Ehdollinen todennäköisyys



Samankaltaiset tiedostot
10 Kertolaskusääntö. Kahta tapahtumaa tai satunnaisilmiötä sanotaan riippumattomiksi, jos toisen tulos ei millään tavalla vaikuta toiseen.

****************************************************************** ****************************************************************** 7 Esim.

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

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

1 Eksponenttifunktion määritelmä

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

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

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

Äärettämän sarjan (tai vain sarjan) sanotaan suppenevan eli konvergoivan, jos raja-arvo lims

Tilastollinen todennäköisyys

Matematiikan tukikurssi

EX1 EX 2 EX =

Matematiikan tukikurssi

Mat Sovellettu todennäköisyyslasku A

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

Tehtävä 1. Voidaanko seuraavat luvut esittää kahden neliön summina? Jos voidaan, niin kuinka monella eri tavalla? (i) n = 145 (ii) n = 770.

RATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan

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

4.3 Signaalin autokorrelaatio

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

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

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

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi

4. Todennäköisyyslaskennan kertausta

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet

tilavuudessa dr dk hetkellä t olevien elektronien

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

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

MS-A0402 Diskreetin matematiikan perusteet Yhteenveto, osa I

8. laskuharjoituskierros, vko 11, ratkaisut

Mat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat:

Todennäköisyyslaskentaa

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

Tilastollinen päättömyys, kevät 2017 Harjoitus 6A

Todennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa.

Epäyhtälöoppia matematiikkaolympialaisten tehtäviin

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

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Aritmeettinen jono

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Kokonaisvahinkomäärän normaaliapproksimointi vinoille jakaumille

6.1 Riippumattomat satunnaismuuttujat

3 x < < 3 x < < x < < x < 9 2.

4 KORKEAMMAN KERTALUVUN LINEAARISET DIFFERENTIAALIYHTÄLÖT. Kertaluvun n lineaarinen differentiaaliyhtälö ns. standardimuodossa on

Todennäköisyyslaskenta I. Heikki Ruskeepää

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

Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0402 Diskreetin matematiikan perusteet Yhteenveto, osa I

3 10 ei ole rationaaliluku.

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

dx = d dψ dx ) + eikx (ik du u + 2ike e ikx u i ike ikx u + e udx

SMG-4200 Sähkömagneettisten järjestelmien lämmönsiirto Ehdotukset harjoituksen 6 ratkaisuiksi

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Algebra I Matematiikan ja tilastotieteen laitos Ratkaisuehdotuksia harjoituksiin 5 (6 sivua)

Todennäköisyyslaskenta: Todennäköisyysjakaumia

1. osa, ks. Solmu 2/ Kahden positiivisen luvun harmoninen, geometrinen, aritmeettinen ja + 1 u v 2 1

MATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai

Markov-ketjun hetkittäinen käyttäytyminen

xe y = ye x e y + xe y y = y e x + e x y xe y y y e x = ye x e y y (xe y e x ) = ye x e y y = yex e y xe y e x = x 3 + x 2 16x + 64 = D(x)

Sovellettu todennäköisyyslaskenta B

5.3 Matriisin kääntäminen adjungaatilla

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

Diskreetin Matematiikan Paja Ratkaisuja viikolle 4. ( ) Jeremias Berg. n(n + 1) 2. k =

Lataa ilmaiseksi mafyvalmennus.fi/mafynetti. Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla!

3 x < < 3 x < < x < < x < 9 2.

Markov-ketjun hetkittäinen käyttäytyminen

Insinöörimatematiikka IA

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

3 b) Määritä paljonko on cos. Ilmoita tarkka arvo ja perustele vastauksesi! c) Muunna asteiksi 2,5 radiaania. 6p

S Laskennallinen systeemibiologia

3.7 Todennäköisyysjakaumia

Lasketaan kullekin a euron maksuerälle erikseen, kuinka suureksi erä on n vuodessa kasvanut:

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

MS-A0401 Diskreetin matematiikan perusteet Yhteenveto ja esimerkkejä ym., osa I

Diskreettejä jakaumia. Diskreettejä jakaumia. Diskreettejä jakaumia Mitä opimme? 2/3. Diskreettejä jakaumia Mitä opimme? 1/3

Kuluttajahintaindeksi (KHI) Kuluttajahintaindeksi (KHI) Kysymys Miten mitata rahan arvon muutoksia?

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

3.2 Polynomifunktion kulku. Lokaaliset ääriarvot

4.7 Todennäköisyysjakaumia

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo 10 13

Tehtäviä neliöiden ei-negatiivisuudesta

MS-A0104 Differentiaali- ja integraalilaskenta 1 (ELEC2) MS-A0106 Differentiaali- ja integraalilaskenta 1 (ENG2)

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia

Seuraavat peruslauseet 1-8 voidaan helposti todistaa integraalin määritelmästä. Integroimisjoukko R oletetaan rajoitetuksi Jordanmitalliseksi

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.

TILASTOT: johdantoa ja käsitteitä

Luento 6 Luotettavuus Koherentit järjestelmät

Aineaaltodynamiikka. Aikariippuva Schrödingerin yhtälö. Stationääriset tilat. Ei-stationääriset tilat

Klassisen fysiikan ja kvanttimekaniikan yhteys

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k

, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä

3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo Ratkaisut ja pisteytysohjeet

Transkriptio:

Ehdollie todeäköisyys Kerrataa muutama todeäköisyyslaskea laskusäätö. Tapahtuma E komplemettitapahtuma E o "E ei tapahdu". Koska todeäköisyyksie summa o 1, P ( E = 1 P (E. Joskus o helpompi laskea komplemettitapahtuma todeäköisyys. Yhteelaskusäätö: jos tapahtumat E 1 ja E ovat erillisiä (E 1 E =, ii P (E 1 E = P (E 1 + P (E. Esim. t heittää opalla 1 tai o 1/6 + 1/6 = 1/3. Yleisemmi, jos tapahtumat eivät ole erilisiä, ii P (E 1 E = P (E 1 + P (E P (E 1 E. Jos tapahtumat E 1 ja E ovat riippumattomia, ii P (E 1 E = P (E 1 P (E. Esim. Heitetää kolikkoa kertaa peräkkäi, t. sille että molemmilla heitoilla saadaa kruua o 1/ 1/ = 1/4. Etäpä sitte jos tapahtumat eivät ole riippumattomia? Tämä tilae tulee usei vastaa, kysymme tapahtuma E todeäköisyyttä sillä ehdolla että myös E 1 tapahtuu. Kysymys o mielekäs jos E 1 o mahdollie, eli P (E 1 > 0. Kysytty ehdollie todeäköisyys lasketaa kaavasta P (E E 1 = P (E E 1, P (E 1 vase puoli luetaa "tapahtuma E todeäköisyys ehdolla E 1 ". Ehdollisella todeäköisyydellä o samoja omiaisuuksia kui tavallisella todeäköisyydellä: i P (E E 1 [0, 1] ii P (Ω E 1 = 1 (kaikkie tapahtumie todeäköisyyksie ormitus iii Jos E ja E 3 ovat erillisiä, ii P (E E 3 E 1 = P (E E 1 + P (E 3 E 1. Esimerkki 1. Otetaa korttipakasta kaksi korttia. Mikä o todeäköisyys sille että toie kortti o ässä, ku esimmäie kortti o ässä? Nyt toise ässä saamie ei ole riippumato esimmäise ässä saamisesta, sillä 1. ässä jälkee jäljellä olevassa pakassa o yksi ässä vähemmä. Todeäköisyys voidaa laskea helposti suoraaki, sillä pakassa o jäljellä 51 1

korttia joista 3 ässiä. T o siis 3/51 =1/17. Lasketaa tulos toisella tavalla käyttäe ehdollista todeäköisyyttä: Olkoo E 1 = "1. kortti o ässä", E = ". kortti o ässä". Selvästi T sille että saadaa ässää peräkkäi o P (E 1 = 4/5. P (E E 1 = (3/51 (4/5. Nyt voidaa laskea t sille että. kortti o ässä sillä ehdolla että 1. kortti o ässä: P (E E 1 = P (E E 1 P (E 1 = 3 4 5 51 5 4 = 1 17. Ehdollise todeäköisyyde kaavasta saamme yleistykse kertolaskusääölle siiä tapauksessa että tapahtumat eivät ole riippumattomia: P (E 1 E = P (E 1 P (E E 1 = P (E 1 E P (E 1. Jos tapahtumat ovat riippumattomia, P (E i E j = P (E i ja kaava palautuu riippumattomie tapauste kertolaskusääöksi. Esimerkki. Jaetaa korttipakka tasa 4 pelaajalle A,B,C,D. Mikä o todeäköisyys sille että A ja B saavat kumpiki ässää? Selvästi A: ja B: kortit riippuvat toiste korteista. Ratkaistaa tämä käyttämällä yleistettyä kertolaskusäätöä seuraavalla tavalla. Olkoo E 1 = "A saa ässää", E = "B saa ässää". Ajatellaa että A:lle jaetaa kortit esimmäiseksi. Häe kätesä o silloi =13 korti otata ilma takaisipaoa N=5 korti joukosta, joissa K=4 ässää, ja otataa halutaa k= ässää. Site ( ( 4 48 P (E 1 = 11 ( 5 13 Tämä jälkee jaetaa B: kortit, lasketaa t sille että hä saa ässää ku A sai jo ässää. Kyseessä o siis ehdollie todeäköisyys. Kute 1. esimerkissä, se voidaa laskea suoraa, koska tiedämme pakassa oleva 39 korttia, joista ässiä, ja 13 korti otaassa halutaa oleva ässää. Site ( ( 37 P (E E 1 = 11 ( 39 13 Nyt voimme laskea kysyty todeäköisyyde sille että E 1 ja E tapahtuvat: ( ( ( 4 48 37 P (E 1 E = P (E 1 P (E E 1 = 11 11 ( ( 0, 05. 5 39 13 13

Kertolaskusäätöä voi myös toistaa, esim. P (E 1 E E 3 = P (E 1 E P (E 3 E 1 E = P (E 1 P (E E 1 P (E 3 E 1 E. Luoteva esimerkki tästä o 3 korti peräkkäi vetämie korttipakasta. Esimerkki 3. Vedetää pakasta 3 korttia. Mikä o todeäköisyys sille että 1. kortti o hertta (E 1,. risti (E ja. musta kortti (E 3? Edetää seuraavasti: ja sitte P (E 1 E = P (E 1 P (E E 1 = 13 5 13 51 P (E 1 E E 3 = P (E 1 E P (E 3 E 1 E = 13 5 13 51 5 50 0, 03. Viimeiseä esimerkkiä (jolla voit kiusata kavereitasi olkoo sisaruusogelma. Tämä voisi laskea myös ehdollise todeäköisyyde kautta, mutta helpompi tapa o listata eri vaihtoehdot. Todeäköisyyslasketaogelmissa kiusallista o se että aia ei ole suoraviivaista huomata millä tavalla o helpoita lähteä liikkeelle. Esimerkki 4. Äidillä o lasta, joista toie o tyttö. Millä todeäköisyydellä toie lapsi o poika? Tässä tehtävässä ajattelee helposti kahta peräkkäistä kolikoheittoa ja vastaa 1/, joka o vääri. Oikea vastaus o /3. Eri vaihtoehdot ovat imttäi T(yttö-T(yttö, T-P, P-T, P-P. Näistä jälkimmäie ei käy, sillä toie lapsista o tyttö. Jäljellä olevasta 3 vaihtoehdosta kahdessa yksi lapsi o poika. Siis /3. Ehdollise todeäköisyyde kaavoje soveltamie o mutkikkaampaa. Jatkuvat todeäköisyysjakaumat, yksi satuaismuuttuja Tähäastisissa esimerkeissä perusjoukko Ω o ollut diskreetti, so. äärellie tai umeroituvasti ääretö. Katsotaa seuraavaksi tapausta jossa perusjoukko Ω = R, ja satuaismuuttuja X arvot x R. Kumulatiivie todeäköisyysjakauma P (x o todeäköisyys sille että X x. Selvästi P (x o mootoisesti kasvava fuktio, ja lim P (x = 0, x lim P (x = 1. x + P (x: ei kuitekaa tarvitse olla jatkuva, vaa se voi myös hypätä epäjatkuvasti jossaki pisteessä / pisteissä. Todeäköisyystiheysjakauma p(x o edellise derivaatta: p(x = dp (x dx käätäe, kumulatiivie jakauma o tiheysjakauma itegraali: P (x = x 3, dx p(x.

Tiheysjakauma p(x o siis todeäköisyys sille että X: arvo o ifiitesimaalisella välillä [x, x + dx]. Huo Vaikka p(x 0 edellee, se voi myös divergoida joissai pisteissä, kuha se tapahtuu itegroituvasti. Esim. p(x = e x /( x divergoi x = 0:ssa, mutta itegraali yli R: o silti 1. Satuaismuuttuja X odotusarvo o E(X x dx xp(x, eli todeäköisyyksillä paiotettu keskiarvo. Fysiikassa merkitä x o yleisempi. Edellee, jos F (x o joki reaaliarvoie fuktio, ii satuaismuuttuja fuktio F (X o myös satuaismuuttuja. Se odotusarvo o E(F (X F (x dx F (xp(x, Tärkeä erikoistapaus tästä o moomit X. Niide odotusarvoja kutsutaa todeäköisyysjakauma p(x mometeiksi m : m E(X x dx x p(x. Esimmäie mometti o tieteki jakauma odotusarvo. Mometteja voidaa laskea suoraviivaisesti itegroimalla, mutta elegatti ja usei kätevä tapa o käyttää iide geeroivaa fuktiota, s. karakteristista fuktiota. Todeäköisyysjakauma karakteristie fuktio p(k o tiheysfuktio Fourier-muuos: p(k e ikx dx e ikx p(x. Tiheysfuktio saadaa siis karakteristisesta fuktiosta kääteismuuoksella: p(x = 1 π dk e ikx p(k. Karakteristie fuktio o momettie geeroiva fuktio, mikä ähdää kehittämällä ekspoettifuktio Taylor-sarjaksi: ( ik p(k = x = ( ik x. Siis x = i d p(k dk k=0. 4

Mometit voidaa laskea myös joki muu pistee x 0 kui origo suhtee. Karakteristise fuktio avulla e saadaa Taylor-sarjaa pistee x 0 ympäristössä: e ikx0 p(k = e ik(x x0 ( ik = (x x 0 ( ik = (x x 0. Siiä missä mometit ovat odotusarvo yleistyksiä, variassi yleistyksiä kutsutaa kumulateiksi x c. Neki voidaa laskea (ja määritellä karakteristise fuktio avulla, kehittämällä tällä kertaa Taylor-sarjaksi se logaritmi: ( ik l p(k = x _c. Koska kumulatit ja mometit pohjautuvat samaa karakteristisee fuktioo, edelliset voidaa esittää jälkimmäiste avulla ja päivastoi. Eksplisiittiset lausekkeet voidaa ratkaista esim. seuraavalla tavalla, käyttäe hyväksi sarjakehitelmää Esiäki Toisaalta, l p(k = l p(k = l[1 ik x + ( ik l(1 + y = ( 1 y. ( ik x c = 1 ik x c + ( ik x c +. (1 x + ] = 1 ik x + ( 1 Vertaamalla kehitelmissä (1 ja ( esiityviä k :ie kertoimia, saadaa x c = x x c = x x x 3 c = x 3 3 x x + x 3 x 4 c = x 4 4 x 3 x 3 x + 1 x x 6 x 4 ( ik x + ( ik x + +. ( ja ii edellee. Esimmäie yhtälö kertoo että 1. kumulatti o sama kui odotusarvo. Toie yhtälö o taas keties tuttu kaava variassille:. kumulatti o siis jakauma variassi, σ x. 3. ja 4. kumulatti tuetaa imillä vious (skewess ja huipukkuus tai kurtoosi (curtosis/kurtosis. Yhtälöt käätämällä saadaa ilmaistua mometit kumulattie avulla: x = x x = x c + x c x 3 = x 3 c + 3 x c x c + x 3 c x 4 = x 4 c + 4 x 3 c x c + 3 x c + 6 x c x c + x 4 c 5

je. Yo. relaatiot ovat itse asiassa pohjaa edistyeemmä statistise kettäteoria ja kvattikettäteoria kursseilla esiteltäville diagrammitekiikoille. Mm. kvattikettäteoria s. Wicki teoreema o periaatteeltaa sama. Aihe meee hiema Fymm IIb: perustavoitteide ohi, mutta käydää tätä hiema lisää läpi sillä ajatuksella että myöhemmillä kursseilla saatat palata takaisi tähä moisteesee kertaamaa mistä aikaaa puhuttii. Momettie johtamie kumulattie avulla meee samaa tapaa kui päivastaieki lasku, vertaamalla Taylor-sarjoje k -termie kertoimia. Toisaalta p(k = ( ik x. (3 Toisaalta taas p(k = e l p(k ( ik = exp[ x c ] = exp[ ( ik x c ], (4 eli ekspoettifuktioide ääretö tulo. Kehittämällä jokaie ekspoettifuktio Taylorsarjaksi, ( exp[ ( ik x ( ik p x c c ] =, (5 p! saadaa p(k = p p ( ik p p! ( x p c. (6 Seuraavaksi pitää järjestää termit uudellee sarjaksi k: kasvavia potesseja. Tätä varte tarvitsemme hiema lisää kombiatoriikkaa. Aiemmalla lueolla esiityyt biomikaava voidaa yleistää multiomikaavaksi, (x 1 + x + + x m = k = joka o kirjoitettu tiivistetyllä otaatiolla käyttäe multi-ideksejä. Yllä: ja kerroi ( k x k, (7 k (k 1, k,..., k m (8 x k x k 1 x k x km, (9 ( ( k k 1, k,, k m k 1!k! k m! o biomikertoime yleistys, s. multiomikerroi. Aiemmi opimme että biomikerroi ataa kombiaatiot, ts. eri tavat valita erilaisesta alkiosta k kappaletta. Voimme myös ajatella että lajittelemme alkiot kahtee laatikkoo, toisee k kappaletta, toisee loput k, biomikerroi ataa eri tavat lajitella alkiot. Samaa tapaa multiomikerroi kertoo eri tavat lajitella 6 (10

alkiot m:ää eri laatikkoo, site että 1. laatikkoo tulee k 1 kappaletta je, site että k k 1 + k + k m =. Merkitä k = myös selittää multiomikaava rajoitetu summa. Huom: yo. otaatiolla siis tuttu biomikerroi o ( k = ( k, k. (11 Erityisesti mometti-kumulatti kaavaa varte otamme lajitteluesimerki. Kuika moella tavalla m alkiota voidaa lajitella laatikoihi site että laatikoita joissa o palloa o p kappaletta? Selvästiki vaaditaa että p = m. Nyt multiomikerroi ataa ( m = 1,, 1,,,,,,, (1! p 1 (! p ( p. Mutta, koska p k laatikkoa joissa kussaki o k palloa ovat keskeää idettisiä, yo lukumäärä täytyy jakaa eri tavalla järjestää kuki p k laatikkoa, eli saadaa p 1!(1! p 1 p!(! p p!( p = 1 p k!(k! p k k=1 eri tapaa lajitella pallot laatikoihi kysytyllä tavalla. Palataa takaisi mometti-kumulatti kaavaa ( ik m x m = m=0 p ( ik p p! ( x p c. (1 Vertaamalla termie ( ik m kertoimia molemmilla puolilla saadaa relaatio x m = 1 p p!( x. (13 p Rajoitettu summamerkitä tarkoittaa tässä että summa o rajoitettu kaikkii tapoihi valita, p site että p = m, eli erilaisii tapoihi lajitella m palloa laatikoihi site palloa sisältäviä laatikoita o p kappaletta. + 7