Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

Download "Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t"

Transkriptio

1 Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a <. Todennäköisyys sille, että Gaussisen valkoisen kohinan komponentit ovat yhtäaikaa rajoitettuja on siis nolla. Toisin sanoen P (sup t ɛ t < a) 0. Valkoinen kohina on myös tässä mielessä hyvin epäsäännöllistä. Huomautus Stokastiselle prosessille ei voi kirjoittaa yhteistodennäköisyystiheysfunktiota samaaan tapaan kuin satunnaisvektoreille. Sen sijaan äärellisulotteisten reunajakaumien F Xt1,...,X tk tiheysfunktiot ovat määriteltävissä. Stokastisten prosessien olemassaolo voidaan näyttää äärellisulotteisten reunajakaumien avulla. Tämän havaitsi ensimmäisenä Kolmogorov, jonka mukaan tulos on nimetty. (Tulosta ei esitetä tällä kurssilla) Määritelmä 3.3. Olkoon X t, t I, stokastinen prosessi. Sanotaan, että µ t on stokastisen prosessin X t odotusarvo, jos µ t E[X t ] jokaisella t I. Sanotaan, että C : I I R on stokastisen prosessin kovarianssifunktio, jos C(t, s) E[(X t µ t )(X s µ s )] jokaisella t, s I. Sanotaan, että Γ t on stokasisen prosessin X t jokaisella t, t τ I. Γ t (τ) C(t, t τ) autokovarianssifunktio, jos Esimerkki 3.2. Olkoon ε t valkoinen kohina, jolle ε t N(0, σ 2 ) jokaisella t 1, 2, 3,.... Olkoon X t 2 + t 2 + 3ε t. Laske prosessin X t odotusarvo ja kovarianssifunktio, mahdollista. 8

2 Ratkaisu: µ t E[X t ] E[2 + t 2 + 3ε t ] 2 + t 2 + E[3ε t ] 2 + t 2. Odotusarvo µ t 2 + t 2 jokaisella t 1, 2, 3,.... C(t, s) E[(X t µ t )(X s µ s )] E[(X t 2 t 2 )(X s 2 s 2 )] E[3ε t 3ε s ] { 9E[ε t ]E[ε s ] 0, kun t s 9E[ε 2 t ] 9σ 2 kun t s. Kätevä merkintä valkoisen kohinan kovarianssin laskemisessa on Kroneckerin deltafunktio { 1 kun i j δ i,j 0 kun i j. Kun ε on valkoinen kohina, jonka varianssi on σ 2, niin E[ε t ε s ] δ t,s E[ε 2 t ] δ t,s σ 2. Toinen kätevä merkintä on indikaattorifunktio { 1, kun x A I A (x) 0 muulloin. Esimerkiksi I {t Z:1 t 5} (j). Määritelmä 3.4. Olkoon X t stokastinen prosessi, jonka autokovarianssi on Γ t (τ). Stokastisen prosessin X t autokorrelaatio on ρ t (τ) Γ t (τ) Γt (0) Γ t τ (0). 3.2 MA-prosessit MA tulee sanoista Moving Average eli liukuva keskiarvo. Määritelmä 3.5. Stokastinen prosessi X t on ensimmäisen kertaluvun MA-prosessi (liukuvan keskiarvon prosessi) eli MA(1)-prosessi, jos X t µ + ε t + θε t 1 jokaisella t, missä µ, θ R ovat vakioita ja ε t on valkoinen kohina. 9

3 Lasketaan MA(1)-prosessin X t, t Z, odotusarvo: E[X t ] E[µ + ɛ t + θɛ t 1 ] µ. Lasketaan MA(1)-prosessin autokovarianssifunktio: Γ t (τ) E[(X t µ)(x t τ µ)] E[(ε t + θɛ t 1 )(ɛ t τ + θε t τ 1 )] E[ε t ε t τ + θε t 1 ε t τ + θε t θε t τ 1 ) + θ 2 ε t 1 ε t τ 1 ] δ t,t τ σ 2 + θδ t 1,t τ σ 2 + θδ t,t τ 1 σ 2 + θ 2 δ t 1,t τ 1 σ 2 Erityisesti Γ t (0) E[Xt 2 ] (1 + θ 2 )σ 2 ja Γ t (1) θσ 2. Kun τ > 1, niin Γ t (τ) 0. Kuva 3.2: Näyte MA(1)-prosessista X t 3 + ε t + ε t 1, t 1,..., 80, missä valkoinen kohina ε t N(0, 1) X t Kuva 3.3: Näyte valkoisesta kohinasta ε t N(0, 1), t 0, 1, 2,..., 80 Valkoinen kohina ε t MA(1)-prosessilla on enemmän rakennetta kuin valkoisella kohinalla: peräkkäiset pisteet ovat keskenään korreloituneita. 10

4 MA(1) eli liukuvan keskiarvon prosessin X t peräkkäiset komponentit ovat korreloituneita. Korrelaation suuruus on E[(X t µ)(x t 1 µ)] Var(X 2 t ) θσ 2 (1 + θ 2 )σ 2 θ (1 + θ 2 ). Nyrkkisääntöjä: Kun θ > 0, niin suurta (tai pientä) X t :n arvoa seuraa todennäköisesti suurehko (tai pienehkö) X t+1 :n arvo. Miten käy, kun θ < 0? Tutki kuvaa 2.8. Positiiviset parametrin θ arvot tuottavat säännöllisempiä prosesseja kuin negatiiviset parametrin θ arvot. Valkoinen kohina on epäsäännöllisempi kuin MA(1)-prosessi, kun θ > 0. Kuva 3.4: Näyte MA(1)-prosessista X t 3 + ε t ε t 1, missä valkoinen kohina ε N(0, 1) X t

5 Kuva 3.5: Näyte valkoisesta kohinasta ε N(0, 1) Valkoinen kohina ε t Määritelmä 3.6. Olkoon X t stokastinen prosessi. Sanotaan, että X t on stationäärinen, jos jokaisen satunnaisvektorin (X k1, X k2,..., X km ) jakauma on sama kuin satunnaisvektorin (X k1 +p, X k2 +p,..., X km +p) jakauma kaikilla k 1,..., k M, M ja p. Määritelmä 3.7. Prosessi X t on heikosti stationäärinen, jos sen odotusarvo on vakio ja sen autokovarianssi Γ t (τ) Γ(τ) ei riipu ajasta t. Esimerkki Valkoinen kohina ε t on heikosti stationäärinen, sillä sen odotusarvo E[ε t ] 0 ja sen autokovarianssi Γ t (τ) E[ε t ε t τ ] σ 2 δ t,t τ σ 2 δ 0,τ ei riipu muuttujan t arvosta. 2. MA(1)-prosessi X t, t Z, on heikosti stationäärinen. 3. Prosessi X t 3 2t + ε t ei ole heikosti stationäärinen, sillä sen odotusarvo riippuu ajasta t. E[X t ] 3 2t 4. Prosessi X t 7 t 2 ε t ei ole heikosti stationäärinen, sillä sen odotusarvo E[X t ] 7 on vakio, mutta sen varianssi riippuu ajasta t. Γ t (0) E[(X t 7) 2 ] t 4 σ 2 Huomautus Heikosti stationäärinen prosessi ei välttämättä ole stationäärinen eikä, yllättäen, myöskään toisin päin. Stationäärisellä prosessilla ei nimittäin välttämättä ole olemassa ensimmäistä ja toista momenttia. Esimerkki 3.4. Olkoon X t sellainen prosessi, että X t ja X s ovat tilastollisesti riippumattomia jokaisella t s ja X t on Cauchy-jakautunut jokaisella t eli P (X t a) a 12 1 π(1 + x 2 ) dx.

6 Tällöin integraali E[X t ] x 1 π(1 + x 2 ) dx hajaantuu eikä prosessilla X t ole olemassa odotusarvoa. Kuitenkin satunnaisvektorin (X k1,..., X km ) yhteisjakauman tiheysfunktio on riippumattomuuden nojalla f (Xk1,...,X km )(x 1,..., x M ) f Xk1 (x 1 ) f XkM (x M ) Oikea puoli ei muutu, vaikka indeksit k j vaihdettaisiin arvoiksi k j + p. M j1 1 π(1 + x 2 j ). Ensimmäisen kertaluvun MA-prosessi yleistyy korkeamman kertaluvun prosesseiksi: Määritelmä 3.8. Sanotaan, että X t on MA(q)-prosessi eli q:nnen kertaluvun liukuvan keskiarvon prosessi, jos X t µ + ε t + θ 1 ε t 1 + θ 2 ε t θ q ε t q, missä ε t, t Z, on valkoinen kohina ja µ, θ 1,..., θ q R. Lasketaan MA(q)-prosessin odotusarvo: E[X t ] E[µ + ε t + θ 1 ε t 1 + θ 2 ε t θ q ε t q ] µ + E[ε t ] + θ 1 E[ε t 1 ] + + θ q E[ε t q ] µ. Autokovarianssin laskemista varten otetaan käyttöön merkintä: θ 0 1. Tällöin X t µ + θ k ε t k. (3.2.1) Sijoittamalla lauseke (3.2.1) autokovarianssin määritelmään saadaan Γ t (τ) E[(X t µ)(x t τ µ)] [( ) ( )] E θ k ε t k θ j ε t τ j j0 [ ] E θ k ε t k θ j ε t τ j k,j0 On tärkeää kirjoittaa eri summiin eri indeksi, jonka yli summataan! Vaihdetaan seuraa- 13

7 vaksi odotusarvon ja summausten järjestys: Γ t (τ) θ k θ j E [ε t k ε t τ j ] k,j0 σ 2 θ k θ j δ k,τ+j σ 2 k,j0 θ k θ j σ 2 δ t k,t τ j k,j0 θ τ+j θ j I 0 τ+j q j0 σ 2 θ τ+j θ j I τ j q τ σ 2 j0 min(q,q τ) jmax(0, τ) θ τ+j θ j σ 2 q τ j0 θ τ+jθ j kun 0 τ q σ 2 q j τ θ j τ+jθ j+τ j σ 2 q+τ j 0 θ j θ j τ kun q τ < 0 0 muulloin { σ 2 q τ j0 θ τ +jθ j kun τ q 0 muulloin. MA(q)-prosessi on heikosti stationäärinen. Kun τ > q, niin Γ(τ) 0. Esim. Γ(2) σ 2 q 2 j0 θ τ+jθ j σ 2 (θ 2 θ 0 + θ 3 θ θ τ+q 2 θ q 2 ). 3.3 AR-prosessit MA-prosesseilla voidaan mallittaa vierekkäisiä korreloitunoita arvoja. Liukuvan keskiarvon prosessin kertaluku määrittää kuinka etäälle ajassa korrelaatio yltää. Miten voidaan mallittaa äärettömän kauas yltävää korrelaatiota? Määritelmä 3.9. Sanotaan, että X t on ensimmäisen kertaluvun autoregressiivinen prosessi eli AR(1)-prosessi, jos X t c + φx t 1 + ε t (3.3.2) missä φ R ja ε t on valkoinen kohina, jonka varianssi on σ 2. Nimitys autoregressiivinen johtuu siitä, että prosessin arvoa X t mallinnetaan prosessin omalla arvolla eri ajanhetkellä t 1. Lause 3.1. Jos φ < 1, niin kaavalla (3.3.2) määritelty AR(1)-prosesssi X t, missä t Z, on heikosti stationäärinen. Todistus. Ratkaistaan yhtälö X t X t 1 + ε. Aloitetaan konstruktiivisella tarkastelulla. Johdetaan konstruktio rekursiivisesti: X t c + φx t 1 + ε t c + φ(c + φx t 2 + ε t 1 ) + ε t c + φc + φ 2 X t 2 + ε t + φε t 1 c + φc + φ 2 (c + φx t 3 + ε t 2 ) + ε t + φε t 1 c + φc + φ 2 c + φ 3 X t 3 + ε t + φε t 1 + φ 2 ε t 2. 14

8 Kuva 3.6: Näyte MA(5)-prosessista X t 3 + ε t + ε t ε t 2 + 1ε t 3 + ε t ε t 5, missä valkoinen kohina ε N(0, 1) X t Kuva 3.7: Näyte valkoisesta kohinasta ε N(0, 1) Valkoinen kohina ε t Jatkamalla menettelyä, voidaan muodostaa yriteratkaisu X t cφ k + φ k ε t k, mikäli tämä yrite on hyvin määritelty. Tarkistetaan, että sarjat suppenevat. Koska φ < 1, niin φ k 1 1 φ. Näytetään, että satunnainen sarja φk ε t k suppenee todennäköisyydellä 1. Selvästi φ k ε t k φ k ε t k. 15

9 Fubinin lauseen ja Cauchy-Schwartzin epäyhtälön nojalla E[ φ k ε t k ] φ k E[ ε t k ] φ k σ σ 1 φ. Koska positiivisten termien muodostaman sarjan odotusarvo on äärellinen, suppenee kyseinen sarja todennäköisyydellä 1 (sillä vastaoletuksella päädyttäisiin ristiriitaan äärellisyyden kanssa). Varmistetaan lopuksi, että yrite toteuttaa vaaditun yhtälön ( ) ( c ) X t φx t 1 + φ k c ε t k φ 1 φ k 1 φ + φ k ε t 1 k c 1 φ 1 φ + φ k ε t k c + ε t. φ k+1 ε t (k+1) Lisäksi ratkaisun yksikäsitteisyys voidaan näyttää Fourier-mentelmien avulla sopivasti valituissa jonoluokissa (tämä sivuutetaan). Tutkitaan seuraavaksi heikkoa stationäärisyyttä. Odotusarvo Autokovarianssi: (kun τ 0) c µ t E[X t ] E[ 1 φ + φ k ε t k ] c 1 φ. Γ t (τ) E[(X t µ t )(X t τ µ t τ )] ( ) ( E[ φ k ε t k φ j ε t τ j )] j0 φ j+k E[ε t k ε t τ j ] k,j0 φ j+k σ 2 δ k,τ+j k,j0 σ 2 φ j+k δ k,τ+j k,j0 φ τ+2j I {n:0 τ+n< } (j) j0 φ τ 1 φ 2. AR(1)-prosessilla X t c + φx t 1 + ε t, missä φ < 1 ja E[ε 2 ] σ 2, on seuraavat ominaisuudet: 16

10 Odotusarvo E[X t ] c. 1 φ Autokovarianssi Γ(τ) φτ σ 2 1 φ 2. Kun ε t N(0, σ 2 ), niin myös X t on normaalisti jakautunut, sillä normaalisti jakautuneiden satunnaismuuttujien summa on aina normaalisti jakautunut. Kuva 3.8: AR(1)-prosessin autokovarianssifunktio Γ(τ), kun φ 0.3 ja σ 1. Autokovarianssi Vastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit. Määritelmä Sanotaan, että X t on p:nnen kertaluvun autoregressiivinen prosessi eli AR(p)-prosessi, jos X t c + φ 1 X t 1 + φ 2 X t φ p X t p + ε t, (3.3.3) missä c, φ k R ja ε t on valkoinen kohina. Jätämme seuraavan tuloksen todistuksen luennoilla väliin. Lause 3.2. AR(p)-prosessi (3.3.3) on heikosti stationäärinen jos kaikki yhtälön ratkaisut ovat yksikköympyrän ulkopuolella. 1 φ 1 z φ 2 z 2 φ p z p 0, {z z 1 + iz 2 C : z z 2 2 < 1} Harjoituksissa näytetään, että heikosti stationäärisen AR(p)-prosessin autokorrelaatiofunktio ρ(τ) toteuttaa ns. Yule-Walker-yhtälöt: ρ(τ) φ 1 ρ(τ 1) + + φ p ρ(τ p) + σ2 Γ(0), τ 0. 17

11 Kuva 3.9: Näyte AR(1)-prosessista X t X t 1 + ε t, missä valkoinen kohina ε N(0, 1) X t Kuva 3.10: Näyte AR(1)-prosessista X t 3 0.9X t 1 +ε t, missä valkoinen kohina ε N(0, 1) X t ARMA-malli Yhdistetään AR- ja MA-mallit. Määritelmä Stokastinen prosessi X t on ARMA(p, q)-prosessi, jos X t c + φ 1 X t φ p X }{{ t p + ε } 1 + θ 1 ε t θ q ε t q, }{{} AR-osuus MA-osuus missä ε t on valkoinen kohina. ARMA(p)-prosessin häiriötermi on siis MA(q)-prosessi, jonka odotusarvo on 0.Tämä häiriö on korreloitunutta kun taas tavallisen AR(p)-prosessin häiriö on korreloimaton valkoinen kohina. ARMA-mallit ovat tärkeitä aikasarjamalleja yksinkertaisuutensa ja joustavuutensa johdosta. 18

Vastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit.

Vastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit. Autokovarianssi: (kun τ 0) Γ t (τ) = E[(X t µ t )(X t τ µ t τ )] ( ) ( = E[ φ k ε t k φ j ε t τ j )] = = j=0 φ j+k E[ε t k ε t τ j ] k,j=0 φ j+k σ 2 δ k,τ+j k,j=0 = σ 2 φ j+k δ k,τ+j = = k,j=0 φ τ+2j I

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 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

Lisätiedot

3. Teoriaharjoitukset

3. Teoriaharjoitukset 3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x

Lisätiedot

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH 8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin

Lisätiedot

6.1 Autokovarianssifunktion karakterisaatio aikatasossa

6.1 Autokovarianssifunktion karakterisaatio aikatasossa 6. Spektraalianalyysi Tällä kurssilla on käyty läpi eräitä stationääristen aikasarjojen ominaispiirteitä, kuten aikasarjaa mallintavan stokastisen prosessin X t odotusarvo E[X t ] ja autokovarianssifunktio

Lisätiedot

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio. Määritelmä 4.3. Estimaattoria X(Y ) nimitetään lineaariseksi projektioksi, jos X on lineaarinen kuvaus ja E[(X X(Y )) Y] 0 }{{} virhetermi Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi

Lisätiedot

9. Tila-avaruusmallit

9. Tila-avaruusmallit 9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia

Lisätiedot

Stationaariset stokastiset prosessit ja ARMA-mallit

Stationaariset stokastiset prosessit ja ARMA-mallit Stationaariset stokastiset prosessit ja ARMA-mallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

6.2.3 Spektrikertymäfunktio

6.2.3 Spektrikertymäfunktio ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet

Lisätiedot

ARMA mallien ominaisuudet ja rakentaminen

ARMA mallien ominaisuudet ja rakentaminen MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Viikko 4: 1 ARMA-mallien ominaisuudet 1 Stationaaristen

Lisätiedot

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Odotusarvo. 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

Lisätiedot

STOKASTISET PROSESSIT

STOKASTISET PROSESSIT TEORIA STOKASTISET PROSESSIT Satunnaisuutta sisältävän tapahtumasarjan kulkua koskevaa havaintosarjaa sanotaan aikasarjaksi. Sana korostaa empiirisen, kokeellisesti havaitun tiedon luonnetta. Aikasarjan

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

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

Lisätiedot

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

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

Lisätiedot

805324A (805679S) Aikasarja-analyysi (Syksy 2016) Sari Lasanen

805324A (805679S) Aikasarja-analyysi (Syksy 2016) Sari Lasanen 805324A (805679S) Aikasarja-analyysi (Syksy 2016) Sari Lasanen 1. Kurssin tiedot Osaamistavoitteet: Kurssin onnistuneen suorittamisen jälkeen opiskelija tuntee aikasarja-analyysin peruskäsitteet (mm. trendi,

Lisätiedot

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

Epäyhtälöt 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

Lisätiedot

P (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.

P (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx. Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin

Lisätiedot

ARMA(p, q)-prosessin tapauksessa maksimikohdan määrääminen on moniulotteinen epälineaarinen optimointiongelma.

ARMA(p, q)-prosessin tapauksessa maksimikohdan määrääminen on moniulotteinen epälineaarinen optimointiongelma. missä µ = c φ ja C j,k = Γj k) = σ 2 φj k φ 2. ARMAp, q)-prosessin tapauksessa maksimikohdan määrääminen on moniulotteinen epälineaarinen optimointiongelma. Käytännösssä optimointi tehdään numeerisesti

Lisätiedot

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

Sallitut 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

Lisätiedot

V ar(m n ) = V ar(x i ).

V 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

Lisätiedot

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee

Lisätiedot

1 sup- ja inf-esimerkkejä

1 sup- ja inf-esimerkkejä Alla olevat kohdat (erityisesti todistukset) ovat lähinnä oheislukemista reaaliluvuista, mutta joihinkin niistä palataan myöhemmin kurssilla. 1 sup- ja inf-esimerkkejä Nollakohdan olemassaolo. Kaikki tuntevat

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) Tavoitteet (teoria): Hallita multinormaalijakauman määritelmä. Ymmärtää likelihood-funktion ja todennäköisyystiheysfunktion ero. Oppia kirjoittamaan

Lisätiedot

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

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

Lisätiedot

Ennustaminen ARMA malleilla ja Kalmanin suodin

Ennustaminen ARMA malleilla ja Kalmanin suodin Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017

Lisätiedot

Ilkka Mellin Aikasarja-analyysi Stationaariset stokastiset prosessit

Ilkka Mellin Aikasarja-analyysi Stationaariset stokastiset prosessit Ilkka Mellin Aikasarja-analyysi Stationaariset stokastiset prosessit TKK (c) Ilkka Mellin (2007) 1 Stationaariset stokastiset prosessit >> Stationaariset stokastiset prosessit Integroituvuus Korrelaatiofunktioiden

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

Valintahetket ja pysäytetyt martingaalit

Valintahetket 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

Lisätiedot

Dynaamiset regressiomallit

Dynaamiset regressiomallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Mat 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

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

Kompleksianalyysi, viikko 6

Kompleksianalyysi, viikko 6 Kompleksianalyysi, viikko 6 Jukka Kemppainen Mathematics Division Funktion erikoispisteet Määr. 1 Jos f on analyyttinen pisteen z 0 aidossa ympäristössä 0 < z z 0 < r jollakin r > 0, niin sanotaan, että

Lisätiedot

Tilastomatematiikka Kevät 2008

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

Lisätiedot

3.6 Su-estimaattorien asymptotiikka

3.6 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

Lisätiedot

2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet

2. 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

Lisätiedot

Sisältö. Sarjat 10. syyskuuta 2005 sivu 1 / 17

Sisältö. Sarjat 10. syyskuuta 2005 sivu 1 / 17 Sarjat 10. syyskuuta 2005 sivu 1 / 17 Sisältö 1 Peruskäsitteistöä 2 1.1 Määritelmiä 2 1.2 Perustuloksia 4 2 Suppenemistestejä positiivitermisille sarjoille 5 3 Itseinen ja ehdollinen suppeneminen 8 4 Alternoivat

Lisätiedot

Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg)

Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg) Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus 4 9.4.-23.4.200 Malliratkaisut (Sauli Lindberg). Näytä, että Lusinin lauseessa voidaan luopua oletuksesta m(a)

Lisätiedot

11 Raja-arvolauseita ja approksimaatioita

11 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

Lisätiedot

Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan

Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan Mitä pitäisi vähintään osata Tässäkäydään läpi asiat jotka olisi hyvä osata Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan osattavan 333 Kurssin sisältö Todennäköisyyden, satunnaismuuttujien

Lisätiedot

ARMA mallien ominaisuudet ja rakentaminen

ARMA mallien ominaisuudet ja rakentaminen MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017 Viikko 4: 1 ARMA-mallien ominaisuudet 1 Stationaaristen

Lisätiedot

Konvergenssilauseita

Konvergenssilauseita LUKU 4 Konvergenssilauseita Lause 4.1 (Monotonisen konvergenssin lause). Olkoon (f n ) kasvava jono Lebesgueintegroituvia funktioita. Asetetaan f(x) := f n (x). Jos f n

Lisätiedot

4.3 Moniulotteinen Riemannin integraali

4.3 Moniulotteinen Riemannin integraali 4.3 Moniulotteinen Riemannin integraali Tässä luvussa opitaan miten integroidaan usean muuttujan reaaliarvoista tai vektoriarvoista funktiota, millaisten joukkojen yli jatkuvaa funktiota voi integroida,

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset

Lisätiedot

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.

(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.

Lisätiedot

Vastaus: 10. Kertausharjoituksia. 1. Lukujonot lim = lim n + = = n n. Vastaus: suppenee raja-arvona Vastaus:

Vastaus: 10. Kertausharjoituksia. 1. Lukujonot lim = lim n + = = n n. Vastaus: suppenee raja-arvona Vastaus: . Koska F( ) on jokin funktion f ( ) integraalifunktio, niin a+ a f() t dt F( a+ t) F( a) ( a+ ) b( a b) Vastaus: Kertausharjoituksia. Lukujonot 87. + n + lim lim n n n n Vastaus: suppenee raja-arvona

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Lisätiedot

4.2.2 Uskottavuusfunktio f Y (y 0 X = x)

4.2.2 Uskottavuusfunktio f Y (y 0 X = x) Kuva 4.6: Elektroniikassa esiintyvän lämpökohinan periaate. Lämpökohinaa ε mallinnetaan additiivisella häiriöllä y = Mx + ε. 4.2.2 Uskottavuusfunktio f Y (y 0 X = x) Tarkastellaan tilastollista inversio-ongelmaa,

Lisätiedot

Otosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko

Otosavaruus 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

Lisätiedot

Signaalimallit: sisältö

Signaalimallit: sisältö Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen

Lisätiedot

TKK @ Ilkka Mellin (2008) 1/5

TKK @ 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,

Lisätiedot

Jonot. Lukujonolla tarkoitetaan ääretöntä jonoa reaalilukuja a n R, kun indeksi n N. Merkitään. (a n ) n N = (a n ) n=1 = (a 1, a 2, a 3,... ).

Jonot. Lukujonolla tarkoitetaan ääretöntä jonoa reaalilukuja a n R, kun indeksi n N. Merkitään. (a n ) n N = (a n ) n=1 = (a 1, a 2, a 3,... ). Jonot Lukujonolla tarkoitetaan ääretöntä jonoa reaalilukuja a n R, kun indeksi n N. Merkitään (a n ) n N = (a n ) n=1 = (a 1, a 2, a 3,... ). Lukujonon täsmällinen tulkinta on funktio f : N R, jolle f

Lisätiedot

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle Olkoon X sisätuloavaruus ja Y X äärellisulotteinen aliavaruus. Tällöin on olemassa lineaarisesti riippumattomat vektorit y 1, y 2,..., yn, jotka

Lisätiedot

Epälineaaristen yhtälöiden ratkaisumenetelmät

Epälineaaristen yhtälöiden ratkaisumenetelmät Epälineaaristen yhtälöiden ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Perusoletus Lause 3.1 Olkoon f : [a, b] R jatkuva funktio siten, että f(a)f(b) < 0. Tällöin funktiolla on ainakin

Lisätiedot

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

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä

Lisätiedot

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

(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.

Lisätiedot

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MAT 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

Lisätiedot

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1 Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen

Lisätiedot

Reaaliluvut. tapauksessa metrisen avaruuden täydellisyyden kohdalla. 1 fi.wikipedia.org/wiki/reaaliluku 1 / 13

Reaaliluvut. tapauksessa metrisen avaruuden täydellisyyden kohdalla. 1 fi.wikipedia.org/wiki/reaaliluku 1 / 13 Reaaliluvut Reaalilukujen joukko R. Täsmällinen konstruointi palautuu rationaalilukuihin, jossa eri mahdollisuuksia: - Dedekindin leikkaukset - rationaaliset Cauchy-jonot - desimaaliapproksimaatiot. Reaalilukujen

Lisätiedot

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

1 Kertaus. Lineaarinen optimointitehtävä on muotoa: 1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n

Lisätiedot

1 Reaaliset lukujonot

1 Reaaliset lukujonot Jonot 10. syyskuuta 2005 sivu 1 / 5 1 Reaaliset lukujonot Reaaliset lukujonot ovat funktioita f : Z + R. Lukujonosta käytetään merkintää (a k ) k=1 tai lyhyemmin vain (a k). missä a k = f(k). Täten lukujonot

Lisätiedot

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P Markkinaportfolio on koostuu kaikista markkinoilla olevista riskipitoisista sijoituskohteista siten, että sijoituskohteiden osuudet (so. painot) markkinaportfoliossa vastaavat kohteiden markkina-arvojen

Lisätiedot

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia

HY, 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

Lisätiedot

1 sup- ja inf-esimerkkejä

1 sup- ja inf-esimerkkejä Alla olevat kohdat (erityisesti todistukset) ovat lähinnä oheislukemista reaaliluvuista, mutta joihinkin niistä palataan myöhemmin kurssilla. 1 sup- ja inf-esimerkkejä Kaarenpituus. Olkoon r: [a, b] R

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 2A

Tilastollinen 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

Lisätiedot

Lukujoukot. Luonnollisten lukujen joukko N = {1, 2, 3,... }.

Lukujoukot. Luonnollisten lukujen joukko N = {1, 2, 3,... }. Lukujoukot Luonnollisten lukujen joukko N = {1, 2, 3,... }. N 0 = {0, 1, 2, 3,... } = N {0}. Kokonaislukujen joukko Z = {0, 1, 1, 2, 2,... }. Rationaalilukujen joukko Q = {p/q p Z, q N}. Reaalilukujen

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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,

Lisätiedot

Analyysi III. Jari Taskinen. 28. syyskuuta Luku 1

Analyysi III. Jari Taskinen. 28. syyskuuta Luku 1 Analyysi III Jari Taskinen 28. syyskuuta 2002 Luku Sisältö Sarjat 2. Lukujonoista........................... 2.2 Rekursiivisesti määritellyt lukujonot.............. 8.3 Sarja ja sen suppenminen....................

Lisätiedot

1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.

1. 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

Lisätiedot

Esimerkki: Tietoliikennekytkin

Esimerkki: Tietoliikennekytkin Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

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

Lisätiedot

Poisson-prosessien ominaisuuksia ja esimerkkilaskuja

Poisson-prosessien ominaisuuksia ja esimerkkilaskuja 4B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Tuntitehtävät 4B1 Eksponentiaalisten odotusaikojen toistuva odottaminen. Satunnaisluvun X sanotaan noudattavan Gamma-jakaumaa parametrein k ja λ,

Lisätiedot

Ilkka Mellin Aikasarja-analyysi ARMA-mallit

Ilkka Mellin Aikasarja-analyysi ARMA-mallit Ilkka Mellin Aikasarja-analyysi ARMA-mallit TKK (c) Ilkka Mellin (007) 1 ARMA-mallit >> ARMA-mallit ja niiden ominaisuudet ARMA-mallien auto- ja osittaisautokorrelaatiofunktiot ARMA-mallien spektri ARMA-mallien

Lisätiedot

4. Martingaalit ja lokaalit martingaalit

4. Martingaalit ja lokaalit martingaalit STOKASTISET DIFFERENTIAALIYHTÄLÖT 45 4. Martingaalit ja lokaalit martingaalit Lähestymme nyt jo kovaa vauhtia hetkeä, jolloin voimme aloittaa stokastisen integroinnin. Ennen sitä käymme vielä läpi yhtä

Lisätiedot

u = 2 u (9.1) x + 2 u

u = 2 u (9.1) x + 2 u 9. Poissonin integraali 9.. Poissonin integraali. Ratkaistaan Diriclet n reuna-arvotehtävä origokeskisessä, R-säteisessä ympyrässä D = {(x, y) R x +y < R }, t.s. kun f : D R on annettu jatkuva funktio,

Lisätiedot

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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

Lisätiedot

Tehtävänanto oli ratkaista seuraavat määrätyt integraalit: b) 0 e x + 1

Tehtävänanto oli ratkaista seuraavat määrätyt integraalit: b) 0 e x + 1 Tehtävä : Tehtävänanto oli ratkaista seuraavat määrätyt integraalit: a) a) x b) e x + Integraali voisi ratketa muuttujanvaihdolla. Integroitava on muotoa (a x ) n joten sopiva muuttujanvaihto voisi olla

Lisätiedot

Tilastollinen aineisto Luottamusväli

Tilastollinen aineisto Luottamusväli Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden

Lisätiedot

peitteestä voidaan valita äärellinen osapeite). Äärellisen monen nollajoukon yhdiste on nollajoukko.

peitteestä voidaan valita äärellinen osapeite). Äärellisen monen nollajoukon yhdiste on nollajoukko. Esimerkki 4.3.9. a) Piste on nollajoukko. Suoran rajoitetut osajoukot ovat avaruuden R m, m 2, nollajoukkoja. Samoin suorakaiteiden reunat koostuvat suoran kompakteista osajoukoista. b) Joukko = Q m [0,

Lisätiedot

Cantorin joukon suoristuvuus tasossa

Cantorin joukon suoristuvuus tasossa Cantorin joukon suoristuvuus tasossa LuK-tutkielma Miika Savolainen 2380207 Matemaattisten tieteiden laitos Oulun yliopisto Syksy 2016 Sisältö Johdanto 2 1 Cantorin joukon esittely 2 2 Suoristuvuus ja

Lisätiedot

Satunnaismuuttujien summa ja keskiarvo

Satunnaismuuttujien summa ja keskiarvo Luku 5 Satunnaismuuttujien summa ja keskiarvo Lasse Leskelä Aalto-yliopisto 21. syyskuuta 2017 5.1 Satunnaismuuttujien summa Satunnaismuuttujien summa S n = X 1 + +X n ja keskiarvo n 1 S n ovat satunnaismuuttujia,

Lisätiedot

The Metropolis-Hastings Algorithm

The Metropolis-Hastings Algorithm The Metropolis-Hastings Algorithm Chapters 6.1 6.3 from Monte Carlo Statistical Methods by Christian P. Robert and George Casella 08.03.2004 Harri Lähdesmäki The Metropolis-Hastings Algorithm p. 1/21 Taustaa

Lisätiedot

Keskihajonta ja korrelaatio

Keskihajonta 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

Lisätiedot

Sarjojen suppenemisesta

Sarjojen suppenemisesta TAMPEREEN YLIOPISTO Pro gradu -tutkielma Terhi Mattila Sarjojen suppenemisesta Matematiikan ja tilastotieteen laitos Matematiikka Huhtikuu 008 Tampereen yliopisto Matematiikan ja tilastotieteen laitos

Lisätiedot

Maximum likelihood-estimointi Alkeet

Maximum likelihood-estimointi Alkeet Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X

Lisätiedot

reaalifunktioiden ominaisuutta, joiden perusteleminen on muita perustuloksia hankalampaa. Kalvoja täydentää erillinen moniste,

reaalifunktioiden ominaisuutta, joiden perusteleminen on muita perustuloksia hankalampaa. Kalvoja täydentää erillinen moniste, Reaaliluvuista Pekka Alestalo Matematiikan ja systeemianalyysin laitos Aalto-yliopiston perustieteiden korkeakoulu Nämä kalvot sisältävät tiivistelmän reaaliluvuista ja niihin liittyvistä käsitteistä.

Lisätiedot

Sarja. Lukujonosta (a k ) k N voi muodostaa sen osasummien jonon (s n ): s 1 = a 1, s 2 = a 1 + a 2, s 3 = a 1 + a 2 + a 3,...,

Sarja. Lukujonosta (a k ) k N voi muodostaa sen osasummien jonon (s n ): s 1 = a 1, s 2 = a 1 + a 2, s 3 = a 1 + a 2 + a 3,..., Sarja Lukujonosta (a k ) k N voi muodostaa sen osasummien jonon (s n ): Määritelmä 1 s 1 = a 1, s 2 = a 1 + a 2, s 3 = a 1 + a 2 + a 3,..., n s n = a k. Jos osasummien jonolla (s n ) on raja-arvo s R,

Lisätiedot

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

Johdatus 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

Lisätiedot

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

Lisätiedot

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

Moniulotteisia 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

Lisätiedot

STOKASTISET PROSESSIT. Keijo Ruohonen

STOKASTISET PROSESSIT. Keijo Ruohonen STOKASTISET PROSESSIT Keijo Ruohonen 199 SISÄLTÖLUETTELO Kirjallisuutta Esipuhe 1 I TODENNÄKÖISYYSLASKENNAN KERTAUSTA JA LISÄYSTÄ 1 1 Todennäköisyyskenttä 1 2 Satunnaismuuttuja ja satunnaisvektori 2 3

Lisätiedot

8.1 Ehdolliset jakaumat

8.1 Ehdolliset jakaumat 8 Ehdollinen jakauma Tämän kappaleen tärkeitä käsitteitä: Ehdollinen jakauma; ehdollinen ptnf/tf. Kertolaskusääntö eli ketjusääntö yhteisjakauman esittämiseksi. Ehdollinen odotusarvo ja ehdollinen varianssi.

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

031021P Tilastomatematiikka (5 op) viikko 3

031021P 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

Lisätiedot

Matematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 5

Matematiikan 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:

Lisätiedot

Tenttiin valmentavia harjoituksia

Tenttiin valmentavia harjoituksia Tenttiin valmentavia harjoituksia Alla olevissa harjoituksissa suluissa oleva sivunumero viittaa Juha Partasen kurssimonisteen siihen sivuun, jolta löytyy apua tehtävän ratkaisuun. Funktiot Harjoitus.

Lisätiedot