Mat Sovellettu todennäköisyyslasku A

Samankaltaiset tiedostot
Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

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

EX1 EX 2 EX =

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

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

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

Ilkka Mellin (2008) 1/5

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:

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

4. Todennäköisyyslaskennan kertausta

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut

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

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

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

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Moniulotteisia todennäköisyysjakaumia

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

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

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat

Osa 2: Otokset, otosjakaumat ja estimointi

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

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

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

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

8. laskuharjoituskierros, vko 11, ratkaisut

Ehdollinen todennäköisyys

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet

S Laskennallinen systeemibiologia

Luento 7 Luotettavuus Koherentit järjestelmät

Luento 6 Luotettavuus Koherentit järjestelmät

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

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

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

6.1 Riippumattomat satunnaismuuttujat

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

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

3. Teoriaharjoitukset

j = I A = 108 A m 2. (1) u kg m m 3, (2) v =

MATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai

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

DEE Sähkömagneettisten järjestelmien lämmönsiirto

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

1 Eksponenttifunktion määritelmä

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

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

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

Markov-ketjun hetkittäinen käyttäytyminen

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Osa 2: Otokset, otosjakaumat ja estimointi

Matematiikan tukikurssi

Johdatus tn-laskentaan perjantai

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

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

Moniulotteiset satunnaismuuttujat ja jakaumat

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

Matematiikan tukikurssi. Kertausta 1. välikokeeseen. Tehtävät

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

Sovellettu todennäköisyyslaskenta B

tilavuudessa dr dk hetkellä t olevien elektronien

Tilastollinen päättömyys, kevät 2017 Harjoitus 6A

1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x

Tilastolliset luottamusvälit

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

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

Matematiikan tukikurssi

Solmu 3/ 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)

Satunnaismuuttujien muunnokset ja niiden jakaumat

Noora Nieminen. Hölderin epäyhtälö

Tehtävä 1. Riku Eskelinen DEMOVASTAUKSET Demokerta 3/ vk 15 Tilastomenetelmien peruskurssi TILP150 Tulostuspv Sivu 1/6

Todennäköisyyslaskenta: Todennäköisyysjakaumia

Mat Sovellettu todennäköisyyslasku A

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1

Mat Sovellettu todennäköisyyslasku A

Matematiikan tukikurssi

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

Harjoitus 4 Tehtävä 1

Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A

BM20A Integraalimuunnokset Harjoitus 8

MATEMATIIKAN JA TILASTOTIETEEN LAITOS

Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1

7. laskuharjoituskierros, vko 10, ratkaisut

3 10 ei ole rationaaliluku.

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Markov-ketjun hetkittäinen käyttäytyminen

Tilastolliset menetelmät: Tilastolliset testit

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

ja läpäisyaika lasketaan (esim) integraalilla (5.3.1), missä nyt reitti s on z-akselilla:

λ x = 0,100 nm, Eγ = 0,662 MeV, θ = 90. λ λ+ λ missä ave tarkoittaa aikakeskiarvoa.

Transkriptio:

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 esimerkki sekajakaumasta: Satuaismuuttuja tihesfuktio f() = c ( 5 ), < < 5. Satuaismuuttuja Y = g() määritellää asettamalla ku < g :,5, g = ku < < 3 3 ku 3 5 a) Määrää c. b) Määritä odotusarvo E(Y) määrittämällä esi Y: kertmäfuktio ja soveltamalla Laiise kirja teoreemaa 5.3. (jatkuvuus ei ole välttämätö ehto). c) Määritä odotusarvo E(Y) soveltamalla teoreemaa 5.4.. 5 a) c ( 5 ) d = c = 6 25 : kertmäfuktio o jatkuva: ku < 2 3 6 5 F = ku 5 25 2 3 ku 5 Y: jakauma o sekajakauma, jolla o diskreetti kompoetti: P(Y = ) = P( ) = F() = 3/25 P(Y = 3) = P(3 5) = P( 3) = F(3) = 44/25 ja jatkuva kompoetti, joka tihesfuktio saadaa : tihesfuktiosta välillä < < 3. Y: kertmäfuktio o: ku < F Y = F ku < 3 ku 3 (F Y o epäjatkuva pisteissä = ja = 3, joissa se "hppää". F Y o jatkuva välillä < < 3. Huomaa, että F Y o kaikkialla jatkuva oikealta, kute pitääki). b) Teoreema 5.3.: Olkoo satuaismuuttuja tihesfuktioa f (), jolle pätee f () = ku. <. Silloi E = P( > ) d = ( F ) d

3 E( Y) = ( F ) d = d + ( F ) d + d Y 3 3 3 2 2 3 56 24 d 2.28 25 25 25 25 = + + + = + = c) Teoreema 5.4.: Olkoo satuaismuuttuja tihesfuktioa f () sekä H() kaikilla : + + arvoilla jatkuva fuktio, jolle H ( ) f ( ) d <. Silloi E[ H ] = H d. + 3 5 E( Y) = g d = d + d + 3 d = 2.28 3 2. Heitetää kahta virheetötä oppaa; olkoot silmäluvut ja Y. Tarkastellaa satuaismuuttujia U = + Y ja V = Y. a) Ovatko U ja V riippumattomia? b) Määritä U: ja V: välie korrelaatiokerroi ρ UV. a) U ja V eivät ole riippumattomia. Esimerkiksi ehdolla V = U: ehdollie jakauma o diskreetti tasaie jakauma, joka arvojoukko o {2, 4, 6, 8,, 2}, mutta ehdolla V = 5 (eli saadaa silmäluvut ja 6 tai 6 ja ) U o vakio eli P(U = 7 V = 5) =. b) U: ja V: hteisjakauma smmetriasta seuraa, että ρ UV =. Tämä voidaa mös laskea. (U, V): hteisjakauma pistetodeäköissfuktio reuajakaumiee (missä q = /36, todeäköiss saada tiett silmälukupari, ja thjissä ruuduissa todeäköiss o ): U 2 3 4 5 6 7 8 9 2 V q q q q q q 6q 2q 2q 2q 2q 2q q 2 2q 2q 2q 2q 8q 3 2q 2q 2q 6q 4 2q 2q 4q 5 2q 2q q 2q 3q 4q 5q 6q 5q 4q 3q 2q q Tauluko ali rivi o U: reuajakauma pistetodeäköissfuktio P(U = u) ja viimeie sarake o V: reuajakauma pistetodeäköissfuktio P(V = v). Reuajakaumie pistetodeäköissfuktioista saadaa U: ja V: odotusarvot: E(U) = 2 q + 3 2q + 4 3q + 5 4q + + 2q + 2 q = 7 E(V) = 6q + q + 2 8q + 3 6q + 4 4q + 5 2q = 7/36 Yhteisjakauma pistetodeäköissfuktiosta saadaa odotusarvo E(UV): E(UV) = q(2 + 4 + + 2 ) + 2q(3 + 5 + 7 + + 7 5) = 49/36

Kovariassi: Cov(U, V) = E(UV) E(U) E(V) = Cov ( UV, ) Korrelaatiokerroi: ρ UV = = Var( U) Var( V) Riippumattomuudesta seuraa aia korreloimattomuus, mutta korreloimattomuudesta ei välttämättä seuraa riippumattomuutta. Korrelaatio o lieaarise riippuvuude mitta. 3. Moottori toimii moitteettomasti aja, joka o ekspoettijakautuut odotusarvoa puoli vuotta. Ku moottori vikaatuu, se tilalle aseetaa varamoottori, joka eliikä o ekspoettijakautuut odotusarvoa 4 kuukautta. Eliiät ovat toisistaa riippumattomia. a) Millä todeäköisdellä varamoottori toimii kauemmi kui varsiaie? b) Millä todeäköisdellä järjestelmä toimii aiaki vuode (tarkoittaa siis aikaa varsiaise moottori kättööottamisesta aia varamoottori vikaatumisee)? c) Mikä o koko järjestelmä keskimääräie eliikä? Päämoottori eliikä = ~ Ep(2) Varamoottori eliikä = Y ~ Ep(3) (aikaksikköä vuosi) Koska ja Y ovat riippumattomia, o (, Y): hteisjakauma tihesfuktio 2 3 f (, ) = = 2e 3 e,, Y Y f d d e e d d e e d a) 3 2 P, 3 2 3 3 ( 2 < = = = ) 3 3 5 3 2 e e 5 5 5 = = + + = b) P( + Y ) = P( + Y < ) = P( Y < ) = f (, ) d d 2 3 2 3 ( ) 2 3 = 2e 3e d d 2e ( e ) d 2e d 2e e d = + = 2 3 2 3 = ( e 2e ( e ) ) = 3e 2e.364 5 c) E( + Y) = E + E ( Y) = + = (eli kuukautta) 2 3 6

4. Oletetaa, että : elektroise kompoeti eliiät, 2,..., ovat riippumattomia ja ekspoettijakautueita parametrilla λ. Määrää sellaise ssteemi eliiä jakauma ja keskimääräie eliikä, jossa kompoetit o ktkett a) sarjaa, b) ria. a) Olkoo V sarjaaktket ssteemi eliikä (esim. joulukuuse valot ovat usei sarjaaktkettjä). Huomaa, että V = mi{, 2,..., }, koska ssteemi toimii, kues. kompoetti vikaatuu. Site: F () v = P( V v) = P( V > v) = P ( > v ja > v ja ja > v) V = P( > v) P( > v) P( > v) = 2 ( F () v ) 2 Tässä o johdettu leie lauseke samoi jakautueide satuaismuuttujie miimi jakaumalle. Ekspoettijakauma kertmäfuktio o: F = ep ( λ), jote miimimuuttuja V jakauma o F () v = P( V v) = ( F () v ) = + ep( λv) = ep λv. V Ssteemi eliikä oudattaa siis ekspoettijakaumaa parametrilla λ. Yhde kompoeti keskimääräie eliikä o E() = /λ ja sarjaaktket ssteemi keskimääräie eliikä o E(V) = /λ. b) Olkoo U riaktket ssteemi eliikä. Huomaa, että U = ma{, 2,..., }, koska ssteemi toimii, kues kaikki kompoettia ovat vikaatueet. Site: F ( u) = P( U u) = P ( u ja u ja ja u) U = P( u) P( u) P( u) = F u 2 2 Tämä o leie lauseke samoi jakautueide satuaismuuttujie maksimi jakaumalle. F u = P U u = F u = ep( λu) U Merkitää (i) = "i: kompoeti eliikä". Ekspoettijakauma uohtamisomiaisuude vuoksi ssteemi eliikä voidaa kirjoittaa muotoo: E( U) = E( ma {, 2,, } ) = E( mi{ ( i) }) = + + + λ 2 i= Tässä hödettii a)-kohdassa johdettua kompoettie eliiä miimi odotusarvoa. Uohtamisomiaisuude vuoksi voidaa ajatella, että esi kaikki kompoettia toimivat sama ekspoettijakautuee aja (miimimuuttuja parametrilla λ). Esimmäise hajottua loput kompoettia toimivat jällee ekspoettijakautuee aja (miimimuuttuja parametrilla ( )λ). Je, kues jäljellä o vai ehjä kompoetti, joka toimii ekspoettijakautuee aja parametrilla λ.

5. Satuaismuuttujie ja Y hteisjakauma tihesfuktio o f (, ) = ce alueessa < < ja muualla. a) Määritä vakio c. b) Määritä : ja Y: reuajakaumie tihesfuktiot sekä ehdolliste jakaumie tihesfuktiot (ts. : jakauma tihesfuktio Y =, ku ja vastaavasti Y: jakauma tihesfuktio =, ku ). c) Määritä E(Y = ) (Y: regressiokärä : suhtee) ja Var(Y = ) kaikilla >. d) Määritä korrelaatiokerroi ρ Y. Merkitää A = {(, ) < < }. a) e dd e d d 2 e d 2 [ e ] e d = = = = 2[ e ] = 2 A jote c = /2 (ratkaisussa kätettii osittaisitegroitia). b) : reuajakauma tihesfuktio: = f (, ) d = e d = e d = e 2 2 Y: reuajakauma tihesfuktio: ku >. fy = f (, ) d = e d [ e ] e 2 = =, ku. 2 2 : ehdollise jakauma tihesfuktio ehdolla Y = : f, 2 e + Y = = = = e, ku < <. Ts. : ehdollie jakauma ehdolla Y = fy 2 e o Ep()-jakauma siirrettä : verra positiivise -akseli suutaa. Y: ehdollise jakauma tihesfuktio ehdolla = : f, 2 e fy = = = =, ku < < ja >. Ts. Y: ehdollie jakauma ehdolla e 2 = o Tas(, ), ku >. c) b)-kohda ojalla E(Y = ) = E[Tas(, )] = ja + 2 2 3 2 Var(Y = ) = ( E ( Y = ) ) fy = d = d = = 2 2 3 3 + d) E Y = 2 e dd 2 e d = d = (koska sisempi itegraali o olla) ja A E(Y) = (Y: reuajakauma tihesfuktio o origo suhtee smmetrie). Y: reuajakauma odotusarvo voi mös laskea itegroimalla: + + + + E( Y) = e d e d e d e d e d 2 = 2 + = + 2 2 2 + + = e d e d 2 + 2

Molempie itegraalie sisällä o ekspoettijakauma tihesfuktio parametrilla λ =, jote itegraalit tuetusti suppeevat ja Y: odotusarvoksi tulee. Cov(, Y) = E(Y) E()E(Y) =, jote ρ Y =. Pistetehtävä. Olkoo satuaismuuttujie ja Y hteisjakauma tihesfuktio f (, ) = c +, < < 2, < < 4 ja muualla, c o sopiva vakio. a) Määritä : ja Y: reuajakaumie tihesfuktiot. b) Määritä : ehdollie tihesfuktio ehdolla Y = 3 sekä leisesti ehdolla Y = (, 4). Esi pitää ratkaista vakio c, jote itegroidaa tihesfuktio koko määrittelaluee li. 2 2 2 2 d + 2 = + = + ja edellee: 2 4 2 4 2 + d = [ 2 + 4 ] =, jote c =. a) Edellisestä saadaa Y: reuajakauma tihesfuktio: 2 fy = 2 +, < < 4 : reuajakauma tihesfuktio: 4 4 = d [ 2 ] ( 2 3 ), 2 + = + = + < < b) : tihesfuktio ehdolla Y = 3: f (,3) + 3 + 3 Y = 3 = = =, < < 2 f ( 3) 2 Y 2 3 2 2 + + 3 Huomaa, että imittäjä skaalaa fuktio f(, 3) tihesfuktioksi (pita-ala o ). : ehdollie tihesfuktio leisessä tapauksessa: + f (, ) + Y = = = =, < < 2, < < 4 fy 2 2 + 2 2 +

Pistetehtävä 2. Olkoot ja Y Bi(2,.75)-jakautueita ja riippumattomia. Olkoo Z = ma{, Y} (eli suurempi satuaismuuttujista ja Y). Määritä korrelaatiokerroi ρ Z ja samalla E(Z) ja Var(Z). : jakauma pistetodeäköissfuktio saadaa biomijakaumasta = 2, p =.75: P( = ) = /6, P( = ) = 6/6, P( = 2) = 9/6. Y: jakauma o idettie. (, Z): hteisjakauma pistetodeäköissfuktio (merkitää q = /256, missä 256 = 6 2 ): Z 2 q 6q 9q 6q 42q 54q 96q 2 44q 44q q 48q 27q Tauluko ali rivi o Z: reuajakauma pistetodeäköissfuktio P(Z = z) ja viimeie sarake o : reuajakauma pistetodeäköissfuktio P( = ). Esimerkiksi 42q o todeäköiss P( =, Z = ) = P( = )P(Y = ) + P( = )P(Y = ) = 6/6 /6 + 6/6 6/6 = 42/256 = 42q Reuajakaumie pistetodeäköissfuktioista saadaa odotusarvot ja toiset mometit: E() = 6q + 96q + 2 44q = 384q = 384/256 =.5 (= p) E( 2 ) = 2 6q + 2 96q + 2 2 44q = 672q = 672/256 = 2.625 Var() = E( 2 ) [E()] 2 =.375 (= p( p)) E(Z) = q + 48q + 2 27q = 462q = 462/256 =.846875 E(Z 2 ) = 2 q + 2 48q + 2 2 27q = 876q = 876/256 = 3.42875 Var(Z) = E(Z 2 ) [E(Z)] 2 = 876/256 (462/256) 2.65 Yhteisjakauma pistetodeäköissfuktiosta saadaa: E(Z) = q( ) + 6q( ) + 9q( 2) + 42q( ) + 54q( 2) + 44q(2 2) = 726q = 726/256 = 2.8359375 Cov(Z) = E(Z) E()E(Z).289 Cov ( Z, ) ρ Z =.583 Var Var( Z)

. välikoe o maaataia 3. klo 2-5 (tehtäväpapereide jakamisee meee joki aikaa, mutta koe pritää aloittamaa mahdollisimma pia klo 2 jälkee). Välikokeesee ilmoittautumie WebTopilla o PAKOLLISTA tiistaihi 28. meessä. Ota kokeesee mukaa: kirjoitusvälieet, opiskelijakortti tai hekilöllisstodistus, laski (ei rajoituksia, mutta muisti tät thjetää) sekä kaavakokoelma. HUOM! Kireästä korjausaikataulusta johtue kokee 4 tehtävää tät palauttaa jokaie omalla koseptiarkillaa. Tästä tulee opiskelijoille hiema eemmä vaivaa, mutta vastaavasti korjaamie opeutuu ja tulokset saadaa valmiiksi ee välikokee uusitapäivää (7.). Koseptiarkit jaetaa talo puolesta. Perjataia 3. lueolla kerrataa välikoealuee asioita. Toivomuksia kertauslueolla käsiteltävistä aiheista voi lähettää sähköpostilla osoitteesee mat29@cc.hut.fi. Koealue päivitetää kurssi kotisivulle lähiaikoia.