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

Todennäköisyysjakaumia

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

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

TKK @ Ilkka Mellin (2008) 1/5

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

Lisätiedot

Johdatus 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

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

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

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

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

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

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

3 Toisen kertaluvun lineaariset differentiaaliyhtälöt

3 Toisen kertaluvun lineaariset differentiaaliyhtälöt 3 Toisen kertaluvun lineaariset differentiaaliyhtälöt 3.1 Homogeeniset lineaariset differentiaaliyhtälöt Toisen kertaluvun differentiaaliyhtälö on lineaarinen, jos se voidaan kirjoittaa muotoon Jos r(x)

Lisätiedot

Jatkuvat satunnaismuuttujat

Jatkuvat satunnaismuuttujat Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään

Lisätiedot

031021P Tilastomatematiikka (5 op) viikot 5 6

031021P Tilastomatematiikka (5 op) viikot 5 6 031021P Tilastomatematiikka (5 op) viikot 5 6 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan

Lisätiedot

Kaikkia alla olevia kohtia ei käsitellä luennoilla kokonaan, koska osa on ennestään lukiosta tuttua.

Kaikkia alla olevia kohtia ei käsitellä luennoilla kokonaan, koska osa on ennestään lukiosta tuttua. 6 Alkeisfunktiot Kaikkia alla olevia kohtia ei käsitellä luennoilla kokonaan, koska osa on ennestään lukiosta tuttua. 6. Funktion määrittely Funktio f : A B on sääntö, joka liittää jokaiseen joukon A alkioon

Lisätiedot

Differentiaaliyhtälöt

Differentiaaliyhtälöt Differentiaaliyhtälöt Differentiaaliyhtälöksi (lyh. DY) sanotaan yhtälöä, jossa on tuntemattomana jokin funktio y(x) ja jossa esiintyy sen derivaattoja y, y, y, y (4),... Esimerkiksi y + y = x, y y + y

Lisätiedot

Johdatus tn-laskentaan perjantai 17.2.2012

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

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

Teoria. Satunnaismuuttujan arvonta annetusta jakaumasta

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

Lisätiedot

f(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0.

f(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0. Ääriarvon laatu Jatkuvasti derivoituvan funktion f lokaali ääriarvokohta (x 0, y 0 ) on aina kriittinen piste (ts. f x (x, y) = f y (x, y) = 0, kun x = x 0 ja y = y 0 ), mutta kriittinen piste ei ole aina

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 8 1 Suunnattu derivaatta Aluksi tarkastelemme vektoreita, koska ymmärrys vektoreista helpottaa alla olevien asioiden omaksumista. Kun liikutaan tasossa eli avaruudessa

Lisätiedot

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä 1 MAT-1345 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 9 Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa

Lisätiedot

Solmu 3/2010 1. toteutuu kaikilla u,v I ja λ ]0,1[. Se on aidosti konveksi, jos. f ( λu+(1 λ)v ) < λf(u)+(1 λ)f(v) (2)

Solmu 3/2010 1. toteutuu kaikilla u,v I ja λ ]0,1[. Se on aidosti konveksi, jos. f ( λu+(1 λ)v ) < λf(u)+(1 λ)f(v) (2) Solmu 3/200 Epäyhtälöistä, osa 2 Markku Halmetoja Mätä lukio Välillä I määriteltyä fuktiota saotaa koveksiksi, jos se kuvaaja o alaspäi kupera, eli jos kuvaaja mitkä tahasa kaksi pistettä yhdistävä jaa

Lisätiedot

Numeerinen integrointi

Numeerinen integrointi Numeerinen integrointi Analyyttisesti derivointi triviaalia, integrointi vaikeaa. Numeerisesti laskettaessa tilanne on päinvastainen. Integrointi on yhteenlaskua, joka on tasoittava operaatio: lähtötietojen

Lisätiedot

F {f(t)} ˆf(ω) = 1. F { f (n)} = (iω) n F {f}. (11) BM20A5700 - INTEGRAALIMUUNNOKSET Harjoitus 10, viikko 46/2015. Fourier-integraali:

F {f(t)} ˆf(ω) = 1. F { f (n)} = (iω) n F {f}. (11) BM20A5700 - INTEGRAALIMUUNNOKSET Harjoitus 10, viikko 46/2015. Fourier-integraali: BMA57 - INTEGRAALIMUUNNOKSET Harjoitus, viikko 46/5 Fourier-integraali: f(x) A() π B() π [A() cos x + B() sin x]d, () Fourier-muunnos ja käänteismuunnos: f(t) cos tdt, () f(t) sin tdt. (3) F {f(t)} ˆf()

Lisätiedot

Diskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma

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

Lisätiedot

ClassPad 330 plus ylioppilaskirjoituksissa apuna

ClassPad 330 plus ylioppilaskirjoituksissa apuna ClassPad 330 plus ylioppilaskirjoituksissa apuna Suomessa sallittiin CAS (Computer Algebra System) laskimien käyttö keväästä 2012 alkaen ylioppilaskirjoituksissa. Norjassa ja Ruotsissa vastaava kehitys

Lisätiedot

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 10.6.2013 klo 10-13 Ratkaisut ja pisteytysohjeet

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 10.6.2013 klo 10-13 Ratkaisut ja pisteytysohjeet Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe.6. klo - Ratkaisut ja pisteytysohjeet. Ratkaise seuraavat epäyhtälöt ja yhtälö: a) x+ x +9, b) log (x) 7,

Lisätiedot

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.01 klo 10 13 t ja pisteytysohjeet 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 x 3 3 x 1 4, (b)

Lisätiedot

ClassPad 330 plus ylioppilaskirjoituksissa apuna

ClassPad 330 plus ylioppilaskirjoituksissa apuna ClassPad 330 plus ylioppilaskirjoituksissa apuna Suomessa sallittiin CAS (Computer Algebra System) laskimien käyttö keväästä 2012 alkaen ylioppilaskirjoituksissa. Norjassa ja Ruotsissa vastaava kehitys

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

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

Lisätiedot

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

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

Lisätiedot

MAT-13510 Laaja Matematiikka 1U. Hyviä tenttikysymyksiä T3 Matemaattinen induktio

MAT-13510 Laaja Matematiikka 1U. Hyviä tenttikysymyksiä T3 Matemaattinen induktio MAT-13510 Laaja Matematiikka 1U. Hyviä tenttikysymyksiä T3 Matemaattinen induktio Olkoon a 1 = a 2 = 5 ja a n+1 = a n + 6a n 1 kun n 2. Todista induktiolla, että a n = 3 n ( 2) n, kun n on positiivinen

Lisätiedot

Ilkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus TKK (c) Ilkka Mellin (2007) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset

Lisätiedot

7. laskuharjoituskierros, vko 10, ratkaisut

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

Lisätiedot

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio:

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio: Inversio-ongelmista Craig, Brown: Inverse problems in astronomy, Adam Hilger 1986. Havaitaan oppositiossa olevaa asteroidia. Pyörimisestä huolimatta sen kirkkaus ei muutu. Projisoitu pinta-ala pysyy ilmeisesti

Lisätiedot

Osa 1: Todennäköisyys ja sen laskusäännöt. Klassinen todennäköisyys ja kombinatoriikka

Osa 1: Todennäköisyys ja sen laskusäännöt. Klassinen todennäköisyys ja kombinatoriikka Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Klassinen todennäköisyys ja kombinatoriikka TKK (c) Ilkka Mellin (2007) 1 Klassinen todennäköisyys ja kombinatoriikka >> Klassinen

Lisätiedot

Reaalifunktioista 1 / 17. Reaalifunktioista

Reaalifunktioista 1 / 17. Reaalifunktioista säilyy 1 / 17 säilyy Jos A, B R, niin funktiota f : A B sanotaan (yhden muuttujan) reaalifunktioksi. Tällöin karteesinen tulo A B on (aiempia esimerkkejä luonnollisemmalla tavalla) xy-tason osajoukko,

Lisätiedot

3 x 1 < 2. 2 b) b) x 3 < x 2x. f (x) 0 c) f (x) x + 4 x 4. 8. Etsi käänteisfunktio (määrittely- ja arvojoukkoineen) kun.

3 x 1 < 2. 2 b) b) x 3 < x 2x. f (x) 0 c) f (x) x + 4 x 4. 8. Etsi käänteisfunktio (määrittely- ja arvojoukkoineen) kun. Matematiikka KoTiA1 Demotehtäviä 1. Ratkaise epäyhtälöt x + 1 x 2 b) 3 x 1 < 2 x + 1 c) x 2 x 2 2. Ratkaise epäyhtälöt 2 x < 1 2 2 b) x 3 < x 2x 3. Olkoon f (x) kolmannen asteen polynomi jonka korkeimman

Lisätiedot

J. Virtamo 38.3143 Jonoteoria / Poisson-prosessi 1

J. Virtamo 38.3143 Jonoteoria / Poisson-prosessi 1 J. Virtamo 38.3143 Jonoteoria / Poisson-prosessi 1 Poisson-prosessi Yleistä Poisson-prosessi on eräs keskeisimmistä jonoteoriassa käytetyistä malleista. Hyvin usein asiakkaiden saapumisprosessia jonoon

Lisätiedot

KJR-C2002 Kontinuumimekaniikan perusteet

KJR-C2002 Kontinuumimekaniikan perusteet KJR-C2002 Kontinuumimekaniikan perusteet Luento 25.11.2015 Susanna Hurme, Yliopistonlehtori, TkT Tämän päivän luento Aiemmin ollaan johdettu palkin voimatasapainoyhtälöt differentiaaligeometrisella tavalla

Lisätiedot

Teknillinen korkeakoulu Mat-5.187 Epälineaarisen elementtimenetelmän perusteet (Mikkola/Ärölä) 4. harjoituksen ratkaisut

Teknillinen korkeakoulu Mat-5.187 Epälineaarisen elementtimenetelmän perusteet (Mikkola/Ärölä) 4. harjoituksen ratkaisut Teknillinen korkeakoulu Mat-5.187 Epälineaarisen elementtimenetelmän perusteet Mikkola/Ärölä 4. harjoituksen ratkaisut Teht. 1 Jacobin determinantin J det F materiaalisen aikaderivaatan laskemiseksi lasketaan

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

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

Lisätiedot

Numeerinen integrointi

Numeerinen integrointi Numeerinen integrointi Analyyttisesti derivointi triviaalia, integrointi vaikeaa. Numeerisesti laskettaessa tilanne on päinvastainen. Integrointi on yhteenlaskua, joka on tasoittava operaatio: lähtötietojen

Lisätiedot

x > y : y < x x y : x < y tai x = y x y : x > y tai x = y.

x > y : y < x x y : x < y tai x = y x y : x > y tai x = y. ANALYYSIN TEORIA A Kaikki lauseet eivät ole muotoiltu samalla tavalla kuin luennolla. Ilmoita virheistä yms osoitteeseen mikko.kangasmaki@uta. (jos et ole varma, onko kyseessä virhe, niin ilmoita mieluummin).

Lisätiedot

Todennäköisyyslaskenta sivuaineopiskelijoille

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

Lisätiedot

4. Tutkittiin kolikonheittäjän virheetöntä rahaa. Suoritettiin kymmenen

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

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 1 1 Matemaattisesta päättelystä Matemaattisen analyysin kurssin (kuten minkä tahansa matematiikan kurssin) seuraamista helpottaa huomattavasti, jos opiskelija ymmärtää

Lisätiedot

plot(f(x), x=-5..5, y=-10..10)

plot(f(x), x=-5..5, y=-10..10) [] Jokaisen suoritettavan rivin loppuun ; [] Desimaalierotin Maplessa on piste. [] Kommentteja koodin sekaan voi laittaa # -merkin avulla. Esim. #kommentti tähän [] Edelliseen tulokseen voi viitata merkillä

Lisätiedot

Matematiikka B2 - Avoin yliopisto

Matematiikka B2 - Avoin yliopisto 6. elokuuta 2012 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus

Lisätiedot

Lataa ilmaiseksi mafyvalmennus.fi/mafynetti. Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla!

Lataa ilmaiseksi mafyvalmennus.fi/mafynetti. Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla! Miten opit parhaiten? Valmistaudu pitkän- tai lyhyen matematiikan kirjoituksiin ilmaiseksi Mafynetti-ohjelmalla! n Harjoittelu tehdään aktiivisesti tehtäviä ratkomalla. Tehtävät kattavat kaikki yo-kokeessa

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta Eksponenttifuntio Palautetaan mieliin, että Neperin luvulle e pätee: e ) n n n ) n n n n n ) n. Tästä määritelmästä seuraa, että eksponenttifunktio e x voidaan määrittää

Lisätiedot

Preliminäärikoe Tehtävät Pitkä matematiikka 4.2.2014 1 / 3

Preliminäärikoe Tehtävät Pitkä matematiikka 4.2.2014 1 / 3 Preliminäärikoe Tehtävät Pitkä matematiikka / Kokeessa saa vastata enintään kymmeneen tehtävään Tähdellä (* merkittyjen tehtävien maksimipistemäärä on 9, muiden tehtävien maksimipistemäärä on 6 Jos tehtävässä

Lisätiedot

Funktion määrittely (1/2)

Funktion määrittely (1/2) Funktion määrittely (1/2) Funktio f : A B on sääntö, joka liittää jokaiseen joukon A alkioon a täsmälleen yhden B:n alkion b. Merkitään b = f (a). Tässä A = M f on f :n määrittelyjoukko, B on f :n maalijoukko.

Lisätiedot

PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9.2.2011

PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9.2.2011 PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA 9..0 Kokeessa saa vastata enintään kymmeneen tehtävään.. Sievennä a) 9 x x 6x + 9, b) 5 9 009 a a, c) log 7 + lne 7. Muovailuvahasta tehty säännöllinen tetraedri muovataan

Lisätiedot

Insinöörimatematiikka A

Insinöörimatematiikka A Insinöörimatematiikka A Demonstraatio 3, 3.9.04 Tehtävissä 4 tulee käyttää Gentzenin järjestelmää kaavojen johtamiseen. Johda kaava φ (φ ) tyhjästä oletusjoukosta. ) φ ) φ φ 3) φ 4) φ (E ) (E ) (I, ) (I,

Lisätiedot

PERUSASIOITA ALGEBRASTA

PERUSASIOITA ALGEBRASTA PERUSASIOITA ALGEBRASTA Matti Lehtinen Tässä luetellut lauseet ja käsitteet kattavat suunnilleen sen mitä algebrallisissa kilpatehtävissä edellytetään. Ns. algebrallisia struktuureja jotka ovat nykyaikaisen

Lisätiedot

Malliratkaisut Demo 1

Malliratkaisut Demo 1 Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,

Lisätiedot

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21

Lisätiedot

Sovellettu todennäköisyyslaskenta B

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

Lisätiedot

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

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

Lisätiedot

Karteesinen tulo. Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla 1 / 21

Karteesinen tulo. Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla 1 / 21 säilyy Olkoot A = {1, 2, 3, 5} ja B = {a, b, c}. Näiden karteesista tuloa A B voidaan havainnollistaa kuvalla c b a 1 2 3 5 1 / 21 säilyy Esimerkkirelaatio R = {(1, b), (3, a), (5, a), (5, c)} c b a 1

Lisätiedot

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 3.6.2014 Ratkaisut ja arvostelu

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 3.6.2014 Ratkaisut ja arvostelu VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 3.6.4 Rtkisut j rvostelu. Koululisen todistuksen keskirvo x on lskettu ) b) c) d) kymmenen ineen perusteell. Jos koululinen nostisi neljän ineen

Lisätiedot

Grafiikka 205. Tässä luvussa käsitellään geometriaa ja graafisia kohteita. Mukana on pääosin alkeisoperaatioita.

Grafiikka 205. Tässä luvussa käsitellään geometriaa ja graafisia kohteita. Mukana on pääosin alkeisoperaatioita. Grafiikka 205 9 Grafiikka Tässä luvussa käsitellään geometriaa ja graafisia kohteita. Mukana on pääosin alkeisoperaatioita. 9.1 Kolmio Seuraavana tutkimme kolmiota: Minkä tahansa kolmion ala saadaan kaavasta:

Lisätiedot

z muunnos ja sen soveltaminen LTI järjestelmien analysointiin

z muunnos ja sen soveltaminen LTI järjestelmien analysointiin z muunnos ja sen soveltaminen LTI järjestelmien analysointiin muunnoksella (eng. transform) on vastaava asema diskreettiaikaisten signaalien ja LTI järjestelmien analyysissä kuin Laplace muunnoksella jatkuvaaikaisten

Lisätiedot

Pythagoraan polku 16.4.2011

Pythagoraan polku 16.4.2011 Pythagoraan polku 6.4.20. Todista väittämä: Jos tasakylkisen kolmion toista kylkeä jatketaan omalla pituudellaan huipun toiselle puolelle ja jatkeen päätepiste yhdistetään kannan toisen päätepisteen kanssa,

Lisätiedot

Nollasummapelit ja bayesilaiset pelit

Nollasummapelit ja bayesilaiset pelit Nollasummapelit ja bayesilaiset pelit Kristian Ovaska HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Seminaari: Peliteoria Helsinki 18. syyskuuta 2006 Sisältö 1 Johdanto 1 2 Nollasummapelit 1 2.1

Lisätiedot

Ominaisarvo ja ominaisvektori

Ominaisarvo ja ominaisvektori Määritelmä Ominaisarvo ja ominaisvektori Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka

Lisätiedot

Johdatus todennäköisyyslaskentaan ja tilastotieteeseen. Stefan Emet

Johdatus todennäköisyyslaskentaan ja tilastotieteeseen. Stefan Emet Johdatus todennäköisyyslaskentaan ja tilastotieteeseen Stefan Emet Matematiikan ja tilastotieteen lts Turun yliopisto 24 Sisältö Johdanto. Todennäköisyys..................................2 Peruskäsitteitä.................................

Lisätiedot

Viivaintegraali: "Pac- Man" - tulkinta

Viivaintegraali: Pac- Man - tulkinta Viivaintegraali: "Pac- Man" - tulkinta Otetaan funk6o f(x,y), joka riippuu muu@ujista x ja y. Jokaiselle x,y tason pisteellä funk6olla on siis joku arvo. Tyypillisiä fysikaalis- kemiallisia esimerkkejä

Lisätiedot

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

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

Lisätiedot

Funktion derivoituvuus pisteessä

Funktion derivoituvuus pisteessä Esimerkki A Esimerkki A Esimerkki B Esimerkki B Esimerkki C Esimerkki C Esimerkki 4.0 Ratkaisu (/) Ratkaisu (/) Mielikuva: Funktio f on derivoituva x = a, jos sen kuvaaja (xy-tasossa) pisteen (a, f(a))

Lisätiedot

2.4 Pienimmän neliösumman menetelmä

2.4 Pienimmän neliösumman menetelmä 2.4 Pienimmän neliösummn menetelmä Optimointimenetelmiä trvitn usein kokeellisen dtn nlysoinniss. Mittuksiin liittyy virhettä, joten mittus on toistettv useit kertoj. Oletetn, että mittn suurett c j toistetn

Lisätiedot

Mat-1.1331 Matematiikan pk KP3-i - kertaus

Mat-1.1331 Matematiikan pk KP3-i - kertaus Mat-.33 Matematiikan pk KP3-i - kertaus J.v.Pfaler TKK 24. lokakuuta 2007 Kurssin ensimmäisen puoliskon selkäranka on Kompleksitason funktioiden teoria, sisältäen analyyttiset funktiot, auchy integraali

Lisätiedot

Todennäköisyyslaskenta

Todennäköisyyslaskenta Todennäköisyyslaskenta Opintomoniste kurssille MAT-25 Todennäköisyyslaskenta, Tampereen teknillinen yliopisto Antti Perttula, Kimmo Vattulainen, Tia Suurhasko Versio 9/212 Sisältö 1 Todennäköisyys 3 1.1

Lisätiedot

Derivaatan sovelluksia

Derivaatan sovelluksia Derivaatan sovelluksia Derivaatta muutosnopeuden mittarina Tehdään monisteen esimerkistä 5 hiukan mutkikkaampi versio Olete- taan, että meillä on mpräpohjaisen kartion muotoinen astia, johon virtaa vettä

Lisätiedot

Mat-2.3114 Investointiteoria Laskuharjoitus 3/2008, Ratkaisut 05.02.2008

Mat-2.3114 Investointiteoria Laskuharjoitus 3/2008, Ratkaisut 05.02.2008 Korko riippuu usein laina-ajan pituudesta ja pitkille talletuksille maksetaan korkeampaa korkoa. Spot-korko s t on se korko, joka kertyy lainatulle pääomalle hetkeen t (=kokonaisluku) mennessä. Spot-korot

Lisätiedot

10 %. Kuinka monta prosenttia arvo nousi yhteensä näiden muutosten jälkeen?

10 %. Kuinka monta prosenttia arvo nousi yhteensä näiden muutosten jälkeen? YLIOPPILASTUTKINTO- LAUTAKUNTA 3.3.0 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ Kokeessa saa vastata enintään kymmeneen tehtävään. Tähdellä (*) merkittyjen tehtävien maksimipistemäärä on 9, muiden tehtävien maksimipistemäärä

Lisätiedot

Matemaattiset menetelmät II

Matemaattiset menetelmät II Matemaattiset menetelmät II 5. helmikuuta 214 Esipuhe Tämä on 1. versio Matemaattiset menetelmät II-kurssin opetusmonisteesta, joka perustuu Vaasan yliopistossa luennoimaani vastaavan nimiseen kurssiin.

Lisätiedot

Sarjat ja differentiaaliyhtälöt

Sarjat ja differentiaaliyhtälöt Sarjat ja differentiaaliyhtälöt Johdanto Tämä luentomoniste on tarkoitettu korvaamaan luentomuistiinpanoja Sarjat ja differentiaaliyhtälöt-kurssilla. Tämä ei kuitenkaan ole oppikirja, mikä tarkoittaa sitä,

Lisätiedot

Jouni Sampo. 5. helmikuuta 2014

Jouni Sampo. 5. helmikuuta 2014 B1 Jouni Sampo 5. helmikuuta 2014 Sisältö 1 Usean muuttujan funktioista 2 1.1 Raja arvot ja jatkuvuus............................... 2 1.2 Osittaisderivaatat................................... 4 1.3 Normaalivektori,

Lisätiedot

Pyramidi 9 Trigonometriset funktiot ja lukujonot 15.4.2011 HK1-1. Dsin3 x. 3cos3x. Dsinx. u( x) sinx ja u ( x) cosx. Dsin. Dsin

Pyramidi 9 Trigonometriset funktiot ja lukujonot 15.4.2011 HK1-1. Dsin3 x. 3cos3x. Dsinx. u( x) sinx ja u ( x) cosx. Dsin. Dsin Pyramidi 9 Trigonometriset funktiot ja lukujonot 5.4.0 HK- a) Dsin3 us ( ) cos3 3 us( ) s( ) 3cos3 s( ) 3 ja s( ) 3 u( ) sin ja u( ) cos b) Dsin 3 3 Dsin us ( ) s( ) sin ja s( ) cos 3 u( ) ja u( ) 3 3sin

Lisätiedot

FUNKTIONAALIANALYYSIN PERUSKURSSI 1. 0. Johdanto

FUNKTIONAALIANALYYSIN PERUSKURSSI 1. 0. Johdanto FUNKTIONAALIANALYYSIN PERUSKURSSI 1. Johdanto Funktionaalianalyysissa tutkitaan muun muassa ääretönulotteisten vektoriavaruuksien, ja erityisesti täydellisten normiavaruuksien eli Banach avaruuksien ominaisuuksia.

Lisätiedot

) + T (r + ) + T (r. ) Ke rt Φ( log( s σ2. (1.1) sφ( log( s σ2 2 E. VALKEILA 2 )

) + T (r + ) + T (r. ) Ke rt Φ( log( s σ2. (1.1) sφ( log( s σ2 2 E. VALKEILA 2 ) 2 E. VALKEILA 1. Johdanto 1.1. Käytännöt. Kurssin kotisivu löytyy osoitteesta http://www.math.hut.fi/teaching/rahoitus/ Kurssi suoritetaan kahdella välikokeella; luennot ja seuraavan viikon harjoitustehtävät

Lisätiedot

FYSA242 Statistinen fysiikka, Harjoitustentti

FYSA242 Statistinen fysiikka, Harjoitustentti FYSA242 Statistinen fysiikka, Harjoitustentti Tehtävä 1 Selitä lyhyesti: a Mikä on Einsteinin ja Debyen kidevärähtelymallien olennainen ero? b Mikä ero vuorovaikutuksessa ympäristön kanssa on kanonisella

Lisätiedot

DYNAMIIKKA II, LUENTO 5 (SYKSY 2015) Arttu Polojärvi

DYNAMIIKKA II, LUENTO 5 (SYKSY 2015) Arttu Polojärvi DYNAMIIKKA II, LUENTO 5 (SYKSY 2015) Arttu Polojärvi LUENNON SISÄLTÖ Kertausta edelliseltä luennolta: Suhteellisen liikkeen nopeuden ja kiihtyvyyden yhtälöt. Jäykän kappaleen partikkelin liike. Jäykän

Lisätiedot

14 Jatkuva jakauma. Käsitellään kuitenkin ennen täsmällisiä määritelmiä johdatteleva

14 Jatkuva jakauma. Käsitellään kuitenkin ennen täsmällisiä määritelmiä johdatteleva 4 Jatkuva jakauma Edellä määriteltiin diskreetiksi satunnaismuuttujaksi sellainen, joka voi saada vain (hyppäyksittäin) erillisiä arvoja. Jatkuva satunnaismuuttuja voi saada mitä hyvänsä arvoja yleensä

Lisätiedot

Esimerkki A1. Jaetaan ryhmä G = Z 17 H = 4 = {1, 4, 4 2 = 16 = 1, 4 3 = 4 = 13, 4 4 = 16 = 1}.

Esimerkki A1. Jaetaan ryhmä G = Z 17 H = 4 = {1, 4, 4 2 = 16 = 1, 4 3 = 4 = 13, 4 4 = 16 = 1}. Jaetaan ryhmä G = Z 17 n H = 4 sivuluokkiin. Ratkaisu: Koska 17 on alkuluku, #G = 16, alkiona jäännösluokat a, a = 1, 2,..., 16. Määrätään ensin n H alkiot: H = 4 = {1, 4, 4 2 = 16 = 1, 4 3 = 4 = 13, 4

Lisätiedot

Sopimusteoria: Salanie luku 3.2

Sopimusteoria: Salanie luku 3.2 Sopimusteoria: Salanie luku 3.2 Antti Pirjetä Taloustieteiden kvantitatiiviset menetelmät Helsingin kauppakorkeakoulu 12.2.2008 1 Kilpaillut markkinat, yksi tai useampi päämies Agenttien 1 ja 2 tuottamat

Lisätiedot

Sijoitus integraaliin

Sijoitus integraaliin 1 / 32 Muunnetaan funktion f integraali yli joukon U integraaliksi yli joukon V tekemällä sijoitus x = g(y), missä g : V U on bijektio (ainakin), kun se rajoitetaan funktioksi g : V U. Uudeksi integroitavaksi

Lisätiedot

Integraalifunktio. Pohdittavaa: Minkä funktion derivaattafunktio on a) 3x 2, b) 2x? MiH (Ivalon lukio) MAA10 25. kesäkuuta 2014 1 / 5

Integraalifunktio. Pohdittavaa: Minkä funktion derivaattafunktio on a) 3x 2, b) 2x? MiH (Ivalon lukio) MAA10 25. kesäkuuta 2014 1 / 5 Pohdittavaa: Minkä funktion derivaattafunktio on a) 3x 2, b) 2x? MiH (Ivalon lukio) MAA10 25. kesäkuuta 2014 1 / 5 Pohdittavaa: Minkä funktion derivaattafunktio on a) 3x 2, b) 2x? Derivaatta a) 3x 2 Funktio

Lisätiedot

Ylioppilastutkintolautakunta S t u d e n t e x a m e n s n ä m n d e n

Ylioppilastutkintolautakunta S t u d e n t e x a m e n s n ä m n d e n Ylioilastutkintolautakunta S t u d e n t e x a m e n s n ä m n d e n MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 904 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten iiteiden, sisältöjen ja isteitysten luonnehdinta

Lisätiedot

This is an electronic reprint of the original article. This reprint may differ from the original in pagination and typographic detail.

This is an electronic reprint of the original article. This reprint may differ from the original in pagination and typographic detail. This is an electronic reprint of the original article. This reprint may differ from the original in pagination and typographic detail. Author(s): Karvanen, Juha; Luoto, Antti Title: Odottelua pysäkillä

Lisätiedot

Viikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi

Viikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Viikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 29-31.10.2008. 1 Tällä viikolla 1. Käytännön järjestelyistä 2. Kurssin sisällöstä ja aikataulusta 3. Johdantoa Mitä koneoppiminen

Lisätiedot

Osa 1: Todennäköisyys ja sen laskusäännöt. Kokonaistodennäköisyyden ja Bayesin kaavat

Osa 1: Todennäköisyys ja sen laskusäännöt. Kokonaistodennäköisyyden ja Bayesin kaavat Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Kokonaistodennäköisyyden ja Bayesin kaavat TKK (c) Ilkka Mellin (2007) 1 Kokonaistodennäköisyys ja Bayesin kaava >> Kokonaistodennäköisyys

Lisätiedot

k=1 b kx k K-kertoimisia polynomeja, P (X)+Q(X) = (a k + b k )X k n+m a i b j X k. i+j=k k=0

k=1 b kx k K-kertoimisia polynomeja, P (X)+Q(X) = (a k + b k )X k n+m a i b j X k. i+j=k k=0 1. Polynomit Tässä luvussa tarkastelemme polynomien muodostamia renkaita polynomien ollisuutta käsitteleviä perustuloksia. Teemme luvun alkuun kaksi sopimusta: Tässä luvussa X on muodollinen symboli, jota

Lisätiedot

Simulointi. Satunnaisluvut

Simulointi. Satunnaisluvut Simulointi Satunnaisluvut Satunnaisluvut Anyone who considers arithmetic methods of producing random digits is, of course, in a state of sin, John v. Neumann Simuloinnissa käytetään aina näennäisesti satunnaisia

Lisätiedot

nyky-ymmärryksemme mukaan hajaantuvaan sarjaan luvun 1 2 kun n > N Huom! Määritelmä on aivan sama C:ssä ja R:ssä. (Kuva vain on erilainen.

nyky-ymmärryksemme mukaan hajaantuvaan sarjaan luvun 1 2 kun n > N Huom! Määritelmä on aivan sama C:ssä ja R:ssä. (Kuva vain on erilainen. Sarjaoppia Käsitellään kompleksi- ja reaalisarjat yhdessä. Reaalilukujen ominaisuuksista (kuten järjestys) riippuvat asiat tulevat lisämausteena mukaan. Kirjallisuutta: 1. [KRE] Kreyszig: Advanced Engineering

Lisätiedot

Mustan kappaleen säteily

Mustan kappaleen säteily Mustan kappaleen säteily Musta kappale on ideaalisen säteilijän malli, joka absorboi (imee itseensä) kaiken siihen osuvan säteilyn. Se ei lainkaan heijasta eikä sirota siihen osuvaa säteilyä, vaan emittoi

Lisätiedot

Luonnollisen kielen tilastollinen käsittely. T-61.281 (3 ov) L. Luento 2, 21.1.2003. Luentokalvot: Krista Lagus ja Timo Honkela

Luonnollisen kielen tilastollinen käsittely. T-61.281 (3 ov) L. Luento 2, 21.1.2003. Luentokalvot: Krista Lagus ja Timo Honkela Luonnollisen kielen tilastollinen käsittely T-61.281 (3 ov) L Luento 2, 21.1.2003 Luennot: Laskuharjoitukset: Timo Honkela Vesa Siivola Luentokalvot: Krista Lagus ja Timo Honkela 0.1 Laskuharjoitukset

Lisätiedot