11. Virheen arvioin-

Samankaltaiset tiedostot
9. Tilasto+eteen eri/äin alkeelliset alkeet ja virheen arvioin+

8. Tilasto/eteen alkeet ja virheen arvioin/

Jatkuva ja diskreeb jakauma. Histogrammi. 9. Tilasto/eteen eri3äin alkeelliset alkeet ja virheen arvioin/ 3/21/13

8. Monen muu*ujan funk/on differen/aalilaskenta

8. Monen muu*ujan funk/on differen/aalilaskenta

7. Monen muu/ujan funk4on differen4aalilaskenta

S Laskennallinen systeemibiologia

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

Ch 12-4&5 Elastisuudesta ja lujuudesta

LIITE 1 VIRHEEN ARVIOINNISTA

Lämpötila Lämpölaajeneminen Ideaalikaasu. Luku 17

MATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai

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

LIITE 1 VIRHEEN ARVIOINNISTA

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

LIITE 1 VIRHEEN ARVIOINNISTA

Insinöörimatematiikka D

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

Virhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.

Yhden selittäjän lineaarinen regressiomalli

Insinöörimatematiikka IA

Otantajakauman käyttö päättelyssä

4.3 Signaalin autokorrelaatio

Mat Tilastollisen analyysin perusteet, kevät 2007

Matematiikan tukikurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /

Insinöörimatematiikka D

Tehtäviä neliöiden ei-negatiivisuudesta

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

Tekijä Pitkä matematiikka Pisteen (x, y) etäisyys pisteestä (0, 2) on ( x 0) Pisteen (x, y) etäisyys x-akselista, eli suorasta y = 0 on y.

Matematiikan tukikurssi, kurssikerta 3

Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2017 Insinöörivalinnan matematiikan koe , Ratkaisut (Sarja A)

Vanhoja koetehtäviä. Analyyttinen geometria 2016

Tilastollinen todennäköisyys

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

y + 4y = 0 (1) λ = 0

(0 desimaalia, 2 merkitsevää numeroa).

Käy vastaamassa kyselyyn kurssin pedanet-sivulla (TÄRKEÄ ensi vuotta ajatellen) Kurssin suorittaminen ja arviointi: vähintään 50 tehtävää tehtynä

Lineaarinen toisen kertaluvun yhtälö

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

Thermodynamics is Two Laws and a Li2le Calculus

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

= 2 L L. f (x)dx. coshx dx = 1 L. sinhx nπ. sin. sin L + 2 L. a n. L 2 + n 2 cos. tehdään approksimoinnissa virhe, jota voidaan arvioida integraalin

Rekursioyhtälön ratkaisu ja anisogamia

4.7 Todennäköisyysjakaumia

Matematiikan tukikurssi

Osa 2: Otokset, otosjakaumat ja estimointi

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

Otantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä

Harjoitustehtävien ratkaisuja

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

BM20A Integraalimuunnokset Harjoitus 8

Yhtälön oikealla puolella on säteen neliö, joten r. = 5 eli r = ± 5. Koska säde on positiivinen, niin r = 5.

Mat Sovellettu todennäköisyyslasku A

Parametrien oppiminen

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

811312A Tietorakenteet ja algoritmit , Harjoitus 1 ratkaisu

Viivaintegraali: "Pac- Man" - tulkinta

Osi+aisintegroin3. Palautetaan mieleen tulon derivoimissääntö:

Kirjoitetaan FIR-suotimen differenssiyhtälö (= suodatuksen määrittelevä kaava):

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 10: Moninkertaisten integraalien sovelluksia

Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40

3. Differen*aalilaskenta

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 10: Moninkertaisten integraalien sovelluksia

TILASTOT: johdantoa ja käsitteitä

PHYS-A1110 Laboratoriotyöosuus. Vastaava opettaja Jani Sainio puh: huone 138 (OK 4A)

Funktion raja-arvo ja jatkuvuus Reaali- ja kompleksifunktiot

Matematiikan peruskurssi (MATY020) Harjoitus 10 to

9.7 Matriisinormit. Vaasan yliopiston julkaisuja 225. Ei siis lainkaan ongelmia defektiivisyydestä.

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

Aritmeettinen jono

Ratkaisu: Tutkitaan derivoituvuutta Cauchy-Riemannin yhtälöillä: f(x, y) = u(x, y) + iv(x, y) = 2x + ixy 2. 2 = 2xy xy = 1

Laskun vaiheet ja matemaattiset mallit

ln2, missä ν = 1mol. ja lopuksi kaasun saama lämpömäärä I pääsäännön perusteella.

Talousmatematiikan perusteet, ORMS1030

MS-C1340 Lineaarialgebra ja

Suoran yhtälöt. Suoran ratkaistu ja yleinen muoto: Suoran yhtälö ratkaistussa, eli eksplisiittisessä muodossa, on

Työ 55, Säteilysuojelu

2 u = 0. j=1. x 2 j=1. Siis funktio v saavuttaa suurimman arvonsa jossakin alueen Ω pisteessä x. Pisteessä x = x on 2 v. (x ) 0.

Eksimeerin muodostuminen

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

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

Luoki?elua: tavallinen vs osi?ais. Osa 11. Differen0aaliyhtälöt. Luoki?elua: kertaluku. Luoki?elua: lineaarisuus 4/13/13

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

Aineopintojen laboratoriotyöt 1. Veden ominaislämpökapasiteetti

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

2. Yhden muu+ujan funk0ot

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

Analyysi A. Harjoitustehtäviä lukuun 1 / kevät 2018

4 / 2013 TI-NSPIRE CAS TEKNOLOGIA LUKIOSSA. T3-kouluttajat: Olli Karkkulainen ja Markku Parkkonen

Laskun vaiheet ja matemaattiset mallit

Osa IX. Z muunnos. Johdanto Diskreetit funktiot

Fysiikan laboratoriotyöt 3 Sähkömotorinen voima

Differentiaali- ja integraalilaskenta

Kertaa tarvittaessa induktiota ja rekursiota koskevia tietoja.

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II

Transkriptio:

11. Virhee arvioi- = mi%austarkkude ja määritystarkkuude arvioi4. Erilaisia virheitä: 1. Karkeat virheet Huolima5omuudesta tai työvirheestä johtuva moka Usei huomaa äly5ömää tuloksea 2. Systemaa?set virheet Johtuu esim lai5eisto kalibroiista vääri; mi5a asteikko o väärä Vaiku5aa aia samaa suutaa, pystytää usei poistamaa 3. Satuaiset mi5ausvirheet Vaiku5aa "oikea tulokse" molemmilla puolilla Esim. silmä tai mi5alai5ee tarkkuus Ei voi kokoaa ehkäistä, mu5a suuruu5a voi arvioida

systemaa?e vs satuaie virhe

Tärkeitä määritelmiä Mi/aukse sisäie tarkkuus Mi5aus o sisäises- tarkka jos satuaiste mi5ausvirheide suuruus o piei Tulos voi sil- olla aiva väärä jos systemaa?e virhe o suuri! Mi/aukse ulkoie tarkkuus Mi5aus o ulkoises- tarkka jos se o "oikeas- oikei".

Virhee esi5ämie Absoluu6e virhe Esim: V = (5.4 ± 0.1) L Suhteellie virhe = absoluuttie virhe suuree arvo = 0.1L 5.4L 100% 1.9%

Esim: virheide vertaamie Titraustulokset olivat (5.4 ± 0.1) ml ja (108.6 ± 0.8) ml Kumpi mi5aus o tarkempi? Vastaus: riippuu tarkoitetaako absoluu6sta vai suhteellista virhe/ä. Absoluu?e virhe o suurempi jälkimmäiseässä mi5auksessa. Suhteellie virhe taas o pieempi jälkimmäisessä mi5auksessa: 0.1 ml 5.4 ml 100% 1.9% ja 0.8 ml 100% 0.74% 108.6 ml

Mi5austuloste virherajat Riippuvat siitä suoritetaako mi5aus kerra vai toistokokeea. Jos mi/aus suoritetaa kerra: Mi5ari, silmä tms. lukematarkkuus määrää tarkkuude Esim. pui5u massa (12.2 ± 0.2) g Moissa lai5eissa tai laboratorioas-oissa o kerro5u tarkkuus.

Mi5austuloste virherajat Jos mi/aus suoritetaa moee kertaa Huom: oletuksea e5ä toistokerrat ovat toisistaa riippuma5omia; esim. -traus, seku-kello käy5ö Mi5aukse arvo saadaa keskiarvoa: x = N x i N Mi5aukse tarkkuus saadaa keskiarvo keskivirheeä: Δx = N (x i x ) 2 N(N -1)

Esim: NaOH liuokse pitoisuus selvitetää -traamalla se 0.001M HCl:llä. Titraustulokset ovat 5.21 ml, 5.32 ml ja 5.27 ml ku 100 ml NaOH äyte -trataa. Laske NaOH kosetraa-o. Ratkaisu: Mi5auste keskiarvo o V = Keskivirhe o NaOH kosetraa-o o Ja se virhe (5.21 ml + 5.32 ml+ 5.27 ml) 3 ΔV = (5.21 ml V )2 + (5.32 ml V ) 2 + (5.27 ml V ) 2 3 2 c = V 0.001M 100 ml ΔV 0.001M Δc = 100 ml Huom: tässä o olete5u e5ä HCl: kosetraa-o ja NaOH äy5ee määrä (100 ml) ovat tarkkoja.

Suora sovitukse virheet Suora sovituksessa etsitää vakiotermi ja kulmakerroi site e5ä mi5auspisteet sopivat mahdollisimma hyvi suoralle. Käytäössä mitatu ("todellise") ja lasketu arvo välillä o aia eroa. Tämä ero suuruude kertovat vakiotermi ja kulmakertoie stadardipoikkeamat ("virherajat"). Origi ohjelma, Mathema-ca, Matlab je (jopa jotkut taskulaskimet) atavat ämä stadardipoikkeamat. Kaavat löytyvät oppikirjoista, ei käydä läpi tässä.

Lasketu suuree virhe Mite mita5uje suureide virheet ja suora sovitukse virheet vaiku5avat laske5avaa olevaa suureesee? Lähtökohta: suure u u = u(x 1, x 2, x 3,..., x N ) x i :t toisistaa riippuma5omia x 1, x 2,..., x N ovat mi5austuloksia, suora parametrejä tai toistokokee keskiarvoia saatavia tuloksia (tjsp). Niide virheet ovat Δx 1, Δx 2,..., Δx N Tavoite o määritellä suuree u määritystarkkuus Δu.

1. Fuk-o maksimivirhe N Δu max = ( U x i ) MP 2. Fuk-o keskivirhe Δu keskivirhe = Δx i Osi5aisderivaa5a arvioidaa mi5auspisteessä N ( U 2 ) (Δx i ) 2 x i MP 3. Maksimi miimimeetelmä u max = arvo joka u saa ku jokaie virhelähde kasva5aa u:ta u mi = arvo joka u saa ku jokaie virhelähde pieetää u:ta Δu max-mi = u max - u mi 2

Esim: Tarkas- mita5u 0.1 mol ideaalikaasua suljetaa as-aa joka -lavuus o V = (4.0 ± 0.2) L, ja kaasu paieeksi mita?i p = (754.7 ± 0.2) torr. Laske kaasu lämpö-la. Ratkaisu: pv = RT T = pv = 484 K. R Arvioidaa seuraavaksi eri virheet. 1) T: maksimivirhe: ΔT max = 2 ( T ) MP Δx i x i = V,p x i = ( T V ) MP ΔV + ( T p ) MP Δp = p ΔV + V R MP R MP Δp

ΔT max = p ΔV + V Δp R MP R MP 100618.4 Pa = 0.1 mol 8.31451 J K -1 mol -1 2 10 4 m 3 0.004 m 3 + 0.1 mol 8.31451 J K -1 26.7 Pa = 24.3K -1 mol maksimivirhettä käyttäe saadaa siis T = (484 ± 24)K 2) T: keskivirhe ΔT keskivirhe = = 24.2 K ( T V ) 2 MP (ΔV) 2 + ( T p ) 2 (Δp) 2 MP Keskivirhettä käyttäe saadaa siis T = (484 ± 24) K

3) Maksimi miimikeio (p + Δp)(V + ΔV) T max = = 508.3996 K R (p - Δp)(V - ΔV) T mi = = 459.7366 K R ΔT max-mi = T max T mi 24K 2 Maksimi - miimikeio käyttäe saadaa siis T = (484 ± 24) K Tässä tapauksessa kaikki kolme keioa atoivat sama tulokse, mu5a äi ei aia ole.

Esim: Otetaa fuk-o ϒ joka riippuu 7 muu5ujasta seuraavas-: 26r 2 (g p g )t γ = 9 l (1+ 2.2x)(1.65y) Oletetaa: r mittaustarkkuus o Δr, g p mittaustarkkuus o Δg p g mittaustarkkuus o Δg, t mittaustarkkuus o Δt l mittaustarkkuus o Δl, x mittaustarkkuus o Δx y mittaustarkkuus o Δy Lasketaa virheraja maksimi miimikeiolla: γ max = 26(r + Δr)2 (g p + Δg p (g - Δg ))(t + Δt) 9 (l - Δl) (1+ 2.2(x - Δx))(1.65(y - Δy)) γ mi = 26(r - Δr)2 (g p Δg p (g + Δg ))(t - Δt) 9 (l + Δl) (1+ 2.2(x + Δx))(1.65(y + Δy)) Δγ = γ max γ mi 2

Pieimmä eliösumma sovitus = PNS sovitus (eglaiksi least squares fit). Tavoite: etsiä sovite5ava fuk-o parametrit jotka kuvaavat mi5ausaieistoa mahdollisimma hyvi. Esim: mi5ausaieisto {x i, y i }, eli o mita5y y: arvoja y i muu5uja x arvoilla x i. Sovitetaa fuk-oo y = a + bx ja yritetää löytää paras mahdollie a ja b. Mkä määrää "parhaa mahdollisimma" sovitukse?

Residuaalie eliöide summa Lähtökohtaa o residuaalie eliöide summa: mittauspisteet (a + bx i - y i ) 2 = (y i - a - bx i ) 2 mittauspisteet Residuaali eliöide summa miimi ataa parhaa mahdollise sovitukse. Yleises-: jos sovite5avassa fuk-ossa o N kpl parametrejä, miimoimistehtävää tulee N yhtälöä, joide avulla parametrie arvot ratkaistaa. Suora sovituksessa parametrejä o kaksi (a ja b), jote miimoimistehtävässä o kaksi yhtälöä.

Suora sovitus havaitoa {x i, y i } sovitetaa fuk-oo y = a + bx. Residuaali eliöide summa o: S = (y i - a - bx i ) 2 Huom: tässä yhteydessä a ja b ovat siis tutema5omia muu5ujia; mitatut y i ja x i taas tue5uja vakioita! Ja se miimissä: ds da = ds db = 2(y i - a - bx i) -1 = 0 2(y i - a - bx i) -x i = 0

Jaetaa molemmat yhtälöt 2:lla; saadaa yhtälöpari: (y i - a - bx i ) = 0 2 (y i x i - ax i - bx i ) = 0 Jaetaa molemmat yhtälöt :llä, saadaa: = = ( y i - a - b x i ) = 0 ( y ix i - a x i - b x 2 i ) = 0 y a bx = 0 yx - ax - bx 2 = 0 Huom! x : ja y : keskiarvot x i x = 1 lisäksi :, y = 1 y i a = a 1 = a = a

y a bx = 0 yx - ax - bx 2 = 0 x = y x ax b(x) 2 = 0 yx - ax - bx 2 = 0 Väheetää ylemmästä yhtälöstä puoli5ai alempi: y x ax b(x) 2 yx + ax + bx 2 = 0 y x yx - b(x) 2 + bx 2 = 0 b = yx - y x x 2 (x) 2 Ylemmästä yhtälöstä saadaa yt: a = y x b(x)2 x = y bx

Suora sovitus Origi ohjelmalla Työ vaiheet: 1. Muuta kemiaa kuvaava laki suora yhtälöksi. (Tämä kaa5aa tehdä jo ee harjoitusta -etokoeluokassa!) Esim: p = p 0 e Δ v H R ( 1 T 1 T o ) l(p) = l(p 0 ) - Δ v H R ( 1 T 1 T o ) l(p) = l(p 0 ) + Δ v H Δ v H RT 0 R 1 T y = a + bx

Suora sovitus Origi ohjelmalla 2. Kirjoita (ja tarvi/aessa laske) aetut arvot Origitaulukkoo T p 1/T l p............................................................

Suora sovitus Origi ohjelmalla 3. Piirrä pisteet koordiaamstoo. MieM äy/ääkö kuva järkevältä. Kuvaaja imi l (p) l(p) = 0.002 5.419(1/T) 1/T 4. Tee suora sovitus PNS meetelmällä 5. Viimeistele kuvaaja! Akselie imeämie Kuvaaja imeämie Liitä suora sovitukse Medot kuvaa