tapahtuma tyyppi (so. mite tapahtuma käsitellää) 4

15 Tapahtumapohjaie simuloiti (2) Tapahtumat orgaisoidaa yleesä tapahtumahetke mukaa järjestetyksi tapahtumalistaksi (evet list) Kärjessä o seuraavaksi sattuva tapahtuma (siis aikaisi tapahtumahetki). Listaa käydää läpi tapahtuma tapahtumalta (geeroide samalla uusia tapahtumia lista loppupäähä). Ku tapahtuma o käsitelty, se poistetaa listalta. Simuloitikello (simulatio clock) kertoo, mikä o käsiteltävää oleva tapahtuma hetki se siis eteee hyppäyksittäi Systeemi tila (system state) kertoo systeemi ykyise tila 5

16 Tapahtumapohjaie simuloiti (3) Algoritmi yhde simuloitiajo suorittamiseksi tapahtumapohjaisesti: Iitialisoiti aseta simuloitikello ollaksi aseta systeemi tila valittuu alkuarvoosa geeroi kuki tapahtumatyypi seuraava tapahtuma (mikäli mahdollista) liitä äi saadut tapahtumat tapahtumalistaa 2 Tapahtuma käsittely aseta simuloitiajaksi (tapahtumalista kärjessä oleva) seuraava tapahtuma tapahtumahetki käsittele tapahtuma ja geeroi samalla uusia tapahtumia ja liitä e tapahtumalistaa päivitä systeemi tila poista käsitelty tapahtuma tapahtumalistalta 3 Lopetusehdo testaus jos voimassa, lopeta tapahtumie geeroiti; muutoi palaa kohtaa 2 6

17 Esimerkki () Tehtävä: Simuloidaa M/M/-joo joopituude kehitystä ajassa hetkestä 0 hetkee T olettae, että systeemi o tyhjä hetkellä 0 Systeemi tila (hetkellä t) = joopituus X t alkuarvo: X 0 = 0 Perustapahtumat: asiakkaa saapumie systeemii asiakkaa poistumie systeemistä Muut tapahtumat: simuloii lopetus hetkellä T Huom. Tietoje keruuta ei ole sisällytetty tähä esimerkkii 7

18 Esimerkki (2) Iitialisoiti: asetetaa X 0 = 0 arvotaa esimmäise asiakkaa saapumishetki Exp(λ)-jakaumasta Tapahtuma käsittely uude asiakkaa saapuessa (hetkellä t) systeemi tilaa eli joopituutta kasvatetaa yhdellä: X t = X t + jos systeemi oli tyhjä asiakkaa saapuessa, geeroidaa ko. asiakkaa poistumishetki t + S, missä S o arvottu Exp(µ)-jakaumasta geeroidaa seuraava asiakkaa saapumishetki t + I, missä I o arvottu Exp(λ)-jakaumasta Tapahtuma käsittely asiakkaa poistuessa (hetkellä t) systeemi tilaa eli joopituutta väheetää yhdellä: X t = X t jos systeemii jäi asiakkaita, geeroidaa seuraavaksi palveltava asiakkaa poistumishetki t + S, missä S o arvottu Exp(µ)-jakaumasta Lopetusehto: t > T 8

19 Esimerkki (3) tapahtumie geeroiti asiakkaide saapumis- ja poistumishetket joopituus aika aika 0 T 9

20 Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tietoje keruu Tilastollie aalyysi 20

21 Satuaismuuttuja arvota aetusta jakaumasta Pohjaa s. (pseudo)satuaislukuje geeroiti Esimmäie askel Tuottaa riippumattomia välillä 0 ja tasajakautueita satuaismuuttujia (siis U(0,)-jakaumasta) käyttäe satuaislukugeeraattoria Haluttuu jakaumaa päästää U(0,)-jakaumasta esimerkiksi jollaki seuraavista meetelmistä: uudelleeskaalaaus ( U(a,b)) diskretoiti ( Beroulli(p), Bi(,p), Poisso(a), Geom(p)) kertymäfuktio kääös ( Exp(λ)) muut muuokset ( N(0,) N(µ,σ 2 )) hyväksymis-hylkäys-meetelmä (ku kyseessä rajoitetulla välillä määritelty jatkuva jakaumaa, jolla rajoitettu tiheysfuktio) tarvitaa kaksi riippumatota U(0,)-jakaumaa oudattavaa sm:aa 2

22 Satuaislukuje geeroiti Satuaislukugeeraattorilla (radom umber geerator) tarkoitetaa algoritmia, joka tuottaa sarja (äeäisesti) satuaisia kokoaislukuja Z i jollaki välillä 0,,,m tuotettu sarja o aia jaksollie (tavoitteea mahdollisimma pitkä jakso) geeroidut luvut eivät tiukasti ottae ole ollekaa satuaisia vaa täysi ealta arvattavissa (tästä imitys pseudosatuaie) jos satuaislukugeeraattori o huolellisesti suuiteltu ja toteutettu, ii se tuottamat pseudosatuaiset luvut kuiteki äyttävät ikää kui riippumattomilta ja samoi jakautueilta (IID) oudattae tasaista jakaumaa joukossa {0,,,m } Satuaislukugeeraattori geeroimie satuaislukuje satuaisuus o todeettava tilastollisi testei saadu empiirise jakauma tasaisuus joukossa {0,,,m } geeroituje satuaislukuje välie riippumattomuus (käytäössä korreloimattomuus) 22

23 Satuaislukugeeraattoreita Lieaariset kogruetiaaliset geeraattorit (liear cogruetial geerator). yksikertaisi uusi satuaisluku määräytyy algoritmisesti edellisestä, Z i+ = f(z i ) jakso voi olla korkeitaa m Näistä erikoistapauksea saadaa s. multiplikatiiviset kogruetiaaliset geeraattorit (multiplicative cogruetial geerator). Muita meetelmiä: additive cogruetial geerators, shufflig,... 23

24 Liear cogruetial geerator (LCG) Lieaarie kogruetiaalie satuaislukugeeraattori tuottaa satuaisia kokoaislukuja Z i joukosta {0,,,m } kaavalla: Z i + = ( azi + c) mod m parametrit a, c ja m ovat ei-egatiivisia kokoaislukuja (a < m, c < m) lisäksi tarvitaa s. siemeluku (seed) Z 0 < m Huom. Parametrit o valittava huolella; muutoi tuloksea kaikkea muuta kui satuaisia lukuja. Tietyi edellytyksi jaksoksi saadaa maksimiarvo m esim. ku m muotoa 2 b, c parito ja a muotoa 4k + (b usei 48) 24

25 Multiplicative cogruetial geerator (MCG) Multiplikatiivie kogruetiaalie satuaislukugeeraattori tuottaa satuaisia kokoaislukuja Z i joukosta {0,,,m } kaavalla: Zi + = ( az i ) mod m parametrit a ja m ovat ei-egatiivisia kokoaislukuja (a < m) lisäksi tarvitaa siemeluku Z 0 < m Huom. Kyseessä o siis LCG: erikoistapaus valialla c = 0. Parametrit o tässäki tapauksessa valittava huolella Mikää parametrikombiaatio ei tuota (maksimaalista) jaksoa m esim. jos m muotoa 2 b, ii jakso o korkeitaa 2 b 2 Kuiteki, jos m o alkuluku, jakso m o mahdollie PMMLCG = prime modulus multiplicative LCG esim. m = 2 3 ja a = 6,807 (tai a = 630,360,06) 25

26 U(0,)-jakautuee sm: geeroiti Olkoo Z joki satuaislukugeeraattori tuottama (pseudo)satuaie kokoaisluku välillä {0,,,m } Tällöi (approksimatiivisesti) U = m Z U(0,) 26

27 Tasajakaumaa oudattava sm: geeroiti Olkoo U U(0,) Tällöi X = a + ( b a) U U( a, b) Tätä saotaa uudelleeskaalausmeetelmäksi (rescalig method) 27

28 Diskreeti sm: geeroiti Olkoo U U(0,) Oletetaa lisäksi, että Y o diskreetti sm arvojoukolla S = {0,,,} tai S = {0,,2, } Merkitää F(x) = P{Y x}. Tällöi X = mi{ x S Tätä saotaa diskretoitimeetelmäksi (discretizatio method) Itse asiassa kyseessä o s. kertymäfuktio kääös -meetelmä eräs muoto Esim. Beroulli(p)-jakauma: X 0, =, josu josu > F( x) p p U} Y Beroulli( p) 28

29 Kertymäfuktio kääös -meetelmä Olkoo U U(0,) Oletetaa, että Y o sellaie jatkuva sm, jolle kertymäfuktio F(x) = P{Y x} o aidosti kasvava Merkitää F (y):llä kertymäfuktio F(x) kääteisfuktiota. Tällöi X = F ( U ) Y Tätä saotaa kertymäfuktio kääös -meetelmäksi (iverse trasform method) Tod. Koska P{U u} = u kaikilla u (0,), pätee P { X x} = P{ F ( U ) x} = P{ U F( x)} = F( x) 29

30 Ekspoettijakaumaa oudattava sm: geeroiti Olkoo U U(0,) seuraus: U U(0,) Olkoo Y Exp(λ) kff(x) = P{Y x} = e λx o selvästiki aidosti kasvava kf: kääteisfuktio o F (y) = (/λ) log( y) Näi olle ( kertymäfuktio kääös -meetelmä mukaa) X ( λ = F U ) = log( U ) Exp( λ) 30

31 N(0,)-jakautuee sm: geeroiti Olkoot U ja U 2 riippumattomia ja samoi jakautueita oudattae U(0,)-jakaumaa Tällöi, s. Box-Müller-meetelmä mukaa, alla aetut sm:t X ja X 2 ovat myöski riippumattomia ja samoi jakautueita oudattae N(0,)-jakaumaa: X = 2log( U) si(2πu 2) X 2 = 2log( U) cos(2πu 2) N(0,) N(0,) 3

32 Normaalijakaumaa oudattava sm: geeroiti Olkoo X N(0,) Uudelleeskaalausmeetelmällä saamme Y = µ + σx N( µ, σ 2 ) 32

33 Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tietoje keruu Tilastollie aalyysi 33

34 Tilastotietoje keruu Johdaossa otettii lähtökohdaksi, että simuloii tavoitteea o tarkasteltava järjestelmä suorituskyvy arvioiti. Simuloimalla siis pyritää arvioimaa joki suorituskykyy liittyvä parametri arvo α. Tämä parametri voi liittyä joko järjestelmä trasiettii käyttäytymisee tai sitte s. tasapaiotilaa (steady state) Esim. ja 2 (trasietti käyttäytymie) k: esimmäise asiakkaa keskimääräie odotusaika M/M/-joossa olettae, että systeemi o aluksi tyhjä keskimääräie joopituus M/M/-joossa aikavälillä [0,T] olettae, että systeemi o aluksi tyhjä Esim. 3 (tasapaiotilae) keskimääräie odotusaika M/M/-joossa tasapaiotilateessa Yksittäie simuloitiajo tuottaa yhde havaio X, jokajollakilailla kuvaa arvioitavaa parametria Tilastolliste päätelmie tekemiseksi tarvitsemme kuiteki useita havaitoja X,,X (mielellää IID) 34

35 Trasiettie piirteide simuloiti () Esimerkki : Tarkastellaa k: esimmäise asiakkaa keskimääräistä odotusaikaa M/M/-joossa olettae, että systeemi o aluksi tyhjä Simuloitia jatketaa, kues viimeieki äistä k asiakkasta o saapuut ja päässyt palveluu Yksittäisestä simuloitiajosta saatava havaito X o tässä tapauksessa äide k asiakkaa odotusaikoje W i keskiarvo ko. simuloitiajossa: k X = W k i i= Riippumattomia ja samoi jakautueita (IID) havaitoja X,,X voidaa tuottaa s. riippumattomie toistoje -meetelmällä (idepedet replicatios) ts. tekemällä useita samalaisia mutta toisistaa riippumattomia simuloitiajoja (toisistaa riippumattomilla satuaisluvuilla) 35

36 Trasiettie piirteide simuloiti (2) Esimerkki 2: Tarkastellaa keskimääräistä joopituutta M/M/-joossa aikavälillä [0,T] olettae, että systeemi o aluksi tyhjä Simuloitia jatketaa ealta määrättyy hetkee T asti Yksittäisestä simuloitiajosta saatava havaito X o tässä tapauksessa joopituude Q(t) aikakeskiarvo yli väli [0,T] ko. simuloitiajossa: X = T T Q( t) 0 Huom. Ko. itegraali o helposti laskettavissa, koska joopituus ei muutu tapahtumie välillä Riippumattomia ja samoi jakautueita (IID) havaitoja X,,X voidaa jällee tuottaa riippumattomie toistoje -meetelmällä dt 36

37 Tasapaiotilaa liittyvie piirteide simuloiti () Tilastotietoje keruu yksittäisestä simuloiista tapahtuu periaatteessa samalla tavalla kui trasietteja piirteitä simuloitaessa. Simuloii alussa o kuiteki tyypillisesti s. lämmittelyvaihe (warm-up phase), ee kui systeemi o likimai tasapaiossa, mikä aiheuttaa overheadia = turhaa simuloitia harhaisuutta estimaattii tarpee määritellä, kuika pitkä lämmittelyvaihe tarvitaa Riippumattomie ja samoi jakautueide (IID) havaitoje X,,X tuottamiseksi (aiaki likimai) o kaksi eri tapaa: riippumattomat toistot (idepedet replicatios) ja s. batch meas -meetelmä 37

38 Tasapaiotilaa liittyvie piirteide simuloiti (2) Riippumattomie toistoje meetelmä: tehdää useita samalaisia mutta toisistaa riippumattomia simuloitiajoja (so. sama systeemi simuloitia samasta lähtötilasta mutta toisistaa riippumattomilla satuaisluvuilla) kussaki ajossa tilastotietoje keruu aloitetaa vasta lämmittelyvaihee jälkee (kute saottu, oma ogelmasa o tämä lämmittelyvaihee pituude määräämie) havaiot IID Batch meas -meetelmä: yksi (erittäi) pitkä simuloitiajo, joka lämmittelyvaihee jälkeiseltä osalta (keiotekoisesti) jaetaa :ää yhtä pitkää jaksoo, joita tietoje keruu kaalta käsitellää omia simuloitiajoiaa tarvitaa vai yksi lämmittelyvaihe mutta havaiot eivät ole eää täysi riippumattomia (eivätkä tarkkaa ottae täysi samoi jakautueitakaa) mitä pitempi jakso (eli pieempi ), sitä riippumattomammat havaiot38

39 Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tietoje keruu Tilastollie aalyysi 39

40 Parametrie estimoiti Kute edellisessä kohdassa todettii, simuloiilla pyritää arvioimaa joki suorituskykyy liittyvä parametri arvo α Yksittäie simuloitiajo tuottaa kyseisestä parametrista havaio X i, joka siis o satuaismuuttuja Havaitoa X i saotaa harhattomaksi (ubiased), jos E[X i ] = α Olet. että havaiot X i ovat IID keskiarvolla α ja variassilla σ 2 Tällöi otoskeskiarvo (sample mea) X : = = X o parametri α harhato ja tarketuva estimaattori, sillä E[ X D 2 [ X ] = ] = i= 2 E[ X i= i D [ X ] = α 2 i ] = i σ 2 i 0 (ku ) 40

41 Esimerkki Pyrimme arvioimaa simuloimalla 25: esimmäise asiakkaa keskimääräistä odotusaikaa M/M/-joossa kuormalla ρ=0.9, ku systeemi hetkellä 0 o tyhjä. Teoreettie arvo: α =2.2 (ei triviaali) Havaiot X i kymmeestä simuloitiajosta ( = 0):.05, 6.44, 2.65, 0.80,.5, 0.55, 2.28, 2.82, 0.4,.3 Näi olle parametri α piste-estimaatti o X = = X = ( K+.3) =.98 i i 0 4

42 Estimaattori luottamusväli () Määr. Väliä (X y, X + y) saotaa parametri α luottamusväliksi (cofidece iterval) luottamustasolla (cofidece level) β, jos P{ X α y} = β Tulkita: parametri α kuuluu ko. välille t:llä β Oletetaa sitte, että havaiot X i, i =,,, ovat IID tutemattomalla keskiarvolla α mutta tuetulla variassilla σ 2 Keskeise raja-arvolausee mukaa (kts. Lueto 5, kalvo 48), aiaki suurilla : arvoilla pätee Z : = X α σ / N(0,) 42

43 Estimaattori luottamusväli (2) Merk. z p :llä N(0,)-jakauma p-fraktiilia ts. P{Z z p } = p, missä Z N(0,) esim. β=5% eli β = 95% z (β/2) = z Väite. Parametri α luottamusväli luottamustasolla β o X ± z 2 β σ Tod. Määritelmä mukaa pitää osoittaa, että P{ X α z σ β 2 } = β 43

44 44. Simuloiti α β = } { y X P y y y y y y y X y y X z y z x x x Z P x P P σ σ β σ σ σ σ σ σ σ α σ σ σ α β β β β β β = = = Φ Φ = Φ = Φ Φ = Φ = Φ Φ = = 2 2 / 2 / / / / / / / / / / ) ( )] ( ) ( [ )) ( ( ) ( }] { ) : ( [ ) ( ) ( } { } {

45 45. Simuloiti Estimaattori luottamusväli (3) Yleesä odotusarvo α lisäksi myös variassi σ 2 o tutemato Tällöi se pitää estimoida otosvariassista (sample variace) Voidaa osoittaa, että IID havaioille otosvariassi o todellise variassi σ 2 harhato ja tarketuva estimaattori: ) ( ) ( : i i i i X X X X S = = = = ) (ku 0 ] [ ] [ = S D S E σ

46 Estimaattori luottamusväli (4) Oletetaa yt, että havaiot X i, i =,,, ovat IID oudattae N(α,σ 2 )-jakaumaa tutemattomalla keskiarvolla α ja tutemattolla variassilla σ 2. Tällöi voidaa osoittaa, että T : = X α S / Studet( ) Merk. t,p :llä Studet( )-jakauma p-fraktiilia ts. P{T t,p } = p, missä T Studet( ) esim. : = 0 ja β=5% t, (β/2) = t 9, esim. 2: = 00 ja β=5% t, (β/2) = t 99, Näi olle otoskeskiarvo luottamusväli luottamustasolla β o X ± t β, 2 S 46

47 Esimerkki (jatkoa) Pyrimme arvioimaa simuloimalla 25: esimmäise asiakkaa keskimääräistä odotusaikaa M/M/-joossa kuormalla ρ=0.9, ku systeemi hetkellä 0 o tyhjä. X Teoreettie arvo: α =2.2 Havaiot X i kymmeestä simuloitiajosta ( = 0):.05, 6.44, 2.65, 0.80,.5, 0.55, 2.28, 2.82, 0.4,.3 Otoskeskiarvo o.98 ja otoshajota (eli otosvariassi eliöjuuri) o S 2 = ((.05.98) + K+ (.3.98) ) =.78 9 Näi olle parametri α luottamusväli 95%: luottamustasolla o ± t β, 2 S =.98 ± =.98 ±.27 = (0.7,3.25) 47

48 Havaitoja Simuloitikokee tulos tarketuu (so. piste-estimaati luottamusväli kapeee), ku simuloititoistoje eli riippumattomie havaitoje lukumäärää kasvatetaa, tai yksittäise havaio variassia σ 2 pieeetää esim. ajamalla pitempiä yksittäisiä simuloitiajoja muilla s. variassi reduktio -meetelmillä Jos aettua o haluttu simuloitituloste suhteellie tarkkuus (so. otoskeskiarvo hajoa ja odotusarvo välie suhde), voidaa dyaamisesti päättää, kuika mota riippumatota simuloititoistoa o tehtävä ko. tavoitteesee pääsemiseksi 48

49 Kirjallisuutta I. Mitrai (982) Simulatio techiques for discrete evet systems Cambridge Uiversity Press, Cambridge A.M. Law ad W. D. Kelto (982, 99) Simulatio modelig ad aalysis McGraw-Hill, New York 49

50 THE END 50

AB TEKNILLINEN KORKEAKOULU

AB TEKNILLINEN KORKEAKOULU AB TEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio lueto09.ppt S-38.45 - Liikeeteoria perusteet - Kevät 00 Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta

Lisätiedot

11. Simulointi. Sisältö. Mitä simulointi on? Tiedote

11. Simulointi. Sisältö. Mitä simulointi on? Tiedote Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tietoje keruu Tilastollie aalyysi lueto11.ppt S-38.1145 Liikeeteoria perusteet Kevät 006 1 Tiedote Mitä

Lisätiedot

ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio

ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio 9. Simuloiti lueto09.ppt S-38.45 - Liikeeteoria perusteet - Kevät 2002 Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta

Lisätiedot

ABTEKNILLINEN KORKEAKOULU

ABTEKNILLINEN KORKEAKOULU ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tietoje keruu Tilastollie aalsi Lueto.ppt S-38.45 - Liikeeteoria

Lisätiedot

Teoria. Tilastotietojen keruu

Teoria. Tilastotietojen keruu S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Teoria Johdato simuloitii Simuloii kulku -- prosessi realisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tuloste keruu ja aalyysi

Lisätiedot

S Liikenneteorian perusteet K Simulointi. lect8.ppt Simulointi. Sisältö

S Liikenneteorian perusteet K Simulointi. lect8.ppt Simulointi. Sisältö S-38.145 Liikeeteoria perusteet K-99 lect8.ppt 1 Sisältö Johdato Prosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tietoje keruu Tilastollie aalyysi 2 1 Mitä simuloiti o? Simuloiti

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todeäköisyyslaskea ja tilastotietee peruskurssi 4A Satuaisotata ja parametrie estimoiti Lasse Leskelä Matematiika ja systeemiaalyysi laitos Perustieteide korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II Otokset MS-A050 Todeäköisyyslaskea ja tilastotietee peruskurssi Lueot, osa II Kaksi hyödyllista jakaumaa 3 Estimoiti G. Gripeberg 4 Luottamusvälit Aalto-yliopisto. helmikuuta 05 5 Hypoteesie testaus 6

Lisätiedot

n = 100 x = 0.6 99%:n luottamusväli µ:lle Vastaus:

n = 100 x = 0.6 99%:n luottamusväli µ:lle Vastaus: 1. Tietyllä koeella valmistettavie tiivisterekaide halkaisija keskihajoa tiedetää oleva 0.04 tuumaa. Kyseisellä koeella valmistettuje 100 rekaa halkaisijoide keskiarvo oli 0.60 tuumaa. Määrää 95%: ja 99%:

Lisätiedot

Prosessin reaalisaatioiden tuottaminen

Prosessin reaalisaatioiden tuottaminen Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Satunnaismuuttujan arvonta annetusta jakaumasta Tulosten keruu ja analyysi Varianssinreduktiotekniikoista 20/09/2004

Lisätiedot

5. Väliestimoi tehtävän 3 tilanteessa tulppien keskimääräinen kestoa.

5. Väliestimoi tehtävän 3 tilanteessa tulppien keskimääräinen kestoa. MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuiee luetomoistee lukuu 5 liittye 1. Olkoo puoluee A kaatusosuus populaatiossa 30 %. Tarkastellaa tästä populaatiosta tehtyä satuaisotosta, joka koko

Lisätiedot

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut

Lisätiedot

Teoria. Prosessin realisaatioiden tuottaminen

Teoria. Prosessin realisaatioiden tuottaminen Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Tapahtumapohjaisen simuloinnin periaatteet Esimerkki: M/M/1 jonon simulointi Simulointiohjelman geneeriset komponentit

Lisätiedot

4. Todennäköisyyslaskennan kertausta

4. Todennäköisyyslaskennan kertausta Sisältö Peruskäsitteet Diskreetit satuaismuuttujat Diskreetit jakaumat (lkm-jakaumat) Jatkuvat satuaismuuttujat Jatkuvat jakaumat (aikajakaumat) Muut satuaismuuttujat lueto04.ppt S-38.45 - Liikeeteoria

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Tilastollinen päättely II, kevät 2017 Harjoitus 3B Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.

Lisätiedot

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:

Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat: Mat-.090 Sovellettu todeäköisyyslasku A Mat-.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Otos- ja otosjakaumat Estimoiti Estimoitimeetelmät Väliestimoiti Aritmeettie keskiarvo, Beroulli-jakauma,

Lisätiedot

1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).

1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit). Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 2. lokakuuta 2017 7.1 Tilastollie päättely Tähä meessä o opittu eustamaa tapahtumie todeäköisyyksiä aetu stokastise malli pohjalta. Eusteide laskemiseksi

Lisätiedot

Mat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit

Mat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit Mat-.09 Sovellettu todeäköisyyslasku Mat-.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Estimoiti Luottamusvälit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Estimaattori, Estimoiti, Frekvessi,

Lisätiedot

8. laskuharjoituskierros, vko 11, ratkaisut

8. laskuharjoituskierros, vko 11, ratkaisut Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.104 Tilastollise aalyysi perusteet, kevät 007 6. lueto: Johdatus regressioaalyysii S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 1 Regressioaalyysi idea Tavoitteea selittää selitettävä tekiä/muuttua

Lisätiedot

Tilastolliset menetelmät: Tilastolliset testit

Tilastolliset menetelmät: Tilastolliset testit Tilastolliset meetelmät Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille. Testejä järjestysasteikollisille muuttujille.

Lisätiedot

Johdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli TKK (c) Ilkka Melli (2005) Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b Tilastollie päättömyys, kevät 07 Harjoitus b Heikki Korpela 3. helmikuuta 07 Tehtävä. a Olkoot Y,..., Y Bθ. Johda uskottavuusosamäärä testisuuree ry, Waldi testisuuree wy ja Rao pistemäärätestisuuree uy

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

6.1 Riippumattomat satunnaismuuttujat

6.1 Riippumattomat satunnaismuuttujat Luku 6 Otatajakaumie teoria 6.1 Riippumattomat satuaismuuttujat Muistamme edellisistä luvuista, että satuaismuuttujat X 1 ja X 2 ovat riippumattomat (määritelmät 4.6 ja 5.5), jos f(x 1, x 2 ) f 1 (x 1

Lisätiedot

811312A Tietorakenteet ja algoritmit, 2015-2016, Harjoitus 2, Ratkaisu

811312A Tietorakenteet ja algoritmit, 2015-2016, Harjoitus 2, Ratkaisu 8111A Tietoraketeet ja algoritmit, 15-16, Harjoitus, Ratkaisu Harjoituksessa käsitellää asymptoottista merkitätapaa ja algoritmie aikakompleksisuutta. Tehtävä.1 a Oko f ( O( tai f (, ku 1 f ( f, 4 ( 5

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

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie

Lisätiedot

Stokastiikan perusteet Harjoitukset 1 (Todennäköisyysavaruus, -mitta ja -funktio) 2.11.2015

Stokastiikan perusteet Harjoitukset 1 (Todennäköisyysavaruus, -mitta ja -funktio) 2.11.2015 Stokastiika perusteet Harjoitukset (Todeäköisyysavaruus, -mitta ja -fuktio) 2..205. Määritä potessijoukko 2,ku (a) {0, } (b) {(0, ]} ja ku (c) (0, ]. Ratkaisu: (a) 2 {;, {0}, {}, {0, }} (b) 2 {;, {(0,

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Melli Tilastolliset meetelmät Osa 2: Otokset, otosjakaumat ja estimoiti Estimoitimeetelmät TKK (c) Ilkka Melli (2007) Estimoitimeetelmät >> Todeäköisyysjakaumie parametrie estimoiti Suurimma uskottavuude

Lisätiedot

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet Ilkka Melli Todeäköisyyslasketa Osa 2: Satuaismuuttujat ja todeäköisyysjakaumat Kovergessikäsitteet ja raja arvolauseet TKK (c) Ilkka Melli (2006) 1 Kovergessikäsitteet ja raja arvolauseet >> Kovergessikäsitteitä

Lisätiedot

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme? TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:

Lisätiedot

Sormenjälkimenetelmät

Sormenjälkimenetelmät Sormejälkimeetelmät Matti Risteli mristeli@iksula.hut.fi Semiaariesitelmä 23.4.2008 T-106.5800 Satuaisalgoritmit Tietotekiika laitos Tekillie korkeakoulu Tiivistelmä Sormejälkimeetelmät ovat satuaisuutta

Lisätiedot

Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1

Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1 Johdatus todeäköisyyslasketaa Kovergessikäsitteet ja raja-arvolauseet TKK (c) Ilkka Melli (2004) 1 Kovergessikäsitteet ja raja-arvolauseet Kovergessikäsitteitä Suurte lukuje lait Keskeie raja-arvolause

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mitä tilastotiede o? Mat-.04 Tilastollise aalyysi perusteet, kevät 007. lueto: Johdato Tilastotiede kehittää ja soveltaa meetelmiä: reaalimaailma ilmiöistä johtopäätökset ilmiöitä kuvaavie tietoje perusteella

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 8 1 Derivaatta Tarkastellaan funktion f keskimääräistä muutosta tietyllä välillä ( 0, ). Funktio f muuttuu tällä välillä määrän. Kun tämä määrä jaetaan välin pituudella,

Lisätiedot

Teoria. Satunnaismuuttujan arvonta annetusta jakaumasta

Teoria. Satunnaismuuttujan arvonta annetusta jakaumasta Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Satunnaismuuttujan arvonta annetusta jakaumasta Tulosten keruu ja analyysi Varianssinreduktiotekniikoista 24/09/2002

Lisätiedot

Tilastolliset luottamusvälit

Tilastolliset luottamusvälit Luku 8 Tilastolliset luottamusvälit Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017 8.1 Piste-estimaatti ja väliestimaatti Edellisessä luvussa opittii määrittämää parametreille estimaatteja suurimma uskottavuude

Lisätiedot

Teoria. Satunnaismuuttujan arvonta annetusta jakaumasta

Teoria. Satunnaismuuttujan arvonta annetusta jakaumasta Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Satunnaismuuttujan arvonta annetusta jakaumasta Johdanto ja pseudosatunnaislukujen generointi Eri menetelmiä satunnaismuuttujien

Lisätiedot

1.1 Luvut ja lukujoukot

1.1 Luvut ja lukujoukot Vahimmat tuetut todisteet lukuje käytöstä ovat vähitää 30 000 vuotta vahoja [Joh D Barrow: Lukuje taivas, Art House 1999]. Lukuja o tarvittu aiaki ilmaisemaa karjalauma koko. Siksi luvut ovat mahdollisesti

Lisätiedot

Hypoteesin testaus Alkeet

Hypoteesin testaus Alkeet Hypoteesin testaus Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Johdanto Kokeellinen tutkimus: Varmennetaan teoreettista olettamusta fysikaalisen systeemin käyttäytymisestä

Lisätiedot

Sisältö. Kvantitatiivinen metodologia verkossa. Monitasomallintaminen. Monitasomallit. Regressiomalli dummy-muuttujilla.

Sisältö. Kvantitatiivinen metodologia verkossa. Monitasomallintaminen. Monitasomallit. Regressiomalli dummy-muuttujilla. Kvatitatiivie metodologia verkossa Moitasomallius Pekka Ratae Helsigi yliopisto isältö Moitasomallit Matemaattisia peruskäsitteitä Esimerkki kovariassista Otatavirhe Esimerkki elittävie muuttujie lisäämie

Lisätiedot

Mat-2.090 Sovellettu todennäköisyyslasku A

Mat-2.090 Sovellettu todennäköisyyslasku A Mat-.090 Sovellettu todeäköiyylaku A Mat-.090 Sovellettu todeäköiyylaku A / Ratkaiut Aiheet: Avaiaat: Tilatollite aieito keräämie ja mittaamie Tilatollite aieitoje kuvaamie Oto ja otojakaumat Aritmeettie

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Ssteemiaalsi laboratorio Mat-2.9 Sovellettu todeäköisslasku A Nordlud Harjoitus 6 (vko 43/23) (Aihe: sekamalli, hteisjakaumia, Laiie luvut 6. 6.3, 8. 8.9). Tässä o edellise viiko laskareissa luvattu

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 todeäköisyyslasketa B Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Estimoiti Estimoitimeetelmät Väliestimoiti Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Beroulli-koe,

Lisätiedot

Johdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteesee Estimoitimeetelmät TKK (c) Ilkka Melli (2005) 1 Estimoitimeetelmät Todeäköisyysjakaumie parametrie estimoiti Momettimeetelmä Normaalijakauma parametrie estimoiti Ekspoettijakauma

Lisätiedot

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia. HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy 08 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var

Lisätiedot

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi. Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet

Lisätiedot

4.7 Todennäköisyysjakaumia

4.7 Todennäköisyysjakaumia MAB5: Todeäöisyyde lähtöohdat.7 Todeäöisyysjaaumia Luvussa 3 Tuusluvut perehdyimme jo jaauma äsitteesee yleesä ja ormaalijaaumaa vähä taremmi. Lähdetää yt tutustumaa biomijaaumaa ja otetaa se jälee ormaalijaauma

Lisätiedot

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3 LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi

Lisätiedot

Mat-2.091 Sovellettu todennäköisyyslasku 5. harjoitukset/ratkaisut. Jatkuvat jakaumat

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,

Lisätiedot

Epäyhtälöoppia matematiikkaolympialaisten tehtäviin

Epäyhtälöoppia matematiikkaolympialaisten tehtäviin Epäyhtälöoppia matematiikkaolympialaiste tehtävii Jari Lappalaie ja Ae-Maria Ervall-Hytöe 0 Johdato Epäyhtälöitä reaaliluvuille Cauchy epäyhtälö Kaikille reaaliluvuille a, a,, a ja b, b,, b pätee Cauchy

Lisätiedot

= + + 1 ( 1) + + = Paraabelit leikkaavat pisteessä ( 2, 3). ( 8) ( 8) 4 1 1

= + + 1 ( 1) + + = Paraabelit leikkaavat pisteessä ( 2, 3). ( 8) ( 8) 4 1 1 Pitkä matmatiikka YO-ko 4.9.4. a) b) ( )( 3) 6 3 + 6 6 + y + + ( ) y + + 3 + + ( ) TNS y ( ) + 3 tai Paraablit likkaavat pistssä (, 3). c) Mrkitää lukua : llä ( ). + 4 + 8 + 8 8 + ( 8) ( 8) 4 ± 8 ± 6 8

Lisätiedot

Otantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä

Otantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria

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

Johdatus diskreettiin matematiikkaan Harjoitus 7, 28.10.2015

Johdatus diskreettiin matematiikkaan Harjoitus 7, 28.10.2015 Johdatus diskreettiin matematiikkaan Harjoitus 7, 28.10.2015 1. Onko olemassa yhtenäistä verkkoa, jossa (a) jokaisen kärjen aste on 6, (b) jokaisen kärjen aste on 5, ja paperille piirrettynä sivut eivät

Lisätiedot

Induktio kaavan pituuden suhteen

Induktio kaavan pituuden suhteen Induktio kaavan pituuden suhteen Lauselogiikan objektikieli määritellään kurssilla Logiikka 1B seuraavasti: 1. Lausemuuttujat p 1, p 2, p 3,... ovat kaavoja. 2. Jos A on kaava, niin A on kaava. 3. Jos

Lisätiedot

Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot

Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot TKK (c) Ilkka Melli (4) Testit suhdeasteikollisille muuttujille Johdatus tilastotieteesee Testit suhdeasteikollisille muuttujille Testit ormaalikauma parametreille Yhde otokse t-testi Kahde otokse t-testi

Lisätiedot

Dynaamisen järjestelmän siirtofunktio

Dynaamisen järjestelmän siirtofunktio Dynaamisen järjestelmän siirtofunktio Nyt päästään soveltamaan matriisilaskentaa ja Laplace muunnosta. Tutkikaamme, miten lineaarista mallia voidaan käsitellä. Kuten edellä on jo nähty säätötekniikassa

Lisätiedot

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin yliopisto Harjoitus 3, ratkaisuehdotuksia

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin yliopisto Harjoitus 3, ratkaisuehdotuksia Todeäköisyyslasketa I, kesä 207 Helsigi yliopisto/avoi yliopisto Harjoitus 3, ratkaisuehdotuksia. Aikaisemma viiko teemaa. Edessäsi o kaksi laatikkoa A ja B. Laatikossa A o 8 palloa, joista puolet valkoisia.

Lisätiedot

MATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai

MATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai MATP53 Approbatur B Harjoitus, ratkaisut Maaatai..05. (Lämmittelytehtävä.) Oletetaa, että op = 7 tutia työtä. Kuika mota tutia Oili Opiskelija työsketelee itseäisesti kurssilla, joka laajuus o 4 op, ku

Lisätiedot

EX1 EX 2 EX =

EX1 EX 2 EX = HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var X,

Lisätiedot

Solmu 3/2010 1. toteutuu kaikilla u,v I ja λ ]0,1[. Se on aidosti konveksi, jos. f ( λu+(1 λ)v ) < λf(u)+(1 λ)f(v) (2)

Solmu 3/2010 1. toteutuu kaikilla u,v I ja λ ]0,1[. Se on aidosti konveksi, jos. f ( λu+(1 λ)v ) < λf(u)+(1 λ)f(v) (2) Solmu 3/200 Epäyhtälöistä, osa 2 Markku Halmetoja Mätä lukio Välillä I määriteltyä fuktiota saotaa koveksiksi, jos se kuvaaja o alaspäi kupera, eli jos kuvaaja mitkä tahasa kaksi pistettä yhdistävä jaa

Lisätiedot

( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.

( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla. Kombiatoriikka, kesä 2010 Harjoitus 2 Ratkaisuehdotuksia (RT) (5 sivua) Käytä tehtävissä 1-3 kombiatorista päättelyä. 1. Osoita, että kaikilla 0 b a pätee ( ) a a ( ) k 1 b b 1 kb Biomikertoime määritelmä

Lisätiedot

Harjoitustehtävien ratkaisuja

Harjoitustehtävien ratkaisuja 3. Mallitamie lukujooje avulla Lukujoo määritelmä harjoituksia Harjoitustehtävie ratkaisuja 3. Laske lukujoo viisi esimmäistä jäsetä, ku a) a 6 ja b) a 6 ja 3 8 c) a ja 3 a) 6,, 8, 4, 30. b) 8,, 6, 0,

Lisätiedot

Tilastolliset menetelmät: Varianssianalyysi

Tilastolliset menetelmät: Varianssianalyysi Variassiaalsi Tilastolliset meetelmät: Variassiaalsi 0. Ysisuutaie variassiaalsi. asisuutaie variassiaalsi. olmi a useampisuutaie variassiaalsi T @ Ila Melli (006) 433 Variassiaalsi T @ Ila Melli (006)

Lisätiedot

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een 031021P Tilastomatematiikka (5 op) kertausta 2. vk:een Jukka Kemppainen Mathematics Division 2. välikokeeseen Toinen välikoe on la 31.03.2012 klo. 9.00-12.00 saleissa L1,L3 Jukka Kemppainen Mathematics

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-suuntainen vaihtoehtoinen hypoteesi Mat-.6 Sovellettu todeäköisyyslasketa. harjoitukset Mat-.6 Sovellettu todeäköisyyslasketa B. harjoitukset / Ratkaisut Aiheet: Tilastolliset testit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, F-jakauma,

Lisätiedot

Testejä suhdeasteikollisille muuttujille

Testejä suhdeasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman

Lisätiedot

TILASTOLLINEN LAADUNVALVONTA

TILASTOLLINEN LAADUNVALVONTA 1 Aki Taanila TILASTOLLINEN LAADUNVALVONTA 31.10.2008 2 TILASTOLLINEN LAADUNVALVONTA Tasalaatuisuus on hyvä tavoite, jota ei yleensä voida täydellisesti saavuttaa: asiakaspalvelun laatu vaihtelee, vaikka

Lisätiedot

Estimaattori, Estimointi, Mediaani, Moodi, Odotusarvo, Parametri, Posteriorijakauma, Tunnusluku

Estimaattori, Estimointi, Mediaani, Moodi, Odotusarvo, Parametri, Posteriorijakauma, Tunnusluku Tilastollie päättely 6.1. Johdato Bayesi kaava, Bayeslaie lähestymistapa, Eakkotieto, Estimoiti, Frekvetistie lähestymistapa, Frekvessitulkita, Klassie lähestymistapa, Luottamustaso, Luottamusväli, Merkitsevyystaso,

Lisätiedot

monissa laskimissa luvun x käänteisluku saadaan näyttöön painamalla x - näppäintä.

monissa laskimissa luvun x käänteisluku saadaan näyttöön painamalla x - näppäintä. .. Käänteisunktio.. Käänteisunktio Mikäli unktio : A B on bijektio, niin joukkojen A ja B alkioiden välillä vallitsee kääntäen yksikäsitteinen vastaavuus eli A vastaa täsmälleen yksi y B, joten myös se

Lisätiedot

Otantajakauman käyttö päättelyssä

Otantajakauman käyttö päättelyssä Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus

Lisätiedot

MAA10 HARJOITUSTEHTÄVIÄ

MAA10 HARJOITUSTEHTÄVIÄ MAA0 Määritä se funktion f: f() = + integraalifunktio, jolle F() = Määritä se funktion f : f() = integraalifunktio, jonka kuvaaja sivuaa suoraa y = d Integroi: a) d b) c) d d) Määritä ( + + 8 + a) d 5

Lisätiedot

Lisää segmenttipuusta

Lisää segmenttipuusta Luku 24 Lisää segmenttipuusta Segmenttipuu on monipuolinen tietorakenne, joka mahdollistaa monenlaisten kyselyiden toteuttamisen tehokkaasti. Tähän mennessä olemme käyttäneet kuitenkin segmenttipuuta melko

Lisätiedot

Luku 7. Parametrien estimointi. 7.1 Parametriset jakaumat. Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017

Luku 7. Parametrien estimointi. 7.1 Parametriset jakaumat. Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017 Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017 7.1 Parametriset jakaumat Tarkastellaa tutematota datalähdettä, joka tuottaa toisistaa stokastisesti riippumattomia ja tiheysfuktio

Lisätiedot

S Laskennallinen systeemibiologia

S Laskennallinen systeemibiologia S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Väliestimointi TKK (c) Ilkka Mellin (2007) 1 Väliestimointi >> Todennäköisyysjakaumien parametrien estimointi Luottamusväli

Lisätiedot

Mat-2.091 Sovellettu todennäköisyyslasku. Tilastolliset testit. Avainsanat:

Mat-2.091 Sovellettu todennäköisyyslasku. Tilastolliset testit. Avainsanat: Mat-.090 Sovellettu todeäköiyylaku A 0. harjoituket Mat-.09 Sovellettu todeäköiyylaku 0. harjoituket / Ratkaiut Aiheet: Avaiaat: Tilatolliet tetit Aritmeettie kekiarvo, Beroulli-jakauma, F-jakauma, F-teti,

Lisätiedot

Luonnollisten lukujen laskutoimitusten määrittely Peanon aksioomien pohjalta

Luonnollisten lukujen laskutoimitusten määrittely Peanon aksioomien pohjalta Simo K. Kivelä, 15.4.2003 Luonnollisten lukujen laskutoimitusten määrittely Peanon aksioomien pohjalta Aksioomat Luonnolliset luvut voidaan määritellä Peanon aksioomien avulla. Tarkastelun kohteena on

Lisätiedot

Mat-2.104 Tilastollisen analyysin perusteet. Testit suhdeasteikollisille muuttujille. Avainsanat:

Mat-2.104 Tilastollisen analyysin perusteet. Testit suhdeasteikollisille muuttujille. Avainsanat: Mat-.04 Tilastollise aalyysi perusteet / Ratkaisut Aiheet: Avaisaat: Testit suhdeasteikollisille muuttujille Hypoteesi, Kahde riippumattoma otokse t-testit, Nollahypoteesi, p-arvo, Päätössäätö, Testi,

Lisätiedot

811312A Tietorakenteet ja algoritmit, , Harjoitus 4, Ratkaisu

811312A Tietorakenteet ja algoritmit, , Harjoitus 4, Ratkaisu 81112A Tietoraketeet ja algoritmit, 217-218, Harjoitus 4, Ratkaisu Harjoitukse aiheita ovat algoritmie aikakompleksisuus ja lajittelualgoritmit Tehtävä 4.1 Selvitä seuraavie rekursioyhtälöide ratkaisuje

Lisätiedot

3.6 Su-estimaattorien asymptotiikka

3.6 Su-estimaattorien asymptotiikka 3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-suuntainen vaihtoehtoinen hypoteesi MS-A53 Todeäköisyyslaskea ja tilastotietee peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Yhde otokse t-testi Testausasetelma yhde otokse t-testissä odotusarvolle Olkoo X i, i =,,, riippumato

Lisätiedot

T Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen

T Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen T-1.1 Datasta tietoo, syksy 5 Laskuharjoitus.1., ratkaisuja Joui Seppäe 1. Simuloidaa tasoittaista algoritmia. Esimmäisessä vaiheessa ehdokkaia ovat kaikki yhde muuttuja joukot {a}, {b}, {c} ja {d}. Aaltosulkeide

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 10 1 Sarjakehitelmiä Palautetaan mieliin, että potenssisarja on sarja joka on muotoa a n (x x 0 ) n = a 0 + a 1 (x x 0 ) + a 2 (x x 0 ) 2 + a 3 (x x 0 ) 3 +. n=0 Kyseinen

Lisätiedot

Todennäköisyyslaskenta: Todennäköisyysjakaumia

Todennäköisyyslaskenta: Todennäköisyysjakaumia Todeäköisyysjakaumia Todeäköisyyslasketa: Todeäköisyysjakaumia 6. Diskreettejä jakaumia 7. Jatkuvia jakaumia 8. Normaalijakaumasta johdettuja jakaumia 9. Moiulotteisia jakaumia TKK @ Ilkka Melli (6) 33

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Usea selittää lieaarie regressiomalli Mat-.04 Tilastollise aalyysi perusteet, evät 007 8. lueto: Usea selittää lieaarie regressiomalli Selitettävä muuttua havaittue arvoe vaihtelu halutaa selittää selittävie

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia

Mat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Jatkuvia jakaumia Avaisaat: Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Kertymäfuktio, Keskeie raja-arvolause, Mediaai, Normaaliapproksimaatio,

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2 Todeäköisyyslaskea ja tilastotietee peruskurssi Esimerkkikokoelma 2 Aiheet: Satuaismuuttujat ja todeäköisyysjakaumat Kertymäfuktio, pistetodeäköisyysfuktio ja tiheysfuktio Jakaumie tuusluvut Tärkeimmät

Lisätiedot

Luento 7 Luotettavuus Koherentit järjestelmät

Luento 7 Luotettavuus Koherentit järjestelmät Lueto 7 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio Aalto-yliopisto perustieteide korkeakoulu PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi Määritelmä Tarkasteltava

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

Luento 6 Luotettavuus Koherentit järjestelmät Lueto 6 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi ja-erik.holmberg@aalto.fi Määritelmä Tarkasteltava yksikö luotettavuus

Lisätiedot

ARVIOINTIPERIAATTEET

ARVIOINTIPERIAATTEET PSYKOLOGIAN YHTEISVALINNAN VALINTAKOE 2012 ARVIOINTIPERIAATTEET Copyright Helsingin yliopisto, käyttäytymistieteiden laitos, Materiaalin luvaton kopiointi kielletty. TEHTÄVÄ 1. (max. 34.5 pistettä) 1 a.i)

Lisätiedot

3 10 ei ole rationaaliluku.

3 10 ei ole rationaaliluku. Harjoitukset / 011 RATKAISUT Lukuteoria 1. Etsi Eratostheee seulalla samatie kaikki lukua 400 pieemmät alkuluvut. (Tai ohjelmoi tietokoeesi etsimää paljo lisää.) Kirjoita rivii kaikki luvut 1-00. Poista

Lisätiedot

Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot

Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot TKK (c Ilkka Melli (004 Johdatus tilastotieteesee TKK (c Ilkka Melli (004 : Mitä opimme? Tarkastelemme tässä luvussa seuraavia järjestysasteikolliste muuttujie testejä: ja merkkitesti parivertailuille

Lisätiedot

Yhden selittäjän lineaarinen regressiomalli

Yhden selittäjän lineaarinen regressiomalli Ilkka Melli Tilastolliset meetelmät Osa 4: Lieaarie regressioaalyysi Yhde selittäjä lieaarie regressiomalli TKK (c) Ilkka Melli (007) Yhde selittäjä lieaarie regressiomalli >> Yhde selittäjä lieaarie regressiomalli

Lisätiedot

Luento 6. June 1, 2015. Luento 6

Luento 6. June 1, 2015. Luento 6 June 1, 2015 Normaalimuodon pelissä on luontevaa ajatella, että pelaajat tekevät valintansa samanaikaisesti. Ekstensiivisen muodon peleissä pelin jonottaisella rakenteella on keskeinen merkitys. Aluksi

Lisätiedot

BM20A Integraalimuunnokset Harjoitus 8

BM20A Integraalimuunnokset Harjoitus 8 (b)...(d) eve + eve = eve eve eve = eve BM2A57 - Itegraalimuuokset Harjoitus 8. Vastaa jokaisessa kohdassa seuraavii kysymyksii: Oko fuktio parillie? Oko fuktio parito? Huomaatko polyomie kohdalla hyvi

Lisätiedot