F(x) = 1. x x 0 + F(x) = F(x 0) kaikilla x 0 R.

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

Download "F(x) = 1. x x 0 + F(x) = F(x 0) kaikilla x 0 R."

Transkriptio

1 Luku 5 Jatkuvat jakaumat Sellaiset suureet kuten esimerkiksi aika, lämpötila, pituus ja paino ajatellaan tavallisesti jatkuviksi muuttujiksi, ts. muuttujiksi, jotka voivat saada mitä tahansa reaaliarvoja annetulla välillä. Esimerkiksi henkilön ikä on jatkuva satunnaismuuttuja, joka voi saada positiivisia reaalilukuarvoja. Diskreetin satunnaismuuttujan arvoavaruus on äärellinen tai numeroituva, mutta jatkuvan satunnaismuuttujan arvoavaruus on ylinumeroituva. 5. Jatkuvat satunnaismuuttujat Jokaiseen satunnaismuuttujaan liittyy kertymäfunktio. Satunnaismuuttujan X kertymäfunktio määriteltiin alaluvussa.5. (Määritelmä.4) funktiona F(x) = P(X x), x R. Diskreetin satunnaismuuttujan kertymäfunktio on porrasfunktio, joka voidaan lausua hyppyfunktioiden summana (4..) [ks. alaluku 4.]. Lauseen. mukaan funktio F(x) on kertymäfunktio jos ja vain jos seuraavat kolme ehtoa toteutuvat:. lim F(x) = ja lim x F(x) =. x. F(x) on kasvava (ei-vähenevä) funktio. 3. F(x) on oikealta jatkuva eli lim x x + F(x) = F(x ) kaikilla x R. Jos meillä on jokin satunnaismuuttuja X, niin ominaisuudet. 3. voidaan todeta todennäköisyysfunktion P(X x) ominaisuuksien avulla. Jos jokin funktio F(x) toteuttaa ehdot. 3., ei ole aivan helppoa todistaa, että F(x) on todella jonkin satunnaismuuttujan kertymäfunktio. Todistus löytyy vaativista todennäköisyyslaskennan oppikirjoista. Esimerkki 5. Funktio (5..) F(x) = + e x 5

2 5 Luku 5. Jatkuvat jakaumat on esimerkki jatkuvasta kertymäfunktiosta, joka siis toteuttaa Lauseen. ehdot. 3. Koska ja lim x e x =, niin lim F(x) = x lim F(x) =, koska lim x x e x =. Funktio F(x) on kasvava, koska sen. derivaatta F (x) = e x ( + e x ) >. On myös helppo todeta, että F(x) ei ole ainoastaan oikealta jatkuva vaan jatkuva. Satunnaismuuttujan jatkuvuus voidaankin määritellä siihen liittyvän kertymäfunktion jatkuvuuden avulla. Määritelmä 5. Satunnaismuuttuja X on jatkuva, jos sen kertymäfunktio F X (x) on x:n jatkuva funktio. Satunnaismuuttuja X on diskreetti, jos sen kertymäfunktio on x:n porrasfunktio. Vastaavalla tavalla kuin diskreetin satunnaismuuttujan kertymäfunktio voidaan lausua summana, voidaan jatkuvan satunnaismuuttujan kertymäfunktio lausua integraalina: (5..) P(X x) = F X (x) = x f X (t) dt. Jos f X (t) on jatkuva, niin integraalilaskennan peruslauseen mukaan (5..3) F X (x) = f X(x), missä F X (x) on kertymäfunktion F X(x) derivaatta. Määritelmä 5. Jatkuvan satunnaismuuttujan X tiheysfunktio f X (x) on funktio, joka toteuttaa yhtälön (5..4) F X (x) = x f X (t) dt kaikilla x R. Esimerkki 5. Olkoon X tiettyyn palvelunumeroon tulevien puheluiden pituus. Oletetaan, että X:n tiheysfunktio on f(x) = e x/, x <.

3 5.. Jatkuvat satunnaismuuttujat 53 Silloin X noudattaa ns. eksponenttijakaumaa keskiarvolla. Nyt Kertymäfunktio on S = { x x < } ja f(x) > kun x S. F(x) = = x / x x e t/ dx = e t/ = e x/. e t/ dx Silloin F (x) = d ( ) e x/ = dx e x/ = f(x), x ja f(x) =, kun x <. Huomaa, että yksittäisen pisteen a R todennäköisyys P(X = a) on aina nolla, jos X on jatkuva satunnaismuuttuja. Silloin erityisesti kaikilla reaaliluvuilla b > a F(b) F(a) = P(a X b) = P(a < X b) = P(a X < b) = P(a < X < b). Esimerkki 5.3 Olkoon X jatkuva satunnaismuuttuja, jonka tiheysfunktio on f(x) = x, kun < x <. Silloin X:n kertymäfunktio on, x < ; F(x) = x, x < ;, x. Huomaa, että F(x) = x t dt = x, kun x <. Jos kertymäfunktio on annettu, niin tiheysfunktio saadaan derivoimalla kertymäfunktio: F (x) = d dx x = x, x <. Kertymäfunktion avulla voidaan laskea todennäköisyyksiä. Esimerkiksi todennäköisyys ( P < X 3 ) ( ) ( ) ( ) ( ) 3 3 = F F = =

4 54 Luku 5. Jatkuvat jakaumat f(x) F(x) x F ( 3 ) 4 F ( ) x Kuvio 5.. Jatkuvan satunnaismuuttujan X tiheysfunktio f(x) = x ja kertymäfunktio F(x) = x. ja ( 3 P 4 < X 3 ) = F ( ) 3 F ( ) 3 = 4 ( ) 3 = Toisaalta tietysti P ( X 3 4) voidaan laskea suoran y = x ja x-akselin väliin jäävänä pinta-alana: ( P X 3 ) = 4 3/4 / x dx = 5 5, joka tietysti voidaan esittää kertymäfunktion avulla. Jatkuvan satunnaismuuttujan momentit määritellään vastaavasti kuin diskreetin satunnaismuuttujan tapauksessa, mutta määritelmässä summa korvataan integraalilla. Jatkuvan satunnaismuuttujan r. momentti on α r = E(X r ) = x r f(x) dx, missä f(x) on X:n tiheysfunktio. Satunnaismuuttujan X r. keskusmomentti on µ r = E[(X µ) r ], missä µ = E(X) = α on X:n odotusarvo. Satunnaismuuttujan X odotusarvo on siis integraali µ = E(X) = xf(x) dx

5 5.. Jatkuvat satunnaismuuttujat 55 ja X:n varianssi σ on. keskusmomentti σ = µ = E[(X µ) ] = (x µ) f(x) dx. Merkitsemme myös E [ (X µ) ] = Var(X), jolloin X:n hajonta on σ = Var(X). Momenttifunktio on (5..5) M(t) = E(e tx ) = e tx f(x) dx, jos integraali 5..5 on olemassa jollakin avoimella välillä ( a, a), missä a >. Tietysti esimerkiksi tulokset σ = E(X ) µ, µ = M (), α = E(X ) = M () pitävät edelleen paikkansa samalla tavalla kuin diskreettien satunnaismuuttujien tapauksessa. Esimerkki 5.4 Lasketaan nyt Esimerkissä 5.3 määritellyn satunnaismuuttujan X odotusarvo ja varianssi: ja µ = E(X) = σ = E(X ) µ = Kolmas momentti on x (x) dx α 3 = E(X 3 ) = x(x) dx = 3 ( ) = 3 / / x 3 (x) dx = 5 x 3 = 3 x = 8. / x 5 = 5

6 56 Luku 5. Jatkuvat jakaumat ja 3. keskusmomentti on µ 3 = E [ (X µ) 3] = = = (x µ) 3 (x) dx (x 3 3µx + 3µ x µ 3 )(x) dx x 3 (x) dx 3µ x (x) dx + 3µ x(x) dx µ 3 x dx = α 3 3µα + 3µ 3 µ 3 = α 3 3µα + µ 3 = ( ) 3 + = = 5. Myös prosenttipisteet ovat tärkeitä jakauman tunnuslukuja. Jakauman p-prosenttipiste π p määritellään seuraavasti: p = π p f(x) dx = F(π p ), p. Prosenttipistettä π.5 kutsutaan mediaaniksi ja pistettä π.5 ja π.75 alakvartiiliksi ja yläkvartiiliksi. Esimerkissä 5.3 käsitellyn jakauman 36 %:n piste on.6, koska F(π.36 ) = π.36 =.6 =.36. Esimerkki 5.5 Olkoon satunnaismuuttujan X kertymäfunktio määritelty seuraavasti, x < ; x F(x) =, x ; ( x), x < ;, x. Tarkistamme ensin, että F on todella kertymäfunktio. Toteamme helposti, että ) lim F(x) = ja lim x F(x) =, x ) F(x) on x:n kasvava (ei-vähenevä) funktio ja 3) F(x) on oikealta jatkuva, koska se on jatkuva.

7 5.. Jatkuvat satunnaismuuttujat 57 Tiheysfunktio saadaan derivoimalla F(x). Nyt siis F (x) = x välillä < x ja F (x) = x välillä x. Näin siis tiheysfunktio on x, < x ; f(x) = x, x ; muualla. Tiheysfunktio voidaan kirjoittaa lyhyesti muodossa f(x) = x, x. Koska X:n tiheysfunktion kuvaaja on kolmion muotoinen, X:n jakaumaa kutsutaan kolmiojakaumaksi. f(x) F(x) F(.55) = x Kuvio 5.. Kolmiojakauman tiheysfunktion ja kertymäfunktion kuvaajat. x Kolmiojakauman odotusarvo on µ = xf(x) dx = x x dx + x( x) dx = / =. x / (x x3 3 ) = 3 ( ) ( ) 3 3 Koska jakauma on symmetrinen odotusarvon suhteen, on myös jakauman mediaani π.5. Se voidaan todeta helposti myös määritelmän perusteella, sillä F() = =.5. Jakauman 9 %:n piste π.9 saadaan ratkaisemalla yhtälö ( π.9) Ratkaisu on π.9 =. =.55. =.9. Itse asiassa relaatio (5..4) ei välttämättä ole voimassa kaikilla x:n arvoilla, sillä F(x) voi olla jatkuva, mutta ei derivoituva. Jos f(x) on jatkuva,

8 58 Luku 5. Jatkuvat jakaumat niin silloin tietysti yhtälö (5..4) pitää paikkansa. Huomattakoon, että jatkuvan satunnaismuuttujan tiheysfunktio ei välttämättä ole jatkuva, mutta kertymäfunktio on. Esimerkki 5.6 Tarkastellaan nyt satunnaismuuttujaa X, jonka tiheysfunktio on { f(x) =, x < ; 3, x. Vastaavasti X:n kertymäfunktio on, x < ; F(x) = x, x < ; 4 + ( ) 3 x, x ;, x. Havaitsemme nyt, että X:n tiheysfunktio ei ole jatkuva. Nyt myöskään F ei 3 f(x) F(x) x 4 x Kuvio 5.3. Satunnaismuuttujan X tiheysfunktion ja kertymäfunktion kuvaajat. ole derivoituva pisteessä. Pisteessä x = ei ole voimassa, että F (x) = f(x). Tässä on esimerkki jatkuvasta satunnaismuuttujasta, jonka tiheysfunktio ei ole jatkuva ja jonka kertymäfunktio ei ole koko määrittelyalueella S derivoituva. Jatkuvan satunnaismuuttujan tiheysfunktiolla voi olla äärellinen määrä epäjatkuvuuspisteitä, mutta kertymäfunktio on jatkuva. Esimerkin 5.6 satunnaismuuttujan tiheysfunktiolla on määrittelyalueellaan yksi epäjatkuvuuspiste ja kertymäfunktio on jatkuva. Relaatio (5..3) pitää paikkansa vain tiheysfunktion jatkuvuuspisteissä, mutta ei epäjatkuvuuspisteissä.

9 5.. Jatkuvat satunnaismuuttujat 59 Esimerkki 5.7 Määritellään satunnaismuuttuja X siten, että sen kertymäfunktio on, x < ; (5..6) F(x) =, x = ; + x, < x < ;, x. F(x) f(x) x x Kuvio 5.4. Satunnaismuuttujan X kertymäfunktion ja tiheysfunktion kuvaajat. Kertymäfunktio ei ole nyt jatkuva, koska funktio hyppää pisteessä x =. Kertymäfunktio ei ole myöskään porrasfunktio. Nyt myös yksittäisellä pisteellä X = on positiivinen todennäköisyys P(X = ) =, joten f(x) ei ole tiheysfunktio. Itse asiassa kertymäfunktio (5..6) voidaan kirjoittaa porrasfunktion (kertymäfunktio) ja jatkuvan kertymäfunktion summana. Alaluvussa 4. määriteltiin hyppyfunktio ε(x) siten, että ε(x) = epänegatiivisilla x:n arvoilla ja ε(x) =, kun x <. Funktio ε(x) on porrasfunktio ja siis diskreetin satunnaismuuttujan kertymäfunktio. Puoliavoimella välillä (, ] tasajakaumaa noudattavan satunnaismuuttujan kertymäfunktio on, x ; F c (x) = x, < x < ;, x. Nyt kertymäfunktio (5..6) voidaan kirjoittaa muodossa F(x) = ε(x) + F c(x). Esimerkiksi todennäköisyys ( P X ) = ( ) ε + ( ) F c = + = 3 4. Satunnaismuuttuja X ei ole diskreetti eikä jatkuva.

10 6 Luku 5. Jatkuvat jakaumat Yleisesti jatkuva satunnaismuuttuja voidaan määritellä identiteetin (5..4) avulla olettamatta tiheysfunktion f(x) jatkuvuutta. Jos on olemassa sellainen epänegatiivinen funktio f(x) [ts. f(x) kaikilla x R], että (5..4) pitää paikkansa kaikilla x R, niin kertymäfunktion F(x) sanotaan olevan absoluuttisesti jatkuva. Absoluuttisesti jatkuva funktio on jatkuva. Kaikkien tässä luvussa käsiteltäviät jatkuvien satunnaismuuttujien kertymäfunktiot ovat absoluuttisesti jatkuvia. 5. Tasajakauma ja eksponenttijakauma 5.. Tasajakauma Jatkuva satunnaismuuttuja X noudattaa tasajakaumaa välillä [, ], jos sen tiheysfunktio on tällä välillä ja muualla: {, kun x [, ], (5..) f(x) = muualla. Silloin merkitään X Tas(, ). On helppo todeta, että f(x) on tiheysfunktio, koska f(x) ja f(x) dx = dx =. f(x) F(x) x x Kuvio 5.5. Tasajakauman Tas(,) tiheysfunktio ja kertymäfunktio. Tasajakauman keskiarvo ja varianssi ovat: E(X) = x dx = ja Var(X) = E(X ) [E(X)] = x dx 4 =.

11 5.. Tasajakauma ja eksponenttijakauma 6 Satunnaismuuttujan X momenttifunktio on M X (t) = e tx dx = / t etx = et. t Huomaa, että M X () =. Olkoon [a, b] annettu suljettu väli, a < b. Silloin satunnaismuuttuja U = (b a)x + a noudattaa tasajakaumaa välillä [a, b]. Silloin merkitään U Tas(a, b). Koska E(U) = (b a) E(X) + a ja Var(U) = (b a) Var(X), niin E(U) = a + b Satunnaismuuttujan U tiheysfunktio on ja Var(U) = (b a). (5..) f(u) = {, kun u [a, b]; b a muualla ja U:n momenttifunktio on e tb e ab M U (t) = t(b a), t ;, t =. 5.. Eksponenttijakauma Poissonin prosessissa tarkastellaan, montako tapahtumaa (lisäystä) sattuu jollain aikavälillä. Merkitään w:n pituisella välillä sattuvien tapahtumien lukumäärää satunnaismuuttujalla X w. Jos Poissonin prosessin intensiteetti on λ, niin Määritelmän 4.3 mukaan todennäköisyys, että w:n pituisella välillä sattuu x tapahtumaa, on λw (λw)x (5..3) P(X w = x) = e. x! Poissonin prosessilla voidaan mallintaa esimerkiksi asiakkaiden saapumista palvelupisteeseen, puheluiden tuloa vaihteeseen, onnettomuuksien sattumista tarkasteltavalla tieosuudella tai autojen kulkua liikenteen tarkkailupisteen ohi. Tällöin ajatellaan, että yksittäiset tapahtumat sattuvat toisistaan riippumatta täysin satunnaisesti. Tarkkaillaan nyt Poissonin prosessia, jonka intensiteetti on λ. Olkoon W odotusaika siihen hetkeen, kunnes seuraava tapahtuma sattuu. Odotusaika on jatkuva satunnaismuuttuja. Jos tarkkailemme prosessia hetkestä t hetkeen t+w eli w:n pituisen aikavälin [t, t+w], niin tapahtuma { W > w } sattuu jos ja vain jos Poissonin prosessissa ei satu yhtään tapahtumaa välillä [t, t + w]. Siksi identiteetin (5..3) mukaan P(W > w) = P(X w = ) = e λw.

12 6 Luku 5. Jatkuvat jakaumat } {{ } W =.5 X w Poi(λw) X w = 3 w=.5 { }} { 3 4 } {{ } W 4 =.88 t t + w Aika Kuvio 5.6. Kaaviokuva esittää Poissonin saapumisprosessia, esimerkiksi autojen kulkemista liikenteen tarkkailupisteen ohi. Esimerkiksi W on. auton odotusaika ja W 4 on 3. ja 4. auton välinen aika. Kiinnitetyllä w:n pituisella välillä on kulkenut ohi X w = 3 autoa. Peräkkäiset odotusajat W, W, W 3,... ovat toisistaan riippumattomat ja noudattavat samaa jakaumaa. Odotusajan W kertymäfunktio on siis F(w) = P(W w) = P(W > w) = P(X w = ) = e λw. Koska odotusaika W on epänegatiivinen, niin F(w) =, kun w <. Odotusajan W tiheysfunktio on F (w) = f(w) = λe λw derivointisäännön (5..3) nojalla. Usein merkitään λ =, missä θ >. Sanomme, että W noudattaa eksponenttijakaumaa parametrilla θ ja merkitsem- θ me W Exp(θ). Parametri θ on jakauman keskiarvo. Eksponenttijakauman tiheysfunktio on silloin muotoa (5..4) f(w) = θ e w/θ. Eksponenttijakauman Exp(θ) momenttifunktio on M(t) = e tw θ e w/θ dw = / e ( θt)w/θ θt = θt, t < θ. Eksponenttijakaumalla on vastaava unohtamisominaisuus kuin geometrisella jakaumalla. Jos T Exp(θ), niin (5..5) P(T > a + b T > a) = P(T > b) kaikilla epänegatiivisilla a ja b. Tulos voidaan todistaa laskemalla ehdollinen todennäköisyys P(T > a + b T > a) = P(T > a, T > a + b) P(T > a) = e (a+b)/θ e a/θ = = e b/θ = P(T > b). P(T > a + b) P(T > a)

13 5.. Tasajakauma ja eksponenttijakauma 63 Huomattakoon, että edellä on käytetty tulosta P(T > t) = P(T t) = F(t) = e t/θ, t. Esimerkki 5.8 Oletetaan, että asiakkaiden saapuminen liikkeeseen noudattaa Poissonin prosessia intensiteetillä asiakasta tunnissa. Mikä on todennäköisyys, että myyjä joutuu odottamaan seuraavaa asiakasta yli 5 minuuttia? Olkoon X odotusaika, kunnes seuraava asiakas saapuu. Silloin prosessissa (5..3) λ = /3 asiakasta minuutissa ja X Exp(3), koska eksponenttijakauman keskiarvo θ = /λ. Jakauman Exp(3) tiheysfunktio on f(x) = 3 e x/3, x < ja P(X > 5) = 5 3 e x/3 dx = 5 / e x/3 = e 5/ Jatkuvan jakauman mediaani m on sellainen piste, että F(m) = /. Nyt jakauman Exp(3) mediaanin m tulee toteuttaa ehto F(m) = e m/3 =, joten m = 3 log() Elinaikajakauma Ominaisuuden (5..5) perusteella eksponenttijakauma on sopiva elinajan jakauma silloin, kun jäljellä oleva elinaika ei riipu tämänhetkisestä iästä. Olkoon T esimerkiksi jonkin elektronisen komponentin ikä tunteina. Silloin P(T > b) on todennäköisyys, että uusi komponentti kestää ainakin b tuntia, kun taas P(T > a + b T > a) on todennäköisyys, että a tuntia käytössä ollut komponentti kestää vielä b tuntia. Jos elinaika noudattaa eksponenttijakaumaa, niin ominaisuuden (5..5) nojalla todennäköisyydet P(T > b) ja P(T > a + b T > a) ovat samat kaikilla a ja b. Todennäköisyys, että komponentti rikkoontuu b:n seuraavan tunnin aikana, ei riipu lainkaan siitä, kuinka kauan komponentti on jo ollut käytössä. Funktiota G(t) = P(T > t) kutsutaan eloonjäämisfunktioksi. Eksponenttijakauma määrittelee eloonjäämisfunktion G(t) = e t/θ, jolla on unohtamisominaisuus (5..6) G(t + s) = G(t)G(s), t >, s >. Määritelmänsä nojalla G() = ja G(t), kun t kasvaa. Onko eksponenttifunktion lisäksi muita eloonjäämisfunktioita, joilla on unohtamisominaisuus (5..6)? Voidaan osoittaa, että ehdon (5..6) toteuttavat eloonjäämisfunktiot ovat aina muotoa e λt, λ >.

14 64 Luku 5. Jatkuvat jakaumat Jos elinaika T noudattaa eksponenttijakaumaa Exp(θ), niin vakio λ = θ on hetkellinen kuolleisuusaste tai vaaran aste. Parametri λ säätelee todennäköisyyttä kuolla hetken T = t jälkeisellä yksikön pituisella aikavälillä. Olkoon tarkasteltavan aikavälin pituus. Määritelläään todennäköisyys P(T t + T > t) = P(T > t + T > t) = P(T > ) = e λ, missä viimeistä edellinen yhtäsuuruus saadaan unohtamisominaisuuden (5..6) nojalla. Kun funktiota e λ arvioidaan Taylorin polynomin avulla, saadaan e λ = ( λ + λ ) = λ λ + λ, kun on pieni. Arviointivirhe pienenee merkityksettömäksi verrattuna :aan, kun. Silloin siis P(T t + t > t) λ. G(t) f(t) 4 6 t Kuvio 5.7. Eksponenttijakauman Exp() tiheysfunktio f(t) = e t/ ja vastaava eloonjäämisfunktio G(t) = e t/. Nyt nähdään, että P(T t + T > t) lim on riippumaton ajasta t. Eksponentiaalisesti jakautuneen elinajan tapauksessa kuolleisuusaste λ on iästä riippumaton vakio. Yleisesti kuolleisuusaste λ(t) on tietysti iän funktio. = λ 5.3 Gammajakauma ja χ -jakauma Gammajakaumajakauma on välillä [, ) määritelty jakauma tai jakaumaperhe, koska parametrien vaihdellessa saadaan hyvinkin erinäköisiä jakaumia,

15 5.3. Gammajakauma ja χ -jakauma 65 vaikka ne ovat matemaattisesti samaa muotoa. Gammafunktio (5.3.) Γ(α) = x α e x dx määriteltiin jo Pykälässä.4.7. Jos α >, niin Γ(α) on äärellinen. Jos α on positiivinen kokonaisluku, niin Γ(α) voidaan lausua suljetussa muodossa, muutoin ei. Gammafunktio toteuttaa rekursiivisen relaation Γ(α + ) = αγ(α), joka voidaan osoittaa osittaisintegroinnilla. Jos α = n on positiivinen kokonaisluku, niin Γ(n + ) = nγ(n) = n(n ) Γ() = n!γ(). Koska Γ() =, niin Γ(n + ) = n! kaikilla positiivisilla kokonaisluvuilla. Myös Γ( ) = π on tärkeä erikoistapaus. Funktio (5.3.) f(t) = tα e t Γ(α), < t < määrittelee tiheysfunktion, sillä gammafunktiossa integroitava on positiivinen välillä (, ). Sanokaamme, että (5.3.) on satunnaismuuttujan T tiheysfunktio. Kaikkien gammajakaumien perhe saadaan määrittelemällä satunnaismuuttuja X = βt, missä β on positiivinen vakio. X:n tiheysfunktio voidaan johtaa soveltamalla Lauseen 5.5 muunnostekniikkaa. Merkitsemme X Gamma(α, β) ja sanomme, että X noudattaa gammajakaumaa parametrein α ja β. Jakauman Gamma(α, β) tiheysfunktioksi saadaan (5.3.3) f(x) = Γ(α)β αxα e x/β, < x <, α >, β >. Esitämme nyt gammajakauman perusominaisuudet seuraavassa lauseessa. Lause 5. Oletetaan, että X Gamma(α, β).. Funktio (5.3.3) määrittelee tiheysfunktion kaikilla α >, β >.. E(X) = αβ, Var(X) = αβ ja M(t) = E(e tx ) = ( ) α, t < βt β.

16 66 Luku 5. Jatkuvat jakaumat 3. kaikilla c > α. E(X c ) = Γ(α + c)βc Γ(α) 4. Olkoon U = bx, b >. Silloin U Gamma(α, bβ). Eksponettijakauma on gammajakauman erikoistapaus. Kun sijoitetaan tiheysfunktioon (5.3.3) α =, saadaan f(x; β) = β e x/β, x >. Havaitaan siis, että Gamma(, β) = Exp(β). χ -jakauma Toinen tärkeä gammajakauman erikoistapaus on χ -jakauma. Jos valitaan α = r, missä r on positiivinen kokonaisluku, ja β =, tulee tiheysfunktio (5.3.3) muotoon (5.3.4) f(x) = Γ ( ) r r/ x(r/) e x/, < x <, mikä on χ -jakauman tiheysfunktio vapausastein r. Jos X noudattaa χ - jakaumaa vapausastein r, merkitään X Khi(r). χ -jakauman keskiarvo, varianssi ja momenttifunktio saadaan nyt suoraan gammajakauman avulla. Jos X Khi(r), niin E(X) = r, Var(X) = r ja M(t) = ( t) r/, t <. Odotusaika Poissonin prosessissa Seuraavan tapahtuman odotusaika Poissonin prosessissa noudattaa eksponettijakaumaa. Olkoon W nyt odotusaika, kunnes sattuu α tapahtumaa, missä α on siis positiivinen kokonaisluku. Jos Poissonin prosessin intensiteetti on λ, niin todennäköisyys, että w:n pituisella aikavälillä sattuu x tapahtumaa, saadaan kaavalla (5..3): λw (λw)x P(X w = x) = e. x!

17 5.4. Normaalijakauma 67 Odotusajan W kertymäfunktio, kun W, on F(w) = P(W w) = P(W > w) = P(vähemmän kuin α tapahtumaa välillä [t, t + w]) α λw (λw)x = e, x! x= koska tapahtumien lukumäärä aikavälillä [t, t + w] noudattaa Poissonin jakaumaa keskiarvolla λw [ks. (5..3)]. Laskemalla derivaatta F (w) = f(w) saadaan tiheysfunktio f(w) = λ(λw)α (α )! e λw. Jos w <, niin F(w) = ja f(w) =. Nyt huomaamme, että 5.4 Normaalijakauma ( W Gamma α, ). λ 5.4. Standardimuotoinen normaalijakauma Tarkastelemme nyt todennäköisyysteorian ja tilastotieteen tärkeintä jakaumaa, normaalijakaumaa. Olkoon Z jatkuva satunnaismuuttuja, jonka tiheysfunktio on (5.4.) f(z) = π e z / < z <. Silloin Z noudattaa standardimuotoista normaalijakaumaa. Käytetään myös sanontaa Z noudattaa standardoitua normaalijakaumaa. Tarkistamme nyt, että (5.4.) on todellakin tiheysfunktio. Koska f(z) >, pitää vain osoittaa, että Osoitamme siis, että π e z / dz =. (5.4.) e z / dz = π. Emme pysty suoraan integroimaan funktiota e z /, koska sen integraalifunktio ei ole lausuttavissa suljetussa muodossa. Osoittautuu kuitenkin, että integraalin (5.4.) neliö on helppo laskea.

18 68 Luku 5. Jatkuvat jakaumat Integraalin arvo ei muutu, jos integrointimuuttuja nimetään uudelleen, joten I = e z / dz = e x / dx = Riittää osoittaa, että I = π. Nyt ( )( ) I = e x / dx e y / dy e y / dy. = e (x +y )/ dx dy = ( re r / dr )( π dθ ) = π e u du = π. Näin siis tulos (5.4.) pitää paikkansa. Edellä kolmas yhtäsuuruus saadaan siirtymällä napakoordinaatteihin: x = r cosθ ja y = r sin θ. Silloin x + y = r, dx dy = r dθ dr ja integrointirajat ovat < r <, < θ < π. Integraalilla (5.4.) on myös läheinen yhteys gammafunktioon. Koska integraalissa (5.4.) integroitava on symmetrinen nollan suhteen, niin integraalit yli välien (, ) ja (, ) ovat yhtä suuret. Siksi (5.4.3) e z / dz = π. Tekemällä sijoitus x = z integraaliin (5.4.3) saadaan integraali, joka on Γ ( ). Silloin ( ) (5.4.4) Γ = x / e x dx = π. Lause 5. Oletetaan, että Z noudattaa standardoitua normaalijakaumaa. Silloin. Z:n momenttifunktio on. E(Z) = ja Var(Z) =. M(t) = e t /, < t <.

19 5.4. Normaalijakauma 69 Todistus.. Määritelmän mukaan M(t) = e tz π e z / dz. Tehdään sijoitus x = z t. Silloin dz = dx ja e tz e z / = e (t x )/, joten M(t) = e (t x )/ dx = e t / π π e x / dx = e t /. Viimeinen yhtäsuuruus seuraa siitä, että integraali yli normaalijakauman tiheysfunktion π e x / on.. Koska M(t) = e t /, niin M (t) = te t / ja M (t) = e t / +t e t /. Silloin M () =, M () = ja Var(Z) = M () [M ()] =. Merkitään Z N(, ), missä siis E(Z) = ja Var(Z) =. Seuraavassa pykälässä määritellään normaalijakauma, jonka keskiarvo on µ ja varianssi σ Yleinen normaalijakauma Satunnaismuuttuja X noudattaa normaalijakaumaa keskiarvolla µ ja varianssilla σ >, jos se voidaan esittää muodossa X = µ + σz, missä Z N(, ). Silloin merkitään X N(µ, σ ). Jos X N(µ, σ ), niin vastaavasti Z = X µ N(, ). σ Seuraavassa lauseessa esitetään jakaumaa koskevat perustulokset. Lause 5.3 Jos X N(µ, σ ), niin. E(X) = µ, Var(X) = σ ja. M X (t) = E ( e tx) = e µt+σ t /, < t <. 3. X:n tiheysfunktio on f(x) = πσ e (x µ) /σ, < x <.

20 7 Luku 5. Jatkuvat jakaumat Todistus.. Koska X N(µ, σ ), niin X = µ + σz, missä Z N(, ). Silloin E(X) = E(µ + σz) = µ + σ E(Z) = µ ja Var(X) = Var(µ + σz) = σ Var(Z) = σ.. Määritelmän mukaan (ks. myös Lause 3.4) M X (t) = E ( e tx) = E [ e t(µ+σz)] = e tµ E ( e tσz) = e tµ M Z (tσ) = e tµ e t σ / = e tµ+t σ /. 3. Tehdään muunnos x = h(z) = µ + σz. Silloin h:lla on käänteisfunktio g ja z = g(x) = x µ sekä g (x) =. Alaluvussa 5.5 esitettävän muunnostekniikan avulla saadaan X:n σ σ tiheysfunktioksi (5.4.5) ( ) x µ f X (x) = f Z σ σ = e (x µ) /σ. π σ Tavallisesti tiheysfunktio kirjoitetaan muodossa f X (x) = πσ e (x µ) /σ, missä σ = + Var(X) = + σ on X:n hajonta. Todistuksessa ei oletettu, että σ >. Esimerkki 5.9 Jos X:n tiheysfunktio on f(x) = 3π e (x+7) /3, < x <, niin X N( 7, 6) ja M X (t) = e 7t+8t. Esimerkki 5. Jos X:n momenttifunktio on M X (t) = e 5t+t, niin X N(5, 4) ja X:n tiheysfunktio on f(x) = 48π e (x 5) /48, < x <.

21 5.4. Normaalijakauma 7 Jos X N(µ, σ ), niin X:n tiheysfunktio saavuttaa maksimin pisteessä x = µ ja käänteispisteet ovat x = µ ±σ. Todennäköisyysmassa on jakautunut siten, että missä Z N(, ). Esimerkiksi P( X µ σ) = P( Z ) =.686, P( X µ σ) = P( Z ) =.9544, P( X µ 3σ) = P( Z 3) =.9974, P( X µ σ) = P( Z ) = P( Z ) missä = Φ() Φ( ) = = , Φ(z) = z π e v / dv on standardimuotoisen normaalijakauman kertymäfunktio. Sen arvot on taulukoitu ja se saadaan laskettua useilla ohjelmistoilla. Edellä esitettyjen todennäköisyyksien kahden numeron likiarvoina käytetään tavallisesti lukuja.68,.95 ja.99, jotka eivät ole pyöristettyjä vaan katkaistuja arvoja. Myös yllä esitetyt neljän numeron likiarvot ovat katkaistuja arvoja. Lause 5.4. Olkoon X N(µ, σ ) ja U = ax + b, missä a ja b ovat annettuja vakioita. Silloin U N(aµ + b, a σ ).. Olkoot X, X,..., X n riippumattomat, X i N(µ i, σi ), i =,,..., n ja a, a,..., a n, b ovat annetut vakiot, joista ainakin yksi a i poikkeaa nollasta. Silloin Y = n i= a ix i + b noudattaa normaalijakaumaa ( n n ) Y N a i µ i + b,. i= i= a i σ i Esimerkki 5. Riippumattomat satunnaismuuttujat X, X, X 3 noudattavat normaalijakaumaa siten, että X i N( i, i i ), i =,, 3. Silloin Y = X + X + X 3 N(4, 3), sillä E(Y ) = = 4 ja Var(Y ) = = 3 ja Lauseen 5.4 mukaan Y noudattaa normaalijakaumaa. Satunnaismuuttuja Y = X + X + 3X 3 N(34, 6), koska ja E(Y ) = = 34 Var(Y ) = = 6.

22 7 Luku 5. Jatkuvat jakaumat 5.5 Muuttujien vaihto Oletetaan, että X on jatkuva satunnaismuuttuja, jonka kertymäfunktio on F(x). Lukuisissa sovelluksissa tarvitaan satunnaismuuttujan X jonkin funktion Y = h(x) jakaumaa, kun X:n jakauma tunnetaan. Tehtävänämme on nyt siis määrittää satunnaismuuttujan Y = h(x) jakauma, missä h(x) on x:n reaaliarvoinen funktio Muunnos kertymäfunktio avulla Voimme pyrkiä johtamaan Y :n kertymäfunktion G(y) = P(Y y) suoraan X:n kertymäfunktion F(x) avulla. Y :n tiheysfunktio g(y) voidaan määrittää sitten identiteetin (5..3) avulla, kun G(y) on derivoituva. Esimerkki 5. Olkoon X jatkuva satunnaismuuttuja, jonka tiheysfunktio on f(x) = 3x, x. Tarkastellaan satunnaismuuttujan Y = X jakaumaa. Silloin Y :n arvoavaruus on S Y = [, ] ja Y :n kertymäfunktio on G(y) = P(Y y) = P(X y) = P( y X y) = y y 3x dx = y / y Derivoimalla saadaan Y :n tiheysfunktioksi x 3 = y3/, y. g(y) = G (y) = 3y/, y. Esimerkki 5.3 Olkoon X jatkuva satunnaismuuttuja, jonka kertymäfunktio on F(x) = ( + x)e x, x >. Johdetaan satunnaismuuttujan Y = e X jakauma. Merkitään Y :n kertymäfunktiota G:llä. Silloin G(y) = P(Y y) = P ( e X y ) = P[ X log(y)] = P[X log(y)] = P[X < log(y)] = F[ log(y)],

23 5.5. Muuttujien vaihto 73 missä F(x) on X:n kertymäfunktio. Sijoittamalla x = log(y) X:n kertymäfunktioon saadaan G(y) = [ log(y)]e log(y) = [ log(y)]y. Koska S X = (, ), niin S Y = (, ). Y on jatkuva satunnaismuuttuja, koska G(y) on jatkuva ja sillä on jatkuva derivaatta muualla paitsi pisteessä y =. Y :n tiheysfunktio on { g(y) = G log(y), kun < y < ; (y) = muualla. Huomaa, että log(y) >, kun < y <. Nyt siis g(y) kaikilla y S Y = (, ) Muunnos tiheysfunktion avulla Seuraavaksi esitetään yleinen menetelmä, jonka avulla voidaan johtaa satunnaismuuttujan X funktion Y = h(x) tiheysfunktio suoraan X:n tiheysfunktion f X (x) avulla. Menetelmän edellyttää kuitenkin, että funktiolla h(x) on tarkasteltavalla välillä käänteisfunktio. Esimerkiksi funktion y = e x käänteisfunktio on x = log(y). Myös funktio y = x on kääntyvä, kun x >, sillä silloin x = y. Funktio y = x ei ole kääntyvä koko reaaliakselilla, koska silloin x = ± y, joka ei ole funktio. Huomattakoon, että jatkuva funktio h(x) on kääntyvä, jos ja vain jos se on joko aidosti kasvava tai aidosti vähenevä. Lineaarinen munnos Tarkastellaan ensin yksinkertaista lineaarista muunnosta Y = ax + b, missä a ja b ovat annettuja vakioita. Nyt siis h(x) = ax + b. Funktion y = h(x) derivaatta on dy dx = h (x) = a. Funktiolla h(x) on käänteisfunktio ja g(y) = y b a, a dy dx = g (y) = a. Esimerkki 5.4 Oletetaan, että X Tas(.5,.5) ja Y = X. Mitä jakaumaa Y noudattaa? Kuviossa 5.8 on alueen A pinta-ala P[X (x, x + x)] = f X (x) x = x

24 74 Luku 5. Jatkuvat jakaumat 3 y = x y + y y f Y (y) { }} { B x } A } {{ } f X (x).5 x x + x.5 x Kuvio 5.8. Tasajakaumaa Tas(.5,.5) noudattavan satunnaismuuttujan X lineaarinen muunnos. ja alueen B pinta-ala P[Y (y, y + y)] = f Y (y) y. Tapahtumat X (x, x + x) ja Y (y, y + y) sattuvat täsmälleen samanaikaisesti, joten (5.5.) P[X (x, x + x)] = P[Y (y, y + y)]. Koska y = x ja y + y = (x+ x), niin y = x ja identiteetistä (5.5.) seuraa, että f Y (y) =. Koska.5 < x <.5, niin < y < 3. Näin siis Y Tas(, 3): { f Y (y) =, < y < 3;, muualla. Olkoon X satunnaismuuttuja, jonka arvoavaruus on S X. Silloin satunnaismuuttujan Y = h(x) arvoavaruus S Y määräytyy siten, että X S X Y S Y. Seuraavassa lauseessa esitettävässä menetelmässä oletetaan, että funktio y = h(x) on tarkasteltavalla arvoalueella kääntyvä. Silloin on olemassa sellainen funktio x = g(y), että y = h(x) x = g(y).

25 5.5. Muuttujien vaihto 75 Lause 5.5 Olkoon X jatkuva satunnaismuuttuja, jonka tiheysfunktio on f X (x) ja arvoavaruus S X. Olkoon Y = h(x) sellainen funktio, että sillä on käänteisfunktio x = g(y) ja käänteisfunktion derivaatta g (y) on olemassa kaikilla y S Y, missä S Y on Y :n arvoavaruus. Silloin Y :n tiheysfunktio on f Y (y) = f X ( g(y) ) g (y), y S Y. Todistus. Oletuksen mukaan g(y) on derivoituva, joten se on jatkuva. Koska h ja g ovat kääntyviä, niin h ja g ovat molemmat joko kasvavia tai väheneviä. Oletetaan h ja g ovat väheneviä. Silloin F Y (y) = P(Y y) = P(h(X) y) = P(X g(y)) = F X ( g(y) ). Derivoidaan F X [g(y)] ketjusäännön avulla, jolloin saadaan f Y (y) = F Y (y) = F X( g(y) ) g (y) = f X ( g(y) ) g (y) = f X ( g(y) ) g (y). Viimeinen yhtäsuuruus seuraa siitä, että g (y) on negatiivinen, koska g on vähevä. Jos h ja g ovat kasvavia, niin todistus on melkein samanlainen ja se jätetään harjoitustehtäväksi. Esimerkki 5.5 Olkoon X jatkuva satunnaismuuttuja, jonka tiheysfunktio on f X (x) = e x ja S X = { x x > }. Olkoon Y = X /, joten X = Y = g(y ) ja S Y = S X. Koska g (y) = y, niin f Y (y) = f X (y ) y = ye y, y >. Tarkastellaan vielä satunnaismuuttujaa V = e X. Silloin X = log(v ). Merkitään nyt log(v ) = g(v ). Silloin S V = [, ] ja g (v) = /v. Siksi f V (v) = f X [ log(v)] v = v v =, joten V noudattaa tasajakaumaa välillä [, ]. Mikäli muunnosfunktiolla h ei ole käänteisfunktiota X:n arvoavaruudessa S X, niin Lauseen 5.5 muunnosmenetelmää ei voi suoraan soveltaa. Jos kuitenkin on olemassa sellainen S X :n ositus yhteispisteettömiin osaväleihin A, A,..., A m, että (5.5.) S X = A A A m ja h on kääntyvä jokaisella osavälillä, voidaan muunnos tehdä jokaisella osavälillä erikseen. Sitä varten määritellään funktiot { h i (x), kun x A i ; h(x) = muualla.

26 76 Luku 5. Jatkuvat jakaumat Silloin h(x) voidaan kirjoittaa muodossa h(x) = m i= h i(x), missä jokainen h i (x) on kääntyvä välillä A i. Olkoot funktioiden h i käänteisfunktiot vastaavasti g i, i =,,..., m. Satunnaismuuttujan Y = h(x) tiheysfunktio voidaan nyt esittää Lauseen 5.5 avulla muodossa (5.5.3) f Y (y) = m ( f X gi (y) ) g i (y). y S Y. i= Huomattakoon, että joskus tarvitaan äärellisen osituksen (5.5.) sijasta ositus, jossa jakovälejä A, A,... on ääretön määrä (m = ) Normaalimuuttujan muunnokset Jos X N(, ), niin X:n tiheysfunktio on f(x) = π e x /, < x <, joka on standardimuotoisen normaalijakauman tiheysfunktio. Johdetaan nyt satunnaismuuttujan U = X jakauma. Muunnosfunktio u = h(x) = x ei ole kääntyvä, koska x = ± u ei ole funktio. Siksi esitämme arvoavaruuden S X = { < x < } ositettuna muodossa S X = (, ] (, ). Silloin funktiolla h(x) on välillä (, ] käänteisfunktio g (u) = u ja välillä (, ) käänteisfunktio g (u) = u. Nyt siis kaavan (5.5.3) mukaan U:n tiheysfunktio on (5.5.4) f U (u) = f X ( u) u + f X( u) u = e u/, πu kun u (, ). U noudattaa χ -jakaumaa vapausastein. Käsittelemme tilastotieteessä tärkeää χ -jakaumaa vielä jatkossa tarkemmin. Lause 5.6 Jos X N(µ, σ ), σ >, niin silloin (X µ) σ Khi(). Todistus. Koska X N(µ, σ ), niin määritelmän mukaan X µ = Z σ N(, ). Edellä näytettiin, että Z Khi(). Näin on lause todistettu. Lause 5.7 Jos Z i :t ovat riippumattomat ja Z i N(, ), i =,,..., n, niin Z + Z + Z n Khi(n).

F(x) = 1. x x 0 + F(x) = F(x 0) kaikilla x 0 R.

F(x) = 1. x x 0 + F(x) = F(x 0) kaikilla x 0 R. Luku 5 Jatkuvat jakaumat Sellaiset suureet kuten esimerkiksi aika, lämpötila, pituus ja paino ajatellaan tavallisesti jatkuviksi muuttujiksi, ts. muuttujiksi, jotka voivat saada mitä tahansa reaaliarvoja

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

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

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

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

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

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

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

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

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

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia

Lisää 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

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

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

Moniulotteisia todennäköisyysjakaumia

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

Lisätiedot

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /

Differentiaali- 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,

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

Normaalijakaumasta johdettuja jakaumia

Normaalijakaumasta johdettuja jakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2007) 1 Normaalijakaumasta johdettuja jakaumia >> Johdanto χ 2 -jakauma F-jakauma

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

Johdatus tn-laskentaan torstai 16.2.2012

Johdatus 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

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

a) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki. 8 3 + 4 2 0 = 16 3 = 3 1 3.

a) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki. 8 3 + 4 2 0 = 16 3 = 3 1 3. Integraalilaskenta. a) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki. b) Mitä määrätty integraali tietyllä välillä x tarkoittaa? Vihje: * Integraali * Määrätyn integraalin

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

Matemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto

Matemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto Matemaattinen tilastotiede Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto Alkusanat Tämä moniste perustuu vuosina 2002-2004 pitämiini matemaattisen tilastotieteen luentoihin

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

(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

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

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut TKK (c) Ilkka Mellin (2007) 1 Jakaumien tunnusluvut >> Odotusarvo Varianssi Markovin ja Tshebyshevin

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

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

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

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)

JATKUVAT 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

Lisätiedot

f(x) f(y) x y f f(x) f(y) (x) = lim

f(x) f(y) x y f f(x) f(y) (x) = lim Y1 (Matematiikka I) Haastavampia lisätehtäviä Syksy 1 1. Funktio h määritellään seuraavasti. Kuvan astiaan lasketaan vettä tasaisella nopeudella 1 l/min. Astia on muodoltaan katkaistu suora ympyräkartio,

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä

Lisätiedot

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Kotitehtävät, tammikuu 2011 Vaikeampi sarja 1. Ratkaise yhtälöryhmä w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Ratkaisu. Yhtälöryhmän ratkaisut (w, x, y, z)

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

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

TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä

TODENNÄKÖISYYSLASKUN 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

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

Ilkka 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 Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien

Lisätiedot

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)

Lisätiedot

y 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

y 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

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1

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

8 Potenssisarjoista. 8.1 Määritelmä. Olkoot a 0, a 1, a 2,... reaalisia vakioita ja c R. Määritelmä 8.1. Muotoa

8 Potenssisarjoista. 8.1 Määritelmä. Olkoot a 0, a 1, a 2,... reaalisia vakioita ja c R. Määritelmä 8.1. Muotoa 8 Potenssisarjoista 8. Määritelmä Olkoot a 0, a, a 2,... reaalisia vakioita ja c R. Määritelmä 8.. Muotoa a 0 + a (x c) + a 2 (x c) 2 + olevaa sarjaa sanotaan c-keskiseksi potenssisarjaksi. Selvästi jokainen

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

Moniulotteiset satunnaismuuttujat ja jakaumat

Moniulotteiset satunnaismuuttujat ja jakaumat Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset

Lisätiedot

Harjoitus 2: Matlab - Statistical Toolbox

Harjoitus 2: Matlab - Statistical Toolbox Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 9: Muuttujanvaihto taso- ja avaruusintegraaleissa

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 9: Muuttujanvaihto taso- ja avaruusintegraaleissa MS-A24 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 9: Muuttujanvaihto taso- ja avaruusintegraaleissa Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 216 Antti Rasila

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 5 (vko 4/003) (Aihe: jatkuvia satunnaismuuttujia ja jakaumia, sekamalli, Laininen luvut 5.1 5.7, 6.1 6.3)

Lisätiedot

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

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

Lisätiedot

Luku 4. Derivoituvien funktioiden ominaisuuksia.

Luku 4. Derivoituvien funktioiden ominaisuuksia. 1 MAT-1343 Laaja matematiikka 3 TTY 1 Risto Silvennoinen Luku 4 Derivoituvien funktioiden ominaisuuksia Derivaatan olemassaolosta seuraa funktioille eräitä säännöllisyyksiä Näistä on jo edellisessä luvussa

Lisätiedot

Jatkuvat satunnaismuuttujat

Jatkuvat 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

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia

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

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

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 2 Lisää osamurtoja Tutkitaan jälleen rationaalifunktion P(x)/Q(x) integrointia. Aiemmin käsittelimme tapauksen, jossa nimittäjä voidaan esittää muodossa Q(x) = a(x x

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

7. laskuharjoituskierros, vko 10, ratkaisut

7. laskuharjoituskierros, vko 10, ratkaisut 7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,

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

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

Funktion raja-arvo ja jatkuvuus Reaali- ja kompleksifunktiot

Funktion raja-arvo ja jatkuvuus Reaali- ja kompleksifunktiot 3. Funktion raja-arvo ja jatkuvuus 3.1. Reaali- ja kompleksifunktiot 43. Olkoon f monotoninen ja rajoitettu välillä ]a,b[. Todista, että raja-arvot lim + f (x) ja lim x b f (x) ovat olemassa. Todista myös,

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

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

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

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

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

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

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman

Lisätiedot

Generointi yksinkertaisista diskreeteistä jakaumista

Generointi yksinkertaisista diskreeteistä jakaumista S-38.148 Tietoverkkojen simulointi / Satunnaismuuttujien generointi 1(18) Generointi yksinkertaisista diskreeteistä jakaumista Seuraavassa U, U 1,..., U n tarkoittavat riippumattomia U(0,1)-jakautuneita

Lisätiedot

6. Toisen ja korkeamman kertaluvun lineaariset

6. Toisen ja korkeamman kertaluvun lineaariset SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 51 6. Toisen ja korkeamman kertaluvun lineaariset differentiaaliyhtälöt Määritelmä 6.1. Olkoon I R avoin väli. Olkoot p i : I R, i = 0, 1, 2,..., n, ja q : I R jatkuvia

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

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141 Lineaarialgebra ja matriisilaskenta II LM2, Kesä 2012 1/141 Kertausta: avaruuden R n vektorit Määritelmä Oletetaan, että n {1, 2, 3,...}. Avaruuden R n alkiot ovat jonoja, joissa on n kappaletta reaalilukuja.

Lisätiedot

Todennäköisyysjakaumia

Todennäköisyysjakaumia 8.9.26 Kimmo Vattulainen Todennäköisyysjakaumia Seuraavassa esitellään kurssilla MAT-25 Todennäköisyyslaskenta esille tulleita diskreettejä todennäköisyysjakaumia Diskreetti tasajakauma Bernoullijakauma

Lisätiedot

031021P Tilastomatematiikka (5 op) viikko 7

031021P 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

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

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma

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

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä

, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä Pitkä matematiikka 8.9.0, ratkaisut:. a) ( x + x ) = ( + x + x ) 6x + 6x = + 6x + 6x x = x =. b) Jos x > 0, on x = + x x = + x. Tällä ei ole ratkaisua. Jos x 0, on x = + x x = + x x =. c) x = x ( x) =

Lisätiedot

3.4 Käänteiskuvauslause ja implisiittifunktiolause

3.4 Käänteiskuvauslause ja implisiittifunktiolause 3.4 Käänteiskuvauslause ja implisiittifunktiolause Tässä luvussa käsitellään kahta keskeistä vektorianalyysin lausetta. Esitellään aluksi kyseiset lauseet ja tutustutaan niiden käyttötapoihin. Lause 3.4.1

Lisätiedot

Verkot ja todennäköisyyslaskenta Verkko Verkko eli graafi muodostuu pisteiden joukosta V, särmien joukosta A ja insidenssikuvauksesta : A V V jossa

Verkot ja todennäköisyyslaskenta Verkko Verkko eli graafi muodostuu pisteiden joukosta V, särmien joukosta A ja insidenssikuvauksesta : A V V jossa Mat-.6 Sovellettu todennäköisyyslaskenta B Mat-.6 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Verkot ja todennäköisyyslaskenta Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio Jakaumien

Lisätiedot

η i (θ)t i (x) A(θ) + c(x),

η i (θ)t i (x) A(θ) + c(x), 288 Luku 10. Perusmallit ja niiden sovelluksia muotoa (10.9.1) log f θ (x) = p η i (θ)t i (x) A(θ) + c(x), i=1 missä θ = (θ 1,...,θ p ) ja A(θ), c(x), η i (θ) ja T i (x) ovat tunnettuja funktioita. Lisäksi

Lisätiedot

1 Lineaariavaruus eli Vektoriavaruus

1 Lineaariavaruus eli Vektoriavaruus 1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus

Lisätiedot

Satunnaismuuttujat 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 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

Lisätiedot

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos 19.9.2016 Pekka Alestalo, Jarmo

Lisätiedot

Satunnaismuuttujien tunnusluvut

Satunnaismuuttujien tunnusluvut Sisältö 1 Johdanto 1 1.1 Todennäköisyys ja tilastotiede.................. 1 1.2 Havaitut frekvenssit ja empiiriset jakaumat........... 1 1.3 Todennäköisyysmallit....................... 4 1.3.1 Satunnaiskoe.......................

Lisätiedot

Luento 9: Yhtälörajoitukset optimoinnissa

Luento 9: Yhtälörajoitukset optimoinnissa Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon

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

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

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 4 Jatkuvuus Jatkuvan funktion määritelmä Tarkastellaan funktiota f x) jossakin tietyssä pisteessä x 0. Tämä funktio on tässä pisteessä joko jatkuva tai epäjatkuva. Jatkuvuuden

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

(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

SARJAT JA DIFFERENTIAALIYHTÄLÖT

SARJAT JA DIFFERENTIAALIYHTÄLÖT SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 43 0.5 0.4 0.3 0.2 0.1 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.1 0.2 0.3 0.4 0.5 0.6 0.7 1 0.8 0.6 0.4 0.2 0.2 0.4 0.6 0.8 1 Kuva 12. Esimerkin 4.26(c kuvauksen

Lisätiedot

MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy Millä reaaliluvun x arvoilla. 3 4 x 2,

MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy Millä reaaliluvun x arvoilla. 3 4 x 2, MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 6. Millä reaaliluvun arvoilla a) 9 =, b) + + + 4, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + 4 + 6 + +, b) 8 + 4 6 + + n n, c) + + +

Lisätiedot

Johdatus tn-laskentaan perjantai 17.2.2012

Johdatus tn-laskentaan perjantai 17.2.2012 Johdatus tn-laskentaan perjantai 17.2.2012 Kahden diskreetin muuttujan yhteisjakauma On olemassa myös monen muuttujan yhteisjakauma, ja jatkuvien muuttujien yhteisjakauma (jota ei käsitellä tällä kurssilla;

Lisätiedot

031021P Tilastomatematiikka (5 op) viikot 5 6

031021P 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

Lisätiedot

MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio.

MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Riikka Korte Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto

Lisätiedot

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16 MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Antti Rasila Matematiikan ja systeemianalyysin laitos

Lisätiedot

Matematiikan peruskurssi 2

Matematiikan 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

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 1A

Tilastollinen 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

Lisätiedot

1. Olkoon f :, Ratkaisu. Funktion f kuvaaja välillä [ 1, 3]. (b) Olkoonε>0. Valitaanδ=ε. Kun x 1 <δ, niin. = x+3 2 = x+1, 1< x<1+δ

1. Olkoon f :, Ratkaisu. Funktion f kuvaaja välillä [ 1, 3]. (b) Olkoonε>0. Valitaanδ=ε. Kun x 1 <δ, niin. = x+3 2 = x+1, 1< x<1+δ Matematiikan tilastotieteen laitos Differentiaalilaskenta, syksy 2015 Lisätehtävät 1 Ratkaisut 1. Olkoon f :, x+1, x 1, f (x)= x+3, x>1 Piirrä funktion kuvaa välillä [ 1, 3]. (a) Tutki ra-arvon (ε, δ)-määritelmän

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 10: Napa-, sylinteri- ja pallokoordinaatistot. Pintaintegraali.

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 10: Napa-, sylinteri- ja pallokoordinaatistot. Pintaintegraali. MS-A25/MS-A26 Differentiaali- ja integraalilaskenta 2 Luento 1: Napa-, sylinteri- ja pallokoordinaatistot. Pintaintegraali. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät

Lisätiedot

Sinin jatkuvuus. Lemma. Seuraus. Seuraus. Kaikilla x, y R, sin x sin y x y. Sini on jatkuva funktio.

Sinin jatkuvuus. Lemma. Seuraus. Seuraus. Kaikilla x, y R, sin x sin y x y. Sini on jatkuva funktio. Sinin jatkuvuus Lemma Kaikilla x, y R, sin x sin y x y. Seuraus Sini on jatkuva funktio. Seuraus Kosini, tangentti ja kotangentti ovat jatkuvia funktioita. Pekka Salmi FUNK 19. syyskuuta 2016 22 / 53 Yhdistetyn

Lisätiedot