Luento Otosavaruus, tapahtuma. Otosavaruus (sample space) on kaikkien mahdollisten alkeistapahtumien (sample) ω joukko.
|
|
- Kirsti Sala
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Luento odennäöisyyslasentaa Otosavaruus, tapahtuma ja todennäöisyys Ehdollinen todennäöisyys, tilastollinen riippumattomuus, Bayesin teoreema, oonaistodennäöisyys Odotusarvo, varianssi, momentti Stoastiset prosessit Stationäärisyys ja ergodisuus 4..7 Otosavaruus, tapahtuma Otosavaruus (sample space) on aiien mahdollisten aleistapahtumien (sample) ω jouo. Esim.. Nopanheitto Ω= {,,3, 4,5, 6} Esim.. Lähetyspusurissa olevien paettien luumäärä Ω = {,,,... } = Esim. 3. Puhelinestoaia Ω = { > } apahtumat A, BC,,... (events) ovat otosavaruuden mitallisia osajouoja ABC,,,... Ω Mahdoton tapahtuma esitetään tyhjällä jouolla Varma tapahtuma esitetään oo otosavaruudella Ω Esim.. Nopan silmäluu on seitsemän A = Esim.. Pusurissa ei ole paetteja A = { } Esim. 3. Puhelu estää oreintaan s { } A= < < 4..7 Ω
2 Otosavaruus, tapahtuma Yhdiste (union) A B Leiaus (intersection) A B c Komplementti (complement) A = { ω Ωω A} apahtumat ovat toisensa poissulevia (disjoint), jos A B = Kooelma { B i } tapahtumia muodostaa tapahtuman ositusen (partition), jos Bi B j = Bj = A j A B B B3 B4 Ω Ω A A B B c A Ω A B odennäöisyys apahtuman todennäöisyys on sitä vastaavan jouon mitta Pr : I [,], missä Ion aiien tapahtumien yhdiste. i) Pr Ω = { } = { A B} = { A} + { B} { A B} ii) Pr iii) Pr Pr Pr Pr c { A } = { Ω A} = { Ω} { A} = { A} = { Bj} A= Bj Bi Bj = iv) Pr Pr \ Pr Pr Pr iv) Pr A Pr,, Ehdollinen todennäöisyys j { A B} Pr{ B} Pr Pr AB = Pr AB Pr B = Pr BA Pr A j
3 odennäöisyys Koonaistodennäöisyys Oloon { B i } otosavaruuden Ω ositus ällöin { Bi A} on tapahtuman A ositus: A = A Bj ja Pr A = Pr j A B Ω j j Ehdollisen todennäöisyyden lauseeesta saadaan Pr{ A Bj} Pr{ ABj} = Pr B { j} B B Pr A Bj = Pr A Bj Pr Bj B3 B4 Koonaistodennäöisyys voidaan siis irjoittaa muotoon Pr{ A} = Pr{ ABj} Pr{ Bj} j A Bayesin aava Oloon B otosavaruuden Ω ositus; tällöin i { A Bi} Pr{ Bi} { A Bi} Pr Pr{ ABi} = Pr Pr Pr{ Bi A} = Pr{ Bi A} = Pr A Pr A B Pr B j Pr{ A} = Pr{ A Bj} Pr{ Bj} j { ABi} Pr{ Bi} { j} { j} a priori todennäöisyys a posteriori todennäöisyys Pr Pr { A Bi } { Bi A}
4 ilastollinen riippumattomuus Määritelmä: A ja B ovat riippumattomia (independent), jos Pr A B = Pr A Pr B Oloon A ja Briippumattomia tapahtumia, tällöin Pr{ A B} Pr{ A} Pr{ B} Pr{ AB} = = = Pr{ A} Pr{ B} Pr{ B} Pr{ A B} Pr{ A} Pr{ B} Pr{ BA} = = = Pr{ B} Pr{ A} Pr{ A} Esimeri. Binäärinen siirtoanava Valitaan lähetettävä bitti satunnaisesti Pr{ lähetettävä bitti on } = Pr{ lähetettävä bitti on } = q Bittivirhetodennäöisyys Pr{ bittivirhe} = p -p p p -p Oiein ja virheellisesti lähetettyjen bittien todennäöisyydet Pr vastaanotetaan lähetty = Pr bittivirhe = p Pr vastaanotetaan lähetty = Pr bittivirhe = p Kuina hyvin voimme luottaa vastaanottimeen? Pr{ lähetetty vastaanotettu } =?
5 Esimeri. Binäärinen siirtoanava Sovelletaan Bayesin aavaa Pr{ vastaanotettu lähetetty } Pr{ lähetetty } = Pr{ vastaanotettu lähetetty } Pr{ lähetetty } + Pr{ vastaanotettu lähetetty } Pr{ lähetetty } Pr lähetetty vastaanotettu ( ) ( ) p q = p q+ p( q) Jos molemmat bitit yhtätodennäöisiä Pr lähetettävä bitti on = Pr lähetettävä bitti on = q =.5 Pr lähetetty vastaanotettu = Pr vastaanotettu lähetetty = p Jos bitti on asi ertaa niin todennäöinen uin Pr lähetettävä bitti on = q = / 3 Pr{ lähetetty vastaanotettu } = p + p Satunnaismuuttujat Disreetti satunnaismuuttuja voi saada vain arvoja jota uuluvat numeroituvaan jouoon {,,,... } =Ω Oloon p todennäöisyys, että saa arvon Pr{= }= p Kertymäfuntio (cumulative probability function, cdf) { } = < F ( ) Pr p, + l l= F ( )
6 Satunnaismuuttujat Jatuva satunnaismuuttuja voi saada arvoja ei numeroituvasta jouosta. Esim. < < =Ω Kertymäfuntio { } F( ) Pr = f( ) d odennäöisyystiheys f ( ) f ( ) F ( ) 4..7 Satunnaismuuttujat Seatyypin satunnaismuuttuja sisältää seä jatuvia, että disreettejä arvoja. Esim. =Y+Z, Y jatuva ja Z disreetti Pr Y = = p, Pr Y = = p z < Pr{ Z z} = z z z > F ( ) = Pr{ } p d f ( ) = F( ) d p 3 6
7 Kertymäfuntion on F ( ) Pr{ } Positiivinen ja rajattu F ( ) Ei-vähenevä y F() F() y Raja-arvot F ( ) = F ( = ) Kertymäfuntio odennäöisyys Pr = F F ( ) ( ) = f ( ) d Pistetodennäöisyys { = } = ε { F F( ε) } Pr lim ( ) Jatuvan satunnaismuuttujan tapausessa ysittäisen arvon todennäöisyys on differentiaalisen pieni. Disreetin satunnaismuuttujan tapausessa todennäöisyys on nollasta poieava un,,,... =Ω Prosenttipiste Satunnaismuuttujan prosenttipiste (percentile) on pienin u siten, että u = Pr = F ( ), u u u Eli, u saadaan ertymäfuntion äänteisfuntion avulla = F ( u) u F() F - (u) u
8 odennäöisyys tiheys odennäöisyys tiheys F ( +Δ) F( Δ) d f ( ) = lim Δ = f( ) Δ d Ominaisuusia f ( ) f ( ) d= f ( ) d= F ( ) f ( d ) = F ( ) F ( ) Pistejaauma Pistejaauma on disreetin satunnaismuuttujan todennäöisyystiheys (probability density function, pdf) d f ( ) = F( ) = Pr{ = } δ ( ) d ( ) F f ( ) = δ ( ) + δ ( ) Esim. Nopan heiton pistejaauma 6 6 f ( ) = Pr{ = } δ ( ) = δ ( ) 6 = =
9 Frevenssi, empiirinen cdf ehdään oe n ertaa ja havaitaan arvot n Arvoa o vastaa todennäöisyys /n Oloon n niiden /n havaintojen määrä jota ovat Empiirinen umulatiivinen tiheysfuntio n F ( ) = Pr F( ) n n n Oloon Δn niiden näytteiden määrä joille pätee, +Δtällöin Δn f ( ) Δ n F - (u ) CDF: F() Emirical CDF: F n () Quatlet äyrä u u unnusluuja Odotusarvo (epected value) Jatuvalle jaaumalle μ = E { } = p( ) d Pistejaaumalle (disreeteille satunnaisluvuille) Varianssi (variance) Jatuvalle jaaumalle Pistejaaumalle { } Pr{ } μ = E = = Ω σ = var = E E = E p( ) d σ = var = E = Pr = 4..7 Ω 8 E E 9
10 unnusluuja Kesihajonta (standard deviation) σ = Kovarianssi (covariance) Korrelaatioerroin (correlation coefficient) ρ Momentti (moment) m y = = var{ } {( { } )( Y { Y} )} ( { } ) ( Y Y ) E E E { } { } E E E E E{ } {( )( )} * * cov( Y, ) = E E Y EY Bernolli-jaauma Kuvaa ysittäistä satunnaisoetta, jona tulosena on onnistumenen todennäöisyydellä p tai epäonnistuminen todennäöisyydellä -p. Pistetodennäöisyydet Pr{ = } = p, Pr{ = } = p Odotusarvo E = Pr = + Pr = = p { } = ( { } ) var E E { } ( { } ) p( p) = E E = 4..7
11 Binomijaauma Onnistumisien luumäärä n:ssä perättäisessä toisistaan riippumattomissa oeessa.,,,..., n Pistetodennäöisyydet n Pr{ = } = p ( p) Kertymäfuntio n n Pr = p p = Odotusarvo n E = Pr = = np = Varianssi p var{ } = p n ( ) ( ) n n n! Binomiteijä = ( n )!! (binomial coefficient) n! = i i... in Kertoma (factorial) 4..7 Poisson-jaauma arastellaan Binomijaaumaa un n asvaa rajatta Oloon.9 a=.5 a a= p =, < a< n.8 n ällöin n! a a.4 Pr{ = } = l ( n )!! n n n ( n + )( n + )... n a a a a a, e = n n! n n! Kosa ( n )( n ) n n n ( ) a a e n 4..7 n = n n n Cumulative PDF
12 Poisson jaauma Oletusarvo E a = = = e! Pr = = ( )! (! ) = i = =!. momentti a a a a a a E = e = e = ae +!!! a a a a a a a = ae = ae = ae = a Varianssi ae e a a E{ ( { }) } E E{ } ( ) e a e = =! ( ) = = = ( ) a a a a a a = ae ( + ) = ae e + = a a + =! =! =! ( ) E = = a a+ a = a Maclaurin sarja Poisson jaauma Esimeri. Uusia puheluita saapuu puhelinvaihteeseen Poisson jaautuneesti intensiteetillä λ puhelua minuutissa. Rataise ahden perättäisen saapuvan puhelun aiaeron jaauma. Ajassa t saapuu puhelua todennäöisyydellä ( λt) λt Pr { = t ; } = e! Saapumisaiojen ero on pienempi uin t, jos ajassa t saapuu vähintään ysi puhelu t F () t Pr{ t} = Pr{ = ; t} = e λ Jaauma saadaan derivoimalla: d f () t = Pr{ t} =λe λ t dt
13 Jaauma λe f ( ) λ = < Esponenttijaauma Kertymäfuntio λ F ( ) Pr = e, ( ) Muistittomuus Pr, Pr > + > = ( y ) { > + } { > } λ( + y) { > + y > } Pr{ > } Pr y e λ y = = = e = Pr > y λ Pr e p() λ= λ= λ=/ Jaauma asajaauma a b p ( ) = b a, muutoin a< b Odotusarvo b b a ( b a)( b+ a) E{ } = d = = = ( b + a) b a b a b a a b 3 3 b a ( b a)( b + ab+ a ) E{ } = d = = = b a 3 b a 3 b a 3 b + ab + a ( ) a ( b a) 4 3 var{ } = ( b a) ( b + ab+ a ) ( b + ab+ b ) =
14 Kvantisointi arastellaan M bittistä tasavälistä analogia digitaali A/D muunninta. Kvantisointitasojen määrä on M Oletetaan, että signaalin (t) amplitudi on rajoitettu välille [-A,A]. ällöin vantisointi voidaan esittää funtiona Q M [] M A + QM [ ] = A M = floor( ) Pyöristys alaspäin Kvantisointitasojen väli on A A Δ = = M M Δ Kvantisointi Jos signaaliarvot ovat tasajaautuneita välille [-,], niin vantisointi virhe e on tasajaautunut välille E Δ, Δ Q M [] M= Kvantisointi virheen pdf fe () e =, Δ e Δ Δ Kvantisointi virheen varianssi Δ E e Δ σ = de= Δ ( Δ) Quantization error
15 Kvantisointi Kvantisointia voidaan mallittaa tasajaautuneena additiivisena ohinana e y Σ y Signaali ohina-suhde vantisointilohon ulostulossa sinimuotoiselle signaalille, jona amplitudi on A A P 3 M SNR = = = = σ e ( Δ) A M 3 log ( SNR) = log + M log ( ).76 db db/bitti Normaalijaauma N( μ, σ ) Jaauma p( ) = e πσ ( μ ) σ Odotusarvo E{ } = μ Varianssi var{ } = σ Kertymäfuntio ( μ ) σ Pr{ } = e d πσ p() σ = σ = σ =
16 erminen ohina metalli johtimissa Johtuu varautuneiden partielien (eletronien) satunnaisesta liieestä johtavassa aineessa. Oloon lämpötila Kelviniä ja johtimen resistanssi R Ohmia, tällöin eletronien liie saa aiaan Normaalijaautuneen jännitteen jona u esiarvo on V ja varianssi on lämpötila ( ) π E u = R.9 R Bolzmannin vaio 3h h Planin vaio neliövolttia Satunnaisluujen summa arastellaan ahden satunnaisluvun summaa Y = + joiden ertymäfuntiot ja todennäöisyystiheydet ovat Pr { } = F ( ) Pr { } = F ( ) d d F ( ) = f ( ) F ( ) = f ( ) d d Rataistaan ensin ehdollinen todennäöisyys Pr Y y = = Pr y = F( y ) Koonaistodennäöisyys saadaan integroimalla :n jaauman yli { Y y} = F y f d Pr ( ) ( ) iheysfuntio saadaan tästä derivoimalla d Fy( y) = Pr { Y y} = f ( y ) f( ) d dy Konvoluutio integraali 6
17 Keseinen raja-arvo lause (Central limit theorem) Oloon,,, N jouo riippumattomia satunnaissuureita. Satunnaissuure i :n todennäöisyystiheys f i () voi olla mielivaltainen unhan sen odotusarvo μ i ja varianssi σ i ovat rajoitettuja. Summa N i μ i Z N = i= σ i lähestyy N(,) jaaumaa un N. limn Pr Z N < =Φ( ) t Φ ( ) = e dt π Keseinen raja-arvo lause arastellaan N tasajaautuneen U(,) muuttujan summan todennäöisyystiheyttä N= N= N=3.5.4 N=
18 Normalisoitu Normaalijaauma auluoista löytyy N(,) y t Φ ( y) = e dt π Yleisestä tapausesta päästään tähän muuttujan vaihdolla μ y = σ Usein tarvitaan häntätodennäöisyyttä (tail probability) y Q( y) = Pr{ Y > y} = Pr{ Y y} = e dy π y Normalisoitu Normaalijaauma y Q( ) = e dy π Q()
19 Komplesinen normaalijaauma arasellaan satunnaissuuretta i z = + iy = re φ y, ~ N(, σ ) * Satunnaissuure u = zz = + y on eponenttijaautunut pu ( ) ep, σ σ u = u Satunnaissuure r = z = + y on Rayleigh-jaautunut r pr () = ep r, r σ σ Satunnaissuure φ on tasajaautunut p( φ) =, φ π π y r θ Log-normaalijaauma Oloon normaalijaautunut satunnaismuuttuja, tällöin Y = e α, α > on log-normaalijaautunut. Eli, Y:n logaritmi on normaali jaautunut. α Pr{ e < y} = Pr < ln y = P ln y α α.7 py( y) = p ln y, y >.6 α y α.5.4 p()
20 Jaauma a ab p ( ) =, b>, > b a + a muoto parametri (shape parameter) b saalaus parametri (scale parameter) Kertymä b Pr{ < } =, b Odotusarvo ab a > E{ } = a a Varianssi ab a > var{ } = ( a ) ( a ) a Pareto-jaauma a b= b=5 Pareto-jaauma on ns. pasuhäntäinen (heavy tailed) jaauma. a= a= a=3 Yhteisjaauma Oloon ja satunnaismuuttujia. odennäöisyyttä tapahtumalle < meritään Pr { <, < } < Kertymäfuntio (, ) = Pr { <, < } F Yhteisjaauma f, = F, ( ) ( ) odennäöisyys Pr < <, < < = f (, ) d d Yleistäminen N:lle muuttujalle on triviaalia
21 Ehdollinen todennäöisyys Ehdollinen todennäöisyys Pr { < <, < < } Pr{ < < < < } = Pr{ < < } = f (, ) f dd ( ) d Ehdollinen jaauma f( ) = Pr < < = f (, ) f d ( ) d Yhteisjaauma Jos satunnaismuuttujat ja Y ovat rippumattomia, niin FY,, y Pr, Y = Pr Pr Y = F Fy ( ) ( ) ( ) fy, (, y) Pr {, Y } = Pr{ } Pr{ Y } = f ( ) fy( ) y y Ehdollinen todennäöisyys Pr {, Y } Pr{ } Pr{ Y } Pr{ Y y} = = = Pr Pr Y y Y y Kovarianssi cov( Y, ) = E ( E{ } )( Y EY ) { * } {( * ) } {( )} = E E E Y E Y =
22 Yhteisjaauma Esimeri: -dimensioinen Gaussinen jaauma p(, ) = ep + ( ρ ) ( η) ρ( η)( η) ( η) σ σ σ σ πσσ ρ η (, ) p = c { } = η { } = η {( ) } {( ) } E, E E η = σ, E η = σ {( )( )} E η η = ρ σ σ { = } E η Jos ρ =, niin satunnaismuuttujat ovat riippumattomia. Jos ρ =, niin = a + b, a, b Stoastiset prosessit Stoastinen prosessi on jouo satunnaismuuttujia { t (, ω), t, ω Ω}, jota indesoi reaaliarvoinen parametri t (yleensä aia) Indesijouoa t utsutaan prosessin parametriavaruudesi. Joainen ysittäinen satunnaismuuttuja on uvaus otosavaruudesta reaali- (tai omplesi-) tasoon. Aleistapausta ω vastaavaa parametrisoitua jouoa utsutaan satunnaisluvun () t realisaatiosi/trajetorisi/polusi. Usein äytetään laisaa notaatiota ja samaistetaan stoastinen prosessi sen realisaatioon
23 Stoastiset prosessit ila-avaruus (state-space) on () t :n mahdollisten luujen jouo. (vrt. satunnaisluvun otosavaruus) ila-avaruus on disreetti, jos tilojen luumäärä on rajallinen tai numeroituva Disreettitilainen/Disreettiaiainen prosessi/sevenssi/etju(chain) { ( t )}, t { t, t, t,... } ila-avaruus on jatuva, jos aiaindesi uuluu einumeroituvaan jatuvaan jouoon Jatuvatilainen/Jatuva-aiainen prosessi (), t t (, ] Stoastiset prosessit ilastolliset ominaisuudet ovat ajan funtioita Kertymäfuntio F ; t = Pr ( t) ( ) iheysfuntio d f t ; = F t ; d ( ) ( )
24 Odotusarvo Autoorrelaatio Ristiorrelaatio Stoastiset prosessit η() t = E () t = f(,) t d * ( ) φ ( t, t ) = E ( t ) ( t ) = f,, t, t d d, * Y ( ) φy ( t, t ) = E ( t ) Y ( t ) = yf, y; t, t ddy, Autoovarianssi * C( t, t) = E{ ( ( t) E{ ( t) })( ( t) E{ ( t) }) } = φ ( t, t) η ( t) η ( t) Ristiovarianssi * Cy ( t, t) = E{ ( ( t) E{ ( t) })( Y( t) E{ Y( t) }) } = φy ( t, t) η ( t) ηy ( t) Stoastiset prosessit Kasi stoastista eivät orreloi, jos * * φ ( t, t ) = E ( t ) Y ( t ) = E ( t ) E Y ( t ) = η ( t) η ( t) y y Cov ( t, t y ) = Kasi stoastista prosessia ovat ortogonaalisia, jos φ y ( t, t) = Jos stoastisten prosessien välillä on lineaarinen riippuvuussuhde yt () = at () + b φ ( t, t ) = aφ ( t, t ) + bη ( t ) y ρ Cov ( t, t ) = = Korrelaatioerroin y ( t, t) φ( t, t) φyy ( t, t)
25 Poisson prosessi arastellaan saapumisprosessia, jossa asiaaita saapuu intensiteetillä λ siten, että aiavälissä (,t) saapuu asiaasta todennäöisyydellä ( λt) λt Pr { t ( ) = } = e! Saapuneiden asiaaiden oonaismäärä t () on stoastinen prosessi () = () t. ja. momentit ( λt) λt η() t = E{ () t } = e = λt = ( λt)! λt λ =! { ( ) ( )} = λ ( ) E t t t t λ ( ) E () t = e = t + t a+ η () t Poisson prosessi Autoorrelaatio φ ( )(( ) ( )) = E ( ( t) () ) + E{ ( t) () } E{ ( t) ( t) } ( ) ( ) ( t, t) = E t ( ) t ( ) = E t ( ) () t ( ) () + t ( ) t ( ), t t = λ t + λ t + λ t λ t t = λ t + λ t t Muuttuja t ( ) t ( ) on riippumaton t ( ) t ( ) :sta. t t ( ) t ( ) t t ( ) t ( ) t
26 N-dimensioiset stoastiset prosessit Yhteisjaauma ja ertymäfuntio f t ; = p,,..., ; t, t,..., t ( ) ( n n) ( t ; ) = Pr { ( ), ( ),..., ( ) } F t t t n n ( ) ( )... ( ), [... ] = t t tn = t = [ t t... t ] ( ) Jos t :t riippumattomia, niin n n ( t ; ) = (, ) ( t ; ) = Pr{ ( ) } f p t F t = = Jos satunnaissevenssi on stationaarinen F ( ;t + τ ) = F ( ;t) n n Stationaariset prosessit Stationaarisuus (wide sense stationarity): ilastolliset ominaisuudet ajasta riippumattomia. m = E{ () t } = p( ) d * * φ ( t, t ) = E ( t ) ( t + τ) = E ( t) ( t+ τ) = φ ( τ), t t = τ Ergodisuus: ilastolliset ominaisuudet voidaan määrttää ysittäisestä realisaatiosta. => Aiaesiarvo vastaa oletusarvoa. lim ( tdt ) = E{ t ( )} = m Riippumattomuus (independency): * var { ( t) }, t = t E {( ( t) E { ( t) })( ( t) E { ( t) }) } =, t t Stoastisen prosessin tiheysfuntio saadaan eri ajan hetille määriteltyjen todennäöisyystiheysien tulona
27 Stationääriset prosessit Stationäärisen ergodisen stoastisen signaalin esimääräinen teho * lim t ( ) dt= E{ t ( ) ( t) } = φ() Valoinen ohina arastellaan stationaarista normaalijaautunutta prosessia. ällöin () t p( () t ) = e σ πσ φ ( t) + ( t) * σ ( t, t) = E{ ( t) ( t) } = ( t) ( t) e d( t ) d( t), τ = t t πσ ( t) + ( t+ τ ) * σ φ ( τ) E{ ( t) ( t τ) } ( t) ( t τ) e d( t ) d( t τ) πσ = = + = + + τ = σ τ = Kohinan esimääräinen teho P= E () t = φ () = σ N(, σ ) ( ) σ δ τ τ 7
28 Stoastiset prosessit Esimeri: Valoisen ohinan aiaesiarvo t ( ) t () = ztdt () zt ()~ N, σ t t E { t ( )} = E { zt ( )} dt = t t t+ τ φ( τ) = E { ( tt ) ( + τ) } = E { zt ( ) zt ( )} dtdt t t + τ t t+ τ = ( t t) dtdt σδ t t + τ ( τ ) σ σ τ < = dt = t { t, t} { t + τ, t+ τ} muutoin φ ( ) τ σ t τ τ t + τ t + τ t Sylostationäärinen prosessi Prosessi on sylostationäärinen jos sen autoorrelaatiofuntio on periodinen φ ( t+ τ +, t+ ) = φ ( t+ τ, t) jasonaia Kesimääräinen autoorrelaatio Kesimääräinen teho φ ( τ) = φ ( t+ τ, t) dt P = φ ()
29 Sylostationäärinen prosessi Esimeri: arastellaan binäärisevenssiä { bn, n =,,..., }, jossa arvot ja ovat yhtä todennäöisiä ja niiden arvot ovat toisistaan riippumattomia. Pr{ bn = } = Pr{ bn = } =.5 Määritellään uvaus bitistä "jännitetasosi" In = bn E{ In} = Pr i { bn = } + Pr i { bn = } = = φ II ( ) = E{ InIn+ } = Sylostationäärinen prosessi Esimeri. Jono satunnaisia toisistaan rippumattomia bittejä Pr{ I = } = Pr{ I = } = l E{ IIl} = = l () t = I g( t ) () t = gt () = t muutoin 4..7 τ 58 t τ ( + ) t φ ( tt, + τ) = E{ tt ( ) ( + τ) } =, t ( + ) muutoin φ ( tt, + τ ) t t + τ t = t = + t = + ( ) 9
30 Sylostationäärinen prosessi Periodiselle signaalille pätee φ ( τ ) = φ ( t+ τ, t) dt = φ ( t+ τ, t) dt φ ( tt, + τ ) t = t = t = φ ( tt, + τ ) τ τ Sylostationäärinen prosessi Systemaattinen tapa () t = I g( t ) = φ (, tt+ τ) = E{ tt () ( + τ) } = E IIgt l ( gt ) ( l) = l= = E I I g( t ) g( t+ τ l) = l= l = E I I g( t ) g( t+ τ ( + m) ) = m= + m = φ ( mgt ) ( gt ) ( + τ ( + m ) ) = m= II
31 Sylostationäärinen prosessi Määritellään pulssin autoorrelaatio * gg ( ) = g( tg ) ( t+ ) dt Kesimääräinen autoorrelaatio φ ( τ) = φ ( t+ τ, t) dt = = φii ( m) g( t) g( t+ τ m) dt m= = = φ ( m) φ ( τ m) m= II φ τ τ gg Konvoluutio
Luento Otosavaruus, tapahtuma. Otosavaruus (sample space) on kaikkien mahdollisten alkeistapahtumien (sample) ω joukko.
Luento 0 odennäöisyyslasentaa Otosavaruus, tapahtuma ja todennäöisyys Ehdollinen todennäöisyys, tilastollinen riippumattomuus, Bayesin teoreema, oonaistodennäöisyys Odotusarvo, varianssi, momentti Stoastiset
LisätiedotOlkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat
Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset / Rataisut Aiheet: Avainsanat: Satunnaismuuttujat ja todennäöisyysjaaumat Kertymäfuntio
LisätiedotTodennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali
Todennäöissjaaumat /5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia P (X = )=p. Nämä ovat 0 ja niiden summa on p =. Pistetodennäöisdet voidaan graafisesti esittää pstsuorien
Lisätiedot4. 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
LisätiedotSTOKASTISET DIFFERENTIAALIYHTÄLÖT 7
STOKASTISET DIFFERENTIAALIYHTÄLÖT 7 1. Todennäöisyyslasennasta ja merinnöistä Palautamme seuraavassa lyhyesti mieleen todennäöisyyslasennan äsitteitä ja esittelemme myös muutamia urssilla äytettäviä merintätapoja.
LisätiedotTehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1
Luuteoria Harjoitus 1 evät 2011 Alesis Kosi 1 Tehtävä 1 Näytä: jos a ja b ovat positiivisia oonaisluuja joille (a, b) = 1 ja a c, seä lisäsi b c, niin silloin ab c. Vastaus Kosa a c, niin jaollisuuden
LisätiedotLuento 2. S Signaalit ja järjestelmät 5 op TKK Tietoliikenne Laboratorio 1. Jean Baptiste Joseph Fourier ( )
Luento Jasollisten signaalien Fourier-sarjat Viivaspetri S-.7. Signaalit ja järjestelmät 5 op KK ietoliienne Laboratorio Jean Baptiste Joseph Fourier (768-83) Ransalainen matemaatio ja fyysio. Esitti Fourier-sarjat
LisätiedotSattuman matematiikkaa III
Sattuman matematiiaa III Kolmogorovin asioomat ja frevenssitulinta Tommi Sottinen Tutija Matematiian ja tilastotieteen laitos, Helsingin yliopisto Laboratoire de Probabilités et Modèles Aléatoires, Université
LisätiedotV. POTENSSISARJAT. V.1. Abelin lause ja potenssisarjan suppenemisväli. a k (x x 0 ) k M
V. POTENSSISARJAT Funtioterminen sarja V.. Abelin lause ja potenssisarjan suppenemisväli P a x x, missä a, a, a 2,... R ja x R ovat vaioita, on potenssisarja, jona ertoimet ovat luvut a, a,... ja ehitysesus
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7
Inversio-ongelmien laskennallinen peruskurssi Luento 7 Kevät 2012 1 Tilastolliset inversio-ongelmat Tilastollinen ionversio perustuu seuraaviin periaatteisiin: 1. Kaikki mallissa olevat muuttujat mallinnetaan
Lisätiedot[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k.
ehtävä. x( + ) x( y x( + e ( y x( + e ( E v E e ( ) e ( R E[ v v ] E e e e e e e e e 6 estimointivirhe: ~ x( x( x$( x( - b y ( - b y ( estimointivirheen odotusarvo: x( - b x( - b e ( - b x( - b e ( ( -
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I
MS-A00 Disreetin matematiian perusteet Esimerejä ym., osa I G. Gripenberg Jouo-oppi ja logiia Todistuset logiiassa Indutioperiaate Relaatiot ja funtiot Funtiot Aalto-yliopisto. maalisuuta 0 Kombinatoriia
Lisätiedot3. Markovin prosessit ja vahva Markovin ominaisuus
30 STOKASTISET DIFFERENTIAALIYHTÄLÖT 3. Marovin prosessit ja vahva Marovin ominaisuus Aloitamme nyt edellisen appaleen päättäneen esimerin yleistämisen Brownin liieelle. Käymme ysitellen läpi esimerin
LisätiedotMS-A0402 Diskreetin matematiikan perusteet
MS-A0402 Disreetin matematiian perusteet Osa 3: Kombinatoriia Riia Kangaslampi 2017 Matematiian ja systeemianalyysin laitos Aalto-yliopisto Kombinatoriia Summaperiaate Esimeri 1 Opetusohjelmaomiteaan valitaan
LisätiedotJOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 1, MALLIRATKAISUT
JOHDATUS LUKUTEORIAAN (sysy 2017) HARJOITUS 1, MALLIRATKAISUT Tehtävä 1. (i) Etsi luvun 111312 aii teijät. (ii) Oloot a ja b positiivisia oonaisluuja joilla a b ja b a. Osoita, että silloin a = b. Rataisu
LisätiedotTodennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset
Todennäöisyyslasenta IIa, syys loauu 019 / Hytönen 1. lasuharjoitus, rataisuehdotuset 1. ( Klassio ) Oloot A ja B tapahtumia. Todista lasuaavat (a) P(A B) P(A) + P(B \ A), (b) P(B) P(A B) + P(B \ A), (c)
LisätiedotM 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon
Matematiian ja tilastotieteen laitos Stoastiset differentiaaliyhtälöt Rataisuehdotelma Harjoituseen 7 1. Näytä, että uvaus M M M 2, un M 2 M = sup E M 2 t 2 t 0 on normi jouossa M 2 = { M : M on martingaali
LisätiedotLuento 11. Stationaariset prosessit
Lueno Soasisen prosessin ehosperi Signaalin suodaus Kaisarajoieu anava 5..6 Saionaarise prosessi Auoorrelaaio φ * * (, ) ( ), { } { } jos prosessi on saionaarinen auoorrelaaio ei riipu ajasa vaan ainoasaan
LisätiedotVakuutusmatematiikan sovellukset 20.11.2008 klo 9-15
SHV-tutinto Vauutusmatematiian sovelluset 20.11.2008 lo 9-15 1(7) Y1. Seuraava tauluo ertoo vauutusyhtiön masamat orvauset vahinovuoden ja orvausen masuvuoden muaan ryhmiteltynä (tuhansina euroina): Vahinovuosi
LisätiedotOtosavaruus 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
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotP (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.
Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin
LisätiedotTODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä
J. Virtamo 38.3143 Jonoteoria / Todennäköisyyslaskenta 1 TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä Otosavaruus S S on satunnaiskokeen E kaikkien mahdollisten alkeistapahtumien e joukko. Esim. 1. Noppaa
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
Lisätiedot2 Taylor-polynomit ja -sarjat
2 Taylor-polynomit ja -sarjat 2. Taylor-polynomi Taylor-polynomi P n (x; x 0 ) funtion paras n-asteinen polynomiapprosimaatio (derivoinnin annalta) pisteen x 0 lähellä. Maclaurin-polynomi: tapaus x 0 0.
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotEksponentti- ja logaritmiyhtälö
Esponentti- ja logaritmiyhtälö Esponenttifuntio Oloon a 1 positiivinen reaaliluu. Reaalifuntiota f() = a nimitetään esponenttifuntiosi ja luua a sen antaluvusi. Jos a > 1, niin esponenttifuntio f : R R,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotNämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan
Mitä pitäisi vähintään osata Tässäkäydään läpi asiat jotka olisi hyvä osata Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan osattavan 333 Kurssin sisältö Todennäköisyyden, satunnaismuuttujien
LisätiedotJohdatus lukuteoriaan Harjoitus 1 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma
Johdatus luuteoriaan Harjoitus 1 ss 008 Eemeli Blåsten Rataisuehdotelma Tehtävä 1 Oloot a ja b positiivisia oonaisluuja. Osoita, että on olemassa siäsitteinen luu h ('luujen a ja b pienin hteinen jaettava',
Lisätiedot1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT
imat-2.104 Tilastollisen analyysin perusteet / Tehtävät Aiheet: Avainsanat: Ysisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Koonaisesiarvo,
LisätiedotSuodatus ja näytteistys, kertaus
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 6: Kantataajuusvastaanotin AWGN-kanavassa II: Signaaliavaruuden vastaanotin a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.6.3-10.6.6;
LisätiedotLuento 11. Stationaariset prosessit
Lueno Soasisen prosessin ehosperi Saunnaissignaalin suodaus 5..7 Saionaarise prosessi Auoorrelaaio φ * * (, ) ( ) ( ) ( ) ( ), { } { } jos prosessi on saionaarinen auoorrelaaio ei riipu ajasa vaan ainoasaan
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotKurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten
Todennäköisyys Kurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten tietoliikennejärjestelmien ymmärtämisessä
Lisätiedot8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
LisätiedotJohda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.
/ Raaisu Aihee: Avaisaa: Momeiemäfuio Sauaismuuujie muuose ja iide jaauma Kovergessiäsiee ja raja-arvolausee Biomijaauma, Espoeijaauma, Geomerie jaauma, Jaaumaovergessi, Jauva asaie jaauma, Kolmiojaauma,
Lisätiedotfunktiojono. Funktiosarja f k a k (x x 0 ) k
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 3 4. Funtiosarjat Tässä luvussa esitettävissä funtiosarjojen tulosissa yhdistämme luujen 3 teoriaa. Esimeri 4.. Geometrinen sarja x suppenee aiilla x ], [ ja hajaantuu
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
LisätiedotIV. 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
LisätiedotBINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS A Tietoliikennetekniikka II Osa 11 Kari Kärkkäinen Syksy 2015
BINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS 536A Tietoliienneteniia II Osa Kari Käräinen Sysy 5 Kantataajuusjärjestelmä lähettää ±A -tasoisia symboleita T:n välein. Optimaalinen vastaanotin
LisätiedotYlioppilastutkintolautakunta S tudentexamensnämnden
Ylioppilastutintolautaunta S tudenteamensnämnden MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 0..0 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten piirteiden ja sisältöjen luonnehdinta ei sido ylioppilastutintolautaunnan
Lisätiedot3. laskuharjoituskierros, vko 6, ratkaisut
Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa
LisätiedotMoniulotteiset satunnaismuuttujat ja jakaumat
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 2 Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden
LisätiedotTAMPEREEN YLIOPISTO Pro gradu -tutkielma. Hannu Pajula. Stirlingin luvuista
TAMPEREEN YLIOPISTO Pro gradu -tutielma Hannu Pajula Stirlingin luvuista Informaatiotieteiden ysiö Matematiia Maalisuu 2014 Tampereen yliopisto Informaatiotieteiden ysiö PAJULA, HANNU: Stirlingin luvuista
LisätiedotJoulukuun vaativammat valmennustehtävät ratkaisut
Jouluuun vaativammat valmennustehtävät rataisut. Tapa. Pätee z = x + y, joten z = (x + y = x + y, josta sieventämällä seuraa xy 4x 4y + 4 = 0. Siispä (x (y =. Tästä yhtälöstä saadaan suoraan x =, y = 4
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 2018 Harjoitus 6A Rataisuehdotusia Tehtäväsarja I 1. (Moistee tehtävä 5.4) Kauppias myy mäysiemeiä, joide itävyyde väitetää oleva
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-5 Todennäköisyyslaskenta Tentti.. / Kimmo Vattulainen Vastaa jokainen tehtävä eri paperille. Funktiolaskin sallittu.. a) P A). ja P A B).6. Mitä on P A B), kun A ja B ovat riippumattomia b) Satunnaismuuttujan
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
Lisätiedot4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotTalousmatematiikan perusteet, L2 Kertaus Aiheet
Talousmatematiikan perusteet, L2 Kertaus 1 Laskutoimitukset tehdään seuraavassa järjestyksessä 1. Sulkujen sisällä olevat lausekkeet (alkaen sisältä ulospäin) 2. potenssit ja juurilausekkeet 3. kerto-
LisätiedotTalousmatematiikan perusteet, L2 Kertaus Aiheet
Talousmatematiikan perusteet, L2 Kertaus 1 Laskutoimitukset tehdään seuraavassa järjestyksessä 1. Sulkujen sisällä olevat lausekkeet (alkaen sisältä ulospäin) 2. potenssit ja juurilausekkeet 3. kerto-
LisätiedotOlkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:
Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti
LisätiedotSYMBOLIVIRHETODENNÄKÖISYYDESTÄ BITTIVIRHETODENNÄKÖISYYTEEN
SYMBOLIVIRHETODENNÄKÖISYYDESTÄ BITTIVIRHETODENNÄKÖISYYTEEN Miten modulaation P S P B? 536A Tietoliienneteniia II Osa 4 Kari Käräinen Sysy 05 SEP VS. BEP D-SIGNAALIAVARUUDESSA Kullein modulaatiolle johdetaan
Lisätiedot3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
LisätiedotOdotusarvo. 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
Lisätiedot30A02000 Tilastotieteen perusteet
30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi
Lisätiedot(1 + i) + JA. t=1. t=1. (1 + i) n (1 + i) n. = H + k (1 + i)n 1 i(1 + i) n + JA
Investoinnin annattavuuden mittareita Opetusmonisteessa on asi sivua, joilla on hyvin lyhyesti uvattu jouo mittareita. Seuraavassa on muutama lisäommentti ja aavan-johto. Tarastelemme projetia, jona perusinvestointi
LisätiedotIII. SARJATEORIAN ALKEITA. III.1. Sarjan suppeneminen. x k = x 1 + x 2 + x ,
III. SARJATEORIAN ALKEITA Sarja on formaali summa III.. Sarjan suppeneminen = x + x 2 + x 3 +..., missä R aiilla N (merintä ei välttämättä taroita mitään reaaliluua). Luvut x, x 2,... ovat sarjan yhteenlasettavat
LisätiedotDEE Lineaariset järjestelmät Harjoitus 2, ratkaisuehdotukset. Johdanto differenssiyhtälöiden ratkaisemiseen
D-00 Lineaariset järjestelmät Harjoitus, rataisuehdotuset Johdanto differenssiyhtälöiden rataisemiseen Differenssiyhtälöillä uvataan disreettiaiaisten järjestelmien toimintaa. Disreettiaiainen taroittaa
LisätiedotTilastomatematiikka Kevät 2008
Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo
Lisätiedot2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.
LisätiedotJ1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6
MATRIISILASKENTA(TFM) MALLIT AV 6 J (II.6.9) Päättele, että avaruusvetorit a, b ja c ovat lineaarisesti riippuvat täsmälleen un vetoreiden virittämän suuntaissärmiön tilavuus =. Tuti tällä riteerillä ovato
Lisätiedot4.3 Erillisten joukkojen yhdisteet
4.3 Erillisten jouojen yhdisteet Ongelmana on pitää yllä ooelmaa S 1,..., S perusjouon X osajouoja, jota voivat muuttua ajan myötä. Rajoitusena on, että miään alio x ei saa uulua useampaan uin yhteen jouoon.
Lisätiedot(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.
Todennäköisyyslaskenta I, kesä 7 Harjoitus 4 Ratkaisuehdotuksia. Satunnaismuuttujalla X on ns. kaksipuolinen eksponenttijakauma eli Laplacen jakauma: sen tiheysfunktio on fx = e x. a Piirrä tiheysfunktio.
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila Kalvoissa käytetään materiaalia P. Palon vuoden 2005 kurssista. 07.09.2007 Antti Rasila () SovTodB 07.09.2007 07.09.2007 1 / 24 1 Todennäköisyyslaskennan
LisätiedotHarjoitus 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
LisätiedotMatematiikan tukikurssi
Matematiian tuiurssi Kurssierta 5 Sarjojen suppeneminen Kiinnostusen ohteena on edelleen sarja a n = a + a 2 + a 3 + a 4 + n= Tämä summa on mahdollisesti äärellisenä olemassa, jolloin sanotaan että sarja
LisätiedotMoniulotteisia 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
LisätiedotJohdatus 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
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Todennäköisyyslaskennan käsitteitä Satunnaisuus ja deterministisyys Deterministisessä ilmiössä alkutila määrää lopputilan yksikäsitteisesti. Satunnaisilmiö puolestaan arpoo - yhdestä alkutilasta voi päätyä
LisätiedotJATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)
J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos
LisätiedotABTEKNILLINEN KORKEAKOULU
ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio Sisältö Peruskäsitteitä Poisson-prosessi Luento05.ppt S-38.45 - Liikenneteorian perusteet - Kevät 2005 2 Stokastiset prosessit () Stokastiset prosessit
Lisätiedot5. Stokastiset prosessit (1)
luento05.ppt S-38.45 - Liikenneteorian perusteet - Kevät 2006 Sisältö Peruskäsitteitä Poisson-prosessi 2 Stokastiset prosessit () Tarkastellaan jotakin (liikenneteorian kannalta tai sitten muuten) kiinnostavaa
LisätiedotProjektin arvon aleneminen
Projektin arvon aleneminen sivut 99-07 Optimointiopin seminaari - Syksy 000 / Arvon aleneminen Jatketaan projektin arvon tutkimista. Nyt huomioidaan arvon aleneminen. Syitä esimerkiksi: kaluston vanheneminen
LisätiedotLuku 10. Bayesläiset estimaattorit Bayesläiset piste-estimaatit. Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017
Luku 1 Bayesläiset estimaattorit Lasse Leskelä Aalto-yliopisto 18. lokakuuta 217 1.1 Bayesläiset piste-estimaatit Tarkastellaan datalähdettä, joka tuottaa tiheysfunktion f(x θ) mukaan jakautuneita riippumattomia
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotJohdatus 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
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat TKK (c) Ilkka Mellin (2006) 1 Moniulotteiset satunnaismuuttujat ja
LisätiedotSatunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s
Satunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s kuuluu todennäköisyysavaruuteen S (s S) Esimerkkejä Kolikonheitossatodennäköisyysavaruus
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotIlkka 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
Lisätiedot9 Lukumäärien laskemisesta
9 Luumäärie lasemisesta 9 Biomiertoimet ja osajouoje luumäärä Määritelmä 9 Oletetaa, että, N Biomierroi ilmaisee, uia mota -alioista osajouoa o sellaisella jouolla, jossa o aliota Meritä luetaa yli Lasimesta
LisätiedotTässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:
4. Tyhjentyvyys Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: Voidaanko päätelmät perustaa johonkin tunnuslukuun t = t(y) koko aineiston y sijasta? Mitä
LisätiedotMissä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot
Missä mennään systeemi mallin mallin käyttötarkoitus, reunaehdot käyttö- (fysikaalinen) mallintaminen luonnonlait yms. yms. identifiointi kokeita kokeita + päättely päättely vertailu mallikandidaatti validointi
LisätiedotTodennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset 1. Olkoon X satunnaismuuttuja, ja olkoot a R \ {0}, b R ja Y = ax + b. (a) Olkoon X diskreetti ja f sen pistetodennäköisyysfunktio.
LisätiedotELEC-C7230 Tietoliikenteen siirtomenetelmät
ELEC-C7230 Tietoliikenteen siirtomenetelmät Laskuharjoitus 8 - ratkaisut 1. Tehtävässä on taustalla ajatus kantoaaltomodulaatiosta, jossa on I- ja Q-haarat, ja joka voidaan kuvata kompleksiarvoisena kantataajuussignaalina.
LisätiedotV ar(m n ) = V ar(x i ).
Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia
LisätiedotPoisson-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