Satunnaismuuttujien muunnokset ja niiden jakaumat

Koko: px
Aloita esitys sivulta:

Download "Satunnaismuuttujien muunnokset ja niiden jakaumat"

Transkriptio

1 Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1

2 Satunnaismuuttujien muunnokset ja niiden jakaumat >> Satunnaismuuttujien muunnosten jakaumat Kaksiulotteisten satunnaismuuttujien muunnosten jakaumat Riippumattomien satunnaismuuttujien summan jakauma Riippumattomien satunnaismuuttujien osamäärän jakauma Satunnaismuuttujien minimin ja maksimin jakaumat TKK (c) Ilkka Mellin (2007) 2

3 Satunnaismuuttujien muunnosten jakaumat Lineaarimuunnoksen jakauma Olkoon X jatkuva satunnaismuuttuja, jonka tiheysfunktio on f X (x) Muodostetaan satunnaismuuttujan X lineaarimuunnos Y = a + bx jossa a ja b 0 ovat vakioita. Satunnaismuuttujan Y tiheysfunktio on 1 y a fy( y) = fx b b TKK (c) Ilkka Mellin (2007) 3

4 Satunnaismuuttujien muunnosten jakaumat Lineaarimuunnoksen jakauma: Kommentti Satunnaismuuttujan X lineaarimuunnoksen Y = a + bx (a ja b 0 vakioita) jakauma on siis aina samaa tyyppiä kuin satunnaismuuttujan X jakauma. TKK (c) Ilkka Mellin (2007) 4

5 Satunnaismuuttujien muunnosten jakaumat Lineaarimuunnoksen jakauma: Todistus 1/4 Olkoon jatkuvan satunnaismuuttujan X tiheysfunktio f X (x). Olkoon Y = a + bx jossa a ja b 0 ovat vakioita. Muodostetaan ensin satunnaismuuttujan Y kertymäfunktio, josta satunnaismuuttujan Y tiheysfunktio saadaan derivoimalla. Jaetaan tarkastelu kahteen osaan: (i) b > 0 (ii) b < 0 TKK (c) Ilkka Mellin (2007) 5

6 Satunnaismuuttujien muunnosten jakaumat Lineaarimuunnoksen jakauma: Todistus 2/4 Jos b > 0, satunnaismuuttujan Y = a + bx kertymäfunktio on F ( y) = Pr( Y y) = Pr( a+ bx y) Y y a = Pr X b y a = FX b Derivoimalla satunnaismuuttujan Y tiheysfunktioksi saadaan d d y a fy( y) = FY( y) = FX dy dy b 1 y a = f X b b TKK (c) Ilkka Mellin (2007) 6

7 Satunnaismuuttujien muunnosten jakaumat Lineaarimuunnoksen jakauma: Todistus 3/4 Jos b < 0, satunnaismuuttujan Y = a + bx kertymäfunktio on F ( y) = Pr( Y y) = Pr( a+ bx y) Y y a = Pr X b y a = 1 Pr X b y a = 1 FX b Derivoimalla satunnaismuuttujan Y tiheysfunktioksi saadaan d d y a fy( y) = FY( y) = FX dy dy b 1 y a = f X b b TKK (c) Ilkka Mellin (2007) 7

8 Satunnaismuuttujien muunnosten jakaumat Lineaarimuunnoksen jakauma: Todistus 4/4 Kalvoilla 2/4 ja 3/4 johdetut kaavat satunnaismuuttujan Y tiheysfunktiolle f Y (y) voidaan yhdistää yhdeksi kaavaksi: Satunnaismuuttujan Y = a + bx tiheysfunktio on kaikille b 0: 1 y a fy( y) = fx b b TKK (c) Ilkka Mellin (2007) 8

9 Satunnaismuuttujien muunnosten jakaumat Välillä (0,1) jatkuvaa tasaista jakaumaa noudattavan satunnaismuuttujan lineaarimuunnoksen jakauma Oletetaan, että satunnaismuuttuja X noudattaa jatkuvaa tasaista jakaumaa (ks. lukua Jatkuvia jakaumia) välillä (0,1): X ~ Uniform(0,1) Satunnaismuuttujan X tiheysfunktio on fx ( x) = 1,0 x 1 Olkoon Y = a + bx (a ja b > 0 vakioita) Satunnaismuuttujan Y tiheysfunktioksi saadaan 1 fy ( y) =, a y a+ b b Siten Y noudattaa jatkuvaa tasaista jakaumaa välillä (a, a + b): Y ~ Uniform(a, a + b) TKK (c) Ilkka Mellin (2007) 9

10 Satunnaismuuttujien muunnosten jakaumat Standardoitua normaalijakaumaa noudattavan satunnaismuuttujan lineaarimuunnoksen jakauma Oletetaan, että satunnaismuuttuja X noudattaa standardoitua normaalijakaumaa (ks. lukua Jatkuvia jakaumia): X ~N(0, 1) Satunnaismuuttujan X tiheysfunktio on fx ( x) = exp x 2π 2 Olkoon Y = a + bx (a ja b 0 vakioita) Satunnaismuuttujan Y tiheysfunktioksi saadaan y a fy ( y) = exp b 2π 2 b Siten Y noudattaa normaalijakaumaa parametrein a ja b 2 : Y ~N(a, b 2 ) TKK (c) Ilkka Mellin (2007) 10

11 Satunnaismuuttujien muunnosten jakaumat Normaalijakaumaa noudattavan satunnaismuuttujan lineaarimuunnoksen jakauma Oletetaan, että satunnaismuuttuja X noudattaa normaalijakaumaa parametrein µ ja σ 2 (ks. lukua Jatkuvia jakaumia): X ~N(µ, σ 2 ) Satunnaismuuttujan X tiheysfunktio on x µ fx ( x) = exp σ 2π 2 σ Olkoon Y = a + bx (a ja b 0 vakioita) Satunnaismuuttujan Y tiheysfunktioksi saadaan y a bµ fy ( y) = exp b σ 2π 2 bσ Siten Y noudattaa normaalijakaumaa parametrein a + bµ ja b 2 σ 2 : Y ~N(a + bµ, b 2 σ 2 ) TKK (c) Ilkka Mellin (2007) 11

12 Satunnaismuuttujien muunnosten jakaumat Monotonisten muunnosten jakaumat Olkoon X jatkuva satunnaismuuttuja, jonka tiheysfunktio on f X (x) Muodostetaan satunnaismuuttujan X muunnos Y = h(x) jossa funktio h on aidosti monotoninen ja jatkuvasti derivoituva. Satunnaismuuttujan Y tiheysfunktio on 1 1 dh ( y) fy( y) = fx( h ( y)) dy TKK (c) Ilkka Mellin (2007) 12

13 Satunnaismuuttujien muunnosten jakaumat Monotonisten muunnosten jakaumat: Todistus 1/5 Olkoon jatkuva satunnaismuuttujan X tiheysfunktio f X (x). Olkoon Y = h(x) jossa h on aidosti monotoninen ja jatkuvasti derivoituva funktio. Tällöin satunnaismuuttujan Y kertymäfunktio on FY ( y) = Pr( Y y) = Pr( h( X) y) Jaetaan tarkastelu kahteen osaan: (i) Funktio h on aidosti kasvava. (ii) Funktio h on aidosti vähenevä. TKK (c) Ilkka Mellin (2007) 13

14 Satunnaismuuttujien muunnosten jakaumat Monotonisten muunnosten jakaumat: Todistus 2/5 Oletetaan ensin, että funktio h on aidosti kasvava. Koska funktio h oletettiin aidosti kasvavaksi, sillä on käänteisfunktio h 1, joka myös on aidosti kasvava. Siten satunnaismuuttujan Y kertymäfunktio on F ( y) = Pr( Y y) = Pr( h( X) y) Y = 1 1 Pr( h ( h( X)) h ( y)) 1 = Pr( X h ( y)) = F h y 1 X ( ( )) TKK (c) Ilkka Mellin (2007) 14

15 Satunnaismuuttujien muunnosten jakaumat Monotonisten muunnosten jakaumat: Todistus 3/5 Derivoimalla satunnaismuuttujan Y kertymäfunktion lauseke saadaan satunnaismuuttujan Y tiheysfunktioksi d d 1 fy( y) = FY( y) = FX( h ( y)) dy dy 1 1 dh ( y) = fx ( h ( y)) dy Koska funktion h käänteisfunktio h 1 oletettiin aidosti kasvavaksi, niin dh 1 ( y) > 0 dy Voimme siis kirjoittaa: f ( y) = f ( h ( y)) Y X 1 1 dh ( y) dy TKK (c) Ilkka Mellin (2007) 15

16 Satunnaismuuttujien muunnosten jakaumat Monotonisten muunnosten jakaumat: Todistus 4/5 Jos funktio h on aidosti vähenevä, myös sen käänteisfunktio h 1 on aidosti vähenevä, jolloin dh 1 ( y) dy < 0 Tällöin F ( y) = Pr( Y y) = Pr( h( X) y) Y = 1 1 Pr( h ( h( X)) h ( y)) 1 = Pr( X h ( y)) = 1 1 Pr( X h ( y)) 1 1 FX ( h ( y)) = TKK (c) Ilkka Mellin (2007) 16

17 Satunnaismuuttujien muunnosten jakaumat Monotonisten muunnosten jakaumat: Todistus 5/5 Derivoimalla satunnaismuuttujan Y kertymäfunktion lauseke saadaan satunnaismuuttujan Y tiheysfunktioksi d d 1 fy( y) = FY( y) = [1 FX( h ( y))] dy dy 1 1 dh ( y) = fx( h ( y)) dy Koska funktion h käänteisfunktio h 1 oletettiin aidosti väheneväksi, niin dh 1 ( y) dy < 0 Voimme siis tässäkin tapauksessa kirjoittaa: 1 1 dh ( y) fy( y) = fx( h ( y)) dy TKK (c) Ilkka Mellin (2007) 17

18 Satunnaismuuttujien muunnosten jakaumat Lineaarimuunnos monotonisten muunnosten erikoistapauksena Olkoon X jatkuva satunnaismuuttuja, jonka tiheysfunktio on f X (x) Muodostetaan satunnaismuuttujan X lineaarimuunnos Y = a + bx jossa a ja b 0 ovat vakioita. Satunnaismuuttujan Y tiheysfunktio on 1 y a fy( y) = fx b b TKK (c) Ilkka Mellin (2007) 18

19 Satunnaismuuttujien muunnosten jakaumat Lineaarimuunnos monotonisten muunnosten erikoistapauksena: Todistus Olkoon jatkuvan satunnaismuuttujan X tiheysfunktio f X (x). Olkoon Y = a + bx (a ja b 0 vakioita) Tällöin y = h( x) = a+ bx, b 0 1 y a x = h ( y) = b dh( x) = b dx joten 1 1 dh ( y) 1 y a fy( y) = fx( h ( y)) = fx dy b b TKK (c) Ilkka Mellin (2007) 19

20 Satunnaismuuttujien muunnosten jakaumat Cauchyn jakauma Oletetaan, että satunnaismuuttuja X noudattaa jatkuvaa tasaista jakaumaa (ks. lukua Jatkuvia jakaumia) välillä ( π/2, +π/2): X ~ Uniform( π/2, +π/2) Muodostetaan satunnaismuuttujan X muunnos Y = tan(x) Satunnaismuuttujan Y tiheysfunktio on fy 1 1 ( y) = π 1+ y 2 Satunnaismuuttujan Y jakaumaa kutsutaan Cauchyn jakaumaksi. TKK (c) Ilkka Mellin (2007) 20

21 Satunnaismuuttujien muunnosten jakaumat Cauchyn jakauma: Tiheysfunktion johto 1/2 Oletetaan, että satunnaismuuttuja X noudattaa jatkuvaa tasaista jakaumaa välillä ( π/2, +π/2), jolloin sen tiheysfunktio on f X (x) = 1/π, π/2 x +π/2 Olkoon Y = h(x) = tan(x) Muunnos y = h(x) = tan(x) on aidosti kasvava ja sen käänteismuunnoksen x = h 1 (y) = arctan(y) derivaatta on 1 dh ( y) d arctan( y) 1 = = 2 dy dy 1 + y TKK (c) Ilkka Mellin (2007) 21

22 Satunnaismuuttujien muunnosten jakaumat Cauchyn jakauma: Tiheysfunktion johto 2/2 Siten satunnaismuuttujan Y = tan(x) tiheysfunktioksi saadaan 1 1 dh ( y) 1 1 fy( y) = fx( h ( y)) = 2 dy π 1+ y Satunnaismuuttujan Y jakaumaa kutsutaan Cauchyn jakaumaksi. TKK (c) Ilkka Mellin (2007) 22

23 Satunnaismuuttujien muunnosten jakaumat Cauchyn jakauma ja Studentin t-jakauma Voidaan osoittaa, että Cauchyn jakauma on sama kuin Studentin t-jakauma yhdellä vapausasteella (ks. lukua Normaalijakaumasta johdettuja jakaumia) eli, jos X ~ Uniform( π/2, +π/2) ja Y = tan(x) niin Y ~ t(1) Huomautus: Cauchyn jakaumalla ei ole momentteja eli sillä ei ole edes odotusarvoa. TKK (c) Ilkka Mellin (2007) 23

24 Satunnaismuuttujien muunnosten jakaumat Ei-monotonisten muunnosten jakaumat Jos satunnaismuuttujaan sovelletaan ei-monotonista muunnosta, ei ole mahdollista löytää yleistä muunnoksen jakaumaa ja sen tiheysfunktiota koskevaa tulosta. Ei-monotonisten muunnosten tapauksessa joudutaan tarkastelu tekemään tapauskohtaisesti. Seuraavassa tarkastellaan esimerkkinä χ 2 (1)-jakauman (ks. lukua Normaalijakaumasta johdettuja jakaumia) tiheysfunktion johtoa. TKK (c) Ilkka Mellin (2007) 24

25 Satunnaismuuttujien muunnosten jakaumat χ 2 (1)-jakauma Oletetaan, että satunnaismuuttuja X noudattaa standardoitua normaalijakaumaa: X ~ N(0, 1) Määritellään satunnaismuuttuja Y = X 2 Satunnaismuuttuja Y noudattaa χ 2 -jakauman määritelmän mukaan χ 2 -jakaumaa yhdellä vapausasteella: Y ~ χ 2 (1) Satunnaismuuttujan Y tiheysfunktio on 1 y fy ( y) = y e 2π TKK (c) Ilkka Mellin (2007) 25

26 Satunnaismuuttujien muunnosten jakaumat χ 2 (1)-jakauma: Tiheysfunktion johto 1/2 Oletetaan, että satunnaismuuttuja X noudattaa standardoitua normaalijakaumaa: X ~N(0, 1) Tällöin Y = X 2 ~ χ 2 (1) Olkoon Φ( ) standardoidun normaalijakauman N(0, 1) kertymäfunktio. Satunnaismuuttujan Y = X 2 kertymäfunktio on 2 F ( y) = Pr( Y y) = Pr( X y) Y = Pr( X y) = Pr( y X + y) =Φ( y) Φ( y) = 2 Φ( y) 1 TKK (c) Ilkka Mellin (2007) 26

27 Satunnaismuuttujien muunnosten jakaumat χ 2 (1)-jakauma: Tiheysfunktion johto 2/2 Standardoidun normaalijakauman N(0, 1) tiheysfunktio on 1 2 d 1 x 2 Φ ( x) = Φ ( x) = e dx 2π jossa Φ( ) on standardoidun normaalijakauman N(0, 1) kertymäfunktio. Siten satunnaismuuttujan Y = X 2 ~ χ 2 (1) tiheysfunktioksi saadaan d d fy( y) = FY( y) = 2 Φ( y) 1 dy dy 1 =Φ ( y) y = 1 y 2π 1 y 2 2 e TKK (c) Ilkka Mellin (2007) 27

28 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat >> Kaksiulotteisten satunnaismuuttujien muunnosten jakaumat Riippumattomien satunnaismuuttujien summan jakauma Riippumattomien satunnaismuuttujien osamäärän jakauma Satunnaismuuttujien minimin ja maksimin jakaumat TKK (c) Ilkka Mellin (2007) 28

29 Kaksiulotteisten satunnaismuuttujien muunnosten jakaumat Bijektiivisten muunnosten jakaumat 1/3 Olkoot X ja Yjatkuviasatunnaismuuttuja, joiden yhteisjakauman tiheysfunktio on f XY (x, y) Määritellään satunnaismuuttujat U = g(x, Y) V = h(x, Y) Tehdään muunnoksesta u = g( x, y) () v = h( x, y) seuraavalla kalvolla esitettävät oletukset. TKK (c) Ilkka Mellin (2007) 29

30 Kaksiulotteisten satunnaismuuttujien muunnosten jakaumat Bijektiivisten muunnosten jakaumat 2/3 Oletukset muunnoksesta ( ): (i) Muuttujat x ja y voidaan ratkaista yhtälöryhmästä ( ) yksikäsitteisesti muuttujien u ja v funktioina. (ii) Funktioilla g ja h on jatkuvat osittaisderivaatat muuttujien x ja y suhteen. (iii) Muunnoksen ( ) Jacobin determinantti on nollasta poikkeava alueella, jossa tiheysfunktio f XY (x, y) on positiivinen: ( uv, ) u v u v = 0 ( xy, ) x y y x kaikille x ja y, joille f XY (x, y) > 0. TKK (c) Ilkka Mellin (2007) 30

31 Kaksiulotteisten satunnaismuuttujien muunnosten jakaumat Bijektiivisten muunnosten jakaumat 3/3 Jos oletukset (i)-(iii) pätevät, satunnaismuuttujien U ja V yhteisjakauman tiheysfunktio on ( uv, ) fuv ( u, v) = fxy ( x, y) ( xy, ) jossa x ja y ratkaistaan kalvon 1/3 yhtälöryhmästä ( ). 1 TKK (c) Ilkka Mellin (2007) 31

32 Kaksiulotteisten satunnaismuuttujien muunnosten jakaumat Normaalijakauman generointi jatkuvasta tasaisesta jakaumasta 1/2 Oletetaan, että satunnaismuuttujat X ja Y ovat riippumattomia ja noudattavat jatkuvaa tasaista jakaumaa (ks. lukua Jatkuvia jakaumia) välillä (0, 1): X ~ Uniform(0, 1) Y ~ Uniform(0, 1) X Y Määritellään satunnaismuuttujat U = cos(2 π X) 2log( Y) V = sin(2 π X) 2log( Y) TKK (c) Ilkka Mellin (2007) 32

33 Kaksiulotteisten satunnaismuuttujien muunnosten jakaumat Normaalijakauman generointi jatkuvasta tasaisesta jakaumasta 2/2 Satunnaismuuttujat U ja V ovat riippumattomia ja noudattavat standardoitua normaalijakaumaa (ks. lukua Jatkuvia jakaumia): U ~ N(0, 1) V ~ N(0, 1) U V TKK (c) Ilkka Mellin (2007) 33

34 Kaksiulotteisten satunnaismuuttujien muunnosten jakaumat Normaalijakauman generointi jatkuvasta tasaisesta jakaumasta: Todistus 1/5 Oletetaan, että satunnaismuuttujat X ja Y ovat riippumattomia ja noudattavat jatkuvaa tasaista jakaumaa välillä (0, 1): X ~ Uniform(0, 1) Y ~ Uniform(0, 1) X Y Olkoot U = cos(2 π X) 2log( Y) V = sin(2 π X) 2log( Y) Tarkastellaan yhtälöryhmää u = cos(2 π x) 2log( y) () v = sin(2 π x) 2log( y) TKK (c) Ilkka Mellin (2007) 34

35 Kaksiulotteisten satunnaismuuttujien muunnosten jakaumia Normaalijakauman generointi jatkuvasta tasaisesta jakaumasta: Todistus 2/5 Yhtälöryhmän u = cos(2 π x) 2log( y) () v = sin(2 π x) 2log( y) ratkaisut muuttujien x ja y suhteen saadaan yhtälöistä u cos(2 π x) = 2 2 u + v v sin(2 π x) = 2 2 u + v y = exp ( u + v ) 2 TKK (c) Ilkka Mellin (2007) 35

36 Kaksiulotteisten satunnaismuuttujien muunnosten jakaumia Normaalijakauman generointi jatkuvasta tasaisesta jakaumasta: Todistus 3/5 Muunnoksen ( ) Jacobin determinantti on ( uv, ) u v u v = ( xy, ) x y y x sin(2 π x) = 2πsin(2 πx) 2log( y) y 2log( y) cos(2 π x) 2πcos(2 πx) 2log( y) y 2log( y) 2π = y Koska y > 0, niin ( uv, ) 0 ( xy, ) TKK (c) Ilkka Mellin (2007) 36

37 Kaksiulotteisten satunnaismuuttujien muunnosten jakaumia Normaalijakauman generointi jatkuvasta tasaisesta jakaumasta: Todistus 4/5 Satunnaismuuttujien X ja Y yhteisjakauman tiheysfunktio on f XY (x, y) = 1, 0 < x < 1, 0 < y < 1 Siten satunnaismuuttujien U ja V yhteisjakauman tiheysfunktio on 1 ( uv, ) y fuv ( u, v) = fxy ( x, y) =,0< x< 1,0< y< 1 ( xy, ) 2π Sijoittamalla tähän x ja y lausuttuna muuttujien u ja v funktiona saadaan fuv ( u, v) = exp ( u + v ) 2π 2 TKK (c) Ilkka Mellin (2007) 37

38 Kaksiulotteisten satunnaismuuttujien muunnosten jakaumia Normaalijakauman generointi jatkuvasta tasaisesta jakaumasta: Todistus 5/5 Nyt 1 1 2π = exp u exp v 2π 2 2π 2 = f ( u) f ( v) 2 2 ( ) fuv ( u, v) = exp ( u + v ) U V jossa f U (u) ja f V (v) ovat standardoidun normaalijakauman N(0, 1) tiheysfunktioita. Koska satunnaismuuttujien U ja V yhteisjakauman tiheysfunktio voidaan esittää satunnaismuuttujien U ja V reunajakaumien tiheysfunktioiden tulona, satunnaismuuttujat U ja V ovat riippumattomia. Yhtälöstä( ) nähdään lisäksi se, että satunnaismuuttujat U ja V noudattavat standardoitua normaalijakaumaa N(0, 1). TKK (c) Ilkka Mellin (2007) 38

39 Kaksiulotteisten satunnaismuuttujien muunnosten jakaumia Normaalijakauman generointi jatkuvasta tasaisesta jakaumasta: Kommentteja Muunnosta u = cos(2 π x) 2log( y) () v = sin(2 π x) 2log( y) kutsutaan tavallisesti Boxin ja Müllerin muunnokseksi. Boxin ja Müllerin muunnos tarjoaa erään keinon generoida normaalijakautuneita satunnaislukuja tasaista jakaumaa välillä (0, 1) noudattavista satunnaisluvuista. TKK (c) Ilkka Mellin (2007) 39

40 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat Kaksiulotteisten satunnaismuuttujien muunnosten jakaumat >> Riippumattomien satunnaismuuttujien summan jakauma Riippumattomien satunnaismuuttujien osamäärän jakauma Satunnaismuuttujien minimin ja maksimin jakaumat TKK (c) Ilkka Mellin (2007) 40

41 Riippumattomien satunnaismuuttujien summan jakauma Satunnaismuuttujien riippumattomuus Olkoot X ja Y riippumattomia ja jatkuvia satunnaismuuttujia. Tällöin niiden yhteisjakauman tiheysfunktio f XY (x, y) voidaan esittää satunnaismuuttujien X ja Y reunajakaumien tiheysfunktioiden f X (x) ja f Y (y) tulona: f XY (x, y) = f X (x)f Y (y) TKK (c) Ilkka Mellin (2007) 41

42 Riippumattomien satunnaismuuttujien summan jakauma Riippumattomien satunnaismuuttujien summan jakauma Olkoot X ja Y riippumattomia ja jatkuvia satunnaismuuttujia, joiden tiheysfunktiot ovat f X (x) ja f Y (y). Muodostetaan satunnaismuuttujien X ja Y summa U = X + Y Satunnaismuuttujan U tiheysfunktio on + fu( u) = fy( u x) fx( x) dx TKK (c) Ilkka Mellin (2007) 42

43 Riippumattomien satunnaismuuttujien summan jakauma Riippumattomien satunnaismuuttujien summan jakauma: Todistus 1/3 Olkoot X ja Y riippumattomia ja jatkuvia satunnaismuuttujia, joiden tiheysfunktiot ovat f X (x) ja f Y (y). Koska satunnaismuuttujat X ja Y ovat riippumattomia, f XY (x, y) = f Y (y)f X (x) Olkoot U = X + Y V = X Satunnaismuuttujien X ja Y summan jakauma saadaan määräämällä satunnaismuuttujan U reunajakauma satunnaismuuttujien U ja V yhteisjakaumasta. TKK (c) Ilkka Mellin (2007) 43

44 Riippumattomien satunnaismuuttujien summan jakauma Riippumattomien satunnaismuuttujien summan jakauma: Todistus 2/3 Tarkastellaan muunnosta u = x+ y () v = x Muunnoksen ( ) käänteismuunnos: y = u v x = v Muunnoksen ( ) Jacobin determinantti: ( uv, ) u v u v = ( xy, ) x y y x = = 1 0 TKK (c) Ilkka Mellin (2007) 44

45 Riippumattomien satunnaismuuttujien summan jakauma Riippumattomien satunnaismuuttujien summan jakauma: Todistus 3/3 Siten satunnaismuuttujien U = X + Y ja V = X yhteisjakauman tiheysfunktio on 1 ( uv, ) fuv ( u, v) = fxy ( x, y) ( xy, ) = fx( x) fy( y) 1 = f () v f ( u v) X Y Summan U = X + Y tiheysfunktio saadaan tästä satunnaismuuttujan U reunajakauman tiheysfunktiona: + + f ( u) = f ( u, v) dv= f ( v) f ( u v) dv U UV X Y + = f ( x) f ( u x) dx X Y TKK (c) Ilkka Mellin (2007) 45

46 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma 1/3 Tarkastellaan riippumattomien satunnaismuuttujien summan jakaumaa koskevan yleisen tuloksen sovelluksena χ 2 -jakauman (ks. lukua Normaalijakaumasta johdettuja jakaumia) tiheysfunktion lausekkeen johtoa. TKK (c) Ilkka Mellin (2007) 46

47 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma 2/3 Oletetaan, että satunnaismuuttujat X 1, X 2,, X n ovat riippumattomia ja noudattavat standardoitua normaalijakaumaa: X 1, X 2,, X n X i ~ N(0, 1), i = 1, 2,, n Määritellään satunnaismuuttuja Yn = X1 + X2 + + Xn Satunnaismuuttuja Y n noudattaa χ 2 -jakauman määritelmän mukaan χ 2 -jakaumaa n:llä vapausasteella: Y n ~ χ 2 (n) TKK (c) Ilkka Mellin (2007) 47

48 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma 3/3 Satunnaismuuttujan χ 2 ( n) Yn tiheysfunktio on 1 1 n 1 y 2 2 f ( y) = C y e n n Normeerausvakio C n saadaan kaavasta 1 Cn = 1 n 2 n 2 Γ 2 jossa Γ( ) on Eulerin gammafunktio: z 1 t z t e dt 0 Γ ( ) = TKK (c) Ilkka Mellin (2007) 48

49 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma: Tiheysfunktion johto 1/10 Oletetaan, että satunnaismuuttujat X 1, X 2,, X n ovat riippumattomia ja noudattavat standardoitua normaalijakaumaa: X 1, X 2,, X n X i ~ N(0, 1), i = 1, 2,, n Tällöin Yn = X1 + X2 + + Xn χ ( n) Käytetään satunnaismuuttujan Y n tiheysfunktion lausekkeen 1 1 n 1 y 2 2 f ( y) = C y e n n perustelemiseen täydellistä induktiota ja yleistä tulosta riippumattomien satunnaismuuttujien summan jakaumalle. TKK (c) Ilkka Mellin (2007) 49

50 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma: Tiheysfunktion johto 2/10 Olkoon n = 1. Tässä luvussa on jo todettu (ks. kappaletta Satunnaismuuttujien muunnosten jakaumat), että 2 2 Y1 = X1 χ (1) ja satunnaismuuttujan Y 1 tiheysfunktio on y 2 2 f1( y) = y e 2π Koska 1 1 C1 = = π 2 Γ 2 satunnaismuuttujan Yn = X1 + X2 + + Xn χ ( n) tiheysfunktion lauseke pätee, kun n = 1. TKK (c) Ilkka Mellin (2007) 50

51 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma: Tiheysfunktion johto 3/10 Tarkastellaan seuraavaksi erikseen tapausta n = 2. Koska satunnaismuuttujat X 1 ja X 2 on oletettu riippumattomiksi, myös 2 2 satunnaismuuttujat X1 ja X 2 ovat riippumattomia. Siten voimme soveltaa satunnaismuuttujaan Y2 = X1 + X2 χ (2) riippumattomien satunnaismuuttujien summan tiheysfunktion kaavaa: jossa C on muuttujan y suhteen vakio ( y z) z f ( y) = f ( y z) f ( z) dz = C ( y z) e z e dz y = Ce ( y z) z dz 0 TKK (c) Ilkka Mellin (2007) 51

52 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma: Tiheysfunktion johto 4/10 Tapaus n = 2 jatkuu... Sijoituksella z = yt integraali y f ( y) = C e ( y z) z dz saadaan muokatuksi muotoon y f ( y) = C e ( y yt) ( yt) ydt y = Ce (1 t) t dt = Ce 1 y jossa 2 2 C = C (1 t) t dt on muuttujan y suhteen vakio TKK (c) Ilkka Mellin (2007) 52

53 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma: Tiheysfunktion johto 5/10 Tapaus n = 2 jatkuu... Siten satunnaismuuttujan Yn = X1 + X2 + + Xn χ ( n) tiheysfunktion lauseke pätee, kun n = 2: 1 1 n 1 y 2 2 f ( y) = C y e n n f ( y) = C e y 2 TKK (c) Ilkka Mellin (2007) 53

54 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma: Tiheysfunktion johto 6/10 Yleinen induktio-askel n 1 n. Induktio-oletus: Satunnaismuuttujan Yn 1 = X1 + X2 + + Xn 1 χ ( n 1) tiheysfunktio on n 1 n ( n 1) 1 y 2 2 f ( y) = C y e TKK (c) Ilkka Mellin (2007) 54

55 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma: Tiheysfunktion johto 7/10 Induktio-askel n 1 n jatkuu Koska satunnaismuuttujat X 1, X 2,, X n on oletettu riippumattomiksi, myös satunnaismuuttujat Yn 1 = X1 + X2 + + Xn 1 2 ja X n ovat riippumattomia. Siten voimme soveltaa satunnaismuuttujaan Yn = Yn 1+ Xn = X1 + X2 + + Xn 1 + Xn χ ( n) riippumattomien satunnaismuuttujien summan tiheysfunktion kaavaa: + n 1 n 1 n 0 jossa C on muuttujan y suhteen vakio ( y z) ( n 1) 1 z f ( y) = f ( y z) f ( z) dz= C ( y z) e z e dz n y n = Ce ( y z) z dz n 0 TKK (c) Ilkka Mellin (2007) 55

56 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma: Tiheysfunktion johto 8/10 Induktio-askel n 1 n jatkuu Sijoituksella z = yt integraali saadaan muokatuksi muotoon y n f ( y) = C e ( y yt) ( yt) ydz n n n 1 y n = Cy e (1 t) t dt n = Cy n y n f ( y) = C e ( y z) z dz n n n 1 y 2 2 e n jossa C = C (1 t) t dt on muuttujan y suhteen vakio. n n 0 TKK (c) Ilkka Mellin (2007) 56

57 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma: Tiheysfunktion johto 9/10 Induktiopäättely jatkuu... Yhdistämällä kalvojen 2/10-8/10 tulokset nähdään, että satunnaismuuttujan Yn = X1 + X2 + + Xn χ ( n) tiheysfunktion lauseke 1 1 n 1 y 2 2 f ( y) = C y e n pätee kaikille n = 1, 2, 3, n TKK (c) Ilkka Mellin (2007) 57

58 Riippumattomien satunnaismuuttujien summan jakauma χ 2 -jakauma: Tiheysfunktion johto 10/10 Määrätään vielä normeerausvakio C n. Todetaan ensin, että tiheysfunktio f n toteuttaa seuraavan ehdon: n n n y 2 f ( y) dy = C y e dy = 1 Sijoituksella y = 2t tämä integraali saadaan muokatuksi muotoon n n 2 n 0 Siten normeerausvakion C n arvoksi saadaan 1 Cn = 1 n 2 n 2 Γ 2 jossa Γ( ) on Eulerin gammafunktio: z 1 t ( z) t e dt t 2 C t e dt = 1 Γ = 0 TKK (c) Ilkka Mellin (2007) 58

59 Riippumattomien satunnaismuuttujien summan jakauma Momenttiemäfunktio Olkoon X satunnaismuuttuja. Oletetaan, että odotusarvo m X (t) = E(e tx ) on olemassa kaikille t ( h, +h) jossa h > 0 on vakio. Tällöin funktiota m X (t) kutsutaan satunnaismuuttujan X ja sen jakauman momenttiemäfunktioksi eli momentit generoivaksi funktioksi. Lisätietoja: ks. lukua Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2007) 59

60 Riippumattomien satunnaismuuttujien summan jakauma Riippumattomien satunnaismuuttujien summan momenttiemäfunktio Olkoot X 1, X 2,, X n riippumattomia satunnaismuuttujia, joiden momenttiemäfunktiot ovat m 1 (t), m 2 (t),, m n (t) Tällöin summan X = X 1 + X X n momenttiemäfunktio on satunnaismuuttujien X 1, X 2,, X n momenttiemäfunktioiden tulo: m X (t) = m 1 (t)m 2 (t) m n (t) TKK (c) Ilkka Mellin (2007) 60

61 Riippumattomien satunnaismuuttujien summan jakauma Bernoulli-jakaumaa noudattavien satunnaismuuttujien summan jakauma Olkoot X 1, X 2,, X n riippumattomia satunnaismuuttujia, jotka noudattavat samaa Bernoulli-jakaumaa parametrilla p: X 1, X 2,, X n X i ~ Bernoulli(p), i = 1, 2,, n Tällöin satunnaismuuttujien X 1, X 2,, X n summa Y = X 1 + X X n noudattaa binomijakaumaa (ks. lukua Diskreettejä jakaumia) parametrein (n, p): Y ~ Bin(n, p) TKK (c) Ilkka Mellin (2007) 61

62 Riippumattomien satunnaismuuttujien summan jakauma Bernoulli-jakaumaa noudattavien satunnaismuuttujien summan jakauma: Perustelu 1/2 Oletetaan, että X 1, X 2,, X n X i ~ Bernoulli(p), i = 1, 2,, n Tällöin satunnaismuuttujien X 1, X 2,, X n momenttiemäfunktio on muotoa m () t i t = q+ pe, i = 1,2,, n Lisätietoja: ks. lukua Momenttiemäfunktio ja karakteristinen funktio. Muodostetaan satunnaismuuttujien X 1, X 2,, X n summa: Y = X 1 + X X n TKK (c) Ilkka Mellin (2007) 62

63 Riippumattomien satunnaismuuttujien summan jakauma Bernoulli-jakaumaa noudattavien satunnaismuuttujien summan jakauma: Perustelu 2/2 Riippumattomien satunnaismuuttujien summan momenttiemäfunktiota koskevan tuloksen mukaan satunnaismuuttujan Y = X 1 + X X n momenttiemäfunktio on m () t = m () t m () t m () t Y 1 2 n t t t = ( q+ pe )( q+ pe ) ( q+ pe ) t n = ( q+ pe ) Koska m Y (t) on binomijakauman Bin(n, p) momenttiemäfunktio, niin Y = X 1 + X X k ~ Bin(n, p) TKK (c) Ilkka Mellin (2007) 63

64 Riippumattomien satunnaismuuttujien summan jakauma Binomijakaumaa noudattavien satunnaismuuttujien summan jakauma Olkoot X 1, X 2,, X k riippumattomia satunnaismuuttujia, jotka noudattavat binomijakaumia parametrein (n 1, p), (n 2, p),, (n k, p): X 1, X 2,, X k X i ~ Bin(n i, p), i = 1, 2,, k Tällöin satunnaismuuttujien X 1, X 2,, X k summa Y = X 1 + X X k noudattaa binomijakaumaa (ks. lukua Diskreettejä jakaumia) parametrein (n 1 + n n k, p): Y ~ Bin(n 1 + n n k, p) TKK (c) Ilkka Mellin (2007) 64

65 Riippumattomien satunnaismuuttujien summan jakauma Binomijakaumaa noudattavien satunnaismuuttujien summan jakauma: Perustelu 1/2 Oletetaan, että X 1, X 2,, X k X i ~ Bin(n i, p), i = 1, 2,, k Tällöin satunnaismuuttujien X 1, X 2,, X k momenttiemäfunktiot ovat muotoa t m () ( ) n i i t = q+ pe, i = 1,2,, k Lisätietoja: ks. lukua Momenttiemäfunktio ja karakteristinen funktio. Muodostetaan satunnaismuuttujien X 1, X 2,, X k summa: Y = X 1 + X X k TKK (c) Ilkka Mellin (2007) 65

66 Riippumattomien satunnaismuuttujien summan jakauma Binomijakaumaa noudattavien satunnaismuuttujien summan jakauma: Perustelu 2/2 Riippumattomien satunnaismuuttujien summan momenttiemäfunktiota koskevan tuloksen mukaan satunnaismuuttujan Y = X 1 + X X k momenttiemäfunktio on m () t = m () t m () t m () t Y 1 2 = k t n1 t n2 t nk ( q pe ) ( q pe ) ( q pe ) t n1+ n2+ + nk = ( q+ pe ) Koska m Y (t) on binomijakauman Bin(n 1 + n n k, p) momenttiemäfunktio, niin Y = X 1 + X X k ~ Bin(n 1 + n n k, p) TKK (c) Ilkka Mellin (2007) 66

67 Riippumattomien satunnaismuuttujien summan jakauma Poisson-jakaumaa noudattavien satunnaismuuttujien summan jakauma Olkoot X 1, X 2,, X k riippumattomia satunnaismuuttujia, jotka noudattavat Poisson-jakaumia parametrein λ 1, λ 2,, λ k : X 1, X 2,, X k X i ~ Poisson(λ i ), i = 1, 2,, k Tällöin satunnaismuuttujien X 1, X 2,, X k summa Y = X 1 + X X k noudattaa Poisson-jakaumaa (ks. lukua Diskreettejä jakaumia) parametrilla λ 1 + λ λ k : Y ~ Poisson(λ 1 + λ λ k ) TKK (c) Ilkka Mellin (2007) 67

68 Riippumattomien satunnaismuuttujien summan jakauma Poisson-jakaumaa noudattavien satunnaismuuttujien summan jakauma: Perustelu 1/2 Oletetaan, että X 1, X 2,, X k X i ~ Poisson(λ i ), i = 1, 2,, k Tällöin satunnaismuuttujien X 1, X 2,, X k momenttiemäfunktiot ovat muotoa i ( e 1) m () t i t e λ =, i = 1,2,, k Lisätietoja: ks. lukua Momenttiemäfunktio ja karakteristinen funktio. Muodostetaan satunnaismuuttujien X 1, X 2,, X k summa: Y = X 1 + X X k TKK (c) Ilkka Mellin (2007) 68

69 Riippumattomien satunnaismuuttujien summan jakauma Poisson-jakaumaa noudattavien satunnaismuuttujien summan jakauma: Perustelu 2/2 Riippumattomien satunnaismuuttujien summan momenttiemäfunktiota koskevan tuloksen mukaan satunnaismuuttujan Y = X 1 + X X k momenttiemäfunktio on m () t = m () t m () t m () t Y = 1 2 t 1 e λ2 t λ ( 1) ( e 1) λk ( e 1) e e e t k ( λ1+ λ2+ + λ1)( e 1) = e Koska m Y (t) on Poisson-jakauman Poisson(λ 1 + λ λ k ) momenttiemäfunktio, niin Y = X 1 + X X k ~ Poisson(λ 1 + λ λ k ) t TKK (c) Ilkka Mellin (2007) 69

70 Riippumattomien satunnaismuuttujien summan jakauma Normaalijakaumaa noudattavien satunnaismuuttujien summan jakauma Olkoot X 1, X 2,, X k riippumattomia satunnaismuuttujia, jotka noudattavat normaalijakaumia parametrein ( µ 1, σ 1 ),( µ 2, σ 2),,( µ k, σ k) : X 1, X 2,, X k 2 X i N( µ i, σ i ), i = 1, 2,, k Tällöin satunnaismuuttujien X 1, X 2,, X k summa Y = X 1 + X X k noudattaa normaalijakaumaa (ks. lukua Jatkuvia jakaumia) parametrein ( µ 1+ µ µ k, σ1 + σ2 + + σk) : Y N( µ + µ + + µ, σ + σ + + σ ) 1 2 k 1 2 k TKK (c) Ilkka Mellin (2007) 70

71 Riippumattomien satunnaismuuttujien summan jakauma Normaalijakaumaa noudattavien satunnaismuuttujien summan jakauma: Perustelu 1/2 Oletetaan, että X 1, X 2,, X k 2 X i N( µ i, σ i ), i = 1, 2,, k Tällöin satunnaismuuttujien X 1, X 2,, X k momenttiemäfunktiot ovat muotoa mi() t = exp( µ it+ 2 σ it ), i = 1,2,, k Lisätietoja: ks. lukua Momenttiemäfunktio ja karakteristinen funktio. Muodostetaan satunnaismuuttujien X 1, X 2,, X k summa: Y = X 1 + X X k TKK (c) Ilkka Mellin (2007) 71

72 Riippumattomien satunnaismuuttujien summan jakauma Normaalijakaumaa noudattavien satunnaismuuttujien summan jakauma: Perustelu 2/2 Riippumattomien satunnaismuuttujien summan momenttiemäfunktiota koskevan tuloksen mukaan satunnaismuuttujan Y = X 1 + X X k momenttiemäfunktio on m () t = m () t m () t m () t Y 1 2 k µ 1t 2σ 1t µ 2t 2σ 2t µ kt 2σkt = exp( + )exp( + ) exp( + ) = exp(( µ 1+ µ µ k) t+ 2 ( σ1 + σ2 + + σk) t ) Koska m Y (t) on normaalijakauman N( µ 1+ µ µ k, σ1 + σ2 + + σk) momenttiemäfunktio, niin Y = X + X + + X N( µ + µ + + µ, σ + σ + + σ ) 1 2 k 1 2 k 1 2 k TKK (c) Ilkka Mellin (2007) 72

73 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat Kaksiulotteisten satunnaismuuttujien muunnosten jakaumat Riippumattomien satunnaismuuttujien summan jakauma >> Riippumattomien satunnaismuuttujien osamäärän jakauma Satunnaismuuttujien minimin ja maksimin jakaumat TKK (c) Ilkka Mellin (2007) 73

74 Riippumattomien satunnaismuuttujien osamäärän jakauma Satunnaismuuttujien riippumattomuus Olkoot X ja Y riippumattomia ja jatkuvia satunnaismuuttujia. Tällöin niiden yhteisjakauman tiheysfunktio f XY (x, y) voidaan esittää satunnaismuuttujien X ja Y reunajakaumien tiheysfunktioiden f X (x) ja f Y (y) tulona: f XY (x, y) = f X (x)f Y (y) TKK (c) Ilkka Mellin (2007) 74

75 Riippumattomien satunnaismuuttujien osamäärän jakauma Riippumattomien satunnaismuuttujien osamäärän jakauma Olkoot X ja Y > 0 riippumattomia ja jatkuvia satunnaismuuttujia, joiden tiheysfunktiot ovat f X (x) ja f Y (y). Määritellään satunnaismuuttuja U = X / Y Osamäärän U = X / Y tiheysfunktio on + fu( u) = yf X( uy) fy( y) dy TKK (c) Ilkka Mellin (2007) 75

76 Riippumattomien satunnaismuuttujien osamäärän jakauma Riippumattomien satunnaismuuttujien osamäärän jakauma: Todistus 1/3 Olkoot X ja Y > 0 riippumattomia ja jatkuvia satunnaismuuttujia, joiden tiheysfunktiot ovat f X (x) ja f Y (y). Koska satunnaismuuttujat X ja Y ovat riippumattomia, f XY (x, y) = f Y (y)f X (x) Olkoot U = X / Y V = Y Satunnaismuuttujien X ja Y osamäärän jakauma saadaan määräämällä satunnaismuuttujan U reunajakauma satunnaismuuttujien U ja V yhteisjakaumasta. TKK (c) Ilkka Mellin (2007) 76

77 Riippumattomien satunnaismuuttujien osamäärän jakauma Riippumattomien satunnaismuuttujien osamäärän jakauma: Todistus 2/3 Tarkastellaan muunnosta u = x y () v = y Muunnoksen ( ) käänteismuunnos: x= uv y = v Muunnoksen ( ) Jacobin determinantti: ( uv, ) u v u v = ( xy, ) x y y x 1 x = y y = 1 y 0 TKK (c) Ilkka Mellin (2007) 77

78 Riippumattomien satunnaismuuttujien osamäärän jakauma Riippumattomien satunnaismuuttujien osamäärän jakauma: Todistus 3/3 Siten satunnaismuuttujien U = X / Y ja V = Y yhteisjakauman tiheysfunktio on 1 ( uv, ) fuv ( u, v) = fxy ( x, y) ( xy, ) = fx( x) fy( y) y = vf ( uv) f ( v) X Y Osamäärän U = X / Y tiheysfunktio saadaan tästä satunnaismuuttujan U reunajakauman tiheysfunktiona: + + f ( u) = f ( uvdv, ) = vf ( uv) f ( vdv ) U UV X Y = + yf ( uy) f ( y) dy X Y TKK (c) Ilkka Mellin (2007) 78

79 Riippumattomien satunnaismuuttujien osamäärän jakauma F-jakauma 1/4 Tarkastellaan riippumattomien satunnaismuuttujien osamäärän jakaumaa koskevan yleisen tuloksen sovelluksena F-jakauman (ks. lukua Normaalijakaumasta johdettuja jakaumia) tiheysfunktion lausekkeen johtoa. Oletetaan, että satunnaismuuttujat X 1, X 2,, X m, Y 1, Y 2,, Y n ovat riippumattomia ja noudattavat standardoitua normaalijakaumaa: X 1, X 2,, X m, Y 1, Y 2,, Y n X i ~ N(0, 1), i = 1, 2,, m Y i ~ N(0, 1), i = 1, 2,, n TKK (c) Ilkka Mellin (2007) 79

80 Riippumattomien satunnaismuuttujien osamäärän jakauma F-jakauma 2/4 Määritellään satunnaismuuttujat X = X + X + + X Y = Y1 + Y2 + + Yn Satunnaismuuttujat X ja Y ovat riippumattomia ja χ 2 - jakauman määritelmän mukaan X noudattaa χ 2 -jakaumaa m:llä vapausasteella ja Y noudattaa χ 2 -jakaumaa n:llä vapausasteella: 2 X χ ( m) 2 Y χ ( n) X Y m TKK (c) Ilkka Mellin (2007) 80

81 Riippumattomien satunnaismuuttujien osamäärän jakauma F-jakauma 3/4 Määritellään satunnaismuuttuja X / m n X F = Y / n = m Y jossa siis 2 X χ ( m) 2 Y χ ( n) X Y Satunnaismuuttuja F noudattaa F-jakauman määritelmän mukaan F-jakaumaa vapausastein m ja n: F ~ F(m, n) TKK (c) Ilkka Mellin (2007) 81

82 Riippumattomien satunnaismuuttujien osamäärän jakauma F-jakauma 4/4 Satunnaismuuttujan F ~ F(m, n) tiheysfunktio on m+ n Γ m m 2 m 1 2 m ff ( y) = y 1 y m n + n n Γ Γ 2 2 jossa Γ( ) on Eulerin gammafunktio: z 1 t z t e dt Γ ( ) = 0 m+ n 2 2 TKK (c) Ilkka Mellin (2007) 82

83 Riippumattomien satunnaismuuttujien osamäärän jakauma F-jakauma: Tiheysfunktion johto 1/6 Määritellään satunnaismuuttuja n X F = m Y jossa 2 2 X χ ( m), Y χ ( n), X Y Tällöin F ~ F(m, n) Käytetään satunnaismuuttujan F tiheysfunktion lausekkeen m+ n Γ m m+ n m 2 m m ff ( y) = y 1 y m n + n n Γ Γ 2 2 perustelemiseen yleistä tulosta riippumattomien satunnaismuuttujien osamäärän jakaumalle. TKK (c) Ilkka Mellin (2007) 83

84 Riippumattomien satunnaismuuttujien osamäärän jakauma F-jakauma: Tiheysfunktion johto 2/6 Määritellään satunnaismuuttuja X Z = Y jossa 2 2 X χ ( m), Y χ ( n), X Y χ 2 (n)-jakauman tiheysfunktio on muotoa (ks. kappaletta Riippumattomien satunnaismuuttujien summan jakauma): 1 1 n 1 y 2 2 fn( y) = Cny e 1 Cn = 1 n 2 n 2 Γ 2 Γ ( ) = z 1 t z t e dt 0 TKK (c) Ilkka Mellin (2007) 84

85 Riippumattomien satunnaismuuttujien osamäärän jakauma F-jakauma: Tiheysfunktion johto 3/6 Riippumattomien satunnaismuuttujien osamäärän tiheysfunktion kaavan mukaan satunnaismuuttujan Z = X/Y tiheysfunktio on + Z X Y m n 0 m 1 n 1 1 zy 1 y f ( z) = yf ( zy) f ( y) dy= C C y( zy) e y e dy m n (1 + z) y = CC yzy ( ) y e dy Kun integraalissa tehdään sijoitus (1 + z)y = t, saadaan m n 0 m n t t 2 t 2 t 2 Z( ) = m n 0 m m+ n ( m+ n) 1 t = CCz m n (1 + z) t e dt 0 1 f z C C z e dt 1+ z 1+ z 1+ z 1+ z TKK (c) Ilkka Mellin (2007) 85

86 Riippumattomien satunnaismuuttujien osamäärän jakauma F-jakauma: Tiheysfunktion johto 4/6 Satunnaismuuttujan Z = X/Y tiheysfunktion lausekkeen integraalin m m+ n ( m+ n) 1 t fz( z) = CmCnz (1 + z) t e dt ( m+ n) 1 t 2 2 t e dt integroitava on χ 2 (m + n)-jakauman tiheysfunktion ydin. Siten 1 1 ( m+ n) 1 t t e dt = C 0 m+ n 0 TKK (c) Ilkka Mellin (2007) 86

87 Riippumattomien satunnaismuuttujien osamäärän jakauma F-jakauma: Tiheysfunktion johto 5/6 Sijoittamalla vakioiden C m, C n ja C m + n lausekkeet paikoilleen saadaan satunnaismuuttujan Z = X/Y tiheysfunktioksi m+ n m m+ n Γ m m+ n CC 1 1 m n fz ( z) = z (1 + z) = z (1 + z) C m n m+ n Γ Γ 2 2 Satunnaismuuttujan n X F = Fmn (, ) m Y saadaan satunnaismuuttujan Z = X/Y tiheysfunktiosta lineaarimuunnoksella F = n m Z TKK (c) Ilkka Mellin (2007) 87

88 Riippumattomien satunnaismuuttujien osamäärän jakauma F-jakauma: Tiheysfunktion johto 6/6 Soveltamalla satunnaismuuttujan lineaarimuunnoksen tiheysfunktion kaavaa (ks. kappaletta Satunnaismuuttujien muunnosten jakaumat) saadaan F(m, n)-jakauman tiheysfunktioksi m+ n Γ m m+ n m 2 m 2 1 m 2 2 ff ( y) = y 1 y m n + n n Γ Γ 2 2 TKK (c) Ilkka Mellin (2007) 88

89 Riippumattomien satunnaismuuttujien osamäärän jakauma t-jakauma 1/4 Oletetaan, että satunnaismuuttujat X, Y 1, Y 2,, Y n ovat riippumattomia ja noudattavat standardoitua normaalijakaumaa: X, Y 1, Y 2,, Y n X ~ N(0, 1) Y i ~ N(0, 1), i = 1, 2,, n TKK (c) Ilkka Mellin (2007) 89

90 Riippumattomien satunnaismuuttujien osamäärän jakauma t-jakauma 2/4 Määritellään satunnaismuuttuja Y = Y1 + Y2 + + Yn Satunnaismuuttujat X ja Y ovat riippumattomia, X noudattaa standardoitua normaalijakaumaa N(0, 1) ja Y noudattaa χ 2 -jakauman määritelmän mukaan χ 2 -jakaumaa n:llä vapausasteella: X N(0,1) 2 Y χ ( n) X Y TKK (c) Ilkka Mellin (2007) 90

91 Riippumattomien satunnaismuuttujien osamäärän jakauma t-jakauma 3/4 Määritellään satunnaismuuttuja t = X = Y / n n jossa siis X N(0,1) 2 Y χ ( n) X Y X Y Satunnaismuuttuja t noudattaa t-jakauman määritelmän mukaan Studentin t-jakaumaa vapausastein n (ks. lukua Normaalijakaumasta johdettuja jakaumia): t ~ t(n) TKK (c) Ilkka Mellin (2007) 91

92 Riippumattomien satunnaismuuttujien osamäärän jakauma t-jakauma 4/4 Satunnaismuuttujan t ~ t(n) tiheysfunktio on n + 1 Γ ft ( y) = 1 y nπ n + n Γ 2 jossa Γ( ) on Eulerin gammafunktio: z 1 t z t e dt Γ ( ) = 0 n+ 1 2 TKK (c) Ilkka Mellin (2007) 92

93 Riippumattomien satunnaismuuttujien osamäärän jakauma t-jakauma: Tiheysfunktion johto 1/4 Määritellään satunnaismuuttuja X t = n Y jossa 2 X N(0,1), Y χ ( n), X Y Tällöin t ~ t(n) Käytetään satunnaismuuttujan t tiheysfunktion lausekkeen n + 1 Γ n ft ( y) = 1 y nπ n + n Γ 2 perustelemisessa hyväksi sitä, että selvästi t 2 ~ F(1, n) TKK (c) Ilkka Mellin (2007) 93

94 Riippumattomien satunnaismuuttujien osamäärän jakauma t-jakauma: Tiheysfunktion johto 2/4 Jakauman F(1, n) tiheysfunktio on n + 1 Γ ff ( z) = z 1 z 1 n + n n Γ π Γ 2 2 n + 1 Γ n = 1 z nπ n + z n Γ 2 1 n TKK (c) Ilkka Mellin (2007) 94

95 Riippumattomien satunnaismuuttujien osamäärän jakauma t-jakauma: Tiheysfunktion johto 3/4 Koska t = z jossa z ~ F(1, n) pätee seuraava tulos, kun y > 0: 1 Pr(0 t y) = Pr(0 t y) Pr(0 t y ) Pr(0 z y ) = = 1 2 = 2 F ( F y ) jossa F F on jakauman F(1, n) kertymäfunktio. TKK (c) Ilkka Mellin (2007) 95

96 Riippumattomien satunnaismuuttujien osamäärän jakauma t-jakauma: Tiheysfunktion johto 4/4 Derivoimalla yhtälö 1 2 Pr(0 t y) = 2 FF ( y ) saadaan satunnaismuuttujan t tiheysfunktioksi, kun y > 0: 2 ft( y) = yff( y ) Siten jakauman t(n) tiheysfunktioksi saadaan lopulta n + 1 Γ n ft ( y) = 1 y nπ n + n Γ 2 TKK (c) Ilkka Mellin (2007) 96

97 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat Kaksiulotteisten satunnaismuuttujien muunnosten jakaumat Riippumattomien satunnaismuuttujien summan jakauma Riippumattomien satunnaismuuttujien osamäärän jakauma >> Satunnaismuuttujien minimin ja maksimin jakaumat TKK (c) Ilkka Mellin (2007) 97

98 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien minimin jakauma 1/2 Oletetaan, että satunnaismuuttujat X 1, X 2,, X n ovat riippumattomia ja noudattavat samaa jakaumaa, jonka kertymäfunktio on F(x): X 1, X 2,, X n X i ~ F(x), i = 1, 2,, n Olkoon satunnaismuuttuja X (1) satunnaismuuttujien X 1, X 2,, X n minimi: X (1) =min{x 1, X 2,, X n } TKK (c) Ilkka Mellin (2007) 98

99 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien minimin jakauma 2/2 Satunnaismuuttujan X (1) =min{x 1, X 2,, X n } kertymäfunktio on F (1) = 1 [1 F(x)] n Jos satunnaismuuttujat X 1, X 2,, X n ovat lisäksi jatkuvia ja niiden tiheysfunktio on f(x) = F (x) niin satunnaismuuttujan X (1) =min{x 1, X 2,, X n } tiheysfunktio on f (1) = n[1 F(x)] n 1 f(x) TKK (c) Ilkka Mellin (2007) 99

100 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien minimin jakauma: Perustelu 1/3 Oletetaan, että X 1, X 2,, X n X i ~ F(x), i = 1, 2,, n Olkoon X (1) =min{x 1, X 2,, X n } TKK (c) Ilkka Mellin (2007) 100

101 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien minimin jakauma: Perustelu 2/3 Soveltamalla kertymäfunktion määritelmää, komplementtitodennäköisyyden kaavaa ja satunnaismuuttujien X 1, X 2,, X n riippumattomuutta satunnaismuuttujan X (1) =min{x 1, X 2,, X n } kertymäfunktioksi saadaan: F ( x) = Pr( X x) (1) (1) = 1 Pr( X > x) (1) = 1 Pr( X1 > x ja X 2 > x ja ja X n > x) = 1 Pr( X1 > x)pr( X2 > x) Pr( Xn > x) = 1 [1 Pr( X1 x)][1 Pr( X2 x)] [1 Pr( Xn x)] = 1 [1 F( x)][1 F( x)] [1 F( x)] = 1 [1 F( x)] n TKK (c) Ilkka Mellin (2007) 101

102 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien minimin jakauma: Perustelu 3/3 Oletetaan lisäksi, että satunnaismuuttujat X 1, X 2,, X n ovat jatkuvia ja niiden tiheysfunktio on f(x) = F (x) Tällöin satunnaismuuttujan X (1) =min{x 1, X 2,, X n } tiheysfunktio saadaan derivoimalla satunnaismuuttujan X (1) kertymäfunktion lauseke: d n f(1) ( x) = F (1) ( x) = {1 [1 F( x)] } dx n 1 = n[1 F( x)] [ F ( x)] = n F x f x n 1 [1 ( )] ( ) TKK (c) Ilkka Mellin (2007) 102

103 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien minimin jakauma: Eksponenttijakauma 1/2 Oletetaan, että riippumattomat satunnaismuuttujat X 1, X 2,, X n noudattavat samaa eksponenttijakaumaa (ks. lukua Jatkuvia jakaumia) parametrinaan λ : X 1, X 2,, X n X i ~ Exp(λ), i = 1, 2,, n Satunnaismuuttujien X 1, X 2,, X n kertymäfunktio: F( x) = 1 e λx Satunnaismuuttujien X 1, X 2,, X n tiheysfunktio: f( x) = F ( x) = e λx λ TKK (c) Ilkka Mellin (2007) 103

104 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien minimin jakauma: Eksponenttijakauma 2/2 Määritellään satunnaismuuttuja X (1) =min{x 1, X 2,, X n } Satunnaismuuttujan X (1) kertymäfunktio: λ F ( x) = 1 [1 F( x)] = 1 [1 (1 e )] (1) n x n nλx = 1 e Satunnaismuuttujan X (1) tiheysfunktio: d nλ x f(1) ( x) = F (1) ( x) = (1 e ) dx nλ x = nλe Siten samaa eksponenttijakaumaa Exp(λ) noudattavien satunnaismuuttujien X 1, X 2,, X n minimi X (1) noudattaa eksponenttijakaumaa parametrinaan nλ : X (1) ~ Exp(nλ) TKK (c) Ilkka Mellin (2007) 104

105 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien maksimin jakauma 1/2 Oletetaan, että satunnaismuuttujat X 1, X 2,, X n ovat riippumattomia ja noudattavat samaa jakaumaa, jonka kertymäfunktio on F(x): X 1, X 2,, X n X i ~ F(x), i = 1, 2,, n Olkoon satunnaismuuttuja X (n) satunnaismuuttujien X 1, X 2,, X n maksimi: X (n) =max{x 1, X 2,, X n } TKK (c) Ilkka Mellin (2007) 105

106 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien maksimin jakauma 2/2 Satunnaismuuttujan X (n) =max{x 1, X 2,, X n } kertymäfunktio on F (n) = [F(x)] n Jos satunnaismuuttujat X 1, X 2,, X n ovat lisäksi jatkuvia ja niiden tiheysfunktio on f(x) = F (x) niin satunnaismuuttujan X (n) =max{x 1, X 2,, X n } tiheysfunktio on f (n) = n[f(x)] n 1 f(x) TKK (c) Ilkka Mellin (2007) 106

107 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien maksimin jakauma: Perustelu 1/3 Oletetaan, että X 1, X 2,, X n X i ~ F(x), i = 1, 2,, n Olkoon X (n) = max{x 1, X 2,, X n } TKK (c) Ilkka Mellin (2007) 107

108 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien maksimin jakauma: Perustelu 2/3 Soveltamalla kertymäfunktion määritelmää ja satunnaismuuttujien X 1, X 2,, X n riippumattomuutta satunnaismuuttujan X (n) = max{x 1, X 2,, X n } kertymäfunktioksi saadaan: F ( x) = Pr( X x) ( n) ( n) = Pr( X1 xjax2 xja jaxn x) = Pr( X1 x)pr( X2 x) Pr( Xn x) = F( x) F( x) F( x) = [ F( x)] n TKK (c) Ilkka Mellin (2007) 108

109 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien maksimin jakauma: Perustelu 3/3 Oletetaan lisäksi, että satunnaismuuttujat X 1, X 2,, X n ovat jatkuvia ja niiden tiheysfunktio on f(x) = F (x) Tällöin satunnaismuuttujan X (n) =max{x 1, X 2,, X n } tiheysfunktio saadaan derivoimalla satunnaismuuttujan X (n) kertymäfunktion lauseke: d n f( n) ( x) = F ( n) ( x) = [ F( x)] dx n 1 = nfx [ ( )] F ( x) = nfx f x n 1 [ ( )] ( ) TKK (c) Ilkka Mellin (2007) 109

110 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien maksimin jakauma: Eksponenttijakauma 1/2 Oletetaan, että riippumattomat satunnaismuuttujat X 1, X 2,, X n noudattavat samaa eksponenttijakaumaa (ks. lukua Jatkuvia jakaumia) parametrinaan λ : X 1, X 2,, X n X i ~ Exp(λ), i = 1, 2,, n Satunnaismuuttujien X 1, X 2,, X n kertymäfunktio: F( x) = 1 e λx Satunnaismuuttujien X 1, X 2,, X n tiheysfunktio: f( x) = F ( x) = e λx λ TKK (c) Ilkka Mellin (2007) 110

111 Satunnaismuuttujien minimin ja maksimin jakaumat Satunnaismuuttujien maksimin jakauma: Eksponenttijakauma 2/2 Määritellään satunnaismuuttuja X (n) =max{x 1, X 2,, X n } Satunnaismuuttujan X (n) kertymäfunktio: n x n F( n) ( x) = [ F( x)] = (1 e λ ) Satunnaismuuttujan X (n) tiheysfunktio: d λx n f( n) ( x) = F ( n) ( x) = (1 e ) dx λx λx n = nλe (1 e ) 1 Siten samaa eksponenttijakaumaan Exp(λ) noudattavien satunnaismuuttujien X 1, X 2,, X n maksimi X (n) ei noudata mitään tavanomaista jakaumaa toisin kuin niiden minimi X (1), joka noudattaa eksponenttijakaumaa parametrinaan nλ. TKK (c) Ilkka Mellin (2007) 111

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie

Lisätiedot

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

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio

Lisätiedot

Johdatus todennäköisyyslaskentaan 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

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

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

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

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

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

Lisätiedot

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

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

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

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

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

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

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

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

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme? TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä

Lisätiedot

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

Todennäköisyysjakaumia

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

Lisätiedot

Moniulotteiset satunnaismuuttujat ja jakaumat

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

Lisätiedot

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

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

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

Ratkaisu: Tutkitaan derivoituvuutta Cauchy-Riemannin yhtälöillä: f(x, y) = u(x, y) + iv(x, y) = 2x + ixy 2. 2 = 2xy xy = 1

Ratkaisu: Tutkitaan derivoituvuutta Cauchy-Riemannin yhtälöillä: f(x, y) = u(x, y) + iv(x, y) = 2x + ixy 2. 2 = 2xy xy = 1 1. Selvitä missä tason pisteissä annetut funktiot ovat derivoituvia/analyyttisiä. Määrää funktion derivaatta niissä pisteissä, joissa se on olemassa. (a) (x, y) 2x + ixy 2 (b) (x, y) cos x cosh y i sin

Lisätiedot

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

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

Lisätiedot

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:

Olkoon 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

Lisätiedot

TKK @ Ilkka Mellin (2008) 1/5

TKK @ Ilkka Mellin (2008) 1/5 Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 3, 6, 7 Pistetehtävät: 2, 4, 5, 9 Ylimääräiset tehtävät: 8, 10, 11 Aiheet: Moniulotteiset jakaumat Avainsanat: Diskreetti jakauma,

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. 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

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

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

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

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

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

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

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

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

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

Lisätiedot

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Vesanen MS-A0205/6 Differentiaali- ja integraalilaskenta 2, kevät 2017 Laskuharjoitus 4A (Vastaukset) alkuviikolla

Lisätiedot

(a) avoin, yhtenäinen, rajoitettu, alue.

(a) avoin, yhtenäinen, rajoitettu, alue. 1. Hahmottele seuraavat tasojoukot. Mitkä niistä ovat avoimia, suljettuja, kompakteja, rajoitettuja, yhtenäisiä, alueita? (a) {z C 1 < 2z + 1 < 2} (b) {z C z i + z + i = 4} (c) {z C z + Im z < 1} (d) {z

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

Differentiaaliyhtälöt I, kevät 2017 Harjoitus 3

Differentiaaliyhtälöt I, kevät 2017 Harjoitus 3 Differentiaaliyhtälöt I, kevät 07 Harjoitus 3 Heikki Korpela. helmikuuta 07 Tehtävä. Ratkaise alkuarvo-ongelmat a) y + 4y e x = 0, y0) = 4 3 b) Vastaus: xy + y = x 3, y) =.. a) Valitaan integroivaksi tekijäksi

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

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Ojalammi MS-A0203 Differentiaali- ja integraalilaskenta 2, kevät 2016 Laskuharjoitus 4A (Vastaukset) alkuviikolla

Lisätiedot

Johdatus tilastotieteeseen Väliestimointi. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Väliestimointi. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Väliestimointi TKK (c) Ilkka Mellin (2005) 1 Väliestimointi Todennäköisyysjakaumien parametrien estimointi Luottamusväli Normaalijakauman odotusarvon luottamusväli Normaalijakauman

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

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

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

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

Luento 9: Yhtälörajoitukset optimoinnissa

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

Lisätiedot

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

Satunnaislukujen generointi

Satunnaislukujen generointi Satunnaislukujen generointi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Satunnaislukujen generointi 1/27 Kevät 2003 Lähteet Knuth, D., The Art of Computer Programming,

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

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

Matematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 5

Matematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 5 Matematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 5 1. Näytä, että X t := Bt 3 3tB t on martingaali Brownin liikkeen B historian suhteen. Ratkaisuehdotus:

Lisätiedot

Harjoitus Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia:

Harjoitus Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia: Differentiaaliyhtälöt, Kesä 216 Harjoitus 2 1. Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia: (a) y = (2 y) 3, (b) y = (y 1) 2, (c) y = 2y y 2. 2. Etsi seuraavien

Lisätiedot

4 Korkeamman kertaluvun lineaariset differentiaaliyhtälöt

4 Korkeamman kertaluvun lineaariset differentiaaliyhtälöt 4 Korkeamman kertaluvun lineaariset differentiaaliyhtälöt 4.1 Homogeeniset lineaariset differentiaaliyhtälöt Homogeeninen yhtälö on muotoa F(x, y,, y (n) ) = 0. (1) Yhtälö on lineaarinen, jos se voidaan

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

Satunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s

Satunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s Satunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s kuuluu todennäköisyysavaruuteen S (s S) Esimerkkejä Kolikonheitossatodennäköisyysavaruus

Lisätiedot

Testit järjestysasteikollisille muuttujille

Testit järjestysasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten

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

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

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

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

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

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

Lisätiedot

2 Osittaisderivaattojen sovelluksia

2 Osittaisderivaattojen sovelluksia 2 Osittaisderivaattojen sovelluksia 2.1 Ääriarvot Yhden muuttujan funktiolla f(x) on lokaali maksimiarvo (lokaali minimiarvo) pisteessä a, jos f(x) f(a) (f(x) f(a)) kaikilla x:n arvoilla riittävän lähellä

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

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

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

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

Funktion raja-arvo ja jatkuvuus Reaali- ja kompleksifunktiot

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

Lisätiedot

3 TOISEN KERTALUVUN LINEAARISET DY:T

3 TOISEN KERTALUVUN LINEAARISET DY:T 3 TOISEN KERTALUVUN LINEAARISET DY:T Huomautus epälineaarisista. kertaluvun differentiaaliyhtälöistä Epälineaarisen DY:n ratkaisemiseen ei ole yleismenetelmää. Seuraavat erikoistapaukset voidaan ratkaista

Lisätiedot

Derivaatan sovellukset (ääriarvotehtävät ym.)

Derivaatan sovellukset (ääriarvotehtävät ym.) Derivaatan sovellukset (ääriarvotehtävät ym.) Tehtävät: 1. Tutki derivaatan avulla funktion f kulkua. a) f(x) = x 4x b) f(x) = x + 6x + 11 c) f(x) = x4 4 x3 + 4 d) f(x) = x 3 6x + 1x + 3. Määritä rationaalifunktion

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

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

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko

Lisätiedot

Todennäköisyyslaskenta. β versio. Todennäköisyyslaskenta. Ilkka Mellin. Teknillinen korkeakoulu, Matematiikan laboratorio. Ilkka Mellin (2006) I

Todennäköisyyslaskenta. β versio. Todennäköisyyslaskenta. Ilkka Mellin. Teknillinen korkeakoulu, Matematiikan laboratorio. Ilkka Mellin (2006) I β versio Todennäköisyyslaskenta Ilkka Mellin Teknillinen korkeakoulu, Matematiikan laboratorio TKK @ Ilkka Mellin (2006) I TKK @ Ilkka Mellin (2006) II Esipuhe Tämä moniste antaa perustiedot todennäköisyyslaskennasta.

Lisätiedot

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

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

Lisätiedot

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

l 1 2l + 1, c) 100 l=0

l 1 2l + 1, c) 100 l=0 MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy 5. Millä reaaliluvun arvoilla a) 9 =, b) 5 + 5 +, e) 5?. Kirjoita Σ-merkkiä käyttäen summat 4, a) + + 5 + + 99, b) 5 + 4 65 + + n 5 n, c)

Lisätiedot

x = π 3 + nπ, x + 1 f (x) = 2x (x + 1) x2 1 (x + 1) 2 = 2x2 + 2x x 2 = x2 + 2x f ( 3) = ( 3)2 + 2 ( 3) ( 3) + 1 3 1 + 4 2 + 5 2 = 21 21 = 21 tosi

x = π 3 + nπ, x + 1 f (x) = 2x (x + 1) x2 1 (x + 1) 2 = 2x2 + 2x x 2 = x2 + 2x f ( 3) = ( 3)2 + 2 ( 3) ( 3) + 1 3 1 + 4 2 + 5 2 = 21 21 = 21 tosi Mallivastaukset - Harjoituskoe F F1 a) (a + b) 2 (a b) 2 a 2 + 2ab + b 2 (a 2 2ab + b 2 ) a 2 + 2ab + b 2 a 2 + 2ab b 2 4ab b) tan x 3 x π 3 + nπ, n Z c) f(x) x2 x + 1 f (x) 2x (x + 1) x2 1 (x + 1) 2 2x2

Lisätiedot

031021P Tilastomatematiikka (5 op) viikko 3

031021P Tilastomatematiikka (5 op) viikko 3 031021P Tilastomatematiikka (5 op) viikko 3 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan

Lisätiedot

Testit laatueroasteikollisille muuttujille

Testit laatueroasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten

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

η i (θ)t i (x) A(θ) + c(x),

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

Lisätiedot

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

Lisätiedot

3.3 Funktion raja-arvo

3.3 Funktion raja-arvo 3.3 Funktion raja-arvo Olkoot A ja B kompleksitason joukkoja ja f : A B kuvaus. Kuvauksella f on pisteessä z 0 A raja-arvo c, jos jokaista ε > 0 vastaa δ > 0 siten, että 0 < z z 0 < δ ja z A f(z) c < ε.

Lisätiedot

PURSKETASON TARKASTELUT Ylivuototodennäköisyys puskurittomassa systeemissä

PURSKETASON TARKASTELUT Ylivuototodennäköisyys puskurittomassa systeemissä J. Virtamo 38.3141 Teleliikenneteoria / Pursketaso 1 PURSKETASON TARKASTELUT Ylivuototodennäköisyys puskurittomassa systeemissä Tarkastellaan ATM-kytkimen lähtöporttia Oletetaan: puskuri riittää vain solutason

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot

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

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

9. laskuharjoituskierros, vko 12-13, ratkaisut

9. laskuharjoituskierros, vko 12-13, ratkaisut 9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t

Lisätiedot

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

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

Lisätiedot

(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

1.7 Gradientti ja suunnatut derivaatat

1.7 Gradientti ja suunnatut derivaatat 1.7 Gradientti ja suunnatut derivaatat Funktion ensimmäiset osittaisderivaatat voidaan yhdistää yhdeksi vektorifunktioksi seuraavasti: Missä tahansa pisteessä (x, y), jossa funktiolla f(x, y) on ensimmäiset

Lisätiedot

SARJAT JA DIFFERENTIAALIYHTÄLÖT

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

Lisätiedot

6. Toisen ja korkeamman kertaluvun lineaariset

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

Lisätiedot

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

Matematiikan peruskurssi 2

Matematiikan peruskurssi 2 Matematiikan peruskurssi Tentti, 9..06 Tentin kesto: h. Sallitut apuvälineet: kaavakokoelma ja laskin, joka ei kykene graaseen/symboliseen laskentaan Vastaa seuraavista viidestä tehtävästä neljään. Saat

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II G. Gripenberg Aalto-yliopisto 11. helmikuuta 2015 G. Gripenberg (Aalto-yliopisto) MS-A0502 Todennäköisyyslaskennan ja tilastotieteen

Lisätiedot

Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut

Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut Insinöörimatematiikka D, 406 6 laskuharjoituksien esimerkkiratkaisut Ratkaistaan differentiaaliyhtälö y = y () Tässä = d dy eli kyseessä on lineaarinen kertaluvun differentiaaliyhtälö: Yhtälön () homogenisoidulle

Lisätiedot