Kertymäfunktio. Kertymäfunktio. Kertymäfunktio: Mitä opimme? 2/2. Kertymäfunktio: Mitä opimme? 1/2. Kertymäfunktio: Esitiedot
|
|
- Minna Palo
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 TKK (c) Ilkk Mellin (24) 1 Johdtus todennäköisyyslskentn TKK (c) Ilkk Mellin (24) 2 : Mitä opimme? 1/2 Jos stunnisilmiötä hlutn mllint mtemttisesti, on ilmiön tulosvihtoehdot kuvttv numeerisess muodoss. Tämä tphtuu liittämällä stunnisilmiön tulosvihtoehtoihin relirvoinen funktio, jot kutsutn stunnismuuttujksi. Stunnismuuttujn rvoihin liitetään todennäköisyydet määrittelemällä stunnismuuttujn todennäköisyysjkum. Stunnismuuttujn todennäköisyysjkumn määrää täysin sen kertymäfunktio. Jos stunnismuuttujn kertymäfunktio tunnetn, tunnetn stunnismuuttujn jkum j smll hllitn kikkien ko. stunnisilmiöön liittyvien tphtumien todennäköisyydet. : Mitä opimme? 2/2 Todennäköisyyslskennss j mtemttisess tilstotieteessä todennäköisyysjkumi trkstelln teoreettisesti tvllisesti kertymäfunktioiden kutt. Tämä johtuu siitä, että sm määritelmä kertymäfunktiolle sopii kikille stunnismuuttujille olivtp ne diskreettejä, jtkuvi ti jotkin muut tyyppiä j teoreettist trkstelu ei trvitse jk osiin stunnismuuttujien tyypin mukn. Tässä esityksessä trkstelemme kertymäfunktioit kuitenkin myös seurviss erikoistpuksiss: (i) Diskreetit stunnismuuttujt j niiden kertymäfunktiot. (ii) Jtkuvt stunnismuuttujt j niiden jkumt. TKK (c) Ilkk Mellin (24) 3 TKK (c) Ilkk Mellin (24) 4 : Esitiedot Esitiedot: ks. seurv luku: Stunnismuuttujt j todennäköisyysjkumt : Lisätiedot Tilstotieteessä pljon käytettyjen jkumien (normli-, χ 2 -, F-j t- jkumien) tilstolliset tulukot liittyvät ko. jkumien kertymäfunktioiden rvoihin; ks. seurvi lukuj: Jtkuvi jkumi Normlijkumst johdettuj jkumi TKK (c) Ilkk Mellin (24) 5 TKK (c) Ilkk Mellin (24) 6
2 TKK (c) Ilkk Mellin (24) 7 >> Avinsnt Stunnismuuttuj Todennäköisyysjkum Todennäköisyysmss TKK (c) Ilkk Mellin (24) 8 n määritelmä Olkoon ξ stunnismuuttuj. Stunnismuuttujn ξ kertymäfunktio F on relirvoinen funktio n määritelmä: Kommenttej 1/2 Stunnismuuttujn ξ kertymäfunktion F määritelmässä on ξ = stunnismuuttuj x = reliluku, kertymäfunktion F rgumentti n F rvo pisteessä x on todennäköisyys sille, että stunnismuuttuj ξ s rvoj, jotk ovt x. Piste x erott vsemmlle puolelleen stunnismuuttujn ξ todennäköisyysmssn, jonk koko on Pr(ξ x) = F(x) TKK (c) Ilkk Mellin (24) 9 TKK (c) Ilkk Mellin (24) 1 n määritelmä: Kommenttej 2/2 Stunnismuuttujn ξ kertymäfunktio kuv stunnismuuttujn ξ todennäköisyysmssn kertymistä, kun kertymäfunktion rgumentti xksv. Stunnismuuttujn ξ kertymäfunktio määrää kikkien ko. stunnisilmiöön liittyvien tphtumien todennäköisyydet. n määritelmä sopii kikille stunnismuuttujille olivtp ne diskreettejä, jtkuvi ti jotkin muut tyyppiä. on keskeinen työväline mtemttisess tilstotieteessä. j tphtumien todennäköisyydet Jos stunnismuuttujn ξ kertymäfunktio F tunnetn, kikkien ko. stunnisilmiöön liittyvien tphtumien todennäköisyydet hllitn. Tämä johtuu seurvist seikoist: (i) Jokist tphtum vst jokin relilukujen joukon R osjoukko, jok voidn muodost muoto (, x] olevist relikselin väleistä tvnomisten joukko-opin opertioiden vull. (ii) Jokisen tphtumn todennäköisyys sdn tyyppiä (, x] olevien relikselin välien todennäköisyyksistä todennäköisyyslskennn lskusääntöjen vull. TKK (c) Ilkk Mellin (24) 11 TKK (c) Ilkk Mellin (24) 12
3 TKK (c) Ilkk Mellin (24) 13 n ominisuudet 1/2 Funktio F : R,1 on kertymäfunktio, jos j vin jos se toteutt seurvt ehdot: (1) lim x F( x) = (2) lim x + F( x) = 1 (3) F on ei - vähenevä: F( x ) F( x ), jos x x (4) F on jtkuv oikelt: lim F( x+ h) = F( x) h + [ ] n ominisuudet 2/2 [ ] Jos funktio F : R,1 on kertymäfunktio, niin: (5) Pr( ξ > x) = 1 F( x) (6) Pr( < ξ ) = F( ) F( ) TKK (c) Ilkk Mellin (24) 14 n ominisuuksien perustelu Käytämme kertymäfunktioiden ominisuuksien perusteluss mm. seurvi todennäköisyyslskennn luseit (ks. trkemmin luku Todennäköisyyden ksioomt): Luse 1: Olkoon ( S, F,Pr) todennäköisyyskenttä j A1, A2, A3, F. (i) Jos A A A, niin Pr ( A ) lim Pr( ) i 1 i = A = n (ii) Jos A A A, niin Pr ( A ) lim Pr( ) i 1 i = A = n Luse 2: Olkoon ( S, F,Pr) todennäköisyyskenttä j A. 1, A2, A3, F Jos A1 A2 A3, niin lim Pr ( An ) = n ominisuus (1): (1) lim x F( x) = Olkoon x 1 > x 2 > x 3 > lenev lukujono j lisäksi lim n + x n = { ξ x1} { ξ x2} { ξ x3} Luseen 2 mukn lim F( xn) = lim Pr ( ξ xn) = TKK (c) Ilkk Mellin (24) 15 TKK (c) Ilkk Mellin (24) 16 n ominisuus (2): 1/2 (2) lim x + F( x) = 1 Olkoon x 1 < x 2 < x 3 < ksvv lukujono j lisäksi lim n + x n =+ { ξ x1} { ξ x2} { ξ x3} j { ξ > x} { ξ > x } { ξ > x } n ominisuus (2): 2/2 Luseen 2 mukn lim Pr ( ξ xn ) = joten lim F( xn) = lim Pr ( ξ xn) = 1 lim Pr( ξ > xn ) = 1 TKK (c) Ilkk Mellin (24) 17 TKK (c) Ilkk Mellin (24) 18
4 TKK (c) Ilkk Mellin (24) 19 n ominisuus (3): (3) F( x1) F( x2), jos x1 x2 Olkoon x 1 x 2 { ξ x1} { ξ x2} F( x ) = Pr( ξ x ) Pr( ξ x ) = F( x ) n ominisuus (4): (4) lim h + F( x+ h) = F( x) Olkoon h 1 > h 2 > h 3 > lenev lukujono j lisäksi lim n + h n = x { ξ h1} { ξ h2} { ξ h3} { ξ x} Luseen 1 kohdn (ii) mukn lim F( hn) = lim Pr ( ξ hn) = Pr( ξ x) = F( x) TKK (c) Ilkk Mellin (24) 2 n ominisuus (5): (5) Pr( ξ > x) = 1 F( x) Komplementtitphtumn todennäköisyyden kvn nojll Pr( ξ > x) = 1 Pr( ξ x) = 1 F( x) n ominisuus (6): (6) Pr( < ξ ) = F( ) F( ) Kosk { ξ } = { ξ } { < ξ } j { ξ } { < ξ } = niin toisens poissulkevien tphtumien yhteenlskusäännön nojll F( ) = Pr( ξ } = Pr( ξ ) + Pr( < ξ ) = F( ) + Pr( < ξ ) TKK (c) Ilkk Mellin (24) 21 TKK (c) Ilkk Mellin (24) 22 n tulkint Tilstolliset tulukot j kertymäfunktio 1/2 n määritelmän j kertymäfunktion ominisuuden (3) F( x ) F( x ), jos x x perusteell kertymäfunktiolle voidn nt seurv tulkint: F kuv miten stunnismuuttujn ξ todennäköisyysmss kumuloituu eli kertyy lisää, kun kertymäfunktion rgumentti x ksv. Tvnomisimpien jkumien (normli-, χ 2 -, F-j t- jkumien) tilstolliset tulukot liittyvät jkumien kertymäfunktion rvoihin. Normlijkumn tulukoiss on yleensä tulukoitu todennäköisyyksiä (kertymäfunktion rvoj) Pr( ξ x) = F( x) useille rgumentin x rvoille (ks. luku Jtkuvi jkumi). TKK (c) Ilkk Mellin (24) 23 TKK (c) Ilkk Mellin (24) 24
5 TKK (c) Ilkk Mellin (24) 25 Tilstolliset tulukot j kertymäfunktio 2/2 Diskrettien j jtkuvien jkumien kertymäfunktiot Tvnomisimpien jkumien (normli-, χ 2 -, F-j t- jkumien) tilstolliset tulukot liittyvät jkumien kertymäfunktion rvoihin. Normlijkumn tulukoiss on yleensä tulukoitu todennäköisyyksiä (kertymäfunktion rvoj) Pr( ξ x) = F( x) useille rgumentin x rvoille (ks. luku Jtkuvi jkumi). χ 2 -, F-j t-jkumien tulukoiss on yleensä tulukoitu rgumentin x rvoj muutmille todennäköisyyksille Pr( ξ x) = 1 F( x) (ks. luku Normlijkumst johdettuj jkumi). Trkstelemme seurvss kertymäfunktioit khdess erikoistpuksess: (i) (ii) TKK (c) Ilkk Mellin (24) 26 >> Avinsnt Diskreetti stunnismuuttuj Pistetodennäköisyysfunktio Porrsfunktio Stunnismuuttuj Todennäköisyysjkum TKK (c) Ilkk Mellin (24) 27 TKK (c) Ilkk Mellin (24) 28 Diskreetin jkumn kertymäfunktion määritelmä Olkoon ξ diskreetti stunnismuuttuj j {x 1, x 2, x 3, } sen tulosvihtoehtojen eli rvojen joukko. Olkoon stunnismuuttujn ξ pistetodennäköisyysfunktio f( x ) = Pr( ξ = x ) = p, i= 1,2,3, i i i Määritellään funktio F : R,1 kvll = f( xi ) ixi x [ ] F on diskreetin Diskreetin stunnismuuttujn kertymäfunktio F on epäjtkuv ei-vähenevä funktio. TKK (c) Ilkk Mellin (24) 29 Diskreetin jkumn kertymäfunktion määritelmä: Kommenttej Diskreetin jkumn kertymäfunktion F määritelmän = f( xi ) ixi x mukn kertymäfunktion F rvo pisteessä x eli todennäköisyys tphtumlle ξ x sdn lskemll yhteen kikki pistetodennäköisyydet f(x i ) = Pr(ξ = x i ) = p i joit vstvt stunnismuuttujn ξ rvot x i x. Kikkien stunnismuuttujn ξ liittyvien tphtumien todennäköisyydet voidn määrätä sen kertymäfunktion vull. TKK (c) Ilkk Mellin (24) 3
6 TKK (c) Ilkk Mellin (24) 31 Diskreetin jkumn kertymäfunktion j pistetodennäköisyysfunktion yhteys Olkoon ξ diskreetti stunnismuuttuj j {x 1, x 2, x 3, } sen tulosvihtoehtojen eli rvojen joukko. Olkoon stunnismuuttujn ξ pistetodennäköisyysfunktio Olkoon stunnismuuttujn ξ kertymäfunktio = pi f( x ) = Pr( ξ = x ) = p, i= 1,2,3, i i i ixi x f( x ) = Pr( ξ = x ) = p = F( x ) F( x ) i i i i i 1 Onnenpyörä 1/7 Luvun Stunnismuuttujt j todennäköisyysjkumt kppleen Diskreetit stunnismuuttujt j niiden todennäköisyysjkumt johdttelevss esimerkissä käsitellään viereen kuvtun onnenpyörän käyttäytymistä stunnisilmiönä. E 1 % D 15 % C 2 % B 25 % A 3 % TKK (c) Ilkk Mellin (24) 32 Onnenpyörä 2/7 Onnenpyörä 3/7 Onnenpyörän pint on jettu viiteen sektoriin A, B, C, D, E Sektoreiden pint-lojen osuudet onnenpyörän kokonispint-lst on esitetty ll: Sektori % A 3 B 25 C 2 D 15 E 1 Summ 1 E 1 % D 15 % C 2 % B 25 % A 3 % Esimerkissä määriteltiin diskreetti stunnismuuttuj ξ, jok liittää tulosvihtoehtoihin A, B, C, D, E reliluvut seurvll tvll: A 1 B 2 C 3 D 4 E 5 E 1 % D 15 % C 2 % B 25 % A 3 % TKK (c) Ilkk Mellin (24) 33 TKK (c) Ilkk Mellin (24) 34 Onnenpyörä 4/7 Onnenpyörä 5/7 Diskreetin stunnismuuttujn ξ pistetodennäköisyysfunktio f voidn yleisesti määritellä kvll f( xi) = Pr( ξ = xi) = pi, i= 1,2,3, joss {x 1, x 2, x 3, } on stunnismuuttujn ξ smien rvojen joukko Pistetotodennäköisyysfunktio (1, p 1 ) (2, p 2 ) (3, p 3 ) (4, p 4 ) (5, p 5 ) Esimerkin tpuksess stunnismuuttujn ξ pistetodennäköisyysfunktio f voidn määritellä seurvsti: f(1) = Pr(ξ = 1) =.3 = Pr(A) f(2) = Pr(ξ = 2) = 5 = Pr(B) f(3) = Pr(ξ = 3) = = Pr(C) f(4) = Pr(ξ = 4) =.15 = Pr(D) f(5) = Pr(ξ = 5) =.1 = Pr(E) Pistetotodennäköisyysfunktio.4 (1, p 1 ).3 (2, p 2 ) (3, p 3 ) (4, p 4 ) (5, p 5 ) TKK (c) Ilkk Mellin (24) 35 TKK (c) Ilkk Mellin (24) 36
7 TKK (c) Ilkk Mellin (24) 37 Onnenpyörä 6/7 Stunnismuuttujn ξ kertymäfunktio on F(x) = Pr(ξ x) Diskreetin stunnismuuttujn pistetodennäköisyys- j kertymäfunktioiden välillä on seurv yhteys: Pr( ξ = x ) = p = F( x ) F( x ) i i i i p 5.8 p 4.6 p 3.4 p 2 p Onnenpyörä 7/7 Esimerkin tpuksess stunnismuuttujn ξ kertymäfunktio F voidn määritellä ll olevn tulukon vull. Kuv oikell esittää esimerkin kertymäfunktion kuvj. F(x) = Pr(ξ x) x < 1 1 x < 2 p 1 =.3 2 x < 3 p 1 + p 2 =.55 3 x < 4 p 1 + p 2 + p 3 =.75 4 x < 5 p 1 + p 2 + p 3 + p 4 =.9 5 x p 1 + p 2 + p 3 + p 4 + p 5 = p 1 p 2 p 3 p 4 p TKK (c) Ilkk Mellin (24) 38 Diskreetin jkumn kertymäfunktio on porrsfunktio Diskreetin stunnismuuttujn kertymäfunktio F on epäjtkuv ei-vähenevä funktio, joll on epäjtkuvuuskoht eli hyppäys jokisess pisteessä x i, johon liittyy positiivinen todennäköisyys Pr(ξ = x i ) = p i Hyppäyksen suuruus pisteessä x i on p i. s vkiorvon peräkkäisten pisteiden x i 1 j x i välissä. Diskreetin stunnismuuttujn kertymäfunktio on siten porrsfunktio, joss todennäköisyydet p i määräävät skelmien korkeudet j erotukset x i x i 1 määräävät skelmien syvyydet. TKK (c) Ilkk Mellin (24) 39 Välien todennäköisyydet 1/2 Diskreetin jkumn tpuksess välin todennäköisyys on Pr( < ξ ) = F( ) F( ) = Pr( ξ = x ) = i ix (, ] p i ixi (, ] TKK (c) Ilkk Mellin (24) 4 i (, ] R Välien todennäköisyydet 2/2 Kvn Pr( < ξ ) = F( ) F( ) = pi ix (, ] mukn välin (, ] R todennäköisyys voidn määrätä khdell eri tvll: (i) Jos jkumn pistetodennäköisyysfunktio tunnetn, sdn välin (, ] todennäköisyys lskemll yhteen pistetodennäköisyydet p i, joit vstvt x i (, ]. (ii) Jos jkumn kertymäfunktio F tunnetn, sdn välin (, ] todennäköisyys lskemll kertymäfunktion F rvojen F() j F() erotus. i >> TKK (c) Ilkk Mellin (24) 41 TKK (c) Ilkk Mellin (24) 42
8 TKK (c) Ilkk Mellin (24) 43 Jtkuvn jkumn kertymäfunktion määritelmä Avinsnt Jtkuv stunnismuuttuj Stunnismuuttuj Tiheysfunktio Todennäköisyysjkum Olkoon ξ jtkuv stunnismuuttuj. Olkoon stunnismuuttujn ξ tiheysfunktio f(x). Määritellään funktio F : R,1 kvll = f( t) dt x [ ] F on jtkuvn Jtkuvn stunnismuuttujn kertymäfunktio F on jtkuv ei-vähenevä funktio. TKK (c) Ilkk Mellin (24) 44 Jtkuvn jkumn kertymäfunktion määritelmä: Kommenttej Jtkuvn jkumn kertymäfunktion F määritelmän x = f( t) dt mukn kertymäfunktion F rvo pisteessä x eli todennäköisyys tphtumlle ξ x määrätään integroimll tiheysfunktio f välillä (, x]. Kikkien stunnismuuttujn ξ liittyvien tphtumien todennäköisyydet voidn määrätä sen kertymäfunktion vull. Jtkuvn jkumn kertymäfunktion j tiheysfunktion yhteys Olkoon ξ jtkuv stunnismuuttuj. Olkoon stunnismuuttujn ξ tiheysfunktio f(x). Olkoon stunnismuuttujn ξ kertymäfunktio x = f( t) dt d f( x) = F( x) = F ( x) dx TKK (c) Ilkk Mellin (24) 45 TKK (c) Ilkk Mellin (24) 46 Välien todennäköisyydet 1/2 Välien todennäköisyydet 2/2 Jtkuvn jkumn tpuksess välin todennäköisyys on Pr( ξ ) = F( ) F( ) = f( x) dx (, ] R Kvn Pr( ξ ) = F( ) F( ) = f( x) dx mukn välin (, ] R todennäköisyys voidn määrätä khdell eri tvll: (i) Jos jkumn tiheysfunktio f tunnetn, sdn välin [, ] todennäköisyys integroimll tiheysfunktio välillä [, ]. (ii) Jos jkumn kertymäfunktio F tunnetn, sdn välin [, ] todennäköisyys lskemll kertymäfunktion rvojen F() j F() erotus. TKK (c) Ilkk Mellin (24) 47 TKK (c) Ilkk Mellin (24) 48
9 TKK (c) Ilkk Mellin (24) 49 Jtkuvn jkumn tiheysfunktio j välien todennäköisyydet: Hvinnollistus Jtkuvn jkumn kertymäfunktio j välien todennäköisyydet: Hvinnollistus Olkoon f(x) jtkuvn stunnismuuttujn ξ tiheysfunktio. : Pr( ξ ) = f( x) dx = Alueen A pint-l Kuv oikell esittää normlijkumn tiheysfunktiot (ks. luku Jtkuvi jkumi). Tiheysfunktio f(x) A Olkoon F(x) jtkuvn stunnismuuttujn ξ 1.2 kertymäfunktio j f(x) sen 1 tiheysfunktio..8 : F().6 Pr( ξ ).4 = F( ) F( ) = f ( xdx ) F() Kuv oikell esittää normlijkumn kertymäfunktiot (ks. luku Jtkuvi jkumi). F(x) TKK (c) Ilkk Mellin (24) 5
Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien
Lisätiedot10. MÄÄRÄTYN INTEGRAALIN KÄYTTÖ ERÄIDEN PINTA-ALOJEN LASKEMISESSA
MAA0 0. Määrätyn integrlin käyttö eräiden pint-lojen lskemisess 0. MÄÄRÄTYN INTEGRAALIN KÄYTTÖ ERÄIDEN PINTA-ALOJEN LASKEMISESSA Edellä on todettu, että f (x)dx nt x-kselin j suorien x =, x = sekä funktion
LisätiedotMatematiikan tukikurssi
Mtemtiikn tukikurssi Kurssikert 4 Tilvuuden j vipn ln lskeminen Kuten iemmin käsittelimme, määrätyn integrlin vull voi lske pintloj j tilvuuksi. Tyypillisenä sovelluksen tilvuuden lskemisest on tpus, joss
LisätiedotVALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 3.6.2014 Ratkaisut ja arvostelu
VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 3.6.4 Rtkisut j rvostelu. Koululisen todistuksen keskirvo x on lskettu ) b) c) d) kymmenen ineen perusteell. Jos koululinen nostisi neljän ineen
LisätiedotRiemannin integraalista
Lebesguen integrliin sl. 2007 Ari Lehtonen Riemnnin integrlist Johdnto Tämän luentomonisteen trkoituksen on tutustutt lukij Lebesgue n integrliin j sen perusominisuuksiin mhdollisimmn yksinkertisess tpuksess:
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
LisätiedotIntegraalilaskenta. Määrätty integraali
9..08 Integrlilskent Määräämätön Etsitään funktiot Derivoinnille käänteistoimenpide integroiminen Integrlifunktio F(x), jolle F x = f x, lisäksi integrlifunktioille G x = F x + C. Vkion C lisäys (merkitys),
LisätiedotIntegraalilaskentaa. 1. Mihin integraalilaskentaa tarvitaan? MÄNTÄN LUKIO
Integrlilskent Tämä on lukion oppimterileist hiemn poikkev yksinkertistettu selvitys määrätyn integrlin lskemisest. Kerromme miksi integroidn, mitä integroiminen trkoitt, miten integrli lsketn j miten
LisätiedotNumeeriset menetelmät TIEA381. Luento 9. Kirsi Valjus. Jyväskylän yliopisto. Luento 9 () Numeeriset menetelmät / 29
Numeeriset menetelmät TIEA381 Luento 9 Kirsi Vljus Jyväskylän yliopisto Luento 9 () Numeeriset menetelmät 17.4.2013 1 / 29 Luennon 9 sisältö Numeerisest integroinnist Newtonin j Cotesin kvt Luento 9 ()
Lisätiedot1. Derivaatan Testi. Jos funktio f on jatkuva avoimella välillä ]a, b[ ja x 0 ]a, b[ on kriit. tai singul. piste niin. { f (x) > 0, x ]a, x 0 [
1. Derivtn Testi Jos funktio f on jtkuv voimell välillä ], b[ j x 0 ], b[ on kriit. ti singul. piste niin { f (x) < 0, x ], x 0 [ f x (x) > 0, x ]x 0, b[ 0 on lokli minimipiste (1) { f (x) > 0, x ], x
LisätiedotTestit laatueroasteikollisille muuttujille. Testit laatueroasteikollisille muuttujille. Testit laatueroasteikollisille muuttujille: Esitiedot
TKK (c) Ilkk Melli (24) Johdtus tilstotieteesee TKK (c) Ilkk Melli (24) 2 : Mitä opimme? Trkstelemme tässä luvuss seurvi ltuerosteikolliste muuttujie testejä: Testukse kohtee testeissä o Beroulli-jkum
Lisätiedot5 Riemann-integraali ANALYYSI B, HARJOITUSTEHTÄVIÄ, KEVÄT Ala- ja yläintegraali
ANALYYSI B, HARJOITUSTEHTÄVIÄ, KEVÄT 9 5 Riemnn-integrli 5. Al- j yläintegrli Voit olett tunnetuksi ll esitetyt supremumin j infimumin ominisuudet (joukot A j B ovt rjoitettuj sekä epätyhjiä j λ R). Jos
LisätiedotII.1. Suppeneminen., kun x > 0. Tavallinen lasku
II. EPÄOLEELLISET INTEGRAALIT nt II.. Suppeneminen Esim. Olkoon f() =, kun >. Tvllinen lsku = / =. Kuitenkn tätä integrli ei ole ikisemmss mielessä määritelty, kosk f ei ole rjoitettu välillä [, ] (eikä
Lisätiedot11. MÄÄRÄTTY INTEGRAALI JA TILAVUUS
11. MÄÄRÄTTY INTEGRAALI JA TILAVUUS Tilvuus on sen verrn rkielämässä viljelty käsite, että useimmiten sen syvemmin edes miettimättä ymmärretään, mitä juomlsin ti pikkuvuvn kylpymmeen tilvuudell trkoitetn.
LisätiedotSARJAT JA DIFFERENTIAALIYHTÄLÖT Funktiojonot 1
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 JOUNI PARKKONEN Sisältö 0. Tästä tekstistä. Funktiojonot 0. Tästä tekstistä Tämä moniste on trkoitettu käytettäväksi kurssin Srjt j differentiliyhtälöt luentomterilin.
LisätiedotAnalyysi 2. Harjoituksia lukuihin 1 3 / Kevät Anna sellainen välillä ] 2, 2[ jatkuva ja rajoitettu funktio f, että
Anlyysi Hrjoituksi lukuihin 3 / Kevät 5. Ann sellinen välillä ], [ jtkuv j rjoitettu funktio f, että () sup A m A j inf A min A, (b) sup A m A j inf A = min A, (c) sup A = m A j inf A min A, (d) sup A
LisätiedotReaalinen lukualue. Millainen on luku, jossa on päättymätön ja jaksoton desimaalikehitelmä?
Relinen lukulue POLYNOMIFUNKTIOT JA -YHTÄLÖT, MAA Millinen on luku, joss on päättymätön j jksoton desimlikehitelmä? Onko sellisi? Trkstelln Pythgorn luseest stv yksikköneliön lävistäjää, luku + = x x =.
LisätiedotMS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 8: Integraalifunktio ja epäoleellinen integraali
MS-A1{3,4} (ELEC*) Differentili- j integrlilskent 1 Luento 8: Integrlifunktio j epäoleellinen integrli Pekk Alestlo, Jrmo Mlinen Alto-yliopisto, Mtemtiikn j systeeminlyysin litos 5.1.216 Pekk Alestlo,
Lisätiedot2 Epäoleellinen integraali
ANALYYSI C, HARJOITUSTEHTÄVIÄ, SYKSY 8 Epäoleellinen integrli Integrointivihje: Hyödynnä yhdistetyn funktion integrointisääntöä.. Määritä 9 9 (c) ( ). Tutki, millä vkion p rvoill epäoleellinen integrli
Lisätiedotx k 1 Riemannin summien käyttö integraalin approksimointiin ei ole erityisen tehokasta; jatkuvasti derivoituvalle funktiolle f virhe b
5 Integrlien lskemisest 51 Riemnnin summt [A2], [4, 61] Rjoitetun funktion f : [, b] R Riemnn-integroituvuudelle ytäpitäväksi on kurssill Anlyysi 2 osoitettu, että Riemnnin summill S P := f(ξ k ) ( ),
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2005) 1 Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujat ja niiden todennäköisyysjakaumat
LisätiedotMS-A010{2,3,4,5} (SCI, ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 8: Integraalifunktio ja epäoleellinen integraali
MS-A1{2,3,4,5} (SC, ELEC*, ENG*) Differentili- j integrlilskent 1 Luento 8: ntegrlifunktio j epäoleellinen integrli Pekk Alestlo, Jrmo Mlinen Alto-yliopisto, Mtemtiikn j systeeminlyysin litos November
LisätiedotMS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 7: Integraali ja analyysin peruslause
MS-A010{3,4} (ELEC*) Differentili- j integrlilskent 1 Luento 7: Integrli j nlyysin perusluse Pekk Alestlo, Jrmo Mlinen Alto-yliopisto, Mtemtiikn j systeeminlyysin litos 3.10.2016 Pekk Alestlo, Jrmo Mlinen
LisätiedotPainopiste. josta edelleen. x i m i. (1) m L A TEX 1 ( ) x 1... x k µ x k+1... x n. m 1 g... m n g. Kuva 1. i=1. i=k+1. i=1
Pinopiste Snomme ts-ineiseksi kpplett, jonk mteriliss ei ole sisäisiä tiheyden vihteluj. Tällisen kppleen pinopisteen sijinti voidn joskus päätellä kppleen muodon perusteell. Esimerkiksi ts-ineisen pllon
LisätiedotJohdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
LisätiedotTEHTÄVÄ 1. Olkoon (f n ) jono jatkuvia funktioita f n : [a, b] R, joka suppenee välillä [a, b] tasaisesti kohti funktiota f : [a, b] R.
Topologi I Hrjoitus 10, rtkisuj AP TEHTÄVÄ 1. Olkoon (f n ) jono jtkuvi funktioit f n : [, b] R, jok suppenee välillä [, b] tsisesti kohti funktiot f : [, b] R. Osoit, että tällöin f n (x) dx f(x) dx.
LisätiedotRiemannin integraali
LUKU 5 iemnnin integrli Tässä luvuss funktion f iemnnin integrli merkitään - b f = - b f() d. Vstvsti funktion f Lebesgue in integrli merkitään f = f() dm(). [,b] [,b] Luse 5.1. Olkoon f : [, b] rjoitettu
Lisätiedot5 Epäoleellinen integraali
5 Epäoleellinen integrli 5. Integrlin suppeneminen Olkoon f sellinen välillä [, b[ (ei siis välttämättä pisteessä b) määritelty funktio, että f on Riemnn-integroituv välillä [, ] kikill ], b[ eli on olemss
LisätiedotKäydään läpi: ääriarvo tarkastelua, L Hospital, integraalia ja sarjoja.
DI mtemtiikn opettjksi: Täydennyskurssi, kevät Luentorunko j hrjoituksi viikolle : ti 9.. klo :-5:, to.. klo 9:5-: j klo 4:5-6: Käydään läpi: äärirvo trkstelu, L Hospitl, integrli j srjoj.. Kerrtn äärirvojen
LisätiedotMS-A010{2,3,4,5} (SCI,ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 7: Integraali ja analyysin peruslause
MS-A010{2,3,4,5} (SCI,ELEC*, ENG*) Differentili- j integrlilskent 1 Luento 7: Integrli j nlyysin perusluse Pekk Alestlo, Jrmo Mlinen Alto-yliopisto, Mtemtiikn j systeeminlyysin litos November 20, 2017
Lisätiedot2.4 Pienimmän neliösumman menetelmä
2.4 Pienimmän neliösummn menetelmä Optimointimenetelmiä trvitn usein kokeellisen dtn nlysoinniss. Mittuksiin liittyy virhettä, joten mittus on toistettv useit kertoj. Oletetn, että mittn suurett c j toistetn
LisätiedotJatkuvia jakaumia. Jatkuvia jakaumia. Jatkuvia jakaumia Mitä opimme? 2/3. Jatkuvia jakaumia Mitä opimme? 1/3. Jatkuvia jakaumia Mitä opimme?
TKK (c) Ilkk Melli (4) Jtkuvi jkumi Jtkuv tsie jkum Johdtus todeäköisyyslsket Jtkuvi jkumi TKK (c) Ilkk Melli (4) Jtkuvi jkumi Mitä opimme? /3 Tutustumme tässä luvuss seurvii jtkuvii todeäköisyysjkumii:
LisätiedotPreliminäärikoe Pitkä Matematiikka 5.2.2013
Preliminäärikoe Pitkä Mtemtiikk 5..0 Kokeess s vstt enintään kymmeneen tehtävään. Tähdellä ( * ) merkittyjen tehtävien mksimipistemäärä on 9, muiden tehtävien mksimipistemäärä on 6.. ) Rtkise yhtälö b)
Lisätiedot7 Funktiosarjoista. 7.1 Funktiosarjojen suppeneminen
7 Funktiosrjoist 7. Funktiosrjojen suppeneminen Seurvksi trkstelln srjoj, joiden termit ovt (lukujen sijst) jollkin välillä I määriteltyjä funktioit. Täsmällisemmin funktiosrjll (ti lyhyemmin srjll) trkoitetn
Lisätiedot1.3 Toispuoleiset ja epäoleelliset raja-arvot
. Toisuoleiset j eäoleelliset rj-rvot Rj-rvo lim f () A olemssolo edellyttää että muuttuj täytyy void lähestyä rvo kummst suust hyväsä. Jos > ii sot että lähestyy rvo oikelt ositiivisest suust. Jos ts
LisätiedotDifferentiaali- ja integraalilaskenta 1 (CHEM) Laskuharjoitus 4 / vko 47, mallivastaukset
Differentili- j integrlilskent (CHEM) Lskuhrjoitus / vko 7, mllivstukset Johdntotehtävä x dx = ln.693, joten rvo ln voidn pproksimoid integroimll numeerisesti funktiot x välillä [,]. Jetn väli [,] khteen
LisätiedotVerkot ja todennäköisyyslaskenta Verkko Verkko eli graafi muodostuu pisteiden joukosta V, särmien joukosta A ja insidenssikuvauksesta : A V V jossa
Mat-.6 Sovellettu todennäköisyyslaskenta B Mat-.6 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Verkot ja todennäköisyyslaskenta Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio Jakaumien
LisätiedotLINSSI- JA PEILITYÖ TEORIAA. I Geometrisen optiikan perusaksioomat
(0) LINSSI- JA PEILITYÖ MOTIVOINTI Tutustutn linsseihin j peileihin geometrisen optiikn mittuksiss Tutkitn vlon käyttäytymistä linsseissä j peileissä Määritetään linssien j peilien polttopisteet Optiset
LisätiedotOSA 1: POLYNOMILASKENNAN KERTAUSTA, BINOMIN LASKUSÄÄNTÖJÄ JA YHTÄLÖNRATKAISUA
OSA 1: POLYNOMILASKENNAN KERTAUSTA, BINOMIN LASKUSÄÄNTÖJÄ JA YHTÄLÖNRATKAISUA Tekijät: Ari Heimonen, Hellevi Kupil, Ktj Leinonen, Tuomo Tll, Hnn Tuhknen, Pekk Vrniemi Alkupl Tiedekeskus Tietomn torninvrtij
Lisätiedot3 Integraali ja derivaatta
3 Integrli j erivtt 3.1 Integrli ylärjns funktion Olkoon funktio f Riemnn-integroituv välin I jokisell suljetull osvälillä j välin I jokin kiinteä luku. Tällöin integrli määrittelee funktion G(): I R,
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Satunnaismuuttujat ja todennäköisyysjakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujat ja todennäköisyysjakaumat
Lisätiedot2 Riemann-integraali. 2.1 Porrasfunktion integraali. Aloitetaan integraalin täsmällinen määrittely tutkimalla porrasfunktion integraalia.
2 Riemnn-integrli 2.1 Porrsfunktion integrli Aloitetn integrlin täsmällinen määrittely tutkimll porrsfunktion integrli. Määritelmä 2.1 (Porrsfunktion integrli). Olkoon f : [, b] R porrsfunktio j P = {x
LisätiedotMatematiikan tukikurssi
Mtemtiikn tukikurssi Kurssikert 5 1 Jtkuvuus Trkstelln funktiot fx) josskin tietyssä pisteessä x 0. Tämä funktio on tässä pisteessä joko jtkuv ti epäjtkuv. Jtkuvuuden ymmärtää prhiten trkstelemll epäjtkuv
LisätiedotViikon aiheet. Pinta-ala
info Viikon iheet Mpu I:sen voit suoritt: Kurssin loppukokeess 23.10. Arvosn: koe + lskrit Mikäli yo. ik ei sovi, voit suoritt loppukokeen yleistenttitilisuudess 24.11. Arvosn: koe + lskrit. Ilmoittudu
LisätiedotNormaalijakaumasta johdettuja jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2007) 1 Normaalijakaumasta johdettuja jakaumia >> Johdanto χ 2 -jakauma F-jakauma
LisätiedotJohdatus reaalifunktioihin P, 5op
Johdtus relifunktioihin 802161P, 5op Os 3 Pekk Slmi 19. lokkuut 2015 Pekk Slmi FUNK 19. lokkuut 2015 1 / 48 Integrlit 1 Määrätty integrli = oike integrli: esim. 1 0 x 2 dx = reliluku 2 Määräämätön integrli
LisätiedotSyksyn 2015 Pitkän matematiikan YO-kokeen TI-Nspire CAS -ratkaisut
Sksn 0 Pitkän mtemtiikn YO-kokeen TI-Nspire CAS -rtkisut Tekijät: Olli Krkkulinen Rtkisut on ldittu TI-Nspire CAS -tietokoneohjelmll kättäen Muistiinpnot -sovellust. Kvt j lskut on kirjoitettu Mth -ruutuihin.
Lisätiedot3.3 KIELIOPPIEN JÄSENNYSONGELMA Ratkaistava tehtävä: Annettu yhteydetön kielioppi G ja merkkijono x. Onko
3.3 KILIOPPIN JÄSNNYSONGLMA Rtkistv tehtävä: Annettu yhteydetön kielioppi G j merkkijono x. Onko x L(G)? Rtkisumenetelmä = jäsennyslgoritmi. Useit vihtoehtoisi menetelmiä, erityisesti kun G on jotin rjoitettu
LisätiedotLebesguen integraali - Rieszin määritelmä
Lebesguen integrli - Rieszin määritelmä Tru Lehtonen Mtemtiikn pro grdu-tutkielm Jyväskylän yliopisto Mtemtiikn j tilstotieteen litos Kevät 216 Tiivistelmä Jyväskylän Yliopisto Lehtonen, Tru Puliin: Lebesguen
Lisätiedot6 Integraalilaskentaa
6 Integrlilskent 6. Integrlifunktio Funktion f integrlifunktioksi snotn funktiot F, jonk derivtt on f. Siis F (x) = f (x) määrittelyjoukon jokisell muuttujn rvoll x. Merkitään F(x) = f (x) dx. Integrlifunktion
Lisätiedot5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3
Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,
LisätiedotSisältö. Integraali 10. syyskuuta 2005 sivu 1 / 20
Integrli 10. syyskuut 2005 sivu 1 / 20 Sisältö 1 Määrätty integrli j integrlifunktio 2 1.1 Integroituvist funktioit 3 1.2 Määrätyn integrlin ominisuuksi 4 1.3 Integrlifunktio 5 1.4 Integrlilskennn tärkeimmät
LisätiedotRiemannin integraalista
TAMPEREEN YLIOPISTO Pro grdu -tutkielm Aij Stenberg Riemnnin integrlist Mtemtiikn j tilstotieteen litos Mtemtiikk Syyskuu 2010 2 Tmpereen yliopisto Mtemtiikn j tilstotieteen litos STENBERG, AIJA: Riemnnin
Lisätiedot4 Taso- ja avaruuskäyrät
P2-luentoj kevät 2008, Pekk Alestlo 4 Tso- j vruuskäyrät Tässä luvuss tutustutn tso- j vruuskäyriin, niiden krenpituuteen j krevuuteen. Konkreettisin sovelluksin trkstelln nnettu rt pitkin liikkuvn hiukksen
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
LisätiedotRistitulo ja skalaarikolmitulo
Ristitulo j sklrikolmitulo Opetussuunnitelmn 00 mukinen kurssi Vektorit (MAA) sisältää vektoreiden lskutoimituksist keskeisenä ineksen yhteenlskun, vähennyslskun, vektorin kertomisen luvull j vektoreiden
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
Lisätiedotlim + 3 = lim = lim (1p.) (3p.) b) Lausekkeen täytyy supistua (x-2):lla, joten osoittajan nollakohta on 2.
Mtemtiikk III 0600 Kurssi / Differetili- j itegrlilske jtkokurssi Tee 7 tehtävää ) Määritä lim ( ) ) + b) Määritä vkio site, että luseke ( ) + + ( )( ) ( + + ) + + + + + lim + lim lim (p) o jtkuv myös
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 4. lokakuuta 2007 Antti Rasila () TodB 4. lokakuuta 2007 1 / 17 1 Moniulotteiset todennäköisyysjakaumat Johdanto Kaksiulotteiset satunnaismuuttujat Kaksiulotteisen
LisätiedotSisältö. Funktiojonot ja -sarjat 10. syyskuuta 2005 sivu 1 / 15
Funktiojonot j -srjt 10. syyskuut 2005 sivu 1 / 15 Sisältö 1 Funktiojonoist 2 2 Funktiosrjoist 5 3 Funktiojonojen j -srjojen derivointi j integrointi 7 4 Potenssisrjt 9 5 Tylorin polynomit j srjt 12 5.1
LisätiedotSatunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio KE (2014) 1 Satunnaismuuttujat ja niiden todennäköisyysjakaumat Satunnaismuuttujat
LisätiedotEsimerkki 8.1 Määritellään operaattori A = x + d/dx. Laske Af, kun f = asin(bx). Tässä a ja b ovat vakioita.
8. Operttorit, mtriisit j ryhmäteori Mtemttinen operttori määrittelee opertion, jonk mukn sille nnettu funktiot muoktn. Operttorit ovt erityisen tärkeitä kvnttimekniikss, kosk siinä jokist suurett vst
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
LisätiedotMatematiikan tukikurssi
Mtemtiikn tukikurssi Kurssikert 3 Määrätyn integrlin lskeminen Aiemmin määrittelimme määrätyn integrlin f (x)dx funktion f (x) l- j yläsummien rj-rvon. Määrätyllä integrlill on kksi intuitiivist tulkint:.
LisätiedotSäännöllisten operaattoreiden täydentäviä muistiinpanoja
Säännöllisten operttoreiden täydentäviä muistiinpnoj Antti-Juhni Kijnho 1. huhtikuut 2011 Vnht määritelmät Määritelmä 1. Äärellinen epätyhjä joukko on merkistö, j sen lkioit kutsutn merkeiksi. Määritelmä
LisätiedotPolynomien laskutoimitukset
Polyomie lskutoimitukset Polyomi o summluseke, joss jokie yhteelskettv (termi) sisältää vi vkio j muuttuj välisiä kertolskuj. Esimerkki 0. Mm., 6 j ovt polyomej. Polyomist, joss o vi yksi termi, käytetää
LisätiedotKertausta ja täydennystä
LUKU 1 Kertust j täydennystä 1.1. Merkintöjä N = {k Z k 0} = {0, 1, 2,... }, luonnollisten lukujen joukko. Z + = {k Z k > 0} = {1, 2,... }, positiivisten kokonislukujen joukko. (, b) on relikselin voin
Lisätiedotsin θ θ θ r 2 sin 2 θ φ 2 = 0.
Mtemtiikn j tilstotieteen litos Osittisdifferentiliyhtälöt Kevät 21 Hrjoitus 9 Rtkisuj Jussi Mrtin 1. Osoit, että Lplce-yhtälö pllokoordinteiss on 2 u 1 r 2 2 u r r 1 r 2 sin θ u 1 2 u sin θ θ θ r 2 sin
Lisätiedot2.2 Monotoniset jonot
Mtemtiik tito 9, RATKAISUT Mootoiset joot ) Kosk,,,, ii 0 Lukujoo ( ) o siis lhlt rjoitettu Toislt 0 Lukujoo (
Lisätiedot0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä niistä
LisätiedotVastaa tehtäviin 1-4 ja valitse toinen tehtävistä 5 ja 6. Vastaat siis enintään viiteen tehtävään.
S-8. Sähkönsiirtoärstlmät Tntti 8..7 Vst thtäviin -4 vlits toinn thtävistä 5 6. Vstt siis nintään viitn thtävään.. Tutkitn ll piirrttyä PV-käyrää, ok kuv sllist vrkko, oss on tuotntolu kuormituslu niidn
LisätiedotMikrotalousteoria 2, 2008, osa III
Sisältö Mikrotlousteori 2, 2008, os III Yrityksen tuotntofunktiost 2 Pnosten substituoitvuus 2 3 Yrityksen teori 3 4 Mittkvedut tuotnnoss 5 5 Yksikkökustnnusten j skltuottojen steen välinen yhteys 5 6
Lisätiedot766328A Termofysiikka Harjoitus no. 12, ratkaisut (syyslukukausi 2014)
7668A Termofysiikk Hrjoitus no 1, rtkisut (syyslukukusi 14) 1 Lämpötilss T K elektronien energit eivät ylitä Fermin energi (ɛ i ɛ F ), lämpötilprmetri β j kemillinen potentili vst Fermin energi (µ() ɛ
Lisätiedot3. laskuharjoituskierros, vko 6, ratkaisut
Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa
Lisätiedota = x 0 < x 1 < x 2 < < x n = b f(x) dx = I. lim f(x k ) x k=1
5 Integrli 5.1 Määritelmä j ominisuudet Olkoon f : [, b] R jtkuv. Muodostetn välin [, b] jko = x 0 < x 1 < x 2 < < x n = b j siihen liittyvä yläsumm S = n M k (x k x k 1 ), M k = mx{f(x) x k 1 x x k },
LisätiedotMatematiikan johdantokurssi, syksy 2017 Harjoitus 6, ratkaisuista. 1. Onko jokin demojen 5 tehtävän 3 relaatioista
Mtemtiikn johntokurssi, syksy 07 Hrjoitus 6, rtkisuist. Onko jokin emojen 5 tehtävän reltioist ) R := {(, ), (, ), (, ), (, ), (, ), (, ), (, ), (, )}, ) S := {(, ), (, ), (, ), (, ), (, ), (, ), (, ),
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotMITEN MÄÄRITÄN ASYMPTOOTIT?
MITEN MÄÄRITÄN ASYMPTOOTIT? Asmptootti Asmptootti on suor ti muu kärä, jot funktion kuvj f() rjtt lähest, kun muuttujn rvot lähestvät tiettä luku ti ääretöntä. Rjoitutn luksi niihin tpuksiin, joiss smptootti
LisätiedotKuvausta f sanotaan tällöin isomorfismiksi.
Määritelmä..12. Oletetn, että 1 =(V 1,E 1 ) j 2 =(V 2,E 2 ) ovt yksinkertisi verkkoj. Verkot 1 j 2 ovt isomorfiset, jos seurvt ehdot toteutuvt: (1) on olemss bijektio f : V 1 V 2 (2) kikill, b V 1 pätee,
LisätiedotTYÖ 30. JÄÄN TIHEYDEN MÄÄRITYS. Tehtävänä on määrittää jään tiheys.
TYÖ 30 JÄÄN TIHEYDEN MÄÄRITYS Tehtävä älineet Tusttietoj Tehtävänä on äärittää jään tiheys Byretti (51010) ti esi 100 l ittlsi (50016) j siihen sopivi jääploj, lkoholi (sopii jäähdytinneste lsol), nlyysivk
LisätiedotANALYYSI I, kevät 2009
ANALYYSI I, kevät 2009 Sisältö Relilukujen peruskäsitteitä 2 Lukujonoist 3 2. Lukujonon rj-rvo....................... 3 2.2 Monotoniset jonot......................... 7 2.3 Osjonot..............................
LisätiedotSinilause ja kosinilause
Siniluse j kosiniluse GEOMETRI M3 Mikäli kolmion korkeus j knt tiedetään, voidn pint-l lske. Esimerkki: Lske kolmion l, kun 38 kulmn viereiset sivut ovt 8, j 6,8. Nyt knt tiedetään, korkeutt ei! 38 8,
Lisätiedot4 Pinta-alasovelluksia
Pint-lsovelluksi. Kuvjn lle jäävä pint-l voidn määrittää, jos kuvj on -kselin yläpuolell. Välillä [, 5] funktion f kuvj on -kselin lpuolell. Peiltn funktion f kuvj -kselin suhteen, jolloin sdn funktion
LisätiedotMuita määrätyn integraalin sovelluksia
Muit määrätyn integrlin sovelluksi Ekstr Pohint Auto kiihyttää tsisesti viiessä sekunniss vuhist 4 km/h vuhtiin 76 km/h. ) Muoost funktio, jok ilmisee uton vuhin v(t), kun on kulunut t sekunti kiihytyksen
LisätiedotMS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 9: Integroimismenetelmät
MS-A010{3,4} (ELEC*) Differentili- j integrlilskent 1 Luento 9: Integroimismenetelmät Pekk Alestlo, Jrmo Mlinen Alto-yliopisto, Mtemtiikn j systeeminlyysin litos 10.10.2016 Pekk Alestlo, Jrmo Mlinen (Alto-yliopisto,
LisätiedotSarjat ja integraalit
Srjt j integrlit c Mtemttisten tieteiden litos, Oulun yliopisto Versio: 9.3.0 Viimeksi muoknnut: Peter Hästö Sisältö Funktion rj-rvo j jtkuvuus. Peruskäsitteitä........................................
LisätiedotJohdatus todennäköisyyslaskentaan Jatkuvia jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Jatkuvia jakaumia TKK (c) Ilkka Mellin (2005) 1 Jatkuvia jakaumia Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen raja-arvolause TKK (c) Ilkka Mellin
LisätiedotAnalyysin perusteet kauppatieteilijöille 800118P
Anlyysin perusteet kupptieteilijöille 800118P Luentomoniste Kri Myllylä Niin Korteslhti Topi Törmä Oulun yliopisto Mtemttisten tieteiden litos Kevät 2015 Sisältö 1 Derivtt 3 1.1 Määritelmä..............................
LisätiedotAnalyyttiset funktiot ja integrointiteorian alkeita
Anlyyttiset funktiot j integrointiteorin lkeit 6. helmikuut 2006 isältö 1 Kertust 1 2 Anlyyttiset funktiot 2 2.1 Anlyyttiset funktiot tsoll................... 2 2.2 Monogeeniset funktiot vruudess R n.............
LisätiedotSarjaratkaisun etsiminen Maplella
Srjrtkisun etsiminen Mplell Olkoon trksteltvn ensimmäisen kertluvun differentiliyhtälö: > diffyht:= diff(y(x, x=1y(x^; d diffyht := = dx y( x 1 y( x Tälle pyritään etsimään srjrtkisu origokeskisenä potenssisrjn.
LisätiedotA-Osio. Valitse seuraavista kolmesta tehtävästä kaksi, joihin vastaat. A-osiossa ei saa käyttää laskinta.
MAA Loppukoe 5.. Jussi Tyni Tee pisteytysruudukko konseptin yläreunn! Vstuksiin väliviheet, jotk perustelevt vstuksesi! Lue ohjeet huolellisesti! A-Osio. Vlitse seurvist kolmest tehtävästä kksi, joihin
LisätiedotPertti Koivisto. Analyysi B
Pertti Koivisto Anlyysi B TAMPEREEN YLIOPISTO INFORMAATIOTIETEIDEN YKSIKÖN RAPORTTEJA 67/8 TAMPERE 8 TAMPEREEN YLIOPISTO INFORMAATIOTIETEIDEN YKSIKÖN RAPORTTEJA 67/8 JOULUKUU 8 Pertti Koivisto Anlyysi
LisätiedotMS-A0102 Differentiaali- ja integraalilaskenta 1
MS-A0102 Differentili- j integrlilskent 1 Riikk Korte (Pekk Alestlon klvojen pohjlt) Alto-yliopisto 22.11.2016 Sisältö Pint-l Integrli 1.1 Pint-l: Suorkulmio Seurvss trkstelln umpinisten tsokäyrien rjmi
LisätiedotNewtonin, Riemannin ja Henstock-Kurzweilin integraalit
TAMPEREEN YLIOPISTO Pro grdu -tutkielm Annik Heinonen Newtonin, Riemnnin j Henstock-Kurzweilin integrlit Informtiotieteiden yksikkö Mtemtiikk Helmikuu 2013 Sisältö 1 Johdnto 1 2 Newtonin integrli 2 2.1
Lisätiedot