Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat
|
|
- Viljo Kokkonen
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat TKK (c) Ilkka Mellin (2006) 1
2 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset todennäköisyysjakaumat Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Kaksiulotteisten jakaumien odotusarvot ja varianssit Kovarianssi ja korrelaatio Ehdolliset jakaumat ja odotusarvot TKK (c) Ilkka Mellin (2006) 2
3 Kaksiulotteiset todennäköisyysjakaumat Satunnaistekijöiden väliset riippuvuudet Yhden satunnaismuuttujan todennäköisyysjakaumat kuvaavat useimpia satunnaisilmiötä vain rajoitetusti. Satunnaisilmiöihin liittyy tavallisesti useita satunnaisia tekijöitä, joiden väliset riippuvuudet ovat varsinaisen mielenkiinnon kohteina. Useiden satunnaisten tekijöiden välisten riippuvuuksien mallintaminen vaatii tekijöihin liittyvien satunnaismuuttujien yhteisjakauman tarkastelua. TKK (c) Ilkka Mellin (2006) 3
4 Kaksiulotteiset todennäköisyysjakaumat Esimerkkejä riippuvuustarkasteluista Miten työttömyysaste Suomessa (% työvoimasta) riippuu BKT:n kasvuvauhdista, viennin volyymista ja BKT:n kasvuvauhdista muissa EUmaissa ja USA:ssa? Miten alkoholin kokonaiskulutus (l per capita vuodessa) riippuu alkoholijuomien hintatasosta, käytettävissä olevista tuloista ja alkoholin saatavuudesta? Miten todennäköisyys sairastua keuhkosyöpään (p) riippuu tupakoinnin määrästä ja kestosta? Miten vehnän sato (t/ha) riippuu kesän keskilämpötilasta, sademäärästä, maan muokkaustavoista, lannoituksesta ja tuholaisten torjunnasta? TKK (c) Ilkka Mellin (2006) 4
5 Kaksiulotteiset todennäköisyysjakaumat Kaksiulotteiset satunnaismuuttujat Olkoot X ja Y satunnaismuuttujia, joiden otosavaruudet ovat R ja S. Tällöin X : S Y : R Olkoon R S otosavaruuksien R ja S karteesinen tulo: R S = ( r, s) r R, s S { } Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan: ( X, Y): S R 2 TKK (c) Ilkka Mellin (2006) 5
6 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset satunnaismuuttujat ja niiden jakaumat Olkoot X ja Y diskreettejä satunnaismuuttujia. Tällöin järjestetty pari (X, Y) määrittelee diskreetin kaksiulotteisen satunnaismuuttujan. Diskreetti kaksiulotteinen satunnaismuuttuja (X, Y) määrittelee diskreetin kaksiulotteisen todennäköisyysjakauman, jota kutsutaan satunnaismuuttujien X ja Y yhteisjakaumaksi. TKK (c) Ilkka Mellin (2006) 6
7 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: Pistetodennäköisyysfunktio Reaaliarvoinen funktio f XY : R määrittelee diskreettien satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktion, jos seuraavat ehdot pätevät: (1) f ( x, y) 0 kaikille x ja y XY 2 R (2) fxy ( xy, ) = 1 x y (3) Pr( X= xja Y= y) = f ( xy, ) XY TKK (c) Ilkka Mellin (2006) 7
8 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: Tapahtumien todennäköisyydet Olkoon fxy diskreettien satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktio. Olkoon A R jokin tapahtuma. Tällöin : R 2 2 R = Pr(( XY, ) A) f ( xy, ) ( x, y) A XY TKK (c) Ilkka Mellin (2006) 8
9 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: Symmetriset todennäköisyyskentät Olkoon (x i, y i ), i = 1, 2,, n erillisten tason pisteiden muodostama diskreetti pistejoukko. Määritellään diskreetin kaksiulotteisen jakauman pistetodennäköisyysfunktio kaavalla 1 fxy( xi, yi) = Pr( X = xi ja Y = yi) =, i= 1,2,..., n n Tällöin satunnaismuuttuja (X, Y) määrittelee symmetrisen todennäköisyyskentän, jossa kaikki alkeistapahtumat (x i, y i ), i = 1, 2,, n ovat yhtä todennäköisiä. TKK (c) Ilkka Mellin (2006) 9
10 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 1. esimerkki nopanheitosta 1/6 Heitetään virheetöntä noppaa kaksi kertaa. Määritellään satunnaismuuttujat X ja Y: X = tulos (silmäluku) 1. heitosta Y = tulos (silmäluku) 2. heitosta Voimme olettaa, että 2. heiton tulos on riippumaton 1. heiton tuloksesta (ja kääntäen). Satunnaismuuttujien X ja Y mahdolliset arvot: X: {1, 2, 3, 4, 5, 6} Y: {1, 2, 3, 4, 5, 6} Muodostetaan satunnaismuuttujien X ja Y yhteisjakauma. TKK (c) Ilkka Mellin (2006) 10
11 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 1. esimerkki nopanheitosta 2/6 Kahden nopanheiton tulosvaihtoehdot voidaan esittää seuraavana taulukkona: Tulos 1. nopanheitosta Mahdolliset tulokset 2. nopanheitosta Siten satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee diskreetin kaksiulotteisen satunnaismuuttujan, jonka arvoina on 36 lukuparia (x, y) ; x = 1, 2, 3, 4, 5, 6 ; y = 1, 2, 3, 4, 5, 6 TKK (c) Ilkka Mellin (2006) 11
12 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 1. esimerkki nopanheitosta 3/6 Koska noppa oletettiin virheettömäksi ja heittojen tulokset oletettiin riippumattomiksi, on luontevaa ajatella, että kahden nopanheiton tulosten muodostamat 36 tulosvaihtoehtoa (x, y) ; x = 1, 2, 3, 4, 5, 6 ; y = 1, 2, 3, 4, 5, 6 ovat yhtä todennäköisiä. Tällöin satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktio saa positiiviset arvot kun fxy ( x, y) = Pr( X = x, Y = y) = Pr( X = x)pr( Y = y) = = x = 1, 2, 3, 4, 5, 6 y = 1, 2, 3, 4, 5, 6 TKK (c) Ilkka Mellin (2006) 12
13 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 1. esimerkki nopanheitosta 4/6 Satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktio 1 fxy ( x, y) = Pr( X = x ja Y = y) = 36 x= 1, 2,3,4,5,6 ; y = 1, 2,3,4,5,6 voidaan esittää seuraavana taulukkona: 2. heiton silmäluku y 6 1/36 1/36 1/36 1/36 1/36 1/36 5 1/36 1/36 1/36 1/36 1/36 1/36 4 1/36 1/36 1/36 1/36 1/36 1/36 3 1/36 1/36 1/36 1/36 1/36 1/36 2 1/36 1/36 1/36 1/36 1/36 1/36 1 1/36 1/36 1/36 1/36 1/36 1/ heiton silmäluku x TKK (c) Ilkka Mellin (2006) 13
14 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 1. esimerkki nopanheitosta 5/6 Heitetään virheetöntä noppaa kaksi kertaa: X = tulos 1. heitosta Y = tulos 2. heitosta Kuva oikealla esittää satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktiota. Kuvassa on 36 pylvästä, joista jokaisen korkeus 1/ x y TKK (c) Ilkka Mellin (2006) 14
15 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 1. esimerkki nopanheitosta 6/6 Heitetään virheetöntä noppaa kaksi kertaa: X = tulos 1. heitosta Y = tulos 2. heitosta Kuva oikealla havainnollistaa satunnaismuuttujien X ja Y yhteisjakaumaa. Kuvassa on 36 pistettä, joista jokaisen todennäköisyys on 1/ heitto heitto TKK (c) Ilkka Mellin (2006) 15
16 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 2. esimerkki nopanheitosta 1/9 Heitetään virheetöntä noppaa kaksi kertaa. Määritellään satunnaismuuttujat X, Y ja Z: X = tulos (silmäluku) 1. heitosta Y = tulos (silmäluku) 2. heitosta Z = X + Y = silmälukujen summa Voimme olettaa, että 2. heiton tulos on riippumaton 1. heiton tuloksesta (ja kääntäen). Satunnaismuuttujien X, Y ja Z mahdolliset arvot: X: {1, 2, 3, 4, 5, 6} Y: {1, 2, 3, 4, 5, 6} Z: {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} Määrätään satunnaismuuttujien X ja Z yhteisjakauma. TKK (c) Ilkka Mellin (2006) 16
17 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 2. esimerkki nopanheitosta 2/9 Muodostetaan ensin summamuuttujan Z = X + Y jakauma. Muodostetaan sitä varten aputaulukko, joka esittää kaikkia mahdollisia tapoja, joilla nopanheittojen silmälukujen summa Z = X + Y voi syntyä: 2. heiton silmäluku y Silmälukujen summat z = x + y heiton silmäluku x TKK (c) Ilkka Mellin (2006) 17
18 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 2. esimerkki nopanheitosta 3/9 Aputaulukosta voidaan suoraan lukea 1. ja 2. nopanheiton silmälukujen summan Z = X + Y todennäköisyysjakauma: I Silmälukujen summat z = x + y ja niiden todennäköisyydet /36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 Esimerkki: Summa 5 voi syntyä kahden nopanheiton tuloksena 4:llä eri tavalla: 5 = = = = joten todennäköisyys saada summaksi 5 on 4/36. TKK (c) Ilkka Mellin (2006) 18
19 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 2. esimerkki nopanheitosta 4/9 1. nopanheiton tulos ja 1. ja 2. nopanheiton tulosten kaikki mahdolliset summat voidaan esittää seuraavana taulukkona: Tulos 1. nopanheitosta Mahdolliset summat 1. ja 2. nopanheiton tuloksista Siten satunnaismuuttujien X ja Z = X + Y järjestetty pari (X, Z) määrittelee diskreetin kaksiulotteisen satunnaismuuttujan, jonka arvoina on 66 lukuparia (x, z) ; x = 1, 2, 3, 4, 5, 6 ; z = 2, 3, 4, 5, 6, 7, 8, 10, 11, 12 TKK (c) Ilkka Mellin (2006) 19
20 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 2. esimerkki nopanheitosta 5/9 Koska noppa oletettiin virheettömäksi ja heittojen tulokset oletettiin riippumattomiksi, on luontevaa ajatella, että 1. heiton tulos ja 1. ja 2. heiton tulosten mahdollisten summien muodostamat 36 tulosvaihtoehtoa (x, z) ; x = 1, 2, 3, 4, 5, 6 ; z = x + y ; y = 1, 2, 3, 4, 5, 6 ovat yhtä todennäköisiä. Tällöin satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktion saa positiiviset arvot kun 1 fxz ( x, z) = Pr( X = z ja Z = z) = 36 x = 1, 2, 3, 4, 5, 6 z = x + y y = 1, 2, 3, 4, 5, 6 TKK (c) Ilkka Mellin (2006) 20
21 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 2. esimerkki nopanheitosta 6/9 Satunnaismuuttujien X ja Z = X + Y yhteisjakauman pistetodennäköisyysfunktio voidaan esittää seuraavana taulukkona: Silmälukujen summa z / /36 1/ /36 1/36 1/ /36 1/36 1/36 1/ /36 1/36 1/36 1/36 1/36 7 1/36 1/36 1/36 1/36 1/36 1/36 6 1/36 1/36 1/36 1/36 1/ /36 1/36 1/36 1/ /36 1/36 1/ /36 1/ / nopan silmäluku x TKK (c) Ilkka Mellin (2006) 21
22 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 2. esimerkki nopanheitosta 7/9 Esimerkkejä: (i) (ii) (iii) (iv) Oletetaan, että 1. nopalla on saatu 2. Tällöin silmälukujen summaksi ei voi tulla 10, joten Pr(X = 1 ja Z = 10) = 0 Oletetaan, että 1. nopalla on saatu 6. Tällöin silmälukujen summaksi ei voi tulla 3, joten Pr(X = 6 ja Z = 3) = 0 Oletetaan, että 1. nopalla on saatu 2. Tällöin silmälukujen summaksi voi tulla 3, 4, 5, 6, 7 tai 8, joten Pr(X = 1 ja Z = z) = 1/36 ; z = 3, 4, 5, 6, 7, 8 Oletetaan, että 1. nopalla on saatu 6. Tällöin silmälukujen summaksi voi tulla 7, 8, 9, 10, 11 tai 12, joten Pr(X = 6 ja Z = z) = 1/36 ; z = 7, 8, 9, 10, 11, 12 TKK (c) Ilkka Mellin (2006) 22
23 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 2. esimerkki nopanheitosta 8/9 Heitetään virheetöntä noppaa kaksi kertaa: X = tulos 1. heitosta Y = tulos 2. heitosta Z = X + Y Kuva oikealla esittää satunnaismuuttujien X ja Z yhteisjakauman pistetodennäköisyysfunktiota. Kuvassa on 36 pylvästä, joista jokaisen korkeus on 1/ x z TKK (c) Ilkka Mellin (2006) 23
24 Kaksiulotteiset todennäköisyysjakaumat Diskreetit kaksiulotteiset jakaumat: 2. esimerkki nopanheitosta 9/9 Heitetään virheetöntä noppaa kaksi kertaa: X = tulos 1. heitosta Y = tulos 2. heitosta Z = X + Y Kuva oikealla havainnollistaa satunnaismuuttujien X ja Z yhteisjakaumaa. Kuvassa on 36 pistettä, joista jokaisen todennäköisyys on 1/36. Heittotulosten summa heitto TKK (c) Ilkka Mellin (2006) 24
25 Kaksiulotteiset todennäköisyysjakaumat Jatkuvat kaksiulotteiset satunnaismuuttujat ja niiden jakaumat Olkoot X ja Y jatkuvia satunnaismuuttujia. Tällöin järjestetty pari (X, Y) määrittelee jatkuvan kaksiulotteisen satunnaismuuttujan. Kaksiulotteinen jatkuva satunnaismuuttuja (X, Y) määrittelee jatkuvan kaksiulotteisen todennäköisyysjakauman, jota kutsutaan satunnaismuuttujien X ja Y yhteisjakaumaksi. TKK (c) Ilkka Mellin (2006) 25
26 Kaksiulotteiset todennäköisyysjakaumat Jatkuvat kaksiulotteiset jakaumat: Tiheysfunktio Reaaliarvoinen jatkuva funktio f XY : R määrittelee jatkuvien satunnaismuuttujien X ja Y yhteisjakauman tiheysfunktion, jos seuraavat ehdot pätevät: (1) f ( x, y) 0 kaikille x ja y XY R (2) f ( x, y) dydx = 1 XY (3) Pr( a X b ja c Y d) = f XY ( x, y) dydx bd ac TKK (c) Ilkka Mellin (2006) 26
27 Kaksiulotteiset todennäköisyysjakaumat Kaksinkertaiset integraalit: Integrointijärjestys Huomautus: Käytämme kaksinkertaisten integraalien yhteydessä seuraavaa sopimusta integrointijärjestyksestä: b d b d f XY ( x, y) dydx = f XY ( x, y) dy dx a c a c TKK (c) Ilkka Mellin (2006) 27
28 Kaksiulotteiset todennäköisyysjakaumat Jatkuvat kaksiulotteiset jakaumat: Tapahtumien todennäköisyydet Olkoon fxy jatkuvien satunnaismuuttujien X ja Y yhteisjakauman tiheysfunktio. Olkoon A R jokin tapahtuma. Tällöin : R 2 2 R = Pr(( X, Y ) A) f ( x, y) dydx A XY TKK (c) Ilkka Mellin (2006) 28
29 Kaksiulotteiset todennäköisyysjakaumat Kaksiulotteisten jakaumien kertymäfunktiot Olkoon (X, Y) satunnaismuuttujien X ja Y muodostama järjestetty pari. Satunnaismuuttujien X ja Y yhteisjakauman kertymäfunktio F XY määritellään kaavalla: F ( x, y) = Pr( X x ja Y y) XY TKK (c) Ilkka Mellin (2006) 29
30 Kaksiulotteiset todennäköisyysjakaumat Diskreettien kaksiulotteisten jakaumien kertymäfunktiot Olkoon (X, Y) diskreetti kaksiulotteinen satunnaismuuttuja. Olkoon {x 1, x 2, x 3, } satunnaismuuttujan X tulosvaihtoehtojen eli arvojen joukko. Olkoon {y 1, y 2, y 3, } satunnaismuuttujan Y tulosvaihtoehtojen eli arvojen joukko. Diskreetin kaksiulotteisen jakauman kertymäfunktio on F ( x, y) = Pr( X x ja Y y) XY = x x y y i i f ( x, y ) XY i i jossa f XY satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktio. TKK (c) Ilkka Mellin (2006) 30
31 Kaksiulotteiset todennäköisyysjakaumat Jatkuvien kaksiulotteisten jakaumien kertymäfunktiot Olkoon (X, Y) jatkuva kaksiulotteinen satunnaismuuttuja. Jatkuvan kaksiulotteisen jakauman kertymäfunktio on F ( x, y) = Pr( X x ja Y y) XY x y = f XY ( u, v) dvdu jossa f XY satunnaismuuttujien X ja Y yhteisjakauman tiheysfunktio. TKK (c) Ilkka Mellin (2006) 31
32 Kaksiulotteiset todennäköisyysjakaumat Jatkuvan kaksiulotteisen jakauman tiheysfunktion ja kertymäfunktion yhteys Olkoon (X, Y) jatkuva kaksiulotteinen satunnaismuuttuja. Olkoon F XY (x, y) satunnaismuuttujien X ja Y yhteisjakauman kertymäfunktio. Jos derivaatta 2 FXY ( xy, ) xy = f XY ( xy, ) on olemassa ja on jatkuva, funktio f XY (x, y) on satunnaismuuttujien X ja Y yhteisjakauman tiheysfunktio. TKK (c) Ilkka Mellin (2006) 32
33 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat Kaksiulotteiset todennäköisyysjakaumat >> Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Kaksiulotteisten jakaumien odotusarvot ja varianssit Kovarianssi ja korrelaatio Ehdolliset jakaumat ja odotusarvot TKK (c) Ilkka Mellin (2006) 33
34 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Diskreetin kaksiulotteisen jakauman reunajakaumat Olkoon f XY (x, y) diskreetin kaksiulotteisen jakauman pistetodennäköisyysfunktio. Satunnaismuuttujan X reunajakauman pistetodennäköisyysfunktio on fx ( x) = Pr( X= x) = fxy ( xy, ) Satunnaismuuttujan Y reunajakauman pistetodennäköisyysfunktio on fy ( y) = Pr( Y= y) = fxy ( xy, ) Satunnaismuuttujien X ja Y reunajakaumat yhtyvät satunnaismuuttujien X ja Y todennäköisyysjakaumiin. x y TKK (c) Ilkka Mellin (2006) 34
35 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Diskreetin 2 ulotteisen jakauman reunajakaumat: 1. esimerkki nopanheitosta 1/5 Heitetään virheetöntä noppaa kaksi kertaa. Määritellään satunnaismuuttujat X ja Y: X = tulos (silmäluku) 1. heitosta Y = tulos (silmäluku) 2. heitosta Satunnaismuuttujien X ja Y mahdolliset arvot: X: {1, 2, 3, 4, 5, 6} Y: {1, 2, 3, 4, 5, 6} Määrätään satunnaismuuttujien X ja Y reunajakaumat. TKK (c) Ilkka Mellin (2006) 35
36 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Diskreetin 2 ulotteisen jakauman reunajakaumat: 1. esimerkki nopanheitosta 2/5 Satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktio: Pr(X = x ja Y = y) = f XY (x, y) ; x = 1, 2,, 6 ; y = 1, 2,, 6 2. heiton silmäluku y 1. heiton silmäluku x /36 1/36 1/36 1/36 1/36 1/36 5 1/36 1/36 1/36 1/36 1/36 1/36 4 1/36 1/36 1/36 1/36 1/36 1/36 3 1/36 1/36 1/36 1/36 1/36 1/36 2 1/36 1/36 1/36 1/36 1/36 1/36 1 1/36 1/36 1/36 1/36 1/36 1/36 TKK (c) Ilkka Mellin (2006) 36
37 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Diskreetin 2 ulotteisen jakauman reunajakaumat: 1. esimerkki nopanheitosta 3/5 Satunnaismuuttujien X ja Y reunajakaumien pistetodennäköisyysfunktiot saadaan määräämällä yhteisjakauman todennäköisyydet antavassa taulukossa rivi ja sarakesummat. Satunnaismuuttujan X reunajakauman pistetodennäköisyysfunktio on fx ( x) = Pr( X = x) = fxy ( x, y) = 6 = ; x= 1,2,3,4,5,6 y= koska 1 fxy ( x, y) = ; x= 1,2,3,4,5,6; y = 1,2,3,4,5,6 36 Satunnaismuuttujan Y reunajakauman pistetodennäköisyysfunktio on fy ( y) = Pr( Y = y) = fxy ( x, y) = 6 = ; y = 1,2,3,4,5,6 x= koska 1 fxy ( x, y) = ; x= 1,2,3,4,5,6; y = 1,2,3,4,5,6 36 TKK (c) Ilkka Mellin (2006) 37
38 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Diskreetin 2 ulotteisen jakauman reunajakaumat: 1. esimerkki nopanheitosta 4/5 Satunnaismuuttujien X ja Y yhteisjakauman ja reunajakaumien pistetodennäköisyysfunktiot: 2. heiton silmäluku y 1. heiton silmäluku x Yht 6 1/36 1/36 1/36 1/36 1/36 1/36 1/6 5 1/36 1/36 1/36 1/36 1/36 1/36 1/6 4 1/36 1/36 1/36 1/36 1/36 1/36 1/6 3 1/36 1/36 1/36 1/36 1/36 1/36 1/6 2 1/36 1/36 1/36 1/36 1/36 1/36 1/6 1 1/36 1/36 1/36 1/36 1/36 1/36 1/6 Yht 1/6 1/6 1/6 1/6 1/6 1/6 1 TKK (c) Ilkka Mellin (2006) 38
39 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Diskreetin 2 ulotteisen jakauman reunajakaumat: 1. esimerkki nopanheitosta 5/ heiton tuloksen jakauma 2. heiton tuloksen jakauma Kuvat yllä esittävät satunnaismuuttujien X ja Y reunajakaumien pistetodennäköisyysfunktioita: X = tulos 1. heitosta Y = tulos 2. heitosta TKK (c) Ilkka Mellin (2006) 39
40 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Diskreetin 2 ulotteisen jakauman reunajakaumat: 2. esimerkki nopanheitosta 1/5 Heitetään virheetöntä noppaa kaksi kertaa. Määritellään satunnaismuuttujat X, Y ja Z seuraavasti: X = tulos (silmäluku) 1. heitosta Y = tulos (silmäluku) 2. heitosta Z = X + Y = silmälukujen summa Satunnaismuuttujien X, Y ja Z mahdolliset arvot: X: {1, 2, 3, 4, 5, 6} Y: {1, 2, 3, 4, 5, 6} Z: {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} Määrätään satunnaismuuttujien X ja Z reunajakaumat. TKK (c) Ilkka Mellin (2006) 40
41 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Diskreetin 2 ulotteisen jakauman reunajakaumat: 2. esimerkki nopanheitosta 2/5 Satunnaismuuttujien X ja Z yhteisjakauman pistetodennäköisyysfunktio: Silmälukujen summa z Pr(X = x ja Z = z) = f XZ (x, z) ; x = 1, 2,, 6 ; z = 2, 3,, nopan silmäluku x / /36 1/ /36 1/36 1/ /36 1/36 1/36 1/ /36 1/36 1/36 1/36 1/36 7 1/36 1/36 1/36 1/36 1/36 1/36 6 1/36 1/36 1/36 1/36 1/ /36 1/36 1/36 1/ /36 1/36 1/ /36 1/ / TKK (c) Ilkka Mellin (2006) 41
42 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Diskreetin 2 ulotteisen jakauman reunajakaumat: 2. esimerkki nopanheitosta 3/5 Satunnaismuuttujien X ja Y reunajakaumien pistetodennäköisyysfunktiot saadaan määräämällä yhteisjakauman todennäköisyydet antavassa taulukossa rivi ja sarakesummat. Esimerkkejä: (i) (ii) Satunnaismuuttujan X reunajakauman pistetodennäköisyys, kun X = 4: 12 f (4) = f (4, z) X z= 1 XZ = = Satunnaismuuttujan Z reunajakauman pistetodennäköisyys, kun Z = 10: fz (10) = fxz ( x,10) = = x= 1 TKK (c) Ilkka Mellin (2006) 42
43 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Diskreetin 2 ulotteisen jakauman reunajakaumat: 2. esimerkki nopanheitosta 4/5 Satunnaismuuttujien X ja Z = X + Y yhteisjakauma ja reunajakaumat: Silmälukujen summa z 1. nopan silmäluku x Yht /36 1/ /36 1/36 2/ /36 1/36 1/36 3/ /36 1/36 1/36 1/36 4/ /36 1/36 1/36 1/36 1/36 5/36 7 1/36 1/36 1/36 1/36 1/36 1/36 6/36 6 1/36 1/36 1/36 1/36 1/36 0 5/36 5 1/36 1/36 1/36 1/ /36 4 1/36 1/36 1/ /36 3 1/36 1/ /36 2 1/ /36 Yht 1/6 1/6 1/6 1/6 1/6 1/6 1 TKK (c) Ilkka Mellin (2006) 43
44 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Diskreetin 2 ulotteisen jakauman reunajakaumat: 2. esimerkki nopanheitosta 5/ heiton tuloksen jakauma Heittotuloksien summan jakauma Kuvat yllä esittävät satunnaismuuttujien X ja Z reunajakaumien pistetodennäköisyysfunktioita: X = tulos 1. heitosta Y = tulos 2. heitosta Z = X + Y = heittotulosten summa TKK (c) Ilkka Mellin (2006) 44
45 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Jatkuvan kaksiulotteisen jakauman reunajakaumat Olkoon f XY (x, y) jatkuvan kaksiulotteisen jakauman tiheysfunktio. Satunnaismuuttujan X reunajakauman tiheysfunktio on + f X ( x) = f XY ( x, y) dy Satunnaismuuttujan Y reunajakauman tiheysfunktio on + fy ( y) = f XY ( x, y) dx Satunnaismuuttujien X ja Y reunajakaumat yhtyvät satunnaismuuttujien X ja Y todennäköisyysjakaumiin. TKK (c) Ilkka Mellin (2006) 45
46 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Satunnaismuuttujien riippumattomuus 1/2 Oletukset: (i) Olkoon satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyys tai tiheysfunktio f XY (x, y). (ii) Olkoon satunnaismuuttujan X reunajakauman pistetodennäköisyys tai tiheysfunktio f X (x). Olkoon satunnaismuuttujan Y reunajakauman pistetodennäköisyys tai tiheysfunktio f Y (y). Määritelmä 1: Satunnaismuuttujat X ja Y ovat riippumattomia, jos ja vain, jos f XY (x, y) = f X (x)f Y (y) TKK (c) Ilkka Mellin (2006) 46
47 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Satunnaismuuttujien riippumattomuus 2/2 Oletukset: (i) Olkoon satunnaismuuttujien X ja Y yhteisjakauman kertymäfunktio F XY (x, y). (ii) Olkoon satunnaismuuttujan X reunajakauman kertymäfunktio F X (x). Olkoon satunnaismuuttujan Y reunajakauman kertymäfunktio F Y (y). Määritelmä 2: Satunnaismuuttujat X ja Y ovat riippumattomia, jos ja vain, jos F XY (x, y) = F X (x)f Y (y) TKK (c) Ilkka Mellin (2006) 47
48 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Satunnaismuuttujien riippumattomuus: Yleistys 1/2 Oletukset: (i) Olkoon satunnaismuuttujien X i, i = 1, 2,, p yhteisjakauman pistetodennäköisyys tai tiheysfunktio f(x 1, x 2,, x p ) (ii) Olkoot satunnaismuuttujien X i, i = 1, 2,, p reunajakaumien pistetodennäköisyys tai tiheysfunktiot f(x i ), i = 1, 2,, p. Määritelmä 1: Satunnaismuuttujat X i, i = 1, 2,, p ovat riippumattomia, jos ja vain, jos f(x 1, x 2,, x p ) = f(x 1 )f(x 2 ) f(x p ) TKK (c) Ilkka Mellin (2006) 48
49 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Satunnaismuuttujien riippumattomuus: Yleistys 2/2 Oletukset: (i) Olkoon satunnaismuuttujien X i, i = 1, 2,, p yhteisjakauman kertymäfunktio F(x 1, x 2,, x p ) (ii) Olkoot satunnaismuuttujien X i, i = 1, 2,, p reunajakaumien kertymäfunktiot F(x i ), i = 1, 2,, p. Määritelmä 2: Satunnaismuuttujat X i, i = 1, 2,, p ovat riippumattomia, jos ja vain, jos F(x 1, x 2,, x p ) = F(x 1 )F(x 2 ) F(x p ) TKK (c) Ilkka Mellin (2006) 49
50 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Satunnaismuuttujien riippumattomuus ja tapahtumien riippumattomuus Olkoot satunnaismuuttujat X ja Y riippumattomia. Tällöin Huomautus: Pr( a X b ja c Y d) = Pr( a X b)pr( c Y d) Vrt. riippumattomien tapahtumien tulosääntö: Pr(A B) = Pr(A)Pr(B) TKK (c) Ilkka Mellin (2006) 50
51 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Satunnaismuuttujien riippumattomuus ja tapahtumien riippumattomuus: Perustelu Olkoot satunnaismuuttujat X ja Y jatkuvia ja riippumattomia. Pr( a X b ja c Y d) = f ( x, y) dydx = = f ( x) f ( y) dydx f ( x) f ( y) dydx = f ( x)pr( c Y d) dx = Pr( c Y d) f ( x) dx = Pr( c Y d) Pr( a X b) TKK (c) Ilkka Mellin (2006) 51 bd a c bd a c b a b a X X XY X d c Y Y b a X
52 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Satunnaismuuttujien riippumattomuus: 1. esimerkki nopanheitosta Heitetään virheetöntä noppaa kaksi kertaa: X = tulos (silmäluku) 1. heitosta Y = tulos (silmäluku) 2. heitosta Tarkastellaan satunnaismuuttujien X ja Y yhteisjakaumaa: 1 Pr( X = x ja Y = y) = = 6 6 = Pr( X = x)pr( Y = y) x= 1,2,3,4,5,6 ; y = 1,2,3,4,5,6 Siten satunnaismuuttujat X ja Y ovat riippumattomia. TKK (c) Ilkka Mellin (2006) 52
53 Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Satunnaismuuttujien riippumattomuus: 2. esimerkki nopanheitosta Heitetään virheetöntä noppaa kaksi kertaa: X = tulos (silmäluku) 1. heitosta Y = tulos (silmäluku) 2. heitosta Z = X + Y = silmälukujen summa Tarkastellaan satunnaismuuttujien X ja Z yhteisjakaumaa. Esimerkiksi: 1 5 Pr( X = 1 ja Z = 8) = 0 = Pr( X = 1)Pr( Z = 8) 6 36 Siten satunnaismuuttujat X ja Z eivät ole riippumattomia. TKK (c) Ilkka Mellin (2006) 53
54 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat Kaksiulotteiset todennäköisyysjakaumat Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus >> Kaksiulotteisten jakaumien odotusarvot ja varianssit Kovarianssi ja korrelaatio Ehdolliset jakaumat ja odotusarvot TKK (c) Ilkka Mellin (2006) 54
55 Kaksiulotteisten jakaumien odotusarvot ja varianssit Diskreetin kaksiulotteisen satunnaismuuttujan funktion yleinen odotusarvo Olkoon satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktio f XY (x, y). Olkoon g : jatkuva funktio. 2 Tällöin satunnaismuuttujan g(x, Y) odotusarvo on vakio = E( gxy (, )) gxyf (, ) ( xy, ) x y XY TKK (c) Ilkka Mellin (2006) 55
56 Kaksiulotteisten jakaumien odotusarvot ja varianssit Jatkuvan kaksiulotteisen satunnaismuuttujan funktion yleinen odotusarvo Olkoon satunnaismuuttujien X ja Y yhteisjakauman tiheysfunktio f XY (x, y). Olkoon g : jatkuva funktio. 2 Tällöin satunnaismuuttujan g(x, Y) odotusarvo on vakio + + E( g( X, Y )) g( x, y) f ( x, y) dydx = XY TKK (c) Ilkka Mellin (2006) 56
57 Kaksiulotteisten jakaumien odotusarvot ja varianssit Reunajakaumien odotusarvot: Diskreetit jakaumat 1/2 Olkoon diskreettien satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktio f XY (x, y). Satunnaismuuttujan X odotusarvo E(X) = µ X yhtyy satunnaismuuttujan X reunajakauman odotusarvoon: E( X) = xf ( xy, ) = x f ( xy, ) = XY x y x y x xf X ( x) XY TKK (c) Ilkka Mellin (2006) 57
58 Kaksiulotteisten jakaumien odotusarvot ja varianssit Reunajakaumien odotusarvot: Diskreetit jakaumat 2/2 Olkoon diskreettien satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktio f XY (x, y). Satunnaismuuttujan Y odotusarvo E(Y) = µ Y yhtyy satunnaismuuttujan Y reunajakauman odotusarvoon: E( Y) = yf ( xy, ) = y f ( xy, ) = XY x y y x y yf Y ( y) XY TKK (c) Ilkka Mellin (2006) 58
59 Kaksiulotteisten jakaumien odotusarvot ja varianssit Reunajakaumien odotusarvot: Jatkuvat jakaumat 1/2 Olkoon jatkuvien satunnaismuuttujien X ja Y yhteisjakauman tiheysfunktio f XY (x, y). Satunnaismuuttujan X odotusarvo E(X) = µ X yhtyy satunnaismuuttujan X reunajakauman odotusarvoon: E( X ) = xf ( x, y) dydx = x f ( x, y) dydx = XY + xf X ( x) dx XY TKK (c) Ilkka Mellin (2006) 59
60 Kaksiulotteisten jakaumien odotusarvot ja varianssit Reunajakaumien odotusarvot: Jatkuvat jakaumat 2/2 Olkoon jatkuvien satunnaismuuttujien X ja Y yhteisjakauman tiheysfunktio f XY (x, y). Satunnaismuuttujan Y odotusarvo E(Y) = µ Y yhtyy satunnaismuuttujan Y reunajakauman odotusarvoon: E( Y) = yf ( x, y) dydx = y f ( x, y) dxdy = XY + yf Y ( y) dy XY TKK (c) Ilkka Mellin (2006) 60
61 Kaksiulotteisten jakaumien odotusarvot ja varianssit Odotusarvot ja todennäköisyysmassan painopiste Olkoot satunnaismuuttujien X ja Y odotusarvot E( X) = µ E( Y) = µ X Tällöin kaksiulotteisen satunnaismuuttujan (X, Y) odotusarvo on järjestetty pari (E( X),E( Y )) = ( µ, µ ) X Satunnaismuuttujien X ja Y odotusarvojen muodostama järjestetty pari (µ X, µ Y ) määrää satunnaismuuttujien X ja Y yhteisjakauman todennäköisyysmassan painopisteen. Y Y TKK (c) Ilkka Mellin (2006) 61
62 Kaksiulotteisten jakaumien odotusarvot ja varianssit Summan ja erotuksen odotusarvot Satunnaismuuttujien X ja Y summan X + Y odotusarvo: Satunnaismuuttujien X ja Y erotuksen X Y odotusarvo: Huomautus: E( X + Y) = E( X) + E( Y) E( X Y) = E( X) E( Y) Satunnaismuuttujien summan ja erotuksen odotusarvojen kaavat on esitetty ilman perustelua luvussa Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2006) 62
63 Kaksiulotteisten jakaumien odotusarvot ja varianssit Summan ja erotuksen odotusarvot: Perustelu 1/2 Esitetään satunnaismuuttujien summan odotusarvoa koskevan tuloksen perustelu kahden jatkuvan satunnaismuuttujan tapauksessa. Olkoot satunnaismuuttujien X ja Y yhteisjakauman tiheysfunktio f XY (x, y) ja X:n ja Y:n reunajakaumien tiheysfunktiot vastaavasti f X (x) ja f Y (y) TKK (c) Ilkka Mellin (2006) 63
64 Kaksiulotteisten jakaumien odotusarvot ja varianssit Summan ja erotuksen odotusarvot: Perustelu 2/2 + + Tällöin E( X ± Y ) = ( x ± y) f ( x, y) dydx + + [ (, ) (, )] XY = xf ( x, y) dydx ± yf ( x, y) dydx XY = x f ( x, y) dydx ± y f ( x, y) dxdy = xf ( x) dx ± yf ( y) dy = E( X ) ± E( Y) XY = xf x y ± yf x y dydx XY XY X Y XY XY TKK (c) Ilkka Mellin (2006) 64
65 Kaksiulotteisten jakaumien odotusarvot ja varianssit Lineaarikombinaation odotusarvo Olkoot satunnaismuuttujien X i, i = 1, 2,, k odotusarvot E( X ) = µ, i = 1,2, K, k ja olkoot a i, i = 1, 2,, k vakioita. Tällöin satunnaismuuttujien X i, i = 1, 2,, k lineaarikombinaation Y= ax+ ax + L+ ax odotusarvo on i i k k E( Y) = E( ax+ ax + L+ ax) = a E( X ) + a E( X ) + L+ a E( X ) = aµ + a µ + L+ a µ k k k k k k TKK (c) Ilkka Mellin (2006) 65
66 Kaksiulotteisten jakaumien odotusarvot ja varianssit Riippumattomuus ja tulon odotusarvo Olkoot satunnaismuuttujien X ja Y odotusarvot E( X) = µ X E( Y) = µ Y Jos satunnaismuuttujat X ja Y ovat riippumattomia, niin tulon XY odotusarvo on odotusarvojen tulo: E( XY) = E( X)E( Y) = µ Xµ Y Huomautus: Käänteinen ei päde: Siitä, että E(XY) = E(X)E(Y) ei seuraa, että satunnaismuuttujat X ja Y ovat riippumattomia. TKK (c) Ilkka Mellin (2006) 66
67 Kaksiulotteisten jakaumien odotusarvot ja varianssit Riippumattomuus ja tulon odotusarvo: Perustelu 1/2 Esitetään riippumattomien satunnaismuuttujien tulon odotusarvoa koskevan tuloksen perustelu kahden jatkuvan satunnaismuuttujan tapauksessa. Olkoot satunnaismuuttujien X ja Y yhteisjakauman tiheysfunktio f XY (x, y) ja X:n ja Y:n reunajakaumien tiheysfunktiot vastaavasti f X (x) ja f Y (y) Olkoot satunnaismuuttujat X ja Y riippumattomia, jolloin f XY (x, y) = f X (x) f Y (y) TKK (c) Ilkka Mellin (2006) 67
68 Kaksiulotteisten jakaumien odotusarvot ja varianssit Riippumattomuus ja tulon odotusarvo: Perustelu 2/2 Tällöin E( XY ) = xyf ( x, y) dydx = = = XY xyf ( x) f ( y) dydx X xf ( x) yf ( y) dydx X Y Y xf ( x)e( Y ) dx X + = E( Y ) xf ( x) dx X = E( Y)E( X) TKK (c) Ilkka Mellin (2006) 68
69 Kaksiulotteisten jakaumien odotusarvot ja varianssit Riippumattomuus ja tulon odotusarvo: Yleistys Olkoot satunnaismuuttujien X i, i = 1, 2,, k odotusarvot E( X ) = µ, i = 1,2, K, k Jos satunnaismuuttujat X i, i = 1, 2,, k ovat riippumattomia, niin Huomautus: i i E( X X LX ) = E( X ) E( X ) LE( X ) 1 2 k 1 2 = µ µ Lµ 1 2 Käänteinen ei päde: Siitä, että E( X X LX ) = E( X ) E( X ) LE( X ) 1 2 k 1 2 ei seuraa, että satunnaismuuttujat X i, i = 1, 2,, k ovat riippumattomia. k k k TKK (c) Ilkka Mellin (2006) 69
70 Kaksiulotteisten jakaumien odotusarvot ja varianssit Reunajakaumien varianssit Olkoot satunnaismuuttujien X ja Y odotusarvot E( X) = µ X E( Y) = µ Y Satunnaismuuttujien X ja Y varianssit yhtyvät vastaavien reunajakaumien variansseihin: Var( X) = D ( X) = σ 2 2 X = 2 E[( X µ X)] Var( Y) = D ( Y) = σ 2 2 Y = Y 2 E[( µ Y)] TKK (c) Ilkka Mellin (2006) 70
71 Kaksiulotteisten jakaumien odotusarvot ja varianssit Varianssi vaihtelun mittana Satunnaismuuttujan X varianssi Var(X) kuvaa satunnaismuuttujan X todennäköisyysjakauman todennäköisyysmassan vaihtelua satunnaismuuttujan X oman odotusarvon E(X) ympärillä. Satunnaismuuttujan Y varianssi Var(Y) kuvaa satunnaismuuttujan Y todennäköisyysjakauman todennäköisyysmassan vaihtelua satunnaismuuttujan Y oman odotusarvon E(Y) ympärillä. TKK (c) Ilkka Mellin (2006) 71
72 Kaksiulotteisten jakaumien odotusarvot ja varianssit Reunajakaumien varianssit: Diskreetit jakaumat Olkoon diskreettien satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktio f XY (x, y) ja vastaavien reunajakaumien pistetodennäköisyyfunktiot f X (x) ja f Y (y). Tällöin satunnaismuuttujien X ja Y varianssit ovat vakioita 2 2 D ( X) = ( x µ ) f ( x) x 2 2 D ( Y) = ( y µ Y) fy( y) jossa y µ = E( X) µ X Y = E( Y) X X TKK (c) Ilkka Mellin (2006) 72
73 Kaksiulotteisten jakaumien odotusarvot ja varianssit Reunajakaumien varianssit: Jatkuvat jakaumat Olkoon jatkuvien satunnaismuuttujien X ja Y yhteisjakauman tiheysfunktio f XY (x, y) ja vastaavien reunajakaumien tiheysfunktiot f X (x) ja f Y (y). Tällöin satunnaismuuttujien X ja Y varianssit ovat vakioita jossa µ D ( ) = ( µ X) X( ) X x f x dx D ( ) = ( µ Y) Y( ) µ X Y Y y f y dy = E( X) = E( Y) TKK (c) Ilkka Mellin (2006) 73
74 Kaksiulotteisten jakaumien odotusarvot ja varianssit Varianssien vaihtoehtoiset laskukaavat Satunnaismuuttujien X ja Y varianssien kaavat voidaan kirjoittaa seuraaviin yhtäpitäviin muotoihin: 2 2 D( X) = E[( X µ X)] = E( X ) µ 2 2 X = E( X ) [E( X)] D( Y) = E[( Y µ Y)] = E( Y ) µ 2 2 Y = E( Y ) [E( Y)] 2 2 TKK (c) Ilkka Mellin (2006) 74
75 Kaksiulotteisten jakaumien odotusarvot ja varianssit Varianssien vaihtoehtoiset laskukaavat: Perustelu Esitetään varianssin vaihtoehtoisen laskukaavan perustelu satunnaismuuttujalle X: 2 2 D( X) = E[( X µ X)] = E[ X 2 µ XX µ X] = X µ X + µ 2 2 E( ) E(2 X ) E( X) = E( X ) 2µ E( X) + µ 2 2 X X = E( X ) 2µ µ + µ = E( X ) µ 2 2 X X X 2 2 X TKK (c) Ilkka Mellin (2006) 75
76 Kaksiulotteisten jakaumien odotusarvot ja varianssit Reunajakaumien standardipoikkeamat Olkoot satunnaismuuttujien X ja Y odotusarvot E( X) = µ X E( Y) = µ Y Satunnaismuuttujien X ja Y standardipoikkeamat yhtyvät vastaavien reunajakaumien standardipoikkeamiin: D( X) = σ D ( Y) = σ X = 2 E[( X µ X)] Y = Y 2 E[( µ Y)] TKK (c) Ilkka Mellin (2006) 76
77 Kaksiulotteisten jakaumien odotusarvot ja varianssit Standardipoikkeama vaihtelun mittana Satunnaismuuttujan X standardipoikkeama D(X) kuvaa satunnaismuuttujan X todennäköisyysjakauman todennäköisyysmassan vaihtelua satunnaismuuttujan X oman odotusarvon E(X) ympärillä. Satunnaismuuttujan Y standardipoikkeama D(Y) kuvaa satunnaismuuttujan Y todennäköisyysjakauman todennäköisyysmassan vaihtelua satunnaismuuttujan Y oman odotusarvon E(Y) ympärillä. TKK (c) Ilkka Mellin (2006) 77
78 Kaksiulotteisten jakaumien odotusarvot ja varianssit Odotusarvo, varianssi ja standardipoikkeama: Suureiden dimensio eli laatu Satunnaismuuttujalla sekä sen odotusarvolla ja standardipoikkeamalla on aina sama dimensio eli laatu. Esimerkki: Jos satunnaismuuttujan laatuna on m (metri), niin myös niiden odotusarvon ja standardipoikkeaman laatuna on m. Satunnaismuuttujan ja sen varianssilla ei ole sama dimensio eli laatu. Esimerkki: Jos satunnaismuuttujan laatuna on m (metri), niin sen varianssin laatuna on m 2. TKK (c) Ilkka Mellin (2006) 78
79 Kaksiulotteisten jakaumien odotusarvot ja varianssit Odotusarvot ja standardipoikkeamat: 1. esimerkki nopanheitosta Heitetään virheetöntä noppaa kaksi kertaa: X = tulos (silmäluku) 1. heitosta Y = tulos (silmäluku) 2. heitosta Tarkastellaan satunnaismuuttujien X ja Y yhteisjakaumaa. Odotusarvot, varianssit ja standardipoikkeamat: E( X) = xpr( X = x) = x= = 3.5 = E( Y) 6 6 x= 1 x= E( X ) = x Pr( X = x) = x = = E( Y ) 6 6 x= 1 x= D ( X) = E( X ) [E( X)] = = = = D ( Y) D( X) = = = D( Y) TKK (c) Ilkka Mellin (2006) 79
80 Kaksiulotteisten jakaumien odotusarvot ja varianssit Odotusarvot ja standardipoikkeamat: 2. esimerkki nopanheitosta 1/2 Heitetään virheetöntä noppaa kaksi kertaa: X = tulos (silmäluku) 1. heitosta Y = tulos (silmäluku) 2. heitosta Z = X + Y = silmälukujen summa Tarkastellaan satunnaismuuttujien X ja Z yhteisjakaumaa. Odotusarvot ja 2. momentit: 6 21 E( X) = xpr( X = x) = = 3.5 = E( Y) x= E( Z) = zpr( Z = z) = = 7 36 z= E( X ) = x Pr( X = x) = = E( X ) x= E( Z ) = z Pr( Z = z) = z= 1 36 TKK (c) Ilkka Mellin (2006) 80
81 Kaksiulotteisten jakaumien odotusarvot ja varianssit Odotusarvot ja standardipoikkeamat: 2. esimerkki nopanheitosta 2/2 Varianssit ja standardipoikkeamat : D( X) = E( X ) [E( X)] = = 2.917= D( Y) 12 D( X) = = = D( Y) D ( Z) = E( Z ) [E( Z)] = = D( Z) = = TKK (c) Ilkka Mellin (2006) 81
82 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat Kaksiulotteiset todennäköisyysjakaumat Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Kaksiulotteisten jakaumien odotusarvot ja varianssit >> Kovarianssi ja korrelaatio Ehdolliset jakaumat ja odotusarvot TKK (c) Ilkka Mellin (2006) 82
83 Kovarianssi ja korrelaatio Kovarianssi Olkoot satunnaismuuttujien X ja Y odotusarvot E( X) = µ X E( Y) = µ Y Satunnaismuuttujien X ja Y kovarianssi on vakio Cov( XY, ) = E[( X µ X)( Y µ Y)] Satunnaismuuttujien X ja Y kovarianssi Cov(X, Y) = σ XY kuvaa satunnaismuuttujien X ja Y yhteisjakauman todennäköisyysmassan yhteisvaihtelua satunnaismuuttujien X ja Y odotusarvojen E(X) ja E(Y) määräämän pisteen (E(X), E(Y)) ympärillä. TKK (c) Ilkka Mellin (2006) 83
84 Kovarianssi ja korrelaatio Kovarianssi: Diskreetit jakaumat Olkoon diskreettien satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyysfunktio f XY (x, y). Tällöin satunnaismuuttujien X ja Y kovarianssi on vakio jossa Cov( XY, ) = ( x µ )( y µ ) f ( xy, ) µ µ X Y = E( X) = E( Y) x y X Y XY TKK (c) Ilkka Mellin (2006) 84
85 Kovarianssi ja korrelaatio Kovarianssi: Jatkuvat jakaumat Olkoon jatkuvien satunnaismuuttujien X ja Y yhteisjakauman tiheysfunktio f XY (x, y). Tällöin satunnaismuuttujien X ja Y kovarianssi on vakio jossa + + Cov( X, Y ) = ( x µ )( y µ ) f ( x, y) dxdy µ µ X Y = E( X) = E( Y) X Y XY TKK (c) Ilkka Mellin (2006) 85
86 Kovarianssi ja korrelaatio Kovarianssi: Vaihtoehtoinen laskukaava Satunnaismuuttujien X ja Y kovarianssin kaava voidaan kirjoittaa seuraaviin yhtäpitäviin muotoihin: Cov( X, Y) = E[( X µ )( Y µ )] Huomautus: = E( XY ) µ µ = E( XY) E( X)E( Y) X Vrt. kovarianssin vaihtoehtoista laskukaavaa varianssin vaihtoehtoisiin laskukaavoihin. X Y Y TKK (c) Ilkka Mellin (2006) 86
87 Kovarianssi ja korrelaatio Kovarianssin vaihtoehtoinen laskukaava: Perustelu Esitetään satunnaismuuttujien kovarianssin vaihtoehtoisen laskukaavan perustelu: Cov( X, Y) = E[( X µ )( Y µ )] X = E[ XY µ Y µ X + µ µ ] = E( XY) E( µ Y) E( µ X) + E( µ µ ) = E( XY) µ E( Y) µ E( X) + µ µ = E( XY ) µ µ µ µ + µ µ = E( XY ) µ µ Y X Y X Y X Y X Y X Y X Y X Y Y X X Y X Y TKK (c) Ilkka Mellin (2006) 87
88 Kovarianssi ja korrelaatio Kovarianssi ja varianssit Satunnaismuuttujien kovarianssit itsensä kanssa yhtyvät satunnaismuuttujien variansseihin: Cov( X, X) = E[( X µ )( X µ )] = Var( X) = σ 2 X Cov( Y, Y) = E[( Y µ )( Y µ )] = Var( Y) = σ 2 Y Y X Y X TKK (c) Ilkka Mellin (2006) 88
89 Kovarianssi ja korrelaatio Odotusarvot, varianssit ja kovarianssi sekä lineaarimuunnokset 1/2 Olkoot satunnaismuuttujien X ja Y odotusarvot, varianssit ja kovarianssi: Olkoot E( X) = µ Var( X) = σ E( Y) = µ Var( Y) = σ Cov( X, Y) = E[( X µ )( Y µ )] = σ W = a + bx Z = c + dy X Y jossa a, b, c, d Ρovat reaalisia vakioita. 2 X 2 Y X Y XY TKK (c) Ilkka Mellin (2006) 89
90 Kovarianssi ja korrelaatio Odotusarvot, varianssit ja kovarianssi sekä lineaarimuunnokset 2/2 Tällöin pätevät seuraavat kaavat: E( W) = a+ be( X) = a+ bµ Var( W) = b Var( X) = b σ X X E( Z) = c+ de( Y) = c+ dµ Var( Z) = d Var( Y) = d σ Y Y Cov( W, Z) = bd Cov( X, Y ) = bdσ XY TKK (c) Ilkka Mellin (2006) 90
91 Kovarianssi ja korrelaatio Kovarianssi ja lineaarimuunnokset: Perustelu Jos satunnaismuuttujien X ja Y kovarianssi on Cov(X, Y), niin Cov( W, Z) = E[( W E( W))( Z E( Z))] = E[( a + bx E( a + bx ))( c + dy E( c + dy ))] = E[( bx E( bx ))( dy E( dy))] = bde[( X E( X))( Y E( Y))] = bdcov( XY, ) TKK (c) Ilkka Mellin (2006) 91
92 Kovarianssi ja korrelaatio Summan ja erotuksen varianssit Olkoot satunnaismuuttujien X ja Y varianssit 2 2 Var( X) = σ Var( Y) = σ ja kovarianssi X Cov( XY, ) = σ XY Tällöin Var( X± Y) = Var( X) + Var( Y) ± 2Cov( XY, ) = σ + σ ± 2σ 2 2 X Y XY Y TKK (c) Ilkka Mellin (2006) 92
93 Kovarianssi ja korrelaatio Summan ja erotuksen varianssit: Perustelu Summan ja erotuksen varianssia koskevat kaavat nähdään oikeaksi seuraavalla tavalla: Var( X ± Y) = E[ X ± Y E( X ± Y)] = E[ X ± Y E( X) me( Y)] = E[( X E( X)) ± ( Y E( Y))] = E[( X E( X)) + ( Y E( Y)) ± 2( X E( X))( Y E( Y))] = X X + Y Y 2 2 E[( E( )) ] E[( E( )) ] ± 2E[( X E( X))( Y E( Y))] = Var( X) + Var( Y) ± 2Cov( XY, ) TKK (c) Ilkka Mellin (2006) 93
94 Kovarianssi ja korrelaatio Riippumattomuus ja kovarianssi Jos satunnaismuuttujat X ja Y ovat riippumattomia, niin Cov( XY, ) = 0 Huomautus: Käänteinen ei päde: Siitä, että Cov( XY, ) = 0 ei välttämättä seuraa, että satunnaismuuttujat X ja Y olisivat riippumattomia. TKK (c) Ilkka Mellin (2006) 94
95 Kovarianssi ja korrelaatio Riippumattomuus ja kovarianssi: Perustelu Jos satunnaismuuttujat X ja Y ovat riippumattomia, niin Siten E(XY) = E(X)E(Y) Cov( X, Y) = E( XY) E( X)E( Y) = E( X)E( Y) E( X)E( Y) = 0 TKK (c) Ilkka Mellin (2006) 95
96 Kovarianssi ja korrelaatio Riippumattomuus sekä summan ja erotuksen varianssit Olkoot satunnaismuuttujien X ja Y varianssit Olkoot X ja Y ovat riippumattomia, jolloin Tällöin Var( X) = σ Var( Y) = σ Cov( XY, ) = X Y Var( X ± Y) = Var( X) + Var( Y) Huomautus: Riippumattomien satunnaismuuttujien summan ja erotuksen varianssien kaavat on esitetty ilman perustelua luvussa Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2006) 96
97 Kovarianssi ja korrelaatio Korrelaatiokerroin 1/2 Oletetaan, että satunnaismuuttujilla X ja Y on seuraavat odotusarvot, varianssit ja kovarianssi: E( X) = µ Var( X) = D ( X) = σ X 2 2 X E( Y) = µ Var( Y) = D ( Y) = σ Y 2 2 Y Cov( X, Y) = E[( X µ )( Y µ )] = σ X Y XY TKK (c) Ilkka Mellin (2006) 97
98 Kovarianssi ja korrelaatio Korrelaatiokerroin 2/2 Satunnaismuuttujien X ja Y korrelaatiokerroin on vakio Cor( XY, ) = ρxy Cov( XY, ) = Var( X)Var( Y) Cov( XY, ) = D( X)D( Y) σ XY = σ σ X Y TKK (c) Ilkka Mellin (2006) 98
99 Kovarianssi ja korrelaatio Korrelaatiokerroin lineaarisen riippuvuuden mittana Satunnaismuuttujien X ja Y korrelaatiokerroin Cor(X, Y) mittaa satunnaismuuttujien X ja Y lineaarisen riippuvuuden voimakkuutta: (i) Mitä suurempi on Cor(X, Y) sitä voimakkaampaa on satunnaismuuttujien X ja Y välinen lineaarinen riippuvuus. (ii) Mitä pienempi on Cor(X, Y) sitä heikompaa on satunnaismuuttujien X ja Y välinen lineaarinen riippuvuus. TKK (c) Ilkka Mellin (2006) 99
100 Kovarianssi ja korrelaatio Kovarianssi ja korrelaatio: Suureiden dimensio eli laatu Huomaa, että satunnaismuuttujien korrelaatio on dimensioton eli laaduton suure toisin kuin niiden kovarianssi. TKK (c) Ilkka Mellin (2006) 100
101 Kovarianssi ja korrelaatio Korrelaatiokerroin ja lineaarimuunnokset Olkoon satunnaismuuttujien X ja Y korrelaatiokerroin Cor(X, Y). Olkoot Tällöin W= a + bx Z = c + dy Cor( WZ, ) = sgn( bd)cor( XY, ) jossa sgn on ns. merkkifunktio: + 1, jos x > 0 sgn( x) = 0, jos x= 0 1, jos x < 0 TKK (c) Ilkka Mellin (2006) 101
102 Kovarianssi ja korrelaatio Lineaarimuunnosten korrelaatiokerroin: Perustelu Olkoon satunnaismuuttujien X ja Y korrelaatiokerroin Cor(X, Y). Olkoot Tällöin W = a + bx Z = c + dy Cor( W, Z) = = Cov( W, Z) Var( W) Var( Z) bdcov( XY, ) 2 2 b X d Y = sgn( bd) Var( ) Var( ) Cov( XY, ) Var( X) Var( Y) = sgn( bd) Cor( XY, ) TKK (c) Ilkka Mellin (2006) 102
103 Kovarianssi ja korrelaatio Korrelaatiokerroin: Ominaisuudet Olkoon satunnaismuuttujien X ja Y korrelaatiokerroin Cor(X, Y). Tällöin (i) 1 Cor( XY, ) + 1 (ii) Jos X ja Y ovat riippumattomia, niin Cor( X, Y ) = 0 (iii) Cor( XY, ) =± 1, jos ja vain, jos Y = α + βx, jossa α ja β ovat reaalisia vakiota, β 0 TKK (c) Ilkka Mellin (2006) 103
104 Kovarianssi ja korrelaatio Korrelaatiokerroin: Ominaisuuden (i) perustelu 1/2 Väite: 1 Cor( XY, ) + 1 Perustelu: (1) Olkoot W ja Z satunnaismuuttujia ja olkoon a vakio. (2) W 2 0, Z 2 0 E(W 2 ) 0, E(Z 2 ) 0 (3) (aw Z) 2 0 E(aW Z) 2 0 (4) Kohdasta (3) seuraa, että E(aW Z) 2 = a 2 E(W 2 ) 2aE(WZ) + E(Z 2 ) 0 (5) Valitaan: a E( WZ) = 2 E( W ) TKK (c) Ilkka Mellin (2006) 104
105 Kovarianssi ja korrelaatio Korrelaatiokerroin: Ominaisuuden (i) perustelu 2/2 (6) Siten (7) Väite seuraa epäyhtälöstä ( ), kun valitaan Huomautus: [ E( WZ) ] E( aw Z) = + E( Z ) 0 2 E( W ) josta seuraa, että [ E( WZ) ] E( W )E( Z ) 1 () W = X E(X) ja Z = Y E(Y) ja otetaan saadusta epäyhtälöstä neliöjuuri. Epäyhtälöstä ( ) seuraa eräs ns. Schwarzin epäyhtälön monista muodoista: [E( WZ)] E( W )E( Z ) TKK (c) Ilkka Mellin (2006) 105
106 Kovarianssi ja korrelaatio Korrelaatiokerroin: Ominaisuuden (ii) perustelu Väite: Perustelu: Huomautus: Jos X ja Y ovat riippumattomia, niin Cor(X, Y) = 0 Väite seuraa siitä, että jos X ja Y ovat riippumattomia, niin Cov(X, Y) = 0 Käänteinen ei päde: Siitä, että Cov(X, Y) = Cor(X, Y) = 0 ei välttämättä seuraa, että satunnaismuuttujat X ja Y olisivat riippumattomia. TKK (c) Ilkka Mellin (2006) 106
107 Kovarianssi ja korrelaatio Korrelaatiokerroin: Ominaisuuden (iii) perustelu 1/3 Väite: Perustelu: Cor( X, Y) =± 1 Y = α + βx, α R, β R, β 0 (1) Ominaisuuden (i) perustelussa kohdan (4) epäyhtälön vasen puoli on 2. asteen polynomi muuttujan a suhteen: h(a) = E(aW Z) 2 = a 2 E(W 2 ) 2aE(WZ) + E(Z 2 ) (2) Ominaisuuden (i) perustelun kohdan (3) mukaan h(a) 0 a. (3) h(a) > 0 kaikille a, jos ja vain jos 2. asteen yhtälön h(a) = 0 diskriminantti D = 4[E( WZ)] 4E( W )E( Z ) < 0 Huomautus: Korrelaatiokertoimen ominaisuus (i) seuraa myös kohdan (3) epäyhtälöstä. TKK (c) Ilkka Mellin (2006) 107
108 Kovarianssi ja korrelaatio Korrelaatiokerroin: Ominaisuuden (iii) perustelu 2/3 (4) h(a) = 0 täsmälleen silloin, kun 2. asteen yhtälön h(a) = 0 diskriminantti D = WZ W Z = (5) Siten Cor(X, Y) = ±1 täsmälleen silloin, kun E(aW Z) 2 =0 mikä on yhtäpitävää sen kanssa, että Pr(aW Z = 0) = 1 (6) Siten Z = aw [E( )] 4E( )E( ) 0 todennäköisyydellä 1. (7) Väite seuraa, kun valitaan W = X E(X) ja Z = Y E(Y) ja merkitään β = a ja α = E( Y) ae( X) TKK (c) Ilkka Mellin (2006) 108
109 Kovarianssi ja korrelaatio Korrelaatiokerroin: Ominaisuuden (iii) perustelu 3/3 Väite: Perustelu: Cor( X, Y) =± 1 Y = α + βx, α R, β R, β 0 Koska Y = α + β X, Cor( X, Y) = Cor( X, α + βx) = sgn( β)cor( X, X) = sgn( β) =± 1 jossa sgn( ) on ns. merkkifunktio: + 1, jos x > 0 sgn( x) = 0, jos x = 0 1, jos x < 0 TKK (c) Ilkka Mellin (2006) 109
110 Kovarianssi ja korrelaatio Korrelaatiokerroin: 1. esimerkki nopanheitosta Heitetään virheetöntä noppaa kaksi kertaa: X = tulos (silmäluku) 1. heitosta Y = tulos (silmäluku) 2. heitosta Tarkastellaan satunnaismuuttujien X ja Y yhteisjakaumaa. Odotusarvot, varianssit ja standardipoikkeamat (laskettu aikaisemmin): E(X) = E(Y) = 21/6 = 3.5 D 2 (X) = D 2 (Y) = 35/12 = D(X) = D(Y) = Koska satunnaismuuttujat X ja Y ovat riippumattomia, niin Cor(X, Y) = Cov(X, Y) = 0 TKK (c) Ilkka Mellin (2006) 110
111 Kovarianssi ja korrelaatio Korrelaatiokerroin: 2. esimerkki nopanheitosta 1/2 Heitetään virheetöntä noppaa kaksi kertaa: X = tulos (silmäluku) 1. heitosta Y = tulos (silmäluku) 2. heitosta Z = X + Y = silmälukujen summa Tarkastellaan satunnaismuuttujien X ja Z yhteisjakaumaa. Odotusarvot, varianssit ja standardipoikkeamat (laskettu aikaisemmin): E(X) = 21/6 = 3.5 E(Z) = 252/36 = 7 D 2 (X) = 35/12 = D 2 (Z) = 210/36 = D(X) = D(Z) = TKK (c) Ilkka Mellin (2006) 111
112 Kovarianssi ja korrelaatio Korrelaatiokerroin: 2. esimerkki nopanheitosta 2/2 Satunnaismuuttujat X ja Z eivät ole riippumattomia. Lasketaan ensin kovarianssi: E( XZ) = xzpr( X = x, Z = z) = 36 x= 1 z= Cov( X, Z) = E( XZ) E( X)E( Z) = = = Korrelaatiokertoimen arvo on: Cov( X, Z) 1 Cor( X, Z) = D( X)D( Z) = 2 = TKK (c) Ilkka Mellin (2006) 112
113 Kovarianssi ja korrelaatio Korreloimattomuus Jos Cov( XY, ) = 0 ja yhtäpitävästi Cor( XY, ) = 0 niin sanomme, että satunnaismuuttujat X ja Y ovat korreloimattomia. Huomautus: Satunnaismuuttujien korreloimattomuudesta ei välttämättä seuraa niiden riippumattomuus. TKK (c) Ilkka Mellin (2006) 113
114 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat Kaksiulotteiset todennäköisyysjakaumat Kaksiulotteisten jakaumien reunajakaumat ja riippumattomuus Kaksiulotteisten jakaumien odotusarvot ja varianssit Kovarianssi ja korrelaatio >> Ehdolliset jakaumat ja odotusarvot TKK (c) Ilkka Mellin (2006) 114
115 Ehdolliset jakaumat ja odotusarvot Ehdollinen todennäköisyys Olkoot A ja B tapahtumia ja Pr(B) 0. Tapahtuman A ehdollinen todennäköisyys tapahtuman B suhteen on Pr( A B) Pr( AB) = Pr( B) Ehdollisen jakauman määritelmä mukailee ehdollisen todennäköisyyden määritelmää. TKK (c) Ilkka Mellin (2006) 115
116 Ehdolliset jakaumat ja odotusarvot Ehdolliset jakaumat Olkoon satunnaismuuttujien X ja Y yhteisjakauman pistetodennäköisyys tai tiheysfunktio f XY (x, y). Olkoot satunnaismuuttujien X ja Y reunajakaumien pistetodennäköisyys tai tiheysfunktiot f X (x) ja f Y (y). Satunnaismuuttujan X ehdollinen jakauma satunnaismuuttujan Y suhteen (ehdolla Y = y) on fxy ( xy, ) fxy( x y) =, jos fy ( y) 0 fy( y) > Satunnaismuuttujan Y ehdollinen jakauma satunnaismuuttujan X suhteen (ehdolla X = x) on fxy ( xy, ) fyx( y x) =, jos fx ( x) 0 f ( x) > X TKK (c) Ilkka Mellin (2006) 116
Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2005) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat Kaksiulotteiset todennäköisyysjakaumat
LisätiedotMoniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat
TKK (c) Ilkka Mellin (4) todennäköisyysjakaumat Johdatus todennäköisyyslaskentaan todennäköisyysjakaumat TKK (c) Ilkka Mellin (4) todennäköisyysjakaumat: Mitä opimme? /5 hden satunnaismuuttujan todennäköisyysjakaumat
LisätiedotMoniulotteiset satunnaismuuttujat ja jakaumat
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset
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
LisätiedotTKK @ Ilkka Mellin (2008) 1/5
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 3, 6, 7 Pistetehtävät: 2, 4, 5, 9 Ylimääräiset tehtävät: 8, 10, 11 Aiheet: Moniulotteiset jakaumat Avainsanat: Diskreetti jakauma,
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat
.9. Kaksiulotteiset satunnaismuuttujat MS-A Todennäköisslaskennan ja tilastotieteen peruskurssi Viikko Moniulotteiset satunnaismuuttujat sekä niiden jakaumat ja tunnusluvut; Moniulotteisia jakaumia Usein
LisätiedotOlkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:
Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
LisätiedotTilastomatematiikka Kevät 2008
Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo
Lisätiedot4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut TKK (c) Ilkka Mellin (2007) 1 Jakaumien tunnusluvut >> Odotusarvo Varianssi Markovin ja Tshebyshevin
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-5 Todennäköisyyslaskenta Tentti.. / Kimmo Vattulainen Vastaa jokainen tehtävä eri paperille. Funktiolaskin sallittu.. a) P A). ja P A B).6. Mitä on P A B), kun A ja B ovat riippumattomia b) Satunnaismuuttujan
Lisätiedot1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 206 Kurssikoe 28.0.206 Ratkaisuehdotuksia. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden
LisätiedotSallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,
Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotJohdatus todennäköisyyslaskentaan Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Jakaumien tunnusluvut TKK (c) Ilkka Mellin (2005) 1 Jakaumien tunnusluvut Odotusarvo Varianssi Markovin ja Tshebyshevin epäyhtälöt Momentit Vinous ja huipukkuus Kvantiilit
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
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
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
LisätiedotKeskihajonta ja korrelaatio
Luku 4 Keskihajonta ja korrelaatio Lasse Leskelä Aalto-yliopisto 19. syyskuuta 2017 4.1 Jakauman varianssi ja keskihajonta Edellisessä luvussa opittiin, että satunnaismuuttujan odotusarvo on X:n jakauman
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,
LisätiedotJohdatus 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)
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 7
0302P Tilastomatematiikka (5 op) viikko 7 Jukka Kemppainen Mathematics Division Yhteisjakauma Edellä on tarkasteltu yksiulotteista satunnaismuuttujaa. Sovelluksissa joudutaan usein tarkastelemaan samanaikaisesti
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
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
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..
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
Lisätiedot1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 017 Harjoitus 5 Ratkaisuehdotuksia Tehtäväsarja I 1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X
Lisätiedot(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.
Todennäköisyyslaskenta I, kesä 7 Harjoitus 4 Ratkaisuehdotuksia. Satunnaismuuttujalla X on ns. kaksipuolinen eksponenttijakauma eli Laplacen jakauma: sen tiheysfunktio on fx = e x. a Piirrä tiheysfunktio.
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
LisätiedotD ( ) E( ) E( ) 2.917
Mat-2.091 Sovellettu todennäköisyyslasku 4. harjoitukset/ratkaisut Aiheet: Diskreetit jakaumat Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen jakauma, Kertymäfunktio,
LisätiedotVarma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Unioni, Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Alkeistapahtuma, Ehdollinen todennäköisyys,
LisätiedotLuento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja
1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedot4. laskuharjoituskierros, vko 7, ratkaisut
4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.
LisätiedotKäytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:
8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)
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
LisätiedotSatunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio KE (2014) 1 Satunnaismuuttujat ja niiden todennäköisyysjakaumat Satunnaismuuttujat
LisätiedotTODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä
J. Virtamo 38.3143 Jonoteoria / Todennäköisyyslaskenta 1 TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä Otosavaruus S S on satunnaiskokeen E kaikkien mahdollisten alkeistapahtumien e joukko. Esim. 1. Noppaa
LisätiedotGripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta
MS-A00 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta 7.. Gripenberg Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot ja minkä kokeen suoritat! Laskin,
Lisätiedot(x, y) 2. heiton tulos y
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 2, 4, 6, 8, 11 Pistetehtävät: 3, 5, 9, 12 Ylimääräiset tehtävät: 7, 10, 13 Aiheet: Joukko-oppi Todennäköisyys ja sen määritteleminen
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Todennäköisyyslaskennan käsitteitä Satunnaisuus ja deterministisyys Deterministisessä ilmiössä alkutila määrää lopputilan yksikäsitteisesti. Satunnaisilmiö puolestaan arpoo - yhdestä alkutilasta voi päätyä
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
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
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
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
LisätiedotD ( ) Var( ) ( ) E( ) [E( )]
Mat-.2620 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Diskreettejä jakaumia Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Eksponenttijakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotJohdatus tn-laskentaan perjantai 17.2.2012
Johdatus tn-laskentaan perjantai 17.2.2012 Kahden diskreetin muuttujan yhteisjakauma On olemassa myös monen muuttujan yhteisjakauma, ja jatkuvien muuttujien yhteisjakauma (jota ei käsitellä tällä kurssilla;
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila Kalvoissa käytetään materiaalia P. Palon vuoden 2005 kurssista. 07.09.2007 Antti Rasila () SovTodB 07.09.2007 07.09.2007 1 / 24 1 Todennäköisyyslaskennan
Lisätiedot2 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
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.
LisätiedotTilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä
Tilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä Sisältö Riippumattomuus Jos P(A B) = P(A)P(B), niin tapahtumat A ja B ovat toisistaan riippumattomia. (Keskustelimme
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedotx 4 e 2x dx Γ(r) = x r 1 e x dx (1)
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1
LisätiedotOlkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat
Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset / Rataisut Aiheet: Avainsanat: Satunnaismuuttujat ja todennäöisyysjaaumat Kertymäfuntio
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
LisätiedotTodennäköisyyslaskenta. β versio. Todennäköisyyslaskenta. Ilkka Mellin. Teknillinen korkeakoulu, Matematiikan laboratorio. Ilkka Mellin (2006) I
β versio Todennäköisyyslaskenta Ilkka Mellin Teknillinen korkeakoulu, Matematiikan laboratorio TKK @ Ilkka Mellin (2006) I TKK @ Ilkka Mellin (2006) II Esipuhe Tämä moniste antaa perustiedot todennäköisyyslaskennasta.
LisätiedotMat Sovellettu todennäköisyyslasku. Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat:
Mat-2.091 Sovellettu todennäköisyyslasku Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma, Ehdollinen todennäköisyys, Erotustapahtuma,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-25 Todennäköisyyslaskenta Tentti 12.4.216 / Kimmo Vattulainen Funktiolaskin sallittu. Palauta kaavakokoelma 1. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi
LisätiedotDiskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi
TOD.NÄK JA TILASTOT, MAA0 Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi Kuten tilastojakaumia voitiin esittää tunnuslukujen (keskiarvo, moodi, mediaani, jne.) avulla, niin vastaavasti
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotJohdatus regressioanalyysiin
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2007) 1 Johdatus regressioanalyysiin >> Regressioanalyysin lähtökohdat ja tavoitteet
Lisätiedot1. laskuharjoituskierros, vko 4, ratkaisut
1. laskuharjoituskierros, vko 4, ratkaisut D1. Heitetään kahta virheetöntä noppaa, joiden kuudella tahkolla on silmäluvut 1, 2, 3, 4, 5 ja 6. Tällöin heittotuloksiin liittyvä otosavaruus on S = {(x, y)
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
Lisätiedot7. laskuharjoituskierros, vko 10, ratkaisut
7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa I
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa I G. Gripenberg 1 Todennäköisyys Satunnaismuuttujat Keskeinen raja-arvolause Aalto-yliopisto. tammikuuta 015 Kaksiulotteiset satunnaismuuttujat
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa I
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa I G. Gripenberg Aalto-yliopisto 2. tammikuuta 2015 G. Gripenberg (Aalto-yliopisto) MS-A0502 Todennäköisyyslaskennan ja tilastotieteen
LisätiedotOtosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko
ÌÓÒÒĐĐÓ ÝÝ ÔÖÙ ØØ Naiiveja määritelmiä Suhteellinen frekvenssi kun ilmiö toistuu Jos tehdas on valmistanut 1000000 kpl erästä tuotetta, joista 5013 ovat viallisia, niin todennäköisyys, että tuote on viallinen
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 tilastotieteeseen Johdatus regressioanalyysiin. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2005) 1 Johdatus regressioanalyysiin Regressioanalyysin lähtökohdat ja tavoitteet Deterministiset mallit ja regressioanalyysi
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 2 Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
Lisätiedot0 3 y4 dy = 3 y. 15x 2 ydx = 15. f Y (y) = 5y 4 1{0 y 1}.
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 18 Harjoitus Ratkaisuehdotuksia Tehtäväsar I 1. Satunnaismuuttujilla X Y on tkuva yhteiskauma yhteistiheysfunktiolla f
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa I
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa I G. Gripenberg Aalto-yliopisto 2. tammikuuta 2015 G. Gripenberg (Aalto-yliopisto) MS-A0502 Todennäköisyyslaskennan ja tilastotieteen
LisätiedotSallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa
Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II. kurssikoe 18.1.15 Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa
LisätiedotMatemaattisten tieteiden kandiohjelma / MTL Todennäköisyyslaskenta IIb Kurssikoe (kesto 2h 30 min)
Matemaattisten tieteiden kandiohjelma / MTL Todennäköisyyslaskenta IIb Kurssikoe 8..7 (kesto h 3 min) Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu. Ei
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
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
Lisätiedotχ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut
Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,
Lisätiedot5. laskuharjoituskierros, vko 8, ratkaisut
Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen
LisätiedotB. Siten A B, jos ja vain jos x A x
Mat-1.2600 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Johdanto Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma,
LisätiedotMat Sovellettu todennäköisyyslaskenta B
Mat-1.2620 Sovellettu todennäköisslaskenta B 1. välikoe 08.03.2011 / Kibble Kirjoita selvästi jokaiseen koepaperiin seuraavat tiedot: Mat-1.2620 SovTnB 1. vk 08.03.2011 opiskelijanumero + kirjain TEKSTATEN
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
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
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7
Inversio-ongelmien laskennallinen peruskurssi Luento 7 Kevät 2012 1 Tilastolliset inversio-ongelmat Tilastollinen ionversio perustuu seuraaviin periaatteisiin: 1. Kaikki mallissa olevat muuttujat mallinnetaan
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotTilastollisen päättelyn perusteet
Tilastollisen päättelyn perusteet Tilastotiede käytännön tutkimuksessa -kurssi, kesä 2001 Reijo Sund Motivointiako? opiskelijoiden, jotka kammoavat matematiikkaa tai eivät katso ehtivänsä tai haluavansa
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy
Lisätiedot