Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.
|
|
- Kari Tikkanen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 / Raaisu Aihee: Avaisaa: Momeiemäfuio Sauaismuuujie muuose ja iide jaauma Kovergessiäsiee ja raja-arvolausee Biomijaauma, Espoeijaauma, Geomerie jaauma, Jaaumaovergessi, Jauva asaie jaauma, Kolmiojaauma, Kovergessiäsiee, Masimi, Miimi, Momei, Momeiemäfuio, Muuos, Odousarvo, Poisso-jaauma, Soasie overgessi, Summa jaauma, Variassi 6.. Geomerise jaauma Geom(p) piseodeäöisyysfuio o x f( x) Pr( x) q p,< p<, q p, x,,3, Johda jaauma momeiemäfuio ja se avulla jaauma odousarvo ja variassi. Sauaismuuuja oudaaa geomerisa jaaumaa Geom(p), jos se piseodeäöisyysfuio o muooa x f( x) Pr( x) q p,< p<, q p, x,,3, Sauaismuuuja momeiemäfuio o x m () E( e ) e f( x) x x x e pq x x x pe e q pe x x pe qe ( qe ) x Sauaismuuuja. origomomei α E( ) saadaa määräämällä momeiemäfuio m (). derivaaa piseessä : dm() α E( ),,,3, d Ila Melli (4) /8
2 Geomerise jaauma asi esimmäisä origomomeia ova dm () α E( ) d p ja α pe ( qe ) pe ( qe ) ( qe ) pe ( qe ) dm E( ) () d pe qe pe qe qe 4 ( qe ) ( ) ( )( ) pe ( + qe ) 3 ( qe ) + q p Sie geomerise jaauma odousarvo o µ E( ) α p ja variassi o σ Var( ) E[( µ ) ] E( ) µ α α + q p p q p Ila Melli (4) /8
3 6.. Poisso-jaauma Poisso(λ) piseodeäöisyysfuio o x e λ λ f( x) Pr( x), λ >, x,,, x! Johda jaauma momeiemäfuio ja se avulla jaauma odousarvo ja variassi. Sauaismuuuja oudaaa Poisso-jaaumaa Poisso(λ), jos se piseodeäöisyysfuio o muooa x e λ λ f( x) Pr( x), λ >, x,,, x! Sauaismuuuja momeiemäfuio o x m () E( e ) e f( x) x x e e e e x λ x e λ λ λ ( e ) λ x e λ x! e ( λe ) x! x Sauaismuuuja. origomomei α E( ) saadaa määräämällä momeiemäfuio m (). derivaaa piseessä : dm() α E( ),,,3, d Poisso-jaauma asi esimmäisä origomomeia ova ja dm () α E( ) d α e λ e λ λ ( e ) λe + λ ( e ) dm E( ) () d + λ ( e ) λe ( + λe ) λ + λ Ila Melli (4) 3/8
4 Sie Poisso-jaauma odousarvo o µ E( ) α λ ja variassi o σ Var( ) E[( µ ) ] E( ) µ α α λ + λ λ λ 6.3. Jauva asaise jaauma Uiform(a, b) iheysfuio o f ( x), a b a x b Johda jaauma momeiemäfuio ja se avulla jaauma odousarvo ja variassi. Sauaismuuuja oudaaa jauvaa asaisa jaaumaa Uiform(a, b), jos se iheysfuio o muooa f ( x), a b a x b Sauaismuuuja momeiemäfuio o x m () E( e ) e f( x) + b a e x b a x e b a b a e e b ( a) b a Sauaismuuuja. origomomei α E( ) saadaa määräämällä momeiemäfuio m (). derivaaa piseessä : dm() α E( ),,,3, d Ila Melli (4) 4/8
5 Jauva asaise jaauma asi esimmäisä origomomeia ova ja dm () α E( ) d b a b a ( be ae ) ( b a) ( e e )( b a) ( b a) b a b a ( be ae ) ( e e ) ( b a) a+ b α dm E( ) () d + 4 ( b a) b a b a b a [( b e a e ) ( be ae ) ( be ae )] ( b a) b a b a b a ( be ae ) ( be ae ) ( e e ) 3 ( b a) a + ab+ b 3 Sie jauva asaise jaauma odousarvo o a+ b µ E( ) α ja variassi o σ Var( ) E[( µ ) ] E( ) µ α α b a b a [( be ae ) ( e e )] ( b a) 4 ( b a) + a ab b a b ( b a) Ila Melli (4) 5/8
6 6.4. Espoeijaauma Exp(λ) iheysfuio o λx f( x) λe, λ >, x Johda jaauma momeiemäfuio ja se avulla jaauma odousarvo ja variassi. Sauaismuuuja oudaaa espoeijaaumaa Exp(λ), jos se iheysfuio o muooa λx f( x) λe, λ >, x Sauaismuuuja momeiemäfuio o () E( x m e ) e f( x) + x λx e e λ e λ ( λ ) x ( λ ) x e λ λ λ λ Sauaismuuuja. origomomei α E( ) saadaa määräämällä momeiemäfuio m (). derivaaa piseessä : dm() α E( ),,,3, d Espoeijaauma asi esimmäisä origomomeia ova ja dm () α E( ) d λ ( λ ) λ Ila Melli (4) 6/8
7 α dm E( ) () d λ ( λ ) 3 λ Sie jauva asaise jaauma odousarvo o a+ b µ E( ) α ja variassi o σ Var( ) E[( µ ) ] E( ) µ α α λ λ λ 6.5. Jauva asaise jaauma Uiform(,) iheysfuio o f ( x), x Oleeaa, eä sauaismuuuja ja Y ova riippumaomia ja ~ Uiform(,) Y ~ Uiform(,) Määrää sauaismuuuja U + Y iheysfuio. Oloo, Y riippumaomia sauaismuuujia, joide iheysfuio ova f (x), f Y (y) Ila Melli (4) 7/8
8 Tällöi summa iheysfuio o U + Y + f ( u) f ( u x) f ( x) U Y Tämä ähdää seuraavalla avalla: Kosa sauaismuuuja ja Y ova riippumaomia, iide yheisjaauma iheysfuio f Y (x, y) voidaa esiää sauaismuuujie ja Y iheysfuioide uloa: Oloo f ( xy, ) f ( xf ) ( y) Y Y U + Y V Muodoseaa sauaismuuujie U ja V yheisjaauma. Tarasellaa sisi muuosa ( ) u x+ y v x joa ääeismuuos o y u v x v Muuose ( ) Jacobi deermiai o ( uv, ) u v u v ( x, y) x y y x Sie sauaismuuujie U ja V yheisjaauma iheysfuio o ( uv, ) fuv ( u, v) fy ( x, y) ( x, y) f ( x) f ( y) f () v f ( u v) Y Y Ila Melli (4) 8/8
9 Summamuuuja U + Y iheysfuio saadaa sauaismuuujie U ja V yheisjaauma iheysfuio lauseeesa sauaismuuuja U reuajaauma iheysfuioa: + + f ( u) f ( u, v) dv f ( v) f ( u v) dv U UV Y + f ( x) f ( u x) Y Ny joe Oloo ~ Uiform(,) Y ~ Uiform(,) f ( x), x f ( y), y Y U + Y V O selvää, eä summa U + Y voi saada arvoja vai välillä [, ]. Sauaismuuujie U ja V yheisjaauma iheysfuio o f ( uv, ) f ( v) f ( u v), v x, u x+ y, x, y UV Y u Sauaismuuujie U ja V yheisjaauma iheysfuio saa siis arvo ysi yo. uvio vioeliössä ja arvo olla muualla. Summa U + Y iheysfuio o v + f ( u) f ( u x) f ( x) U Y u u Tämä seuraa siiä, eä f f ( u x) Y ( x) u < u x< miä o yhäpiävää se assa, eä u < x< u Ila Melli (4) 9/8
10 Tiheysfuio lauseeesi saadaa välillä < u < : u u f ( u) f ( x) x U u [ ] u u Tiheysfuio lauseeesi saadaa välillä < u < : Sie summamuuuja u [ ] f ( u) f ( x) x u + U u u u U + Y iheysfuio o muooa f U u, u ( u) u +, u Sauaismuuuja U + Y jaauma o eräs olmiojaaumisa. Se iheysfuio uvaaja o oiealla. f (x) x 6.6. Biomijaauma Bi(, p) piseodeäöisyysfuio o x x f ( x) Pr( x) p q, < p<, q p, x,,,, x ja se momeiemäfuio o m () ( q+ pe ) Oleeaa, eä sauaismuuuja ja ova riippumaomia ja ~ Bi(, p) ~ Bi(, p) Määrää sauaismuuuja jaauma. + Oloo, riippumaomia sauaismuuujia, joide momeiemäfuio ova m (), m () Ila Melli (4) /8
11 Tällöi summa + momeiemäfuio o sauaismuuujie ja momeiemäfuioide ulo: m () m ()m () Kosa ~ Bi(, p) ~ Bi(, p) ii m () ( q+ pe ) m () ( q+ pe ) Sie summa + momeiemäfuio o m () m () m () ( q+ pe ) ( q+ pe ) ( q+ pe ) + Kosa m () o biomijaauma Bi( +, p) momeiemäfuio, voimme pääellä, eä + ~ Bi( +, p) 6.7. Jauva asaise jaauma Uiform(,) iheysfuio o f ( x), x Oleeaa, eä sauaismuuuja ja ova riippumaomia ja ~ Uiform(,) Y ~ Uiform(,) Oloo () mi{, } Määrää sauaismuuuja () iheysfuio. Oloo sauaismuuuja ja riippumaomia ja i ~ Uiform(,), i, Tällöi iide yheie iheysfuio o muooa, x f( x), muulloi Ila Melli (4) /8
12 ja yheie erymäfuio o muooa, x < F( x) x, x, x > Sauaismuuuja () mi{, } iheysfuio o f ( x ) [ F ( x )] f ( x ) ( x ), x () 6.8. Jauva asaise jaauma Uiform(,) iheysfuio o f ( x), x Oleeaa, eä sauaismuuuja ja ova riippumaomia ja ~ Uiform(,) Y ~ Uiform(,) Oloo () max{, } Määrää sauaismuuuja () iheysfuio. Oloo sauaismuuuja ja riippumaomia ja i ~ Uiform(,), i, Tällöi iide yheie iheysfuio o muooa, x f( x), muulloi ja yheie erymäfuio o muooa, x < F( x) x, x, x > Sauaismuuuja () max{, } iheysfuio o f ( x ) [ F ( x )] f ( x ) x, x () f () (x) f () (x) Ila Melli (4) /8
13 6.9. Oloo,, 3, joo riippumaomia sauaismuuujia, joilla o aiilla sama iheysfuio Oloo, < x < θ f( x) θ, muulloi () max{,,, } Todisa, eä sauaismuuujie (), (), (3), muodosama joo overgoi jaaumalaa ohi sauaismuuujaa, joa erymäfuio o, x < θ Gx ( ), x θ Riippumaomie sauaismuuujie,, 3, yheie iheysfuio o muooa, < x < θ f( x) θ, muulloi Kosa välillä < x < θ päee x x d [] x θ θ θ sauaismuuujie,, 3, yheie erymäfuio o muooa, x F( x) x,< x< θ θ, θ x Oloo () max{,,, } Ila Melli (4) 3/8
14 Sauaismuuuja () iheysfuio o u < x < θ ja muulloi. f x F x f x ( ) ( ) [ ( )] ( ) x θ x θ f ( ) ( ) x θ Sauaismuuuja () erymäfuio o Jos ii, x < x F( ) ( x), x< θ θ, θ x, x < θ F( ) ( x) G( x), θ x jossa G(x) o disreei jaauma erymäfuio., x θ gx ( ) Pr( x), muulloi Sie sauaismuuujie (), (), (3), muodosama joo overgoi jaaumalaa ohi sauaismuuujaa : ( ) L Ila Melli (4) 4/8
15 6.. Oloo,, 3, joo riippumaomia sauaismuuujia, joide piseodeäöisyysfuio ova muooa, x f( x) Pr( x), x Todisa, eä sauaismuuujie,, 3, muodosama joo overgoi soasisesi ohi vaioa : P Riippumaomie sauaismuuujie,, 3, piseodeäöisyysfuio ova muooa Sie Selväsi u., x f( x) Pr( x), x Pr( ), < ε < Pr( > ε ), ε Pr( > ε ) Soasise overgessi määrielmä muaa sauaismuuujie,, 3, muodosama joo overgoi soasisesi ohi vaioa : P Ila Melli (4) 5/8
16 Momeiemäfuio Sauaismuuuja momeiemäfuio o m () E( e ) Sauaismuuuja. origomomei α E( ),,,3, saadaa määräämällä momeiemäfuio m (). derivaaa piseessä : dm() α E( ),,,3, d Sauaismuuuja odousarvo ja variassi saadaa aavoisa µ E( ) α Var( ) E[( ) ] E( ) α σ µ µ α Oloo sauaismuuuja disreei ja se piseodeäöisyysfuio f ( x) Pr( x ) Tällöi sauaismuuuja momeiemäfuio saadaa aavasa x m () E( e ) e f( x) Oloo sauaismuuuja jauva ja se iheysfuio f ( x ) x Tällöi sauaismuuuja momeiemäfuio saadaa aavasa Oloo + x m () E( e ) e f( x),,, riippumaomia sauaismuuujia, joide momeiemäfuio ova Tällöi summa m (), m (),, m () momeiemäfuio o sauaismuuujie,,, momeiemäfuioide ulo: m () m ()m () m () Ila Melli (4) 6/8
17 Kasiuloeise sauaismuuujie muuose jaauma Oloo sauaismuuujie ja Y yheisjaauma iheysfuio f Y (x, y) Määriellää sauaismuuuja U g(, Y) V h(, Y) Oleeaa, eä muuosella u g( x, y) ( ) v h( x, y) o seuraava omiaisuude: (i) Muuuja x ja y voidaa raaisa yhälöryhmäsä ( ). (ii) Fuioilla g ja h o jauva osiaisderivaaa muuujie x ja y suhee. (iii) Muuose ( ) Jacobi deermiai ( uv, ) u v u v + ( xy, ) x y y x aiille x ja y, joille f Y (x, y) Tällöi sauaismuuujie U ja V yheisjaauma iheysfuio o f ( u, v) f ( x, y) UV Y ( uv, ) ( x, y) jossa x ja y raaisaa yhälöryhmäsä ( ). Sauaismuuujie summa jaauma Oloo ja Y riippumaomia sauaismuuujia, joide iheysfuio ova f (x), f Y (y) Tällöi summa U + Y iheysfuio o + f ( u) f ( u x) f ( x) U Y Ila Melli (4) 7/8
18 Sauaismuuujie miimi ja masimi jaauma Oloo sauaismuuuja,,, riippumaomia ja samaa jaaumaa oudaavia sauaismuuujia. Oloo sauaismuuujie,,, yheie iheysfuio f ( x ) ja yheie erymäfuio F( x) Tällöi sauaismuuuja iheysfuio o ja sauaismuuuja iheysfuio o () mi{,,, } f x F x f x ()( ) [ ( )] ( ) () max{,,, } f x F x f x ( ) [ ( )] ( ) ( ) Soasie overgessi Sauaismuuujie,, 3, muodosama joo overgoi soasisesi ohi sauaismuuujaa, jos aiille ε > päee lim Pr( > ) Meriää ää P Jaaumaovergessi Oloo,, 3, joo sauaismuuujia, joide erymäfuio ova F (x), F (x), F 3 (x), Sauaismuuujie,, 3, muodosama joo overgoi jaaumalaa ohi sauaismuuujaa, joa erymäfuio o F (x), jos lim F ( x) F ( x) joaisessa piseessä x, jossa F (x) o jauva. Meriää ää L Ila Melli (4) 8/8
Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.
Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet
Momenttiemäfunktio ja karakteristinen funktio. Momenttiemäfunktio ja karakteristinen funktio
TKK (c) Ila Melli (4) Momeiemäfuio ja aaeisie fuio Momeiemäfuio Diseeie jaaumie momeiemäfuioia Jauvie jaaumie momeiemäfuioia Kaaeisie fuio Johdaus odeäöisyyslaseaa Momeiemäfuio ja aaeisie fuio TKK (c)
Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat
TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie
Juuri 13 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus. K1. A: III, B: I, C: II ja IV.
Juuri Tehävie rakaisu Kusausosakeyhiö Oava päiviey 9.8.8 Keraus K. A: III, B: I, C: II ja IV Kuvaaja: I II III IV Juuri Tehävie rakaisu Kusausosakeyhiö Oava päiviey 9.8.8 K. a) lim ( ) Nimiäjä ( ) o aia
Johdatus 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
Ilkka 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
Olkoot 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
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 2018 Harjoitus 6A Rataisuehdotusia Tehtäväsarja I 1. (Moistee tehtävä 5.4) Kauppias myy mäysiemeiä, joide itävyyde väitetää oleva
Luento 11. Stationaariset prosessit
Lueno Soasisen prosessin ehosperi Signaalin suodaus Kaisarajoieu anava 5..6 Saionaarise prosessi Auoorrelaaio φ * * (, ) ( ), { } { } jos prosessi on saionaarinen auoorrelaaio ei riipu ajasa vaan ainoasaan
Yhden selittäjän lineaarinen regressiomalli
Moimuuujameeelmä Yhde seliäjä lieaarie regressiomalli Moimuuujameeelmä: Yhde seliäjä lieaarie regressiomalli Ilkka Melli. Yhde seliäjä lieaarie regressiomalli, se esimoii ja esaus.. Yhde seliäjä lieaarie
Satunnaismuuttujien 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
( ) 5 t. ( ) 20 dt ( ) ( ) ( ) ( + ) ( ) ( ) ( + ) / ( ) du ( t ) dt
SMG-500 Verolasennan numeerise meneelmä Ehdouse harjoiusen 4 raaisuisi Haeaan ensin ehävän analyyinen raaisu: dx 0 0 0 0 dx 00e = 0 = 00e 00 x = e + = 5e + alueho: x(0 = 0 0 x 0 = 5e + = 0 = 5 0 0 0 5
Mat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia
Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Jatkuvia jakaumia Avaisaat: Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Kertymäfuktio, Keskeie raja-arvolause, Mediaai, Normaaliapproksimaatio,
7.1. Suurimman uskottavuuden estimointimenetelmä: Johdanto
Ma-1.361 Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria 7.1. Suurimma uskoavuude esimoiimeeelmä: Johdao Aikasarja,
1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 019 Harjoitus 5B Rataisuehdotusia Tehtäväsarja I 1. (Jatoa Harjoitus 5A tehtävää 4). Moistee esimeri 3.3.3. muaa momettimeetelmä
Johdatus 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
Luento 11. Stationaariset prosessit
Lueno Soasisen prosessin ehosperi Saunnaissignaalin suodaus 5..7 Saionaarise prosessi Auoorrelaaio φ * * (, ) ( ) ( ) ( ) ( ), { } { } jos prosessi on saionaarinen auoorrelaaio ei riipu ajasa vaan ainoasaan
VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia
8/ VÄRÄHTELYMEKANIIKKA SESSIO 8: Yhen vapausaseen paovärähely, ransieniuormiusia JOHDANTO c m x () Kuva. Syseemi. Transieniuormiusella aroieaan uormiusheräeä, joa aiheuaa syseemiin lyhyaiaisen liieilan.
11. Jatkuva-aikainen optiohinnoittelu
. Jauva-aiainen opiohinnoielu Sijoiusoheien hinojen ehiymisä voiaan arasella myös jauva-aiaisina prosesseina Iô-prosessi erisuuruise perioiohaise hinnanmuuose mahollisia voiaan oisinaan raaisa analyyisesi.
Systeemimallit: sisältö
Syseemimalli: sisälö Malliyypi ja muuuja Inpu-oupu -uvaus ja ilayhälömalli, ila Linearisoini Jauva-aiaisen lineaarisen järjeselmän siirofunio, sabiilisuus Laplace-muunnos Disreeiaiaisen lineaarisen järjeselmän
5. Vakiokertoiminen lineaarinen normaaliryhmä
1 MAT-145 LAAJA MATEMATIIKKA 5 Tampereen eknillinen yliopiso Riso Silvennoinen Kevä 21 5. Vakiokeroiminen lineaarinen normaaliryhmä Todeaan ensin ilman odisuksia (ulos on syvällinen) rakaisujen olemassaoloa
Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1
Johdatus todeäköisyyslasketaa Kovergessikäsitteet ja raja-arvolauseet TKK (c) Ilkka Melli (2004) 1 Kovergessikäsitteet ja raja-arvolauseet Kovergessikäsitteitä Suurte lukuje lait Keskeie raja-arvolause
Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet
Ilkka Melli Todeäköisyyslasketa Osa 2: Satuaismuuttujat ja todeäköisyysjakaumat Kovergessikäsitteet ja raja arvolauseet TKK (c) Ilkka Melli (2006) 1 Kovergessikäsitteet ja raja arvolauseet >> Kovergessikäsitteitä
9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A.
9. Epäoleellise inegraali; inegraalin derivoini paramerin suheen 9.. Epäoleellise aso- ja avaruusinegraali 27. Olkoon = {(x, y) x, y }. Osoia hajaanuminen ai laske arvo epäoleelliselle asoinegraalille
Mat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat:
Mat-2.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Diskeetit jakaumat Jatkuvat jakaumat Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Ketymäfuktio, Mediaai, Negatiivie biomijakauma,
M 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon
Matematiian ja tilastotieteen laitos Stoastiset differentiaaliyhtälöt Rataisuehdotelma Harjoituseen 7 1. Näytä, että uvaus M M M 2, un M 2 M = sup E M 2 t 2 t 0 on normi jouossa M 2 = { M : M on martingaali
Todennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
Lineaaristen järjestelmien teoriaa II
Lieaarise järjeselmie eoriaa II Ohjaavuus Tarkkailavuus havaiavuus Lisää sabiilisuudesa Tilaesimoii, Kalma-suodi TKK/Syseemiaalyysi laboraorio Mielekiioisia kysymyksiä Oko syseemi rakeeelaa sellaie, eä
Ilkka 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
5 YHDEN VAPAUSASTEEN YLEINEN PAKOTETTU LIIKE
Värähelymeaiia 5. 5 YHDEN VAPAUSASTEEN YLEINEN PAKOTETTU LIIKE 5. Johao Luvussa 4 araselii yhe vapausasee syseemii harmoisesa heräeesä aiheuuvaa vasea ja havaiii se riippuva pääasiassa syseemi vaimeusesa
5. 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
6 JÄYKÄN KAPPALEEN TASOKINETIIKKA
Dyamiia 6. 6 JÄYKÄN KAPPALEEN TASKINETIIKKA 6. Yleisä Jäyä appalee ieiiassa arasellaa appaleesee aiuaie uloise oimie ja seurausea olea liiee (raslaaio ja roaaio) älisiä yheysiä. Voimie äsielyssä ariaa
Tilastomatematiikka 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
9 Lukumäärien laskemisesta
9 Luumäärie lasemisesta 9 Biomiertoimet ja osajouoje luumäärä Määritelmä 9 Oletetaa, että, N Biomierroi ilmaisee, uia mota -alioista osajouoa o sellaisella jouolla, jossa o aliota Meritä luetaa yli Lasimesta
Projektin arvon aleneminen
Projektin arvon aleneminen sivut 99-07 Optimointiopin seminaari - Syksy 000 / Arvon aleneminen Jatketaan projektin arvon tutkimista. Nyt huomioidaan arvon aleneminen. Syitä esimerkiksi: kaluston vanheneminen
Mallivastaukset KA5-kurssin laskareihin, kevät 2009
Mallivasaukse KA5-kurssin laskareihin, kevä 2009 Harjoiukse 2 (viikko 6) Tehävä 1 Sovelleaan luenokalvojen sivulla 46 anneua kaavaa: A A Y Y K α ( 1 α ) 0,025 0,5 0,03 0,5 0,01 0,005 K Siis kysyy Solowin
Todennäköisyyden 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
q =, r = a b a = bq + r, b/2 <r b/2.
Luuteoria I Harjoitusia 2009 1 Osoita, että (a x = x x R, (b x x< x +1 x R, (c x + = x + x R, Z, (d x + y x + y x, y R, (e x y xy x, y R 0 2 Oloot a, b, q, r Z ja a = qb + r, 0 r< b Näytä, että a a q =,
Tehtävä 11 : 1. Tehtävä 11 : 2
Tehtävä : Käytetää irjaita M luvu ( ) meritsemisee. Satuaisverossa G, p() o yhteesä solmua, jote satuaismuuttuja X mahdollisia arvoja ovat täsmällee jouo0,..., M} aii aliot. Joaie satuaisvero mahdollisista
Jatkuvia jakaumia. Jatkuvia jakaumia. Jatkuvia jakaumia Mitä opimme? 2/3. Jatkuvia jakaumia Mitä opimme? 1/3. Jatkuvia jakaumia Mitä opimme?
TKK (c) Ilkk Melli (4) Jtkuvi jkumi Jtkuv tsie jkum Johdtus todeäköisyyslsket Jtkuvi jkumi TKK (c) Ilkk Melli (4) Jtkuvi jkumi Mitä opimme? /3 Tutustumme tässä luvuss seurvii jtkuvii todeäköisyysjkumii:
Todennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali
Todennäöissjaaumat /5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia P (X = )=p. Nämä ovat 0 ja niiden summa on p =. Pistetodennäöisdet voidaan graafisesti esittää pstsuorien
JOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 1, MALLIRATKAISUT
JOHDATUS LUKUTEORIAAN (sysy 2017) HARJOITUS 1, MALLIRATKAISUT Tehtävä 1. (i) Etsi luvun 111312 aii teijät. (ii) Oloot a ja b positiivisia oonaisluuja joilla a b ja b a. Osoita, että silloin a = b. Rataisu
Dynaaminen optimointi ja ehdollisten vaateiden menetelmä
Dynaaminen opimoini ja ehdollisen vaaeiden meneelmä Meneelmien keskinäinen yheys S yseemianalyysin Laboraorio Esielmä 10 - Peni Säynäjoki Opimoiniopin seminaari - Syksy 2000 / 1 Meneelmien yhäläisyyksiä
MATA172 Sami Yrjänheikki Harjoitus Totta vai Tarua? Lyhyt perustelu tai vastaesimerkki!
MATA17 Sami Yrjäheikki Harjoitus 7 1.1.018 Tehtävä 1 Totta vai Tarua? Lyhyt perustelu tai vastaesimerkki! (a) Jokaie jatkuva fuktio f : R R o tasaisesti jatkuva. (b) Jokaie jatkuva fuktio f : [0, 1[ R
Sovellettu 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
Johdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Estimoitimeetelmät TKK (c) Ilkka Melli (2005) 1 Estimoitimeetelmät Todeäköisyysjakaumie parametrie estimoiti Momettimeetelmä Normaalijakauma parametrie estimoiti Ekspoettijakauma
J1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6
MATRIISILASKENTA(TFM) MALLIT AV 6 J (II.6.9) Päättele, että avaruusvetorit a, b ja c ovat lineaarisesti riippuvat täsmälleen un vetoreiden virittämän suuntaissärmiön tilavuus =. Tuti tällä riteerillä ovato
Todennäköisyyslaskenta: Todennäköisyysjakaumia
Todeäköisyysjakaumia Todeäköisyyslasketa: Todeäköisyysjakaumia 6. Diskreettejä jakaumia 7. Jatkuvia jakaumia 8. Normaalijakaumasta johdettuja jakaumia 9. Moiulotteisia jakaumia Ilkka Melli 35 Todeäköisyysjakaumia
Tehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1
Luuteoria Harjoitus 1 evät 2011 Alesis Kosi 1 Tehtävä 1 Näytä: jos a ja b ovat positiivisia oonaisluuja joille (a, b) = 1 ja a c, seä lisäsi b c, niin silloin ab c. Vastaus Kosa a c, niin jaollisuuden
Kojemeteorologia. Sami Haapanala syksy Fysiikan laitos, Ilmakehätieteiden osasto
Kojemeeorologia Sami Haapaala syksy 03 Fysiika laios, Ilmakehäieeide osaso Mialaieide dyaamise omiaisuude Dyaamise uusluvu määriävä mie mialaie käyäyyy syöeide muuuessa Apua käyeää differeiaaliyhälöiä,
4.1. 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
Osa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa 2: Otokset, otosjakaumat ja estimoiti Estimoitimeetelmät TKK (c) Ilkka Melli (2007) Estimoitimeetelmät >> Todeäköisyysjakaumie parametrie estimoiti Suurimma uskottavuude
b) Ei ole. Todistus samaan tyyliin kuin edellinen. Olkoon C > 0 ja valitaan x = 2C sekä y = 0. Tällöin pätee f(x) f(y)
Maemaiikan ja ilasoieeen osaso/hy Differeniaaliyhälö II Laskuharjoius 1 malli Kevä 19 Tehävä 1. Ovako seuraava funkio Lipschiz-jakuvia reaaliakselilla: a) f(x) = x 1/3, b) f(x) = x, c) f(x) = x? a) Ei
Johdatus 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
Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:
Mat-.090 Sovellettu todeäköisyyslasku A Mat-.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Otos- ja otosjakaumat Estimoiti Estimoitimeetelmät Väliestimoiti Aritmeettie keskiarvo, Beroulli-jakauma,
JLP:n käyttämättömät mahdollisuudet. Juha Lappi
JLP:n äyämäömä mahdollisuude Juha Lappi LP ehävä p z = a x + b z 0 Max or Min (.) 0 0 = = subjec o he following consrains: c a x + b z C, =,, q p q K r (.2) = = m n i ij K (.3) i= j= ij x xw= 0, =,, p
Tilastolliset menetelmät: Varianssianalyysi
Variassiaalsi Tilastolliset meetelmät: Variassiaalsi 0. Ysisuutaie variassiaalsi. asisuutaie variassiaalsi. olmi a useampisuutaie variassiaalsi T @ Ila Melli (006) 433 Variassiaalsi T @ Ila Melli (006)
C (4) 1 x + C (4) 2 x 2 + C (4)
http://matematiialehtisolmu.fi/ Kombiaatio-oppia Kuia mota erilaista lottoriviä ja poeriättä o olemassa? Lotossa arvotaa 7 palloa 39 pallo jouosta. Poeriäsi o viide orti osajouo 52 orttia äsittävästä paasta.
Ilkka Mellin Todennäköisyyslaskenta. Osa 3: Todennäköisyysjakaumia. Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Diskreettejä jakaumia TKK (c) Ilkka Mellin (2007) 1 Diskreettejä jakaumia >> Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma
1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT
imat-2.104 Tilastollisen analyysin perusteet / Tehtävät Aiheet: Avainsanat: Ysisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Koonaisesiarvo,
III. SARJATEORIAN ALKEITA. III.1. Sarjan suppeneminen. x k = x 1 + x 2 + x ,
III. SARJATEORIAN ALKEITA Sarja on formaali summa III.. Sarjan suppeneminen = x + x 2 + x 3 +..., missä R aiilla N (merintä ei välttämättä taroita mitään reaaliluua). Luvut x, x 2,... ovat sarjan yhteenlasettavat
Luento Otosavaruus, tapahtuma. Otosavaruus (sample space) on kaikkien mahdollisten alkeistapahtumien (sample) ω joukko.
Luento odennäöisyyslasentaa Otosavaruus, tapahtuma ja todennäöisyys Ehdollinen todennäöisyys, tilastollinen riippumattomuus, Bayesin teoreema, oonaistodennäöisyys Odotusarvo, varianssi, momentti Stoastiset
9.7 Matriisinormit. Vaasan yliopiston julkaisuja 225. Ei siis lainkaan ongelmia defektiivisyydestä.
Vaasa yliopisto julkaisuja 225 U = 0.1213-0.9359-0.3307-0.1005-0.3430 0.9339 0.9875 0.0801 0.1357 S = V = >> 4.5221 0 0 0 2.2793 0 0 0 1.1642 0.0537-0.8212-0.5681 0.4414-0.4908 0.7512 0.8957 0.2911-0.3361
Diskreettejä jakaumia. Diskreettejä jakaumia. Diskreettejä jakaumia Mitä opimme? 2/3. Diskreettejä jakaumia Mitä opimme? 1/3
TKK (c) Ilkka Melli (4) Diskeettejä jakaumia Johdatus todeäköisyyslasketaa Diskeettejä jakaumia Diskeetti tasaie jakauma Beoulli-jakauma Biomijakauma Geometie jakauma Negatiivie biomijakauma Hyegeometie
Luento Otosavaruus, tapahtuma. Otosavaruus (sample space) on kaikkien mahdollisten alkeistapahtumien (sample) ω joukko.
Luento 0 odennäöisyyslasentaa Otosavaruus, tapahtuma ja todennäöisyys Ehdollinen todennäöisyys, tilastollinen riippumattomuus, Bayesin teoreema, oonaistodennäöisyys Odotusarvo, varianssi, momentti Stoastiset
2. Suoraviivainen liike
. Suoraviivainen liike . Siirymä, keskinopeus ja keskivauhi Aika: unnus, yksikkö: sekuni s Suoraviivaisessa liikkeessä kappaleen asema (paikka) ilmoieaan suoralla olevan piseen paikkakoordinaain (unnus
1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä
4. Todennäköisyyslaskennan kertausta
Sisältö Peruskäsitteet Diskreetit satuaismuuttujat Diskreetit jakaumat (lkm-jakaumat) Jatkuvat satuaismuuttujat Jatkuvat jakaumat (aikajakaumat) Muut satuaismuuttujat lueto04.ppt S-38.45 - Liikeeteoria
Joulukuun vaativammat valmennustehtävät ratkaisut
Jouluuun vaativammat valmennustehtävät rataisut. Tapa. Pätee z = x + y, joten z = (x + y = x + y, josta sieventämällä seuraa xy 4x 4y + 4 = 0. Siispä (x (y =. Tästä yhtälöstä saadaan suoraan x =, y = 4
Osa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut
Tämä merkitsee geometrisesti, että funktioiden f
28 2. Futiosarjat Edellä sarjat olivat luusarjoja, joide termit ovat (tässä urssissa) reaaliluuja. Jos termit ovat samasta muuttujasta riippuvia futioita, päädytää futiotermisii sarjoihi. Näide äyttö matematiiassa
Tehtävä 3. Määrää seuraavien jonojen raja-arvot 1.
Jonotehtävät, 0/9/005, sivu / 5 Perustehtävät Tehtävä. Muotoile matemaattiset vastineet seuraavien väitteiden negaatioille (ts. vastaohdat).. Jono (a n ) suppenee ohti luua a.. Jono (a n ) on asvava. 3.
Riemannin sarjateoreema
Riemannin sarjateoreema LuK-tutielma Sami Määttä 2368326 Matemaattisten tieteiden laitos Oulun yliopisto Sysy 206 Sisältö Johdanto 2 Luujonot 3 2 Sarjat 4 2. Vuorottelevat sarjat........................
Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat
8 USEAN VAPAUSASTEEN SYSTEEMIN VAIMENEMATON PAKKOVÄRÄHTELY
Värähelymeaa 8. 8 USEAN VAPAUSASEEN SYSEEMIN VAIMENEMAON PAKKOVÄRÄHELY 8. Normaalmuoomeeelmä Usea vapausasee syseem leyhälöde (7.) raaseme vaa aava (7.7) a (7.8) homogeese yhälö ylese raasu { } lsäs paovomaveora
Johdatus todennäköisyyslaskentaan Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Diskreettejä jakaumia TKK (c) Ilkka Mellin (2005) 1 Diskreettejä jakaumia Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen jakauma Negatiivinen
Yleinen lineaarinen malli. Yleinen lineaarinen malli. Yleinen lineaarinen malli: Mitä opimme? 2/4. Yleinen lineaarinen malli: Mitä opimme?
TKK (c) Ila Melli (004) Yleie lieaarie malli Johdatus tilastotieteesee Yleie lieaarie malli Usea selittää lieaarie regressiomalli Yleise lieaarise malli matriisisesitys Yleise lieaarise malli estimoiti
Tilastollinen päättely II, kevät 2017 Harjoitus 3B
Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.
3. Markovin prosessit ja vahva Markovin ominaisuus
30 STOKASTISET DIFFERENTIAALIYHTÄLÖT 3. Marovin prosessit ja vahva Marovin ominaisuus Aloitamme nyt edellisen appaleen päättäneen esimerin yleistämisen Brownin liieelle. Käymme ysitellen läpi esimerin
8. laskuharjoituskierros, vko 11, ratkaisut
Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse
järjestelmät Luento 4
DEE- Lineaarise järjeselmä Lueno 4 Lineaarise järjeselmä Riso Mionen 3.7.4 Lueno 3 - Recap Lineaarisen differenssiyhälöiden raaiseminen Impulssivaseen äsie Impulssivase ja onvoluuiosumma Lineaarise järjeselmä
Tilastollinen päättömyys, kevät 2017 Harjoitus 5b
Tilastollie päättömyys, kevät 07 Harjoitus b Heikki Korpela 3. helmikuuta 07 Tehtävä. a Olkoot Y,..., Y Bθ. Johda uskottavuusosamäärä testisuuree ry, Waldi testisuuree wy ja Rao pistemäärätestisuuree uy
Ylioppilastutkintolautakunta S tudentexamensnämnden
Ylioppilastutintolautaunta S tudenteamensnämnden MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 0..0 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten piirteiden ja sisältöjen luonnehdinta ei sido ylioppilastutintolautaunnan
Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma
6.1 Riippumattomat satunnaismuuttujat
Luku 6 Otatajakaumie teoria 6.1 Riippumattomat satuaismuuttujat Muistamme edellisistä luvuista, että satuaismuuttujat X 1 ja X 2 ovat riippumattomat (määritelmät 4.6 ja 5.5), jos f(x 1, x 2 ) f 1 (x 1
Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /
MS-A8 Differentiaali- ja integraalilasenta, V/27 Differentiaali- ja integraalilasenta Rataisut. viiolle /. 3.4. Luujonot Tehtävä : Mitä ovat luujonon viisi ensimmäistä termiä, un luujono on a) (a n ) n=,
Luoki?elua: tavallinen vs osi?ais. Osa 11. Differen0aaliyhtälöt. Luoki?elua: kertaluku. Luoki?elua: lineaarisuus 4/13/13
4/3/3 Osa. Differen0aaliyhtälöt Differen0aaliyhtälö = yhtälö jossa esiintyy jonkin funk0on derivaa?a. Esim: dx = x2 f x + f xy 2 2m d 2 ψ = Eψ dx 2 Luoki?elua: tavallinen vs osi?ais Differen0aaliyhtälöt
Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
4.7 Todennäköisyysjakaumia
MAB5: Todeäöisyyde lähtöohdat.7 Todeäöisyysjaaumia Luvussa 3 Tuusluvut perehdyimme jo jaauma äsitteesee yleesä ja ormaalijaaumaa vähä taremmi. Lähdetää yt tutustumaa biomijaaumaa ja otetaa se jälee ormaalijaauma
S Signaalit ja järjestelmät Tentti
S-7. Signaali ja järjeselmä eni..6 Vasaa ehävään, ehävisä 7 oeaan huomioon neljä parhaien suorieua ehävää.. Vasaa lyhyesi seuraaviin osaehäviin, käyä arviaessa kuvaa. a) Mikä kaksi ehoa kanaunkioiden φ
a. Varsinainen prosessi on tuttua tilaesitysmuotoa:
ELEC-C Sääöeniia 7. lauharjoiu Vaaue. r - K u K C y a. Varinainen proei on uua ilaeiymuooa: A Bu y C Kuvaa nähdään, eä ilamallin iäänmenona on u r K. Salaaria ei voi vähenää mariiia, joen un on n -veori,
Gripenberg. 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,
MS-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
i ni 9 = 84. Todennäköisin partitio on partitio k = 6, k k
1. Neljä tuistettavissa oleva hiuase iroaoise jouo ahdolliset eergiatasot ovat 0, ε, ε, ε, 4ε,, jota aii ovat degeeroituattoia. Systeei ooaiseergia o 6ε. sitä aii ahdolliset partitiot ja osoita, että irotiloje
Sovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien
f x dx y dy t dt f x y t dx dy dt O , (4b) . (4c) f f x = ja x (4d)
Tehävä 1. Oleeaan, eä on käössä jakuva kuva, jossa (,, ) keroo harmaasävn arvon paikassa (, ) ajanhekenä. Dnaaminen kuva voidaan esiää Talor sarjana: d d d d d d O ( +, +, + ) = (,, ) + + + + ( ). (4a)
1. Todista/Prove (b) Lause 2.4. käyttäen Lausetta 2.3./by using Theorem b 1 ; 1 b + 1 ; 1 b 1 1
KETJUMURTOLUVUT Harjoiuksia 209. Todisa/Prove Lause 2.2. käyäen Lausea 2.3./by using Theorem 2.3. Lause 2.4. käyäen Lausea 2.3./by using Theorem 2.3. 2. Määrää Canorin kehielmä luvuille 0,, 2, 3, 4, 5,
Osittaisdifferentiaaliyhtälöt
Osittaisdifferentiaaliyhtälöt Harjoituskokoelmat 4 ja 5, kevät 2011 Palautus Eemeli Blåstenille to 23.6. klo 16.00 mennessä 1. Ratkaise Dirichlet ongelma u(x, y) = 0, x 2 + y 2 < 1, u(x, y) = y + x 2,
1. 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
Sattuman matematiikkaa III
Sattuman matematiiaa III Kolmogorovin asioomat ja frevenssitulinta Tommi Sottinen Tutija Matematiian ja tilastotieteen laitos, Helsingin yliopisto Laboratoire de Probabilités et Modèles Aléatoires, Université