031021P Tilastomatematiikka (5 op) viikot 5 6

Koko: px
Aloita esitys sivulta:

Download "031021P Tilastomatematiikka (5 op) viikot 5 6"

Transkriptio

1 031021P Tilastomatematiikka (5 op) viikot 5 6 Jukka Kemppainen Mathematics Division

2 Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan eli arvon, jonka satunnaismuuttuja keskimääräisesti saavuttaa. Varianssi ilmoittaa, kuinka paljon satunnaismuuttujan arvot keskimäärin poikkeavat odotusarvosta. Muita tunnuslukuja ovat mm. Jakauman momentit, eli satunnaismuuttujan sopivien potenssien odotusarvot; Jakauman vinous; Kvartiilit; Keskipoikkeama... Jukka Kemppainen Mathematics Division 2 / 53

3 Odotusarvo Tarkastellaan odotusarvon määrittelyä erikseen diskreetin ja jatkuvan sm:n tapauksessa. Aloitetaan diskreetistä sm:stä. Määr. 20 Jos X on diskreetti satunnaismuuttuja, jonka arvojoukko on S X = {x 1,x 2,...}, niin lukua E(X) = x k P(X = x k ) k=1 sanotaan X:n odotusarvoksi edellyttäen, että sarja suppenee. Jukka Kemppainen Mathematics Division 3 / 53

4 Odotusarvo Määr. 21 Jos X on jatkuva satunnaismuuttuja, jonka tiheysfunktio on f X, niin lukua E(X) = xf X (x)dx sanotaan X:n odotusarvoksi edellyttäen, että integraali suppenee. Odotusarvolle käytetään usein merkintää E(X) = µ X tai yksinkertaisesti µ = µ X, jos sekaannuksen vaaraa ei ole. Huomautus 4 Erityisesti, jos diskreetti sm. saa vain äärellisen määrän arvoja, odotusarvo on aina olemassa. Kaikilla satunnaismuuttujilla ei ole odotusarvoa. Jukka Kemppainen Mathematics Division 4 / 53

5 Esimerkki Esim. 39 Milloin satunnaismuuttujalla X, jonka pistetodennäköisyysfunktio on muotoa P(X = k) = c 1 k p, k = 1,2,...; tiheysfunktio on f(x) = c 1 (1+x 2 ) p, x R, on odotusarvo? Jukka Kemppainen Mathematics Division 5 / 53

6 Diskreettien jakaumien odotusarvoja (1/2) Binomijakauman, X Bin(n, p), odotusarvo on E(X) = np. Geometrisen jakauman, X Geo(p), odotusarvo on E(X) = 1 p. Poissonin jakauman, X Poi(a), odotusarvo on E(X) = a. Jukka Kemppainen Mathematics Division 6 / 53

7 Diskreettien jakaumien odotusarvoja (2/2) Laskentakaavojen intuitiivinen perustelu: Binomijakaumalle E(X) = np, sillä yksittäisessä toistossa onnistumisen tn. on p, joten pitkässä juoksussa onnistumisten lkm. on np. Geometriselle jakaumalle E(X) = 1 p, sillä pitkässä juoksussa keskimääräinen onnistumisten lkm. per yritysten lkm. on p, joten keskimääräinen yritysten lkm. per onnistuminen on 1/p. Poissonin jakaumalle E(X) = a on selvä, jos Poissonin jakauma ajatellaan binomijakauman raja-jakaumana. Jukka Kemppainen Mathematics Division 7 / 53

8 Kuvia Kuvissa on esitetty sm:ien X Bin(50, 0.2) ja X Poi(5) pistetodennäköisyysfunktiot ja merkitty odotusarvo. Kuva : X Bin(50, 0.2) ja E(X) = 10 Kuva : X Poi(5) ja E(X) = 5 Jukka Kemppainen Mathematics Division 8 / 53

9 Jatkuvien jakaumien odotusarvoja Tasajakauman, X Tas(a,b), odotusarvo on E(X) = a+b 2. Eksponenttijakauman, X Exp(λ), odotusarvo on E(X) = 1 λ. Normaalijakauman, X N(µ,σ 2 ), odotusarvo on E(X) = µ. Weibullin jakauman, X Wei(α, β), odotusarvo on missä E(X) = α 1/β Γ(1+1/β), α,β > 0, Γ(x) = on Eulerin Gamma-funktio. 0 t x 1 e t dt, x > 0, Jukka Kemppainen Mathematics Division 9 / 53

10 Kuvia Kuvissa on esitetty sm:ien X N(100,25) ja X Exp( 1 2 ) tiheysfunktiot ja merkitty odotusarvo. Kuva : X N(100, 25) ja E(X) = 100 Kuva : X Exp( 1 2 ) ja E(X) = 2 Jukka Kemppainen Mathematics Division 10 / 53

11 Esimerkkejä Esim. 40 Heitetään kolikkoa 3 kertaa. Olkoon X kruunujen lukumäärä. Laske odotusarvo E(X). Esim. 41 Jatkuvan satunnaismuuttujan X tiheysfunktio on x, 0 x < 1, f X (x) = 2 x, 1 x 2, 0, muulloin. Laske X:n odotusarvo. Jukka Kemppainen Mathematics Division 11 / 53

12 Esimerkkejä Esim. 42 Teräväpiirtotelevisiota (HDTV) on lyhyessä ajassa myyty kappaletta. Jokaisessa näistä on yksi kappale komponenttia A, jonka kestoikä on eksponenttijakautunut odotusarvona 4 vuotta. Millä todennäköisyydellä komponentti A kestää ainakin vuoden? HDTV:n takuu on vuoden. Kuinka monen HDTV:n komponentti A joudutaan keskimäärin vaihtamaan takuun puitteissa? Komponentti on halpa (3 euroa), mutta sen uusimiseen liittyvä asennuskulu on 55 euroa. Kuinka paljon kuluja on odotettavissa takuuna uusittavista komponenteista ja niiden asennuksista? Jukka Kemppainen Mathematics Division 12 / 53

13 Muunnoksen Y = h(x) odotusarvo Sovelluksissa joudutaan usein tarkastelemaan satunnaismuuttujien muunnoksia. Oletetaan, että X on satunnaismuuttuja ja h : R R sellainen funktio, että Y = h(x) on satunnaismuuttuja (vrt. Lause 7, s.17). Jos X on diskreetti sm., saadaan Lause 11 Muunnoksen Y = h(x) odotusarvo on E(Y) = E(h(X)) = i:x i S X h(x i )P(X = x i ) edellyttäen, että sarja suppenee itseisesti, eli i:x i S X h(x i ) P(X = x i ) <. Jukka Kemppainen Mathematics Division 13 / 53

14 Muunnoksen odotusarvo Jos taasen X on jatkuva satunnaismuuttuja, jonka tiheysfunktio on f X, saadaan Lause 12 Muunnoksen Y = h(x) odotusarvo on E(Y) = E(h(X)) = h(x)f X (x)dx edellyttäen, että integraali suppenee itseisesti, eli h(x) f X (x)dx <. Jukka Kemppainen Mathematics Division 14 / 53

15 Esimerkkejä Esim. 43 Olkoon Θ välille ] π 2, π 2 [ tasajakautunut kulma ja Y = tan(θ). Määrää (mikäli mahdollista) Y :n odotusarvo. Jukka Kemppainen Mathematics Division 15 / 53

16 Esimerkkejä Esim. 44 Oletetaan, että tuotteen laatutappio on ke((x m) 2 ), missä k on verrannollisuuskerroin ja m suureen X tavoitearvo tuotannossa. Olkoon laitteen kulutuskesto X (kk) Weibull-jakautunut parametrien arvoilla α = 0,40 ja β = 1 2. Laitteen tuottaja tavoitteli tuotteelleen 100 kk:n kulutuskestoa. Mikä oli tuotteen kulutuskeston laatutappio, kun verrannollisuuskerroin oli k = 0,1? Tuottaja pyrki säätämään tuotantoaan siten, että parametrin β arvo pysyi kiinteänä ja parametrin α arvo muuttui. Millä α:n arvolla kulutuskeston tavoitearvo ja odotusarvo ovat yhtä suuret? (E(X) = α β( 1 1 β )! ja E(X 2 ) = α β( 2 2 β )!, kun 1 β N.) Jukka Kemppainen Mathematics Division 16 / 53

17 Varianssi Tarkastellaan varianssin määrittelyä erikseen diskreetin ja jatkuvan sm:n tapauksessa. Aloitetaan diskreetistä sm:stä. Määr. 22 Jos X on diskreetti satunnaismuuttuja, jonka arvojoukko on S X = {1,2,...} ja odotusarvo µ X, niin lukua D 2 (X) = k:x k S X (x k µ X ) 2 P(X = x k ) sanotaan X:n varianssiksi ja merkitään D 2 (X) = Var(X) = σ 2 X edellyttäen, että sarja suppenee. Jukka Kemppainen Mathematics Division 17 / 53

18 Varianssi Vastaavasti jatkuvan sm:n tapauksessa määritellään Määr. 23 Jos X on jatkuva satunnaismuuttuja, jonka tiheysfunktio on f X ja odotusarvo µ X, niin lukua D 2 (X) = (x µ X ) 2 f X (x)dx sanotaan X:n varianssiksi ja merkitään D 2 (X) = Var(X) = σ 2 X edellyttäen, että integraali suppenee. Lukua σ X = Var(X) sanotaan satunnaismuuttujan X keskihajonnaksi. Jukka Kemppainen Mathematics Division 18 / 53

19 Varianssi Jos katsotaan varianssin määritelmää ja verrataan sitä muunnoksen h(x) = (X µ X ) 2 odotusarvoon, niin havaitaan, että itse asiassa varianssi on muunnoksen h(x) odotusarvo ja siten Var(X) = E((X E(X)) 2 ). Edellisestä yhtäsuuruudesta saadaan varianssille seuraava hyödyllinen laskentakaava Lause 13 Olkoon X satunnaismuuttuja, jolla on varianssi. Tällöin Var(X) = E(X 2 ) E(X) 2. Jukka Kemppainen Mathematics Division 19 / 53

20 Esimerkki Esim. 45 Oletetaan, että X N(0,1). Tällöin Y = e X noudattaa ns. log-normaalijakaumaa. Määrää Y :n odotusarvo ja varianssi. Jukka Kemppainen Mathematics Division 20 / 53

21 Diskreettien jakaumien variansseja Binomijakauman, X Bin(n, p), varianssi on Var(X) = np(1 p). Geometrisen jakauman, X Geo(p), varianssi on Var(X) = 1 p p 2. Poissonin jakauman, X Poi(a), varianssi on Var(X) = a. Jukka Kemppainen Mathematics Division 21 / 53

22 Jatkuvien jakaumien variansseja Tasajakauman, X Tas(a,b), varianssi on Var(X) = (b a)2 12. Eksponenttijakauman, X Exp(a), varianssi on Var(X) = 1 a 2. Normaalijakauman, X N(µ,σ 2 ), varianssi on Var(X) = σ 2. Weibullin jakauman, X Wei(α, β), varianssi on Var(X) = α 2/β (Γ(1+2/β) Γ(1+1/β) 2 ). Jukka Kemppainen Mathematics Division 22 / 53

23 Odotusarvon ja varianssin ominaisuuksia Lause 14 Jos sm. X on todennäköisyydellä yksi vakio a, ts. P(X = a) = 1, niin E(X) = a ja Var(X) = 0. Kääntäen, jos Var(X) = 0, niin P(X = a) = 1 jollekin a R. Lause 15 Jos X ja Y ovat satunnaismuuttujia ja a, b R, niin E(aX + by) =ae(x)+be(y), Var(aX + by) =a 2 Var(X)+b 2 Var(Y) + 2abE((X E(X))(Y E(Y))) edellyttäen, että em. suureet ovat äärellisiä. Jukka Kemppainen Mathematics Division 23 / 53

24 Ominaisuuksia Lause 16 Jos X ja Y ovat riippumattomia, niin E(XY) = E(X)E(Y), Var(aX + by) = a 2 Var(X)+b 2 Var(Y) edellyttäen, että em. suureet ovat äärellisiä. Edellinen tulos pätee myös n:n riippumattoman sm:n tapauksessa. Korollaari 2 Jos X 1,...,X n ovat riippumattomia satunnaismuuttujia, joilla on odotusarvo ja varianssi, ja a 1,...,a n R, niin E(X 1 X n ) = E(X 1 ) E(X n ), Var(a 1 X 1 + +a n X n ) = a 2 1 Var(X 1)+ +a 2 n Var(X n). Jukka Kemppainen Mathematics Division 24 / 53

25 Esimerkkejä Esim. 46 Olkoon X N(µ,σ 2 ). Laske standardisoidun satunnaismuuttujan Z = X µ σ odotusarvo ja varianssi. Esim. 47 Kytketään 100 sähkövastusta yhteen. Jokaisen vastuksen resistanssi on tasaisesti jakautunut 90 Ω ja 110 Ω välille. Oletetaan, että sähkövastukset ovat toisistaan riippumattomia. Määrää systeemin (a) kokonaisresistanssin odotusarvo ja varianssi, kun vastukset on kytketty sarjaan. (b) kokonaisresistanssin käänteisluvun odotusarvo ja varianssi, kun vastukset on kytketty rinnan. Jukka Kemppainen Mathematics Division 25 / 53

26 Todennäköisyyslaskennan raja-arvolauseita Tilastollisessa tutkimuksessa tehdään aineistojen pohjalta päätelmiä tutkittavasta ilmiöstä. Tehtäessä ilmiöstä riippumattomia havaintoja, on toivottavaa, että havaintojen lukumäärän kasvaessa saadaan yhä varmemmin oikea kuva todellisuudesta. Todennäköisyyslaskennan raja-arvolauseet luovat perustan todennäköisyyslaskennan tilastollisille sovelluksille. Jukka Kemppainen Mathematics Division 26 / 53

27 Esimerkki Esim. 48 Olkoot X 1,X 2,...,X n riippumattomia satunnaismuuttujia, joille E(X i ) = µ ja D 2 (X i ) = σ 2 kaikilla i = 1,...,n. Laske aritmeettisen keskiarvon n X = 1 n i=1 X i odotusarvo ja varianssi. Jukka Kemppainen Mathematics Division 27 / 53

28 Tn-laskennan raja-arvolauseita Edellisen esimerkin mukaan tehtäessä satunnaismuuttujasta X riippumattomia havaintoja x 1,...,x n keskittyy havaintojen aritmeettinen keskiarvo x = 1 n n i=1 x i yhä varmemmin satunnaismuuttujan X odotusarvon ympäristöön, sillä E(X) = µ ja D 2 (X) 0, kun n. Huomaa, että havaintojen aritmeettinen keskiarvo x on sm:n X saama arvo. Keskiarvot 1 n n i=1 X i muodostavat satunnaismuuttujajonon, joka tietyllä tavalla suppenee kohti odotusarvoa µ. Tarkastellaan seuraavaksi satunnaismuuttujajonon suppenemisen muotoja. Jukka Kemppainen Mathematics Division 28 / 53

29 Satunnaismuuttujajonon suppeneminen Satunnaismuuttujajonon X 1,X 2,... suppenemista on mahdollista luonnehtia eri tavoin. Tällä kurssilla tarkastellaan seuraavia suppenemisen muotoja: Jakaumasuppeneminen Jono X 1,X 2,... suppenee jakaumaltaan kohti satunnaismuuttujaa X, jos kertymäfunktioiden jono F n suppenee kohti rajajakauman kertymäfunktiota F X jokaisessa F:n jatkuvuuspisteessä. Stokastinen suppeneminen tarkoittaa sitä, että poikkeama rajamuuttujasta X on mielivaltaisen pieni suurella todennäköisyydellä, eli kaikilla ǫ > 0 lim P( X n X < ǫ) = 1. n Jukka Kemppainen Mathematics Division 29 / 53

30 Satunnaismuuttujajonon suppeneminen Melkein varma suppeneminen tarkoittaa sitä, että jono X 1,X 2,... suppenee todennäköisyydellä yksi kohti rajamuuttujaa X, eli P( lim n X n = X) = 1. Voidaan osoittaa, että melkein varma suppeneminen on vahvin suppenemisen muoto ja jakaumasuppeneminen taasen heikoin muoto, eli suppenemiselle pätee Melkein varmasti Stokastisesti Jakaumaltaan. Jukka Kemppainen Mathematics Division 30 / 53

31 Chebyshevin epäyhtälö Lause 17 (Chebyshevin epäyhtälö) Olkoon X satunnaismuuttuja, jolla on odotusarvo µ ja varianssi σ 2. Tällöin kaikilla ǫ > 0 pätee P( X µ ǫ) σ2 ǫ 2. Chebyshevin epäyhtälöllä voidaan aina arvioida kuinka paljon satunnaismuuttuja poikkeaa odotusarvostaan. Arvio on tosi karkea ja se riippuu varianssin suuruudesta. Jukka Kemppainen Mathematics Division 31 / 53

32 Esimerkki Esim. 49 Olkoon X N(0, 1). Laske todennäköisyyksille P( X 1), P( X 2) ja P( X 3) (a) arvio Chebychevin epäyhtälön avulla. (b) tarkka arvo. Jukka Kemppainen Mathematics Division 32 / 53

33 Heikko suurten lukujen laki Lause 18 (Chebyshev) Olkoon X 1,X 2,... jono parittain riippumattomia, samalla tavalla jakautuneita sm:ia, joilla on odotusarvo E(X i ) = µ ja varianssi D 2 (X i ) = σ 2. Olkoon X (n) = 1 n n i=1 X i satunnaismuuttujien X 1,X 2,...,X n aritmeettinen keskiarvo. Tällöin P( X (n) µ ǫ) 0, kun n kaikilla ǫ > 0. Jukka Kemppainen Mathematics Division 33 / 53

34 Tulkinta Heikko suurten lukujen laki tarkoittaa seuraavaa: Satunnaismuuttujien X 1,...,X n aritmeettinen keskiarvo suppenee stokastisesti kohti odotusarvoa µ. Jos X 1,...,X n ovat riippumattomia havaintoja samasta satunnaismuuttujasta X, jonka odotusarvo on µ ja varianssi σ 2, niin havaintojen lukumäärän kasvaessa havaintojen aritmeettinen keskiarvo (otoskeskiarvo) yhä varmemmin ilmoittaa todellisen odotusarvon. Otoskeskiarvolla voidaan siis estimoida odotusarvoa, kun havaintojen lukumäärä on riittävän suuri. Jukka Kemppainen Mathematics Division 34 / 53

35 Kuvia Kuvissa on esitetty riippumattomien normaalijakautuneiden sm:ien X i N(0,1) aritmeettisen keskiarvon X (n) tiheysfunktioita. Kun ǫ = 0.01, niin Lauseen 18 tn:ksi saadaan P( X (103 ) ǫ) 0.75 ja P( X (10 6 ) ǫ) Jukka Kemppainen Mathematics Division 35 / 53

36 Vahva suurten lukujen laki Lause 19 (Kolmogorov) Olkoon X 1,X 2,... jono parittain riippumattomia, samalla tavalla jakautuneita satunnaismuuttujia, joilla on odotusarvo E(X i ) = µ. Tällöin P( lim n X(n) = µ) = 1. Vahva suurten lukujen laki siis sanoo, että parittain riippumattomien, samalla tavalla jakautuneiden satunnaismuuttujien X 1,...,X n aritmeettinen keskiarvo suppenee melkein varmasti kohti odotusarvoa µ. Jukka Kemppainen Mathematics Division 36 / 53

37 Esimerkki Esim. 50 Pelatessa ruletissa väriä (musta tai punainen) yhden euron panoksella on voittosumman odotusarvo 1 37 euroa. Mitä suurten lukujen laki sanoo voittosummasta, jos peliä pelataan erittäin monta kertaa yhden euron panoksella? Takaako laki, että sinun tappiot ovat pieniä? Entäpä takaako laki, että suurella pelien määrällä häviät? Jukka Kemppainen Mathematics Division 37 / 53

38 Keskeinen raja-arvolause Suurten lukujen laeilla on lähinnä kvalitatiivinen merkitys satunnaismuuttujien aritmeettisen keskiarvon käyttäytymisestä n:n kasvaessa. Todennäköisyyksien kvantitatiiviseen laskemiseen tarvitaan tarkempaa tietoa aritmeettisen keskiarvon jakauman käyttäytymisestä. Tämän ilmoittaa keskeinen raja-arvolause. Lause 20 (Keskeinen raja-arvolause) Olkoon X 1,X 2,... jono keskinäisesti riippumattomia, samalla tavalla jakautuneita sm:ia, joilla E(e tx i) on olemassa, kun t < δ jollakin δ > 0. Merkitään E(X i ) = µ, D 2 (X i ) = σ 2 ja S n = n i=1 X i. Tällöin ( lim P Sn E(S n ) ) x = Φ(x) = 1 x e u2 2 du. n σ Sn 2π Jukka Kemppainen Mathematics Division 38 / 53

39 Keskeinen raja-arvolause Keskeisessä raja-arvolauseessa esiintyvä suure voidaan kirjoittaa muodossa S S n E(S n ) n = n µ. σ Sn σ n Siis riittävän suurilla n:n arvoilla keskiarvo X = 1 n S n noudattaa likimain normaalijakaumaa, eli 1 n n i=1 X i N(µ, σ2 n ) likimain, kun n on riittävän suuri. Summan todennäköisyyden arvioimista normaalijakaumalla sanotaan normaalijakauma-approksimaatioksi. Jukka Kemppainen Mathematics Division 39 / 53

40 Huomioita Joskus n = 3 on riittävä otoksen koko; Joskus n = ei riitä; Pääsääntöisesti (ainakin tällä kurssilla) approksimaatio on pätevä, kun n 30. Huomautus 5 Keskeisen raja-arvolauseen todisti vuonna 1901 venäläinen A.N. Lyapunov hieman yleisemmillä oletuksilla. Satunnaismuuttujien ei esimerkiksi tarvitse olla samalla tavalla jakautuneita. Jukka Kemppainen Mathematics Division 40 / 53

41 Kuvia Kuvissa on esitetty jakaumien S n = n i=1 X i ja X N(E(S n ),σs 2 n ) pistetodennäköisyydet ja tiheysfunktio, kun n = 50 ja Kuva : S n Bin(n, 0.2) Kuva : X i Poi(1) Jukka Kemppainen Mathematics Division 41 / 53

42 Kuvia Kuvissa on esitetty jakauman S n = n i=1 X i kertymäfunktio kokonaislukupisteissä ja ja jakauman X N(E(S n ),σs 2 n ) kertymäfunktio, kun n = 50 ja Kuva : S n Bin(n, 0.2) Kuva : X i Poi(1) Jukka Kemppainen Mathematics Division 42 / 53

43 Kuvia Kuvissa on esitetty jakaumien S n = n i=1 X i ja X N(E(S n ),σs 2 n ) tiheysfunktiot (tf:t) ja kertymäfunktiot (kf:t), kun n = 3 ja X i Tas(0,1). Kuva : Tf:t f Sn ja f X Kuva : Kf:t F Sn ja F X Jukka Kemppainen Mathematics Division 43 / 53

44 Kuvia Kuvissa on esitetty jakaumien S n = n i=1 X i ja X N(E(S n ),σs 2 n ) tiheysfunktiot (tf:t) ja kertymäfunktiot (kf:t), kun n = 10 ja X i Exp(1). Kuva : Tf:t f Sn ja f X Kuva : Kf:t F Sn ja F X Jukka Kemppainen Mathematics Division 44 / 53

45 Esimerkkejä Esim. 51 Olkoon Y n erään osakkeen hinta vuoden n. päivänä. Oletetaan, että erotukset X n = Y n+1 Y n ovat riippumattomia, normaalijakautuneita satunnaismuuttujia, joilla on sama odotusarvo µ = 0 ja varianssi σ 2 = 1 4. Jos Y 1 = 100, niin laske todennäköisyys, että vuoden lopussa osakkeen hinta on (a) 100. (b) 110. (c) 120. Jukka Kemppainen Mathematics Division 45 / 53

46 Esimerkin 51 realisaatioita Kuvissa on esitetty 2 eri realisaatiota esimerkin 51 osakkeen hinnalle. Jukka Kemppainen Mathematics Division 46 / 53

47 Esimerkkejä Esim. 52 Keskeinen raja-arvolause ei päde kaikille riippumattomille jonoille X 1,X 2,... Osoita, että jos X k Poi( 1 ) kaikilla k = 1,2,..., 2 k niin muuttuja S n E(S n ) σ Sn ei lähesty N(0,1)-jakaumaa. Esim. 53 Oletetaan, että elektronisen komponentin elinikä on sm., jonka odotusarvo on µ = a ja keskihajonta σ = a. Kuinka monta komponenttia tarvitaan, jotta niiden yhteenlaskettu elinikä olisi korkeintaan 8a enintään tn:llä 0,05? Jukka Kemppainen Mathematics Division 47 / 53

48 Binomijakauman normaalijakauma-approksimaatio Tarkastellaan n-kertaista toistokoetta X 1,...,X n, jossa X i ilmoittaa tapahtuuko jokin suotuisa tapahtuma A vai ei Oletetaan, että tapahtuma A sattuu yksittäisissä toistoissa muista toistoista riippumattomasti ja että P(X i = 1) = P(A) = P( A sattuu ) = p ja P(X i = 0) = P(A) = 1 p kaikilla i = 1,...,n. Tällöin S n = X 1 + X 2 + +X n ilmoittaa A:n esiintymiskertojen lukumäärän ja S n Bin(n,p). Koska E(S n ) = np ja D 2 (S n ) = np(1 p), niin keskeisen raja-arvolauseen mukaan S n N(np,np(1 p)) likimain, kun n on riittävän suuri. Jukka Kemppainen Mathematics Division 48 / 53

49 Binomijakauman approksimaatio Siis binomijakaumaa Bin(n, p) voidaan approksimoida normaalijakaumalla N(np, np(1 p)), kun n on riittävän suuri. Approksimaation tarkkuutta on tutkittu ja todettu, että approksimaatio on erityisen hyvä silloin, kun p 1 2. Luvun n pitäisi olla niin suuri, että varianssi np(1 p) > 9, jolloin käytännössä saadaan riittävän hyviä approksimaatioita. Jukka Kemppainen Mathematics Division 49 / 53

50 Approksimaatio, p:n vaikutus Kuviin on piirretty binomijakauman X Bin(20, p) pistetodennäköisyyksiä ja normaalijakauman N(20p,( 20p(1 p)) 2 ) tiheysfunktio, kun Kuva : p = 0.1 Kuva : p = 0.5 Jukka Kemppainen Mathematics Division 50 / 53

51 Approksimaatio, n:n vaikutus Kuviin on piirretty binomijakauman X Bin(n, 0.05) pistetodennäköisyyksiä ja normaalijakauman N(0.05n,( n) 2 ) tiheysfunktio, kun Kuva : n = 20 Kuva : n = 1000 Jukka Kemppainen Mathematics Division 51 / 53

52 Jatkuvuuskorjaus Diskreettejä jakaumia approksimoitaessa voidaan tarkkuutta parantaa tekemällä jatkuvuuskorjaus. Jos a ja b ovat kokonaislukuja, joille 0 a b n, ja X on diskreetti sm., joka saa kokonaislukuarvot 0,1,...,n, niin tn:ää P(a X b) ei approksimoida integraalina a:sta b:hen, vaan integraalina a 1 2 :sta b+ 1 2 :een. Siis P(a X b) = P(a 1 2 X b+ 1 2 ) ( a 1 2 = P E(X) σ X X E(X) σ X ( b+ 1 2 Φ E(X) ) ( a 1 Φ σ X b+ 1 2 E(X) ) σ X 2 E(X) ). σ X Jukka Kemppainen Mathematics Division 52 / 53

53 Esimerkkejä Esim. 54 Eräästä tuotteesta 10 % on viallisia. Jos ostetaan 10 tuotetta, niin millä tn:llä saadaan korkeintaan yksi viallinen tuote, kun tn. lasketaan tarkasti? normaalijakauma-approksimaatiolla jatkuvuuskorjauksella ja ilman? Poisson-jakauman avulla? Esim. 55 Heitetään noppaa 20 kertaa. Millä todennäköisyydellä pistelukujen summa on vähintään 60 ja korkeintaan 80? Jukka Kemppainen Mathematics Division 53 / 53

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

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

031021P Tilastomatematiikka (5 op) viikko 2

031021P Tilastomatematiikka (5 op) viikko 2 031021P Tilastomatematiikka (5 op) viikko 2 Jukka Kemppainen Mathematics Division Satunnaismuuttuja Useissa luonnon- tai teknistieteellisissä sovellutuksissa satunnaiskokeen lopputulos on numeerinen lukuarvo.

Lisätiedot

Todennäköisyysjakaumia

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

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

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

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: 8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)

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

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

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

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

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Nordlund Mat-2.090 Sovellettu todennäköisyyslasku A Harjoitus 4 (vko 41/2003) (Aihe: diskreettejä satunnaismuuttujia ja jakaumia, Laininen luvut 4.1 4.7) 1. Kone tekee

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

4. laskuharjoituskierros, vko 7, ratkaisut

4. laskuharjoituskierros, vko 7, ratkaisut 4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.

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

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien

Lisätiedot

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon

Lisätiedot

Diskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma

Diskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Diskreetit todennäköisyysjakaumat Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Satunnaismuuttuja Satunnaisilmiö on ilmiö, jonka lopputulokseen sattuma vaikuttaa Satunnaismuuttuja on muuttuja,

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

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

30C00660 Tilastotieteen jatkokurssi Sessio 1 : Panu Erästö

30C00660 Tilastotieteen jatkokurssi Sessio 1 : Panu Erästö 30C00660 Sessio 1 : Panu Erästö Aloitustehtävä: pohdintaan ryhmissä Mitä todennäköisyysjakauma matemaattisesti tarkoittaa? Mitä (kaikkea) puhekielen (todennäköisyys)jakauma voi tarkoittaa? Mitä eroa on

Lisätiedot

Talousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa

Talousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa Talousmatematiikan perusteet: Luento 17 Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa Motivointi Kahdella edellisellä luennolla olemme oppineet integrointisääntöjä

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi

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

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

6. laskuharjoitusten vastaukset (viikot 10 11)

6. laskuharjoitusten vastaukset (viikot 10 11) 6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287

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

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

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

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

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen MAT-25 Todennäköisyyslaskenta Tentti 12.4.216 / Kimmo Vattulainen Funktiolaskin sallittu. Palauta kaavakokoelma 1. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi

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

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3 Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,

Lisätiedot

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1 Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin

Lisätiedot

Todennäköisyyslaskenta sivuaineopiskelijoille

Todennäköisyyslaskenta sivuaineopiskelijoille Todennäköisyyslaskenta sivuaineopiskelijoille Tentit: 4.11.2013 ja 2.12.2013. Loput kaksi tenttiä (vuonna 2014) ilmoitetaan myöhemmin. Tentissä on 4 tehtävää á 8 pistettä, aikaa 4 tuntia. Arvostelu 0 5.

Lisätiedot

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen testaus. Vilkkumaa / Kuusinen 1 Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää

Lisätiedot

Tilastomatematiikka. Jukka Kemppainen Oulun yliopisto Tekniikan matematiikka

Tilastomatematiikka. Jukka Kemppainen Oulun yliopisto Tekniikan matematiikka Tilastomatematiikka Jukka Kemppainen Oulun yliopisto Tekniikan matematiikka 18. helmikuuta 2016 2 Tämä luentomoniste on tehty professori Keijo Ruotsalaisen luentojen pohjalta. Alkuperäisestä kirjoitustyöstä

Lisätiedot

Tilastomatematiikka. Keijo Ruotsalainen University of Oulu, Faculty of Technology Division of Mathematics

Tilastomatematiikka. Keijo Ruotsalainen University of Oulu, Faculty of Technology Division of Mathematics Tilastomatematiikka Keijo Ruotsalainen University of Oulu, Faculty of Technology Division of Mathematics 20. maaliskuuta 2013 2 Tämä luentomoniste on tehty professori Keijo Ruotsalaisen luentojen pohjalta.

Lisätiedot

Mat-2.091 Sovellettu todennäköisyyslasku 5. harjoitukset/ratkaisut. Jatkuvat jakaumat

Mat-2.091 Sovellettu todennäköisyyslasku 5. harjoitukset/ratkaisut. Jatkuvat jakaumat Mat-2.09 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Jatkuvat jakaumat Avainsanat: Binomijakauma, Eksponenttijakauma, Jatkuva tasainen jakauma, Kertymäfunktio, Mediaani, Normaaliapproksimaatio, Normaalijakauma,

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden ominaisuuksia Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo

Lisätiedot

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen MAT-200 Todennäköisyyslaskenta Tentti 29.04.20 / Kimmo Vattulainen Funktiolaskin sallittu.. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi kuutosen. A aloittaa

Lisätiedot

DISKREETIT JAKAUMAT Generoiva funktio (z-muunnos)

DISKREETIT JAKAUMAT Generoiva funktio (z-muunnos) J. Virtamo 38.3143 Jonoteoria / Diskreetit jakaumat 1 DISKREETIT JAKAUMAT Generoiva funktio (z-muunnos) Määritelmä Olkoon X diskreetti sm, jonka arvot ovat ei-negatiivisia kokonaislukuja, X {0, 1, 2,...}.

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

Johdatus todennäköisyyslaskentaan Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Jakaumien tunnusluvut TKK (c) Ilkka Mellin (2005) 1 Jakaumien tunnusluvut Odotusarvo Varianssi Markovin ja Tshebyshevin epäyhtälöt Momentit Vinous ja huipukkuus Kvantiilit

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

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 3: Todennäköisyysjakaumia. Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Todennäköisyyslaskenta. Osa 3: Todennäköisyysjakaumia. Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Diskreettejä jakaumia TKK (c) Ilkka Mellin (2007) 1 Diskreettejä jakaumia >> Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma

Lisätiedot

031021P Tilastomatematiikka (5 op) viikko 4

031021P Tilastomatematiikka (5 op) viikko 4 031021P Tilastomatematiikka (5 op) viikko 4 Jukka Kemppainen Mathematics Division Tilastollinen aineisto Tilastolliset menetelmät ovat eräs keino tutkia numeerista havaintoaineistoa todennäköisyyslaskentaa

Lisätiedot

Tilastomatematiikka Kevät 2008

Tilastomatematiikka Kevät 2008 Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/73 Johdanto Moderni yhteiskunta: Todellisuuden tilastollinen malli Kolme

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 27. syyskuuta 2007 Antti Rasila () TodB 27. syyskuuta 2007 1 / 15 1 Diskreetit jakaumat Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen

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

Tilastollisia peruskäsitteitä ja Monte Carlo

Tilastollisia peruskäsitteitä ja Monte Carlo Tilastollisia peruskäsitteitä ja Monte Carlo Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Tilastollisia peruskäsitteitä ja Monte Carlo 1/13 Kevät 2003 Tilastollisia

Lisätiedot

tilastotieteen kertaus

tilastotieteen kertaus tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla

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

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

3.11.2006. ,ܾ jaü on annettu niin voidaan hakea funktion 0.1 0.2 0.3 0.4

3.11.2006. ,ܾ jaü on annettu niin voidaan hakea funktion 0.1 0.2 0.3 0.4 Ü µ ½ ¾Ü¾µ Ü¾Ê 3.11.2006 1. Satunnaismuuttujan tiheysfunktio on ¼ ļ ܽ ܾ ÜÒµ Ä Ü½ ÜÒµ Ò Ä Ü½ ܾ ÜÒµ ܽ µ ܾ µ ÜÒ µ Ò missä tietenkin vaaditaan, että ¼. Muodosta :n ¾Ä ܽ ÜÒµ Ò ½¾ ܾ Ò ½ ¾Ü¾½µ ½ ¾Ü¾Òµ

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan

Lisätiedot

D ( ) Var( ) ( ) E( ) [E( )]

D ( ) Var( ) ( ) E( ) [E( )] Mat-.2620 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Diskreettejä jakaumia Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Eksponenttijakauma, Geometrinen jakauma, Hypergeometrinen

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

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta MS-A00 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta 7.. Gripenberg Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot ja minkä kokeen suoritat! Laskin,

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

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

Moniulotteisia todennäköisyysjakaumia

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

Lisätiedot

4. Todennäköisyyslaskennan kertausta

4. Todennäköisyyslaskennan kertausta luento04.ppt S-38.1145 - Liikenneteorian perusteet - Kevät 2006 1 Sisältö eruskäsitteet Diskreetit satunnaismuuttujat Diskreetit jakaumat lkm-jakaumat Jatkuvat satunnaismuuttujat Jatkuvat jakaumat aikajakaumat

Lisätiedot

Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, lukuvuosi 2011-2012

Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, lukuvuosi 2011-2012 Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, lukuvuosi 2011-2012 Raija Leppälä 17. lokakuuta 2011 Sisältö 1 Johdanto 3 2 Todennäköisyyslaskentaa 5 2.1 Satunnaisilmiö ja tapahtuma 5 2.2 Klassinen

Lisätiedot

Määritelmä 3.1 (Ehdollinen todennäköisyys) Olkoot A ja B otosavaruuden Ω tapahtumia. Jos P(A) > 0, niin tapahtuman B ehdollinen todennäköisyys

Määritelmä 3.1 (Ehdollinen todennäköisyys) Olkoot A ja B otosavaruuden Ω tapahtumia. Jos P(A) > 0, niin tapahtuman B ehdollinen todennäköisyys Luku 3 Satunnaismuuttujat, ehdollistaminen ja riippumattomuus Tässä luvussa käsitellään satunnaismuuttujien ominaisuuksia ja täydennetään todennäköisyyslaskennan tietoja. Erityisesti satunnaismuuttujien

Lisätiedot

Testejä suhdeasteikollisille muuttujille

Testejä suhdeasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman

Lisätiedot

Väliestimointi (jatkoa) Heliövaara 1

Väliestimointi (jatkoa) Heliövaara 1 Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).

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

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

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een 031021P Tilastomatematiikka (5 op) kertausta 2. vk:een Jukka Kemppainen Mathematics Division 2. välikokeeseen Toinen välikoe on la 31.03.2012 klo. 9.00-12.00 saleissa L1,L3 Jukka Kemppainen Mathematics

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

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

Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo.

Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo. Kertaus Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Luokiteltu aineisto. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo. Hajontaluvut luokittelemattomalle

Lisätiedot

Matematiikan tukikurssi, kurssikerta 5

Matematiikan tukikurssi, kurssikerta 5 Matematiikan tukikurssi, kurssikerta 5 1 Jonoista Matematiikassa jono (x n ) on yksinkertaisesti järjestetty, päättymätön sarja numeroita Esimerkiksi (1,, 3, 4, 5 ) on jono Jonon i:ttä jäsentä merkitään

Lisätiedot

3.7 Todennäköisyysjakaumia

3.7 Todennäköisyysjakaumia MAB5: Todennäköisyyden lähtökohdat 4 Luvussa 3 Tunnusluvut perehdyimme jo jakauman käsitteeseen yleensä ja normaalijakaumaan vähän tarkemmin. Lähdetään nyt tutustumaan binomijakaumaan ja otetaan sen jälkeen

Lisätiedot

Teoria. Satunnaismuuttujan arvonta annetusta jakaumasta

Teoria. Satunnaismuuttujan arvonta annetusta jakaumasta Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Satunnaismuuttujan arvonta annetusta jakaumasta Johdanto ja pseudosatunnaislukujen generointi Eri menetelmiä satunnaismuuttujien

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

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

Estimointi. Vilkkumaa / Kuusinen 1

Estimointi. Vilkkumaa / Kuusinen 1 Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman

Lisätiedot

Teema 8: Parametrien estimointi ja luottamusvälit

Teema 8: Parametrien estimointi ja luottamusvälit Teema 8: Parametrien estimointi ja luottamusvälit Todennäköisyyslaskennan perusteet (Teemat 6 ja 7) antavat hyvän pohjan siirtyä kurssin viimeiseen laajempaan kokonaisuuteen, nimittäin tilastolliseen päättelyyn.

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

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy

Lisätiedot

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

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

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

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Tilastollisen merkitsevyyden testaus (+ jatkuvan parametrin Bayes-päättely) Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden

Lisätiedot

4. Tutkittiin kolikonheittäjän virheetöntä rahaa. Suoritettiin kymmenen

4. Tutkittiin kolikonheittäjän virheetöntä rahaa. Suoritettiin kymmenen MAT-20500 Todennäköisyyslaskenta Laskuharjoituksia / Periodi 2 / 2009-2010 1.1 Peruskäsitteitä 1. Totea Venn-diagrammien avulla oikeaksi demorganin lait A B = A B, A B = A B Jos otosavaruus on ihmiset

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

Kompleksianalyysi, viikko 5

Kompleksianalyysi, viikko 5 Kompleksianalyysi, viikko 5 Jukka Kemppainen Mathematics Division Kompleksiset jonot Aloitetaan jonon suppenemisesta. Määr. 1 Kompleksiluvuista z 1,z 2,...,z n,... koostuva jono suppenee kohti raja-arvoa

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

031021P Tilastomatematiikka (5 op) viikko 5

031021P Tilastomatematiikka (5 op) viikko 5 031021P Tilastomatematiikka (5 op) viikko 5 Jukka Kemppainen Mathematics Division Hypoteesin testauksesta Tilastollisessa testauksessa on kyse havainnoista tapahtuvasta päätöksenteosta. Kokeellisen tutkimuksen

Lisätiedot

Teema 7: Todennäköisyyksien laskentaa

Teema 7: Todennäköisyyksien laskentaa Teema 7: Todennäköisyyksien laskentaa Teemassa 6 tutustuttiin todennäköisyyden ja satunnaisuuden käsitteisiin sekä todennäköisyyslaskennan perusteisiin. Seuraavaksi tätä aihepiiriä syvennetään perehtymällä

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 5 Tilastollisten hypoteesien testaaminen Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu

Lisätiedot

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita

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