2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2
|
|
- Sinikka Kahma
- 4 vuotta sitten
- Katselukertoja:
Transkriptio
1 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. (monisteen Lause 2.2 tai muistisääntö (2.2)). Ratkaisu: Satunnaismuuttujan U tiheysfunktio on 2 exp( 2u), kun u > 0 f U (u) = 0, muualla. Selvästi siis P(U > 0) =, eli P(U (0, )) =. Huomataan, että 0 < u <, 3+u kun u > 0. Satunnaismuuttuja V on U :n muunnos, eli V = g(u), missä g on funktio (0, ) (0, ) ja g(u) = u, joka selvästi on aidosti kasvava, kun 0 < u <. Näin 3+u ollen sille on olemassa käänteisfunktio h : (0, ) (0, ). Käänteisfunktion lauseke saadaan selville ratkaisemalla u yhtälöstä v = u 3 + u 3v + uv = u u = 3v v. Sijoittamalla u = h(v) saadaan h(v) = 3v. Sekä g että h ovat rationaalifunktioina v jatkuvasti derivoituvia määrittelyjoukoissaan, joten määritelmän 2.0 nojalla funktio g : (0, ) (0, ) on diffeomorfismi. Kun 0 < v <, lauseen 2.2 (tai muistisäännön (2.2)) nojalla ja f V (v) on nolla muualla. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) ( ) 3v 3 = f U v ( v) 2 ( ) 3v 3 = 2 exp 2 v ( v) 2 ( ) 6 6v = ( v) exp 2 v 2. Lognormaali satunnaismuuttuja X > 0 on satunnaismuuttuja, jonka logaritmi ln X on normaalijakautunut. Normaalijakauman tiheysfuntio f : R (0, ) parametreilla µ R ja σ 2 > 0 on f(x µ, σ 2 ) = 2πσ 2 exp( (x µ)2 /(2σ 2 )).
2 Näytä, että lognormaali satunnaismuuttuja X on jatkuva ja määrää sen tiheysfuntio. Ratkaisu: Olkoon funktio g : (0, ) R, jolle g(x) = ln(x). Logaritmifunktio on aidosti kasvava, kun x (0, ), joten sille on olemassa käänteiskuvaus h : R (0, ). Käänteiskuvauksen lauseke saadaan ratkaisemalla x yhtälöstä g(x) = y ln(x) = y e ln(x) = e y x = e y Sijoittamalla x = h(y) saadaan h(y) = e y. Sekä g että h ovat logaritmi- ja eksponenttifunktioina jatkuvasti derivoituvia, joten määritelmän 2.0 nojalla funktio h : R (0, ) on diffeomorfismi. Olkoon Y = ln X normaalijakautunut satunnaismuuttuja parametreilla µ ja σ 2, missä satunnaismuuttuja X > 0. Kun x (0, ), lauseen 2.2 nojalla satunnaismuuttujalla X = h(y ) = e Y on jatkuva jakauma tiheysfunktiolla f X (x) = f Y (g(x)) g (x) ja muualla tiheysfunktio on nolla. Koska f Y (y) on normaalijakauman tiheysfunktio pisteessä y ja g (x) = d ln(x) = = (sillä x > 0), niin X :n tiheysfunktioksi dx x x saadaan f X (x) = = exp( (ln(x) 2πσ 2 µ)2 /(2σ 2 )) x x 2πσ exp( (ln(x) 2 µ)2 /(2σ 2 )), kun x (0, ) ja muualla tiheysfunktio on nolla. Kertymäfunktiotekniikka: Tehdään sama vielä kertymäfunktiotekniikalla. Se koostuu seuraavista askeleista: (a) Johdetaan sm:n X kertymäfunktio F X (b) Perustellaan, että F X on jatkuvan jakauman kf (c) Lasketaan sm:n X tiheysfunktio f X Määritelmän mukaan F X (x) = P(X x). Koska X > 0, niin väistämättä F X (x) = 0 jokaisella x 0, sillä tapahtuma { 0 < X x 0 } on mahdoton tapahtuma. Voidaan siten olettaa, että x > 0. Tällöin F X (x) = P(X x) = P(ln X ln x), sillä logartimi (ja sen käänteiskuvaus) ovat kasvavia funktioita. Koska tiedämme, että ln X ja Y N(µ, σ 2 ) ovat samoin jakautuneita, niin F X (x) = P(X x) = P(ln X ln x) = P(Y ln x) = F Y (ln x) kun x > 0. Olemme siten päätelleet, että F Y (ln x), kun x > 0 F X (x) = 0, kun x 0
3 Jotta F X olisi jatkuvan jakauman kf, niin meidän tulisi näyttää että se toteuttaa seuraavat ehdot: a) se on kf, b) jatkuva koko R:ssä sekä c) jatkuvasti derivoituva poislukien korkeintaan äärellisen monta poikkeuspistettä. Kohdan a) pitäisi olla kunnossa, koska johdimme sen suoraan kertymäfunktion määritelmästä, mutta tarkistetaan se samalla. Jotta F X olisi jatkuva, niin voimme tarkistaa sen kolmessa osassa: kun x < 0, on se vakiofunktiona jatkuva ja kun x > 0, niin F X on myös jatkuva, sillä logaritmifunktio on jatkuva ja F Y on jatkuva, koska Y on jatkuvasti jakautunut (sillä on tf!). Ainoa ongelmakohta voisi olla kun x = 0, missä F X (0) = 0. Vasemmanpuolinen raja-arvo on selvästi kunnossa (mieti miksi :). Oikeanpuolinen raja-arvo puolestaan lim F X(x) = lim F x 0 + x 0 + Y (ln x) = lim F Y (y) = 0 y missä käytimme apuna tietoa: kun x 0 +, niin ln x. Viimeinen yhtäsuuruus seuraa, koska F Y on kf. Siispä F X on jatkuva koko R:ssä. Viimeinen askel on näyttää että F X on olemassa ja jatkuva (poislukien mahdolliset poikkeuspisteet). Kun x < 0, niin F X(x) = 0, mikä on jatkuva. Kun x > 0, niin F X(x) = F Y (ln x) x (ln x) = f Y (ln x)x = x 2πσ 2 exp( (ln x µ)2 /(2σ 2 )). Tämä on jatkuva funktio, sillä se on tulo kahdesta jatkuvasta funktiosta /x ja exp(... ), missä jälkimmäinen on f Y (ln x) on jatkuva, sillä f Y on jatkuva ja logaritmi on jatkuva. Olemme siten näyttäneet, että F X on jatkuvan funktion kf (nyt voimme sen myös helposti tarkistaa: se on kasvava, koska sen derivaatta on ei-negatiivinen, se on jatkuva (joten se on oikealta jatkuva), F X ( ) = 0 ja F X ( ) = F Y ( ) =, mutta tämä seurasi siis laskustamme, mutta on aina hyvä tarkastaa asia). Lisäksi tiedämme, että derivaatta sopivasti täydennettynä kelpaa tiheysfunktioksi, joten voimme sanoa, että eräs sm:n X tiheysfunktio on f X (x) = x exp( (ln x 2πσ 2 µ)2 /(2σ 2 )), kun x > 0, 0, muutoin. Tämä on luonnollisesti sama mikä saatiin aiemmin muuttujanvaihtotekniikalla. 3. Heitetään 8-sivuista noppaa kaksi kertaa. V on ensimmäisen heiton silmäluku ja V 2 toisen heiton silmäluku. Määritellään satunnaismuuttujat X = min(v, V 2 ) ja Y = max(v, V 2 ). Perustele, miksi satunnaismuuttujien X ja Y yptnf on /, kun x = y 8, f (X,Y ) (x, y) = 2/, kun x < y 8, 0, muuten. Tarkista myös, että f (X,Y ) todella on yptnf. Johda reuna-ptnf:t f X ja f Y yptnf:n reunasummina. Ratkaisu: Oletetaan tavalliseen tapaan, että kahden nopan silmäluvut V ja V 2 ovat riippumattomia. Koska X = min(v, V 2 ) ja Y = max(v, V 2 ), pätee X Y, jolloin f X,Y (x, y) = 0, kun x > y. Lisäksi selvästi f X,Y = 0, kun (x, y) / {,..., 8} {,..., 8}.
4 Huomataan, että tapahtuma {X = x, Y = x} = {V = x, V 2 = x}, eli jos minimi ja maksimi ovat sama luku, heittojen silmälukujen on oltava samat. Riippumattomuuden nojalla saadaan P(V = x, V 2 = x) = P(V = x)p(v 2 = x). Lisäksi kun tiedetään, että, x {,..., 8} 8 P(V = x) = P(V 2 = x) = 0, x / {,..., 8}, niin voidaan todeta, että jos x = y, niin f X,Y (x, y) = P(X = Y ) = ( ) 2 8 =, kun (x, y) {,..., 8} {,..., 8}. Tutkitaan vielä tapaus x < y ja (x, y) {,..., 8} {,..., 8}. Tällöin tapahtuma {X = x, Y = y} voidaan lausua yhdisteenä {V = x, V 2 = y} {V = y, V 2 = x}, sillä minimi voidaan saada joko ensimmäisellä heitolla tai toisella heitolla ja jos toinen on minimi, niin toisen on oltava maksimi. Nämä kaksi tapahtumaa ovat erilliset, joten tn-mitan additiivisuuden nojalla P(X = x, Y = y) = P(V = x, V 2 = y) + P(V = y, V 2 = x) ( ) 2 ( ) 2 = P(V = x)p(v 2 = y) + P(V = y)p(v 2 = x) = + = Tarkistetaan vielä, että kyseessä on yptnf. Merkitään S = {,..., 8} {,..., 8}, jolloin f X,Y : S R on ei-negatiivinen funktio ja pistetodennäköisyyksien summa on (taulukosta on apua): Reunajakaumat saadaan summaamalla toinen muuttuja x/y / 2/ 2/ 2/ 2/ 2/ 2/ 2/ 5/ 2 0 / 2/ 2/ 2/ 2/ 2/ 2/ 3/ / 2/ 2/ 2/ 2/ 2/ / / 2/ 2/ 2/ 2/ 9/ / 2/ 2/ 2/ 7/ / 2/ 2/ 5/ / 2/ 3/ / / x / 3/ 5/ 7/ 9/ / 3/ 5/ y pois, eli f X (x) = y f Y (y) = x 7 2x, x {,..., 8} f X,Y (x, y) = 0, x / {,..., 8} 2y, y {,..., 8} f X,Y (x, y) = 0, y / {,..., 8}. 4. Jatkoa tehtävään 3. a) Ovatko tehtävän 3 satunnaismuuttujat X ja Y riippumattomia? b) Esitä tapahtuma {X > x} muodossa {V > v, V 2 > v 2 } keksimällä sopivat v ja v 2. c) Päättele silmälukujen V ja V 2 riippumattomuuden ja kohdan b) avulla sm:n X kf F X.
5 d) johda kohdan c) kertymäfunktiosta F X vastaava reuna-ptnf f X (toivottavasti sait saman kuin edellisessä tehtävässä) Ratkaisu: a) Koska esimerkiksi P(X >, Y = ) = 0 49 = P(X > )P(Y = ), niin satunnaismuuttujat X ja Y eivät ole riippumattomia. b) Tapahtuma {X > x} tarkoittaa, että pienempi silmäluvuista on aidosti suurempaa kuin x. Tämä vaatii, että molempien silmälukujen on oltava aidosti suurempaa kuin x. Tapahtuma voidaan siis muotoilla c) Jos x {,..., 8}, niin {X > x} = {V > x, V 2 > x}. F X (x) = P(X x) = P(X > x) = P(V > x, V 2 > x) ( ) 8 x 2 6x x2 = P(V > x)p(v 2 > x) = =. 8 Koska X on diskreetti ja sen arvojoukko on [, 8] N, saadaan F X :stä kertymäfunktio täydentämällä se paloittain vakioksi oikealta jatkuvaksi porrasfunktioksi, jonka epäjatkuvuuskohdat löytyvät joukosta {,..., 8}. Lisäksi, kun x <, niin F X (x) = P (X x) = 0 ja kun x > 8, niin F X (x) = P (X x) =. d) Kyseessä on diskreetti satunnaismuuttuja, joten kun x {,..., 8}, saadaan pistetodennäköisyysfunktio laskemalla kertymäfunktion arvojen erotuksia X :n arvojoukon peräkkäisissä arvoissa, eli f X (x) = P (X = x) = P (X x) P (X x ) = F X (x) F X (x ) 6x x2 6(x ) (x )2 = = 6x x2 6(x ) + (x ) 2 = 6x x2 6x x 2 2x + = 7 2x. 5. Heitetään tavallista lanttia neljä kertaa (ja oletetaan, että heitot ovat riippumattomia). Määritellään satunnaismuuttujat X j = { j. heitto kruuna }, kun j =, 2, 3, 4. Määritellään näiden avulla satunnaismuuttujat W = 2X 2 + X ja V = 4X + 8X 4 2 sekä Y = W + V. a) Selitä perustellen, miksi W V. b) Määrää ptnf f Y ja tunnista satunnaismuuttujan Y jakauma (jakauma on tuttu). Ratkaisu: a) Määritellään funktiot h ja h 2 seuraavasti: h : R 2 R, h (x, y) = 2x + y + 3 ja h 2 : R 2 R, h 2 (x, y) = 4x + 8y 2.
6 Määritellään satunnaisvektorit Z = (X 2, X 3 ) ja Z 2 = (X, X 4 ). Nyt satunnaismuuttujat W ja V voidaan kirjoittaa satunnaisvektoreiden Z ja Z 2 funktioina, eli W = 2X 2 + X = h (X 2, X 3 ) = h (Z ) ja V = 4X + 8X 4 2 = h 2 (X, X 4 ) = h 2 (Z 2 ). Koska lantinheitot ovat toisistaan riippumattomia, satunnaismuuttujat X j ovat toisistaan riippumattomia (j =, 2, 3, 4), jolloin niistä muodostetut satunnaisvektorit Z ja Z 2 ovat toisistaan riippumattomia ja tällöin myös niiden muunnokset h (Z ) = W ja h 2 (Z 2 ) = V ovat toisistaan riippumattomia. b) Määritellään satunnaisvektori X = (X, X 2, X 3, X 4 ) ja funktio jolloin g : R 4 R, g(x, x 2, x 3, x 4 ) = 4x + 2x 2 + x 3 + 8x 4 +, Y = W + V = 2X 2 + X X + 8X 4 2 = 4X + 2X 2 + X 3 + 8X 4 + = g(x). Merkitään X:n arvojoukkoa S :llä, jolloin S = {(x, x 2, x 3, x 4 ) x i {0, }}. Tällöin P(X = x) = kaikilla x S, sillä jokainen 6:sta neljän kolikonheittotuloksen kombinaatiosta on yhtä todennäköinen. 6 Siten f Y (y) = P(Y = y) = P(g(X) = y) = P(g(X) = y, X S) = P(g(X) = y, X = x) = {g(x) = y}p(x = x) x S x S Käymällä läpi kaikki arvojoukon S arvot, saadaan g(0, 0, 0, 0) = g(, 0, 0, 0) = 4 + = 5 g(0,, 0, 0) = 2 + = 3 g(0, 0,, 0) = + = 2 g(0, 0, 0, ) = 8 + = 9 g(,, 0, 0) = = 7 g(, 0,, 0) = = 6 g(, 0, 0, ) = = 3 g(0,,, 0) = = 4 g(0,, 0, ) = = g(0, 0,, ) = = 0 g(,,, 0) = = 8 g(,, 0, ) = = 5 g(, 0,, ) = = 4 g(0,,, ) = = 2 g(,,, ) = = 6
7 Näin ollen x S {g(x) = y}p(x = x) = {y {, 2,..., 5, 6}}, 6 eli Y noudattaa diskreettiä tasajakaumaa arvojoukkona luonnolliset luvut yhdestä kuuteentoista. 6. Olkoon X Bin(n, p). Lasketaan odotusarvo EX 2 kahdella tavalla (helpompi riippumattomuuteen perustuva tapa ensi viikolla). Tapa (TTL): Lasketaan odotusarvo käyttämällä Lausetta 4.5, toisin sanoen laskemalla summa EX 2 = x 2 f(x) samantapaisella tekniikalla, kuin mitä käytetään luentomonisteen esimerkissä 4.3. (Opastus: käytä apuna identiteettiä x 2 = x(x )+x. Identiteetin termiä x vastaava summa EX = xf(x) = np on jo laskettu esimerkissä 4.3. Lopputuloksen pitäisi olla np( p) + n 2 p 2.) Ratkaisu: Odotusarvo EX 2 = x 2 f(x) = (x + x(x ))f(x) = xf(x) + x(x )f(x) n! = np + x(x ) x=2 x!(n x)! px ( p) n x n = np + n(n )p 2 (n 2)! x=2 (x 2)!(n x)! px 2 ( p) n x ( ) n 2 = np + n(n )p 2 n 2 p k ( p) n 2 k k=0 k }{{} = = np + n 2 p 2 np 2 = np( p) + n 2 p 2. Kolmanneksi viimeisellä rivillä oleva summa on yksi, koska kyseessä on jakauman Bin(n 2, k) pistetodennäköisyyksien summa yli jakauman arvojoukon.
0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä niistä
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
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..
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
LisätiedotHY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 4 Ratkaisuehdotuksia. Tehtäväsarja I
HY / Matematiikan ja tilatotieteen laito Tilatollinen päättely II, kevät 207 Harjoitu 4 Ratkaiuehdotukia Tehtäväarja I. (Kvantiili-kvantiili kuvion [engl. q q plot] idea.) Olkoon atunnaimuuttujalla X ellainen
Lisätiedotk S P[ X µ kσ] 1 k 2.
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 28 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
LisätiedotTodennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset 1. Olkoon X satunnaismuuttuja, ja olkoot a R \ {0}, b R ja Y = ax + b. (a) Olkoon X diskreetti ja f sen pistetodennäköisyysfunktio.
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
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
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
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
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
LisätiedotHY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I
HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I Tehtävä 1 on klassikko. 1. Tässä tehtävässä tapahtumat A ja B eivät välttämättä
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.
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
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
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
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-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,
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
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,
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6B
Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen
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
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 4. lokakuuta 2007 Antti Rasila () TodB 4. lokakuuta 2007 1 / 17 1 Moniulotteiset todennäköisyysjakaumat Johdanto Kaksiulotteiset satunnaismuuttujat Kaksiulotteisen
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
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,
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
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
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
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
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
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,
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
LisätiedotMATEMATIIKAN JA TILASTOTIETEEN LAITOS Analyysi I Harjoitus alkavalle viikolle Ratkaisuehdotuksia (7 sivua) (S.M)
MATEMATIIKAN JA TILASTOTIETEEN LAITOS Analyysi I Harjoitus 7. 2. 2009 alkavalle viikolle Ratkaisuehdotuksia (7 sivua) (S.M) Luennoilla on nyt menossa vaihe, missä Hurri-Syrjäsen monistetta käyttäen tutustutaan
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 2
031021P Tilastomatematiikka (5 op) viikko 2 Jukka Kemppainen Mathematics Division Satunnaismuuttuja Useissa luonnon- tai teknistieteellisissä sovellutuksissa satunnaiskokeen lopputulos on numeerinen lukuarvo.
Lisätiedot2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
LisätiedotJohdatus tn-laskentaan torstai 16.2.2012
Johdatus tn-laskentaan torstai 16.2.2012 Muunnoksen jakauma (ei pelkkä odotusarvo ja hajonta) Satunnaismuuttujien summa; Tas ja N Vakiokerroin (ax) ja vakiolisäys (X+b) Yleinen muunnos: neulanheittoesimerkki
LisätiedotDiskreetti derivaatta
Diskreetti derivaatta LuK-tutkielma Saara Sadinmaa 43571 Matemaattisten tieteiden koulutusohjelma Oulun yliopisto Syksy 017 Sisältö Johdanto 1 Peruskäsitteitä 3 Ominaisuuksia 4 3 Esimerkkejä 8 4 Potenssifunktioita
Lisätiedot3.1 Kaksiulotteinen satunnaisvektori ja sen jakauma
3 Yhteisjakauma Kappaleessa 2 tarkastelimme aina yhtä satunnaismuuttujaa kerrallaan. Tässä kappaleessa näemme, miten aikaisemmat käsitteet yleistyvät siihen tilanteeseen, jossa samalla perusjoukolla on
Lisätiedot30A02000 Tilastotieteen perusteet
30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi
Lisätiedot8.1 Ehdolliset jakaumat
8 Ehdollinen jakauma Tämän kappaleen tärkeitä käsitteitä: Ehdollinen jakauma; ehdollinen ptnf/tf. Kertolaskusääntö eli ketjusääntö yhteisjakauman esittämiseksi. Ehdollinen odotusarvo ja ehdollinen varianssi.
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
LisätiedotValintahetket ja pysäytetyt martingaalit
4B Valintahetket ja pysäytetyt martingaalit Tämän harjoituksen tavoitteena on oppia tunnistamaan, mitkä satunnaishetket ovat valintahetkiä ja oppia laskemaan lukuarvoja ja estimaatteja satunnaisprosessien
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
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
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
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
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 Väliarvolause Oletetaan, että funktio f on jatkuva jollain reaalilukuvälillä [a, b] ja derivoituva avoimella välillä (a, b). Funktion muutos tällä välillä on luonnollisesti
Lisätiedotl (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka
Lisätiedot3.11.2006. ,ܾ jaü on annettu niin voidaan hakea funktion 0.1 0.2 0.3 0.4
Ü µ ½ ¾Ü¾µ Ü¾Ê 3.11.2006 1. Satunnaismuuttujan tiheysfunktio on ¼ ļ ܽ ܾ ÜÒµ Ä Ü½ ÜÒµ Ò Ä Ü½ ܾ ÜÒµ ܽ µ ܾ µ ÜÒ µ Ò missä tietenkin vaaditaan, että ¼. Muodosta :n ¾Ä ܽ ÜÒµ Ò ½¾ ܾ Ò ½ ¾Ü¾½µ ½ ¾Ü¾Òµ
LisätiedotMatematiikan peruskurssi 2
Matematiikan peruskurssi Tentti, 9..06 Tentin kesto: h. Sallitut apuvälineet: kaavakokoelma ja laskin, joka ei kykene graaseen/symboliseen laskentaan Vastaa seuraavista viidestä tehtävästä neljään. Saat
Lisätiedot2.1 Satunnaismuuttuja ja sen jakauma
2.1 Satunnaismuuttuja ja sen jakauma Satunnaismuuttuja (lyhenne sm, engl. random variable, rv (joskus myös variate), sv. stokastisk variabel (joskus myös slumpvariabel)) on satunnaiskokeeseen liittyvä
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 1A
Tilastollinen päättely II, kevät 207 Harjoitus A Heikki Korpela 23. tammikuuta 207 Tehtävä. Kertausta todennäköisyyslaskennasta. Ilmoita satunnaismuuttujan Y jakauman nimi ja pistetodennäköisyys- tai tiheysfunktio
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 3
031021P Tilastomatematiikka (5 op) viikko 3 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan
LisätiedotV ar(m n ) = V ar(x i ).
Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia
LisätiedotDerivaatan sovellukset (ääriarvotehtävät ym.)
Derivaatan sovellukset (ääriarvotehtävät ym.) Tehtävät: 1. Tutki derivaatan avulla funktion f kulkua. a) f(x) = x 4x b) f(x) = x + 6x + 11 c) f(x) = x4 4 x3 + 4 d) f(x) = x 3 6x + 1x + 3. Määritä rationaalifunktion
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
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
Lisätiedot11 Raja-arvolauseita ja approksimaatioita
11 Raja-arvolauseita ja approksimaatioita Tässä luvussa esitellään sellaisia kuuluisia todennäköisyysteorian raja-arvolauseita, joita sovelletaan usein tilastollisessa päättelyssä. Näiden raja-arvolauseiden
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
Lisätiedoty x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1
1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y
LisätiedotTodennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syyslokakuu 019 / Hytönen. laskuharjoitus, ratkaisuehdotukset 1. Kurssilla on 0 opiskelijaa, näiden joukossa Jutta, Jyrki, Ilkka ja Alex. Opettaja aikoo valita umpimähkään opiskelijan
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
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
LisätiedotMATP153 Approbatur 1B Ohjaus 2 Keskiviikko torstai
MATP15 Approbatur 1B Ohjaus Keskiviikko 4.11. torstai 5.11.015 1. (Opiskeluteht. 6 s. 0.) Määritä sellainen vakio a, että polynomilla x + (a 1)x 4x a on juurena luku x = 1. Mitkä ovat tällöin muut juuret?.
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-2.090 Sovellettu todennäköisyyslasku A Harjoitus 4 (vko 41/2003) (Aihe: diskreettejä satunnaismuuttujia ja jakaumia, Laininen luvut 4.1 4.7) 1. Kone tekee
LisätiedotMoniulotteiset satunnaismuuttujat ja jakaumat
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset
LisätiedotMatematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 5
Matematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 5 1. Näytä, että X t := Bt 3 3tB t on martingaali Brownin liikkeen B historian suhteen. Ratkaisuehdotus:
LisätiedotJATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)
J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos
Lisätiedot031021P Tilastomatematiikka (5 op) viikot 5 6
031021P Tilastomatematiikka (5 op) viikot 5 6 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan
LisätiedotDifferentiaaliyhtälöt I, kevät 2017 Harjoitus 3
Differentiaaliyhtälöt I, kevät 07 Harjoitus 3 Heikki Korpela. helmikuuta 07 Tehtävä. Ratkaise alkuarvo-ongelmat a) y + 4y e x = 0, y0) = 4 3 b) Vastaus: xy + y = x 3, y) =.. a) Valitaan integroivaksi tekijäksi
LisätiedotInjektio (1/3) Funktio f on injektio, joss. f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f )
Injektio (1/3) Määritelmä Funktio f on injektio, joss f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f ) Seurauksia: Jatkuva injektio on siis aina joko aidosti kasvava tai aidosti vähenevä Injektiolla on enintään
Lisätiedot2.1 Satunnaismuuttuja ja sen jakauma
2.1 Satunnaismuuttuja ja sen jakauma Satunnaismuuttuja (lyhenne sm, engl. random variable, rv (joskus myös variate), sv. stokastisk variabel (joskus myös slumpvariabel)) on satunnaiskokeeseen liittyvä
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
LisätiedotA = (a 2x) 2. f (x) = 12x 2 8ax + a 2 = 0 x = 8a ± 64a 2 48a x = a 6 tai x = a 2.
MATP53 Approbatur B Harjoitus 7 Maanantai..5. (Teht. s. 9.) Neliön muotoisesta pahviarkista, jonka sivun pituus on a, taitellaan kanneton laatikko niin, että pahviarkin nurkista leikataan neliön muotoiset
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
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
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
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
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
LisätiedotRatkaisuehdotus 2. kurssikokeeseen
Ratkaisuehdotus 2. kurssikokeeseen 4.2.202 (ratkaisuehdotus päivitetty 23.0.207) Huomioitavaa: - Tässä ratkaisuehdotuksessa olen pyrkinyt mainitsemaan lauseen, johon kulloinenkin päätelmä vetoaa. Näin
LisätiedotRatkaisuehdotus 2. kurssikoe
Ratkaisuehdotus 2. kurssikoe 4.2.202 Huomioitavaa: - Tässä ratkaisuehdotuksessa olen pyrkinyt mainitsemaan lauseen, johon kulloinenkin päätelmä vetoaa. Näin opiskelijan on helpompi jäljittää teoreettinen
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia Tehtäväsarja I 1. Jatkoa Harjoitus 8A tehtävään 3. Muodosta odotusarvolle µ approksimatiivinen
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
LisätiedotYleistä tietoa kokeesta
Yleistä tietoa kokeesta Kurssikoe on pe 27.10. klo 12.00-14.30 (jossakin auditorioista). Huomaa tasatunti! Seuraava erilliskoe on ke 1.11 klo 16-20, johon ilmoittaudutaan Oodissa (ilmoittautumisaika erilliskokeeseen
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 2A
Tilastollinen päättely II, kevät 07 Harjoitus A Heikki Korpela 3. tammikuuta 07 Tehtävä. (Monisteen tehtävä.3 Olkoot Y,..., Y n Exp(λ. Kirjoita vastaava tilastollisen mallin lauseke (ytf. Muodosta sitten
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.
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
Lisätiedot(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?
6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.
Lisätiedot8.1 Ehdolliset jakaumat
8 Ehdollinen jakauma Tämän kappaleen tärkeitä käsitteitä: Ehdollinen jakauma; ehdollinen ptnf/tf. Kertolaskusääntö eli ketjusääntö yhteisjakauman esittämiseksi. Ehdollinen odotusarvo ja ehdollinen varianssi.
LisätiedotKaikkia alla olevia kohtia ei käsitellä luennoilla kokonaan, koska osa on ennestään lukiosta tuttua.
6 Alkeisfunktiot Kaikkia alla olevia kohtia ei käsitellä luennoilla kokonaan, koska osa on ennestään lukiosta tuttua. 6. Funktion määrittely Funktio f : A B on sääntö, joka liittää jokaiseen joukon A alkioon
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-200 Todennäköisyyslaskenta Tentti 29.04.20 / Kimmo Vattulainen Funktiolaskin sallittu.. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi kuutosen. A aloittaa
LisätiedotSatunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s
Satunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s kuuluu todennäköisyysavaruuteen S (s S) Esimerkkejä Kolikonheitossatodennäköisyysavaruus
LisätiedotSovellettu 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
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta 8..206 Gripenberg, Nieminen, Ojanen, Tiilikainen, Weckman Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi
LisätiedotKertausluento. Tilastollinen päättely II - 1. kurssikoe
Kertausluento Tilastollinen päättely II - 1. kurssikoe Yleistä tietoa TP II -1. kurssikokeesta 1. Kurssikoe on to 7.3 klo 12.00-14.30 (jossakin Exactumin auditorioista, salijako selvinnee tuolloin torstiana).
Lisätiedot