HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta/Osasto Fakultet/Sektion Faculty

Koko: px
Aloita esitys sivulta:

Download "HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta/Osasto Fakultet/Sektion Faculty"

Transkriptio

1 HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekuna/Osaso Fakule/Sekion Faculy Laios Insiuion Deparmen Maemaais-luonnonieeellinen Tekijä Förfaare Auhor Miriam Hägele Työn nimi Arbees iel Tile Maemaiikan ja ilasoieeen laios Moniuloeinen säännöllinen vaihelu ja suure poikkeama Oppiaine Läroämne Subjec Maemaiikka Työn laji Arbees ar Level Aika Daum Monh and year Sivumäärä Sidoanal Number of pages Pro gradu -ukielma Marraskuu s. Tiiviselmä Refera Absrac Säännöllinen vaihelu on paksuhänäisen jakaumien arkaselussa ärkeä osa-alue. Tässä yössä arkasellaan sekä säännöllisesi vaihelevia saunnaismuuujia eä säännöllisesi vaihelevia saunnaisvekoreia ja niiden ominaisuuksia. Saunnaismuuuja on säännöllisesi vaiheleva, jos sen hänäfunkio on säännöllisesi vaiheleva jollain negaiivisella indeksillä. Silloin päee: miä isompi on säännöllisen vaihelun indeksi, siä enemmän momeneja on olemassa. Saunnaisvekorin säännöllinen vaihelu määriellään joukon Radon-mian avulla. Saunnaisvekori on säännöllisesi vaiheleva, jos n keraa odennäköisyys, eä saunnaisvekori kuuluu joukkoon a n A, missä a n on kasvava jono, suppenee kohi joukon A Radon-miaa, kun n kasvaa rajaa. Jos saunnaisvekori on säännöllisesi vaiheleva, niin myös jokainen saunnaisvekorin lineaarikombinaaio on säännöllisesi vaiheleva samalla indeksillä, ja sen lisäksi päee samanlainen indeksin skaalausominaisuus kuin yksiuloeisessa apauksessa. Alussa määriellään saunnaisvekorin säännöllinen vaihelu ja odiseaan siihen liiyvä Karamaan lause sekä Fuk-Nagaev-epäyhälö, joka anava ylärajoja suurien poikkeamien odennäköisyyksille. Karamaan lause anaa muun muassa yheyden säännöllisesi vaihelevan iheysfunkion ja paksuhänäisyyden välillä. Sien laajenneaan säännöllinen vaihelu saunnaisvekoreihin ja ukiaan erilaisia säännöllisesi vaihelevien saunnaisvekoreiden ominaisuuksia. Esieään myös saunnaisvekorin ja sen komponenien säännöllisen vaihelun yheys. Lopuksi odiseaan suuren poikkeamien päälause ja sovelleaan lausea esimerkkien valossa. Lauseen mukaan voidaan laskea suhde saunnaisvekorien summan rajaodennäköisyyden ja yksiäisen saunnaisvekoreiden rajaodennäköisyyksien välillä. Avainsana Nyckelord Keywords Säännöllinen vaihelu, Paksuhänäise saunnaisvekori, Suure poikkeama Säilyyspaikka Förvaringssälle Where deposied Kumpulan iedekirjaso Muia ieoja Övriga uppgifer Addiional informaion

2 Moniuloeinen säännöllinen vaihelu ja suure poikkeama Miriam Hägele 9. marraskuua 26

3 Sisälö Johdano 3 2 Yksiuloeinen säännöllinen vaihelu 4 2. Määrielmä Karamaan lause Fuk-Nagaev -epäyhälö Säännöllinen vaihelu Epämääräinen suppeneminen Määrielmä Esimerkkejä Suure poikkeama 4 4. Suuren poikkeamien päälause Esimerkkejä Viiee 52 2

4 Johdano Vakuuusyhiöille on ärkeää ukia erilaisen odennäköisyysjakaumien käyäyymisä arvioimaan yhiön vakavaraisuua. Mone vakuuuslaji, kuen esimerkiksi rakennusen vahinkovakuuukse, ova sellaisia, joiden odennäköisyys sille, eä yriys jouuu maksaamaan suuren korvaussumman ei olekaan niin pieni, eä sen voisi jäää huomioimaa. Tämänyypisiä jakaumia kusuaan odennäköisyyslaskennassa paksuhänäisiksi, sillä niiden hänäodennäköisyys on suheellisen suuri. Yksi apa luonnehia paksuhänäisiä odennäköisyysjakaumia on säännöllinen vaihelu. Joku paksuhänäisen saunnaismuuujien hänäfunkio ova säännöllisesi vaihelevia, eli hänäfunkio käyäyyvä rajalla samalla avalla. Niiden arkaselun voidaan sovelaa sännöllisesi vaihelevien funkioiden eoriaa, jonka Jovan Karamaa kehii yksiuloeisessa apauksessa. Myöhemmin säännöllisesi vaihelevien hänäfunkioden käsie laajenneiin moniuloeiseen apaukseen ukimalla saunnaisvekorien rajaodennäköisyyksiä. Tässä ukielmassa esieään yleisiä säännöllisesi vaiheleviin saunnaisvekoreihin liiyviä perusuloksia sekä arkasellaan saunnaisvekoreiden rajakäyäyymisä ja anneaan suuriin poikkeamiin liiyvä lause. Lauseen mukaan voidaan laskea suhde saunnaisvekorien summan rajaodennäköisyyden ja yksiäisen saunnaisvekoreiden rajaodennäköisyyksien välillä. Alussa määriellään saunnaisvekorin säännöllinen vaihelu ja odiseaan siihen liiyvä Karamaan lause sekä Fuk-Nagaev -epäyhälö, joka anava ylärajoja suurien poikkeamien odennäköisyyksille. Sien laajenneaan säännöllinen vaihelu saunnaisvekoreihin ja ukiaan erilaisia säännöllisesi vaihelevien saunnaisvekoreiden ominaisuuksia. Esieään myös saunnaisvekorin ja sen komponenien säännöllisen vaihelun yheys. Lopuksi odiseaan suuren poikkeamien päälause ja sovelleaan lausea esimerkkien valossa. Perusesimerkkinä säännöllisesi vaihelevasa saunnaismuuujasa käyeään Pareo-jakauunua saunnaismuuujaa. 3

5 2 Yksiuloeinen säännöllinen vaihelu Moniuloeisen säännöllisen vaihelun eoriassa pyriään sievenämään saunnaisvekoreia yksiuloeisiin saunnaismuuujiin ja käyämään yksiuloeisen eorian uloksia. Siksi uodaan ensin yksiuloeinen säännöllinen vaihelu mieleen ja odiseaan ärkeä perusulokse kuen Karamaan lause ja Fuk-Nagaevin epäyhälöiä, johon moniuloeinen eoria perusuu. Myöhemmässä luvussa esieään myös ulos siiä, mien moniuloeinen säännöllinen vaihelu liiyy yksiuloeiseen säännölliseen vaiheluun. 2. Määrielmä Yksi miallisen funkioiden ominaisuus on säännöllinen vaihelu. Sen voi määriellä eri piseissä, mua ässä arkasellaan kuienkin vain säännöllisesi vaihelevia funkioia piseessä. Määrielmä 2.. Miallinen funkio f :,, on säännöllisesi vaiheleva indeksillä α, jos fx lim f = xα kaikilla x >. Funkioa f sanoaan hiaasi vaihelevaksi, jos α =. Hiaasi vaihelevia funkioia merkiään yleensä symboolilla Lx. Esimerkki 2..2 L Hospialin lauseen avulla nähdään helposi, eä esimerkiksi funkio logx 2, x ja log x ova säännöllisesi vaihelevia, kuen myös polynomi. Vakiofunkio ja log x ova esimerkkejä hiaasi vaihelevisa funkioisa. L Hospialin lausea käyäen voidaan odea, eä myös funkio e logx2 ja loglogx+ ova hiaasi vaihelevia. Huomauus 2..3 Säännöllisesi vaiheleva funkio voidaan aina esiää muodossa fx = x α Lx, missä α on funkion säännöllisen vaihelun indeksi Lx ja Lx on hiaasi vaiheleva funkio, eli funkio, jolle lim L = päee. Sovelluksissa käyeään säännöllisä vaihelua eriyisesi paksuhänäisen saunnaismuuujien arkaselussa. Huomaaan kuienkin, eeivä kaikki sovelluksissa käyey paksuhänäise jakauma ole säännöllisesi vaihelevia. Paksuhänäisyys määriellään kevyhänäisyyden avulla. 4

6 Määrielmä 2..4 Olkoon X saunnaismuuuja, jolla on kerymäfunkio F. Saunnaismuuuja X on kevyhänäinen, jos Ee sx < jollain s >. Muia saunnaismuuujia kusuaan paksuhänäisiksi. Määrielmäsä seuraa suoraan, eä paksuhänäisen jakauman momenigeneroiva funkio on kaikilla s > ääreön. Suuren poikkeamien eoriassa sovelleaan säännöllisä vaihelua saunnaismuuujiin. Huomauus 2..5 Jos saunnaismuuujan X hänäfunkio Fx = PX > x on säännöllisesi vaiheleva indeksillä α α >, sanoaan, eä saunnaismuuuja X on säännöllisesi vaihelevaindeksillä α, oisin sanoen X RV α. Yksi ärkeisä paksuhänäisisä jakaumisa on Pareo-jakauma. Näyeään ensin, eä Pareo-jakauma on paksuhänäinen ja sovelleaan myöhemmin Pareo-jakauunua saunnaismuuujaa erilaisiin uloksiin. Esimerkki 2..6 Pareo-jakauma: Olkoo α > ja K > vakioia. Pareo-jakauman hänäfunkio määriellään kaikilla x seuraavaksi: K α. Fx = K +x Pareo-jakauma on eräs jakauma, jonka hänä on säännöllisesi vaiheleva, sillä K α Fx F = K+x K + α α = x α K +x K K+ ja saunnaismuuujan säännöllisen vaihelun indeksi on α. Palaaan Pareo-jakauman esimerkkiin vielä muissa yheyksissä ja myös moniuloeisessa apauksessa. Oleeaan silloin aina, eä X Pareoα, K, missä α,k >, jos ei oisin mainia. Pareo-jakauuneen saunnaismuuujan lisäksi on olemassa vielä monia muia säännöllisesi vaihelevia saunnaismuuujia. Esieään niisä ässä Burr-jakauma ja Freche-jakauma. Esimerkki 2..7 Burr-jakauma: Burr-jakauma määriellään hänäfunkion avulla kaikilla x K α, Fx = K +x τ 5

7 missä K,α,τ >. Samalla avalla kuen edellisessä esimerkissä huomaaan, eä Burr-jakauunu saunnaismuuuja on säännöllisesi vaiheleva indeksillä ατ. Esimerkki 2..8 Freche-jakauma: Posiiivinen saunnaismuuuja X, joka noudaaa Freche-jakaumaa, määriellään jakauman kerymäfunkion avulla. Parameri α on aidosi posiiivinen ja Fx = exp x α. L Hospialin lauseen nojalla päee Fx lim F = lim e x α e α = x α lim e α x α = x α, = lim x α α α e x α α α e α joen Freche-jakauunu saunnaismuuuja on säännöllisesi vaiheleva indeksillä α. Saunnaismuuujan hänäfunkion säännöllisen vaihelun ja sen paksuhänäisyyden välillä on seuraava yheys. Lemma 2..9 Jos F on säännöllisesi vaiheleva jollain indeksillä α,α >, niin päee EX β < kaikilla β < α ja EX β = kaikilla β > α. Lemman odisus löyyy esimerkiksi syksyn 24 kurssin "Äärimmäisen ilmiöiden eoria"moniseesa. Huomauus 2.. Edellisesä lemmasa nähdään suoraan, eä hänäfunkion säännöllisen vaihelun indeksisä voidaan pääellä, mikä saunnaismuuujan momeni ova olemassa. Jos saunnaismuuuja X on säännöllisesi vaiheleva indeksillä α, α > niin kaikki α:n pienemmä momeni ova olemassa ja kaikki suuremma momeni ova ääreömiä. Esimerkiksi odousarvo on olemassa vain, kun α > ja varianssi on olemassa vain, kun α > 2. Pareojakauman odousarvo ja varianssi on helppo laskea. 6

8 Esimerkki 2.. Pareo-jakauuneen saunnaismuuujan odousarvolle päee K αdx EX = Fxdx = = K α K +x { = K α jos α α+ K α+ = K α jos α > / K +x α+ α+ eli odousarvo on olemassa vain kun α >. Saunnaismuuujan oinen momeni on olemassa vain kun α > 2, joen arkasellaan ilannea, jossa α > 2. Derivoimalla saadaan joen osiaisinegroinnisa seuraa EX 2 = = K α fx = αk α K +x α, x 2 K α αk +x α dx / x 2 K +x α + = 2K α / xk +x α+ α+ 2K α = α+ α+2 / Helposi nähdään, eä variansille päee kun α > 2. VarX = 2xK +x α dx K +x α+2 = K +x α+ dx α+ 2K 2 α α 2. 2K 2 α α 2 K2 α 2 = αk 2 α 2 α 2, Sovelluksissa arkasellaan kuienkin yleensä vain jakaumia, joiden varianssi on olemassa, joen on luonnollisa oleaa esimerkeissä, eä α > 2. Kevyhänäisillä jakaumilla kaikki momeni ova olemassa, joen lemmasa seuraa suoraan, eä jos F RV α, niin saunnaismuuuja on paksuhänäinen. Tämä on vain implikaaio, sama seuraus ei päde oisin päin, oisin sanoen kaikki paksuhänäise jakauma eivä ole säännöllisesi vaihelevia. Esimerkiksi Weibull-jakauma on jollain paramereilla paksuhänäinen, muei säännöllisesi vaiheleva. 7

9 Esimerkki 2..2 Weibull-jakauma: Weibull-jakauman hänäfunkio määriellään Fx = e cxτ, missä c > ja τ > ova vakioia. Jos valiaan < τ <, niin jakauma on paksuhänäinen, sillä kaikilla s > päee Ee sx = s e sx PX > xdx = s e sx cxτ dx =. Jos τ, niin voidaan odea, eä jakauma on kevyhänäinen. Näyeään vielä, eä Weibull-jakauma ei ole säännöllisesi vaiheleva. Jos x >, niin päee myös x τ >, joen e cxτ lim e cτ = lim e cxτ τ =, eli Weibull-jakauma ei ole säännöllisesi vaiheleva. 2.2 Karamaan lause Serbialainen maemaaikko Jovan Karamaa on ukinu säännöllisesi vaihelevia funkioia jo 93-luvulla. Yksi keskeinen ulos säännöllisesi vaihelevasa funkioisa on hänen mukansa nimey Karamaan lause. Tämän luvun päälähde on []. Lause 2.2. Karamaan lause Olkoon x >. i Jos f RV α, jolla α, niin fd RV α+ ja lim xfx = α+. 2. fd Jos x > ja f on säännöllisesi vaiheleva indeksillä α, jolla α < ai α = ja x fsds <, niin x fsds on äärellinen ja säännöllisesi vaiheleva indeksillä α+. Sen lisäksi päee lim x xfx = α. 2.2 fsds 8

10 ii Jos oisaala funkiolle f päee lim xfx = α,, 2.3 fd niin funkio on säännöllisesi vaiheleva indeksillä α ja jos x fd < ja niin f RV α. Todisus: lim x xfx = α,, 2.4 fd i Todiseaan vain apaus, jossa f on jakuva funkio. Tarkasellaan ensin apausa, missä α. Muuujanvaihdon avulla saadaan yhäsuuruus fd fsx = xfx fx ds, jos valiaan = sx. Ensimmäisenä osoieaan, eä fd =, jos α >. Funkion f säännöllisesä vaihelusa seuraa lim f2s/fs = 2α s ja koska α > päee 2 α > 2. Siis josain indeksisä s alkaen päee 2f2s > fs > kaikilla s > s, joen jos valiaan n sien, eä 2 n > s, niin 2 n+2 2 n+ fd = 2 2 n+ 2 n f2d > 2 n+ 2 n fd >, missä yhäsuuruus seuraa muuujanvaihdosa, ja epäyhälö yllä olevasa epäyhälöisä. Merkiään symbolilla n pienin indeksi n, jolle 2 n > s. Silloin fd 2 n+ n n 2 n + > n n 2 n fd 2 n n n fd =. 2 n+2 2 n+ fd 9

11 Aseamalla x > funkio fxs on edelleen säännöllisesi vaiheleva, ja oleuksesa α > seuraa jollain N <. fsxds N fsxds, kun, Kiinnieään x > ja ε >. Tällöin on olemassa arpeeksi suuri luku N sien, eä kaikilla s > N εx α fs fsx +εx α fs, koska funkio f on säännöllisesi vaiheleva. Ny yläraja-arvolle päee lim sup x fsds fsds = limsup fsxds fsds = limsup limsup x N fsxds N fsds x N +εxα fsds N fsds = +εx α+, muuujanvaihdon ja aikaisempien ulosen nojalla. Alaraja-arvolle saadaan vasaavilla argumeneilla lim inf x fsds fsds εxα+, joen ollaan odiseu, eä fd on säännöllisesi vaiheleva indeksillä α+, jos α >. Jos α =, niin joko fsds <, joen fsds RV α+ = RV ai fsds =. Sien saadaan samalla argumeneilla kuin yllä olevissa arkaseluissa fsds RV, eli inegraali fsds on hiaasi vaiheleva. Todiseaan seuraavaksi yhälö 2., jos f RV α, missä α. Inegroimalla saadaan joen f = log fsdsd exp fd log f fsdsd = fd, fd fd 2.5

12 ja fx exp fsds f fsdsd = fx 2.6 fd. Määriellään funkio gx = fx x fd ja ukiaan funkion gx = fd yläraja-arvoa. Faoun lemman ja f:n säännöllisen vaihelun xfx nojalla päee lim sup lim inf fd liminf fd fsx = liminf xfx xfx fx ds fsx fx ds = joen yläraja-arvon määrielmäsä seuraa lim sup s α ds = α+, xfx α+. fd Funkio gx = fx x on siis rajoieu, kun x on arpeeksi suuri. fd Sen lisäksi päee xfx RV α+ ja fd RV α+ joen gx on hiaasi vaiheleva, sillä gx lim g = lim xfx f Funkion gx hiaan vaihelun nojalla päee fsds = x α+ fsds x α+ = x. gx lim g g =, g joen myös gx gx, kun x ja dominoidun konvergenssin lauseen seurauksena saadaan lim s gx gx d = s lim Esieään ämä oisessa muodossa eli s gx s gx s = lim d d = lim joen s lim gx gx d =. gx d gx log s, gx d = lim gxlogs. 2.7

13 Yhälösä 2.6 nähdään, eä f fsdsexp fsdsd = ja säännöllisen vaihelun nojalla päee joen lim α+ logs = lim log = lim log log = lim = lim s x s s fd fd = sα+, s fd = lim fd fsds+log fsds log s exp exp f = lim fudud s gxu du = lim u gxlogs, fsds RV α+ log s f fd fudud f fudud xfxu u fd du jossa viimeinen rivi seuraa muuujanvaihdosa = xu ja yhälösä 2.7. Saadaan siis lim gx = lim xfx = α+, fd joen 2. päee. Tapaus α on siis odiseu. fd Tarkasellaan seuraavaksi apausa α <. On osoieava, eä x fd on äärellinen ja säännöllisesi vaiheleva indeksillä α +, sekä lim xfx x fd = α +. Näyeään ensin, eä x fd on äärellinen ja säännöllisesi vaiheleva. Jos on arpeeksi suuri ja ε > kiinniey, päee fs +εs α kaikilla s, 2

14 joen posiiiviselle x:n arvolle x fsds = x fsds+ fsds c++ε s α ds <, missä c = x fsds, eli inegraali on äärellinen. Säännollisen vaihelun odisamiselle huomaaan, eä samoin kuen apauksessa α on olemassa ε > ja arpeeksi suuri <, joille εfx α fx +εfx α kaikilla. Edelleen saadaan muuujanvaihosa ja funkion f säännöllisesä vaihelusa x lim fsds xfuxdu = lim lim+εxx α fsds fsds fsds fsds = +εx α+, jos. Samalla avalla saadaan alarajaksi εx α+, joen x fd on säännöllisesi vaiheleva indeksillä α+. On vielä osoieava, eä 2.2 päee. Huomaaan, eä fsds = f, koska fx on säännöllisesi vaiheleva indeksillä α <. Inegroimalla f funkio fsds saadaan f d = log fsds +log fsds, fsds x joen exp f fsds d = fsds 2.8 x fsds. Olkoon jakossa hx = xfx x fd ja ukiaan funkion hx ylärajaarvoa samoilla keinoilla kuin funkion gx yläraja-arvon arkaselussa apauksessa α. Faoun lemman nojalla päee lim suphx x liminf fd fsxds = liminf xfx fx fsx lim inf fx ds = s α = α+, 3

15 joen yläraja-arvon määrielmäsä seuraa lim suphx α+. Funkio hx on siis rajoieu ja hiaasi vaiheleva, koska xfx, x fd RV α+. Siksi päee hx h, kun kasvaa rajaa, joen s = lim hx hx s d = lim Täsä saadaan α+logs = lim log xs fd x fd = lim log = lim xs logc logexp fd log s hx d hxlogs. 2.9 x fd f fsds d f logc+logexp fsds d s f = lim x fsds d s = lim missä c = fsds, eli = lim s hxu u du = lim hxlogs, lim hx = α+, joen väiee ova odiseuja myös apauksessa α <. xfx fxux xu fsdsdu ii Oleeaan, eä 2.3 päee, oisin sanoen α α,, fd kun x. Huomaaan, eä d = logx log = logx, joen siiä ja esiyksesä 2.6 seuraa fx f fx = c exp fd fudud = cx fx f x x exp fd fudud d = cfx f x exp fd d, fudu 4

16 missä c = fd. Karamaan esiyslauseen nojalla lause funkio fx on säännöllisesi vaiheleva indeksillä α, koska lähesyy kohi α, kun x kasvaa rajaa. Jos oisaala kaava 2.4 päee, eli α,, niin esiyksesä 2.8 seuraa fx fx = c x fd exp xfx = c x fd exp = chxexp f fudu xfx x fd α, kun x ja f fudu d f fudu + h d, d missä c = fd ja hx = fx x fudu. Sen lisäksi päee chx cα, ja hx α, kun x kasvaa rajaa. Karamaan esiyslauseen nojalla lause funkio fx on siis säännöllisesi vaiheleva indeksillä α+. Äsken esieyä Karamaan lausea voidaan käyää oeamaan, eä saunnaismuuuja on paksuhänäinen. Eräs esimerkki on Cauchy-jakauma. Esimerkki Cauchy-jakauma Olkoon X Cauchy sandardi Cauchy-jakauunu, eli X:n iheysfunkio on fx = π+x 2. Tukimalla osamäärän fx f raja-arvoa nähdään, eä fx on säännöllisesi vaiheleva indeksillä 2, sillä Hänäfunkiolle päee fx lim f = lim π+ 2 π+ 2 x 2 = x 2, Fx = Fx = x fd, joen Karamaan lauseen nojalla Cauchy-jakauman hänäfunkio on säännöllisesi vaiheleva indeksillä 2 + =. Näin ollen Cauchy-jakauunu saunnaismuuuja on paksuhänäinen. 5

17 Toinen esimerkki paksuhänäisesä saunnaismuuujasa on Loggammajakauunu saunnaismuuuja. Esimerkki Olkoon X Loggammaα, β missä α, β >. Jakauman iheysfunkio määriellään kaikilla x > fx = αβ Γβ logxβ x α, missä symboli Γ merkisee gammafunkioa. Tukiaan osamäärää fx f suurilla :n arvoilla fx f = α β Γβ logxβ x α α β Γβ logβ α = β logx β log x α = logx log x α. fx Logarimi on hiaasi vaiheleva funkio, joen lim f = x α, eli Loggamma-jakauman iheysfunkio on säännöllisesi vaiheleva. Koska jakauman hänäfunkiolle päee Fx = x fydy, seuraa Karamaan lauseen nojalla, eä Loggamma-jakauman hänäfunkio on säännöllisesi vaiheleva indeksillä α, eli saunnaismuuuja on säännöllisesi vaiheleva indeksillä α. Edellisessä odisuksessa käyeiin oisa keskeisä säänöllisen vaihelun ulosa, Karamaan esiyslausea. Jos funkiolla on lauseen mukainen esiys, niin voidaan pääellä, eä kyseinen on säännöllisesi vaiheleva funkio. Lause Karamaan esiyslause i Funkio L on hiaasi vaiheleva, jos ja vain jos funkiolla on seuraava esiys Lx = cxexp s εsds, x >, 2. missä c : R + R +, ε : R + R + ja lim cx = c,, sekä lim ε =. ii Funkio f : R + R + on säännöllisesi vaiheleva indeksillä α, jos ja vain jos on olemassa funkioia cx ja αx sien, eä fx = cxexp αd, 2. ja lim cx = c, sekä lim α = α. 6

18 Todisus: i " ": Jos on olemassa posiiivise funkio c ja ε, joille cx c ja ε sien, eä kaava 2. päee, niin Lx lim L = lim cx x c exp s εsds. Koska funkio ε lähesyy nollaa, kun kasvaa rajaa, on olemassa sien, eä mielivalaiselle ε > päee ε < ε < ε, jos >, joen x x s εsds < ε Alarajaksi saadaan vasavasi x ds = εlogx log = εlogx. s εsds > εlogx. s Ylä- ja alaraja eivä riipu enää :sä, joen lim x εsds =, eli s lim x exp s εsds =. Tällöin päee myös Lx L, jos, oisin sanoen funkio L on hiaasi vaiheleva. " ": Karamaan lauseen lause 2.2. nojalla päee xlx Ld, kun x 2., koska L on säännöllisesi vaiheleva indeksillä. Aseamalla εx = Lx x Ld päee lim εx = ja εd = = log L Lsdsd Lsds log d Sovelamalla eksponenifunkioa puoliain saadaan exp εd = Lsds x Lsds, 7 Lsds logx.

19 josa seuraa esiys missä Lx = lim cx = lim Lsds xlx exp Lsds xlx Lsds Lsds = εd, Lsds,. ii " ": Oleeaan, eä funkio fx voidaan kirjoiaa samassa muodossa kuen kaavassa 2.. Tällöin päee fx lim f = lim cx x c s αsds, jossa lim α = α, eli on olemassa ε > ja s sien, eä kaikilla s s on α ε < αs < α+ε, joen α εlogx x s αsds α+εlogx. Tukimalla funkion fx f raja-arvoa huomaaan, eä fx on säännöllisesi vaiheleva indeksillä α. " ": Oleeaan, eä funkio fx on säännöllisesi vaiheleva. Tällöin voidaan kirjoiaa fx = x α Lx missä Lx on hiaasi vaiheleva funkio. Kohdan i nojalla fx = x α Lx = x α x cxexp εd = cxexp x εd+αlogx = cxexp ε+α d, missä ε+α α, kun, joen funkiolla fx on samankalainen esiys kuen kaavassa 2.. Jokaiselle säännöllisesi vaihelevalle hänäfunkiolle voidaan esiyslauseen nojalla löyää sellainen esiys. 8

20 Esimerkki Olkoon saunnaismuuuja X edelleen Pareo-jakauunu samoilla paramereillä kuen aiemmin. Tällöin saadaan Fx = = K α K αx = α exp αlogx K +x K +x xk αexp α K +x d, α missä K K+x K α <, kun x, joen hänäfunkiolle on olemassa samanlainen esiys kuen esiyslauseessa. Eriyisesi säännöllisesi vaihelevien hänäfunkioiden apauksessa seuraava lemma on mielenkiinoinen, sillä se määrää supiseun saunnaismuuujan odousarvon käyäyymisä rajankäynnissä. Lauseen 4.. odisuksessa sovelleaan Karamaan lause käyämällä sama ulosa. Lemma Olkoon Z saunnaisuuuja kerymäfunkiolla Fz ja olkoon saunnaismuuujan hänäfunkio säännöllisesi vaiheleva indeksillä α,α >. Jos p > α, niin eli lim kun x on arpeeksi suuri. Todisus: Fubinin lauseen nojalla z p dfz = = p = p = p z zp dfz = α x p Fx p α, z p dfz α p α xp Fx, py p dydfz = p y p Fy Fxdy y p Fydy pfx y p Fydy Fxx p. y p dfzdy y y p dy Funkio y p Fy on säännöllisesi vaiheleva indeksillä p α, joen Karamaan lauseen nojalla yp Fydy on säännöllisesi vaiheleva indeksllä 9

21 p α. Karamaan lauseen nojalla päee edelleen lim Lopula saadaan lim x p Fx p yp Fydy = p lim yp dfy p = lim x p Fx yp Fydy x p Fx xx p Fx yp Fydy = p α. 2.2 p xp Fx = p x p Fx p α = α p α, joen väie on odiseu. Kaava 2.2 päee myös, kun p = α. Sovelleaan jälleen Pareo-jakaumaa lemmaan. Esimerkki Olkoon edelleen X Pareoα, K. Lemman nojalla päee indeksillä α säännöllisesi vaihelevalle hänäfunkiolle lim xfx = α+, Fydy mikä saadaan myös laskemalla osamäärää xfx x K K+x Fydy = α K α K+x α+ K α+ α+ = K +x α+ α+ K +x α+ K α+ KK +x α α+ K +x α+ α+. K α+ 2.3 Fuk-Nagaev -epäyhälö Päälauseen lause 4.. odisuksessa sovelleaan vielä oisa ärkeää yksiuloeisa ulosa, Fuk-Nagaev -epäyhälöjä. Nämä epäyhälö odisiva D. Kh. Fuk ja S. V. Nagaev vuonna 97. Fuk-Nagaev -epäyhälö anava erilaisia hänäodennäköisyyksien ylärajoja saunnaiskululle, jossa yksiäisen saunnaismuuujien odousarvo on nolla. Nämä epäyhälöiä voidaan sovelaa kaikille yksiuloeisille saunnaiskuluille, jos siirreään saunnaismuuujia odousarvon verran, joa uuden saunnaismuuujan odousarvo ulee olemaan nolla. Tämä luku perusuu pääosin arikkeleihin [4] ja [7]. Oleeaan koko luvussa, eä X i,i =,...,n ova riippumaomia saunnaismuuujia kerymäfunkioilla F i x. Olkoo x >,y i >, kun i =,...,n ja y max i y i. 2

22 Lause 2.3. Fuk-Nagaev -epäyhälö Olkoo X i,i =,...,n riippumaomia saunnaismuuujia kerymäfunkioilla F i x, joille EX i =. Olkoo edelleen 2, < α < ja β = α. i Jos niin missä max,log βxy n yi x df i x + PS n x e n αxy x2 df i x, 2.3 PX i y i +P, 2.4 P = exp β x y α n yi x 2 y ja missä PS n x xdf ix y log βxy n yi x df i x + PX i y i +P 2, 2.5 P 2 = exp β α x 2 y β x n y ii Toisaala, jos niin max,log PS n x βxy n yi x df i x + xdf ix y > log e n 2 n PX i y i +exp αx αx e n βxy n yi x df i x +. αxy x2 df i x, 2.6. x2 df i x 2.7 xdf ix Todisus: Todisuksessa arkasellaan apauksia < h < y ja hy > erikseen, missä h on posiiivinen vakio. Määriellään kuienkin ensin rajoieu saunnaismuuuja X i = { Xi jos X i y i jos X i > y i 2

23 missä i =,...,n ja S n = Koska rajoieu saunnaismuuuja X i on aina pienempi ai yhä suuri kuin saunnaismuuuja X i, päee { { } } { } Sn y = X i y X i y = {S n y}. Jos X j > y j jollain j {,...,n}, niin S n < S n, joen apahumasa {S n y} seuraa aina joko apahuma { S n < S n } ai apahuma { S n y} ai molemma. Siksi päee X i. PS n x P S n < S n +P S n x. Huomaaan, eä apahuma { S n < S n } on sama kuin yhdise n { X i < X i }, joen PS n x PX i y i +P S n x. Olkoon ny h >. Tällöin päee odennäköisyydelle P S n x Ee h S n Ee h S n S n x e hx P S n x, joen P S n x e hx Ee h S n. Yleisesi päee Ee h X i = Ee h X i X i y i +Ee h X i X i > y i = Ee hx i X i y i +E X i > y i e hx df i x+ df i x = I +I 2. x y i x>y i Jos x >, niin exponenifunkion sarjaesiyksen nojalla päee +x+ x2 2 < ex < +x+ x2 2 ex, 22

24 joen Bolzanon lauseen nojalla on olemassa θ sien, eä e x = +x+ x2 2 eθx ja siksi päee I df i x+h xdf i x+ x y i x yi h2 2 x y i x 2 e hxθ df i x. Oleeaan ensin, eä hy, eli hy i kaikilla i =,...,n. Tällöin saadaan Ee h X i +h xdf i x+ x yi h2 2 ehy iθ x 2 df i x x y i +h xdf i x+ x yi h2 2 e x 2 df i x. x y i Saunnaismuuujien X i riippumaomuudesa seuraa myös rajoieujen saunnaismuuujien X i riippumaomuus. Riippumaomuuden nojalla päee Ee h S n = n Ee h X i sillä +x e x. Siis P S n x exp h jos < h y. n +h xdf i x+ x yi h2 2 e x 2 df i x x y i n exp h xdf i x+ x yi h2 2 e x 2 df i x x y i = exp h xdf i x+ x yi h2 2 e x 2 df i x, x y i x yi xdf i x+ h2 2 e x 2 df i x hx, x y i 2.8 Tarkasellaan seuraavaksi apausa, jossa hy >. Olkoo edelleen h > 23

25 ja 2. Funkio fy = y e hy hy on aidosi kasvava, jos y h, eli h y, sillä f y = y e hy hy+y he hy h = y he hy y ehy + +h h >. y Olkoon i sellainen, eä hy i >. Tällöin päee aikaisempien arkaselujen ja oleuksen h > y i nojalla Ee h X i +h xdf i x+ x yi h2 2 = +h xdf i x+ h2 2 +h h x y i x 2 e hxθ df i x xdf i x+ h2 h 2 e +h xdf i x+ h2 2 e x 2 e hxθ df i x+ h x 2 df i x+ ehy hy y x 2 df i x+ ehy hy y e hx hx x df i x x h sillä funkio fx on aidosi kasvava alueella h,. Saunnaismuuujien X i riippumaomuuden nojalla päee eli jos h > y. Ee h S n n +h + ehy hy exp h y + ehy hy y P S n x exp h + ehy hy y xdf i x+ h2 2 e x df i x xdf i x+ h2 2 e x 2 df i x x 2 df i x x df i x, 2.9 xdf i x+ h2 2 e x df i x hx, x 2 df i x x df i x x df i x, 24

26 Määriellään seuraavaksi funkioia ah ja bh, joa voidaan kirjoiaa odennäköisyyden PS n > x yläraja niiden funkioiden avulla. Olkoo ah = 2 e h 2 bh = ehy hy y x 2 df i x αhx x df i x βhx, missä < α < ja β = α kuen aiemmin ja aseeaan αx h = e n x2 df i x ja h 2 = y log βxy n yi x df i x On helppo nähdä, eä jos h > y päee, niin PS n x PX i y i +exp ah+bh+h xdf i x. 2.2 Ennen kuin arkasellaan kohdan i ylärajoja, osoieaan kohdan ii yläraja. Todiseaan yläraja 2.7, eli ukiaan ilannea, jossa eho 2.6 päee. Tällöin päee joko h y ai h 2 h > y. Jos h y päee, seuraa epäyhälösä 2.8 aseamalla h = h P S αx n x exp e n xdf i x x2 df i x + αx2 e n x2 df i x 2e 2 n x2 df i x 2 hx exp αx αx 2 n xdf ix e n, x2 df i x josa saadaan suoraan 2.7. Jos oisaala päee h 2 h > y, niin saadaan yläraja 2.7 ukimalla funkioia ah ja bh arkemmin. Funkion ah minimikoha on h = h, sillä a h = e h x 2 df i x αx = h = 25 e n αx x2 df i x = h

27 ja a h = e x 2 df i x >, joen ah on konveksi funkio. Funkion bh minimikoha on h = h 2, koska b h = y ye hy y x df i x βx Edelleen päee e hy = βxy n x df i x + h = h 2. b h = ehy n x df i x y 2 >, joen myös funkio bh on konveksi. Sen lisäksi on helppo nähdä, eä a = b =. Funkion bh konveksisuuden nojalla päee bh < kun h 2 h, sillä = b bh 2 bh. Funkiolle ah päee ah = = e 2 n α 2 x 2 yi x2 df i x 2 α 2 x 2 2e n x2 df i x. 2 e Aseamalla kaavassa 2.2 h = h saadaan ah +bh +h xdf i x α 2 x 2 2e n x2 df i x + αx e n = αx αx/2 n xdf ix e n, x2 df i x x 2 df i x n e n xdf ix x2 df i x josa seuraa suoraan yläraja 2.7. Koha ii on odiseu. Osoieaan vielä kohdan i yläraja. Jos eho 2.3 päee, niin [ βxy ] max,log n yi x df i x + αxy e n x2 df i x, 26 α 2 x 2 yi x2 df i x

28 joen saadaan h 2 h. Ny on joko h > h 2 > y ai h > y h 2. Huomaaan ensin, eä ensimmäisessä apauksessa e h 2y y x df i x = βx y, joen aseamalla h = h 2 saadaan kaavasa 2.2 ah+bh+h = h 2 e 2 h 2 +h 2 h 2 e 2 h +h 2 xdf i x x 2 df i x x xdf i x xdf i x = βx y + αx 2 x βx y + α x+ 2 + eh 2y h 2 y y x 2 df i x x + βx y h 2 y n x df i x y + = βx y βxh 2 α 2 xh 2 +h 2 βx y αx 2y βx+ x df i x x df i x xdf i x h 2 xdf i x h xdf i x xdf i x h 2, 2.23 sillä h 2 h, α 2 = β + α 2 ja h 2 y. Sijoiamalla 2.2 epäyhälöihin 27

29 2.22 ja 2.23 saadaan ah+gh+h βx y + α x+ 2 βx y αx 2y βx+ xdf i x xdf i x y log xdf i x y log βxy n x df i x + βxy n x df i x + joisa seuraava yläraja 2.4 ja 2.5 käyäen epäyhälöä 2.2. On vielä osoieava eä sama yläraja päevä myös apauksessa h > y h 2. Tällöin päee 2 e h 2 2 joen x 2 df i x h 2 x < h 2 e h 2 2 e h 2 2 < h 2 x 2 df i x h 2 x+h 2 xdf i x α 2 x., α x 2 df i x x = 2 xh 2, xdf i x Aseamalla kaavassa 2.8 h = h 2 saadaan äskeisen arkaselujen nojalla P S n x exp h 2 exp β x y α 2 x y n xdf i x α 2 xdf ix y log x βxy n yi x df i x +, josa seuraa suoraan 2.4. Ylärajan 2.5 odisamisessa oleeaan ensin, 28

30 eä βx n xdf ix. Tällöin 2 2y 2e x 2 df i x x y + y < e h x 2 df i x x 2 y + y = α 2 x+ xdf i x y = xdf i x βx h 2 αx 2y, xdf i x xdf i x xdf i x βx y αx 2y joen aseamalla epäyhälössä 2.8 h = y saadaan yläraja 2.5. Toisaala, jos βx < n xdf ix ja β α 2 niin P 2 >, joen yläraja 2.5 päee riviaalisi. Väiee on siis odiseu. Kuen jo aiemmin mainiiin, sovelleaan Fuk-Nagaev -epäyhälöiä suuren poikkeamien päälausessa. Siksi arkasellaan vielä mien lauseen odisuksessa käyey ulos seuraa ylläolevisa epäyhälöisä. Seuraus Olkoon 2,β = +2 ja α = β. Tällöin PS n x PX i y i +exp max β x n y βxy log n yi x df i x +, αxαx/2 n e n xdf ix y xdf ix x2 df i x 2.24 αxαx/2 n yi PX i y i +exp xdf ix e n x2 df i x +exp β x n y xdf ix βxy log y n yi x df i x + Todisus: Huomaaan, eä P 2 :n eksponenissa oleva ensimmäinen ermi on nolla, jos valiaan β = +2, sillä β α 2 = =. Yhdisämällä ylärajoja 2.5 ja 2.7 saadaan ylärajaksi 2.24 ja siiä seuraa suoraan

31 Seuraus Jos EX = ja n x df i x <, jollain 2, niin PS n x x +2 x df i x+exp Todisus: Markovin epäyhälön avulla saadaan joen 2x e n VarX i y i x df i x = EX X > y i > Ey i X > y i = y ipx > y i, y PX > y i i x df i x yi. Aseamalla y = = y n = y = βx seuraa edellisesä seurauksesa PS n x n + PX i > y i +exp βxy x df i x PX i > βx+exp + n βx x df i x βx βx = +exp x +2 βx βx y x df i x+ 2e n α 2 x 2 yi x2 df i x e n βx 2x 2 βx x2 df i x x df i x 2x e n x2 df i x x df i x+exp missä käyeään viimeisessä epäyhälössä y x 2 df i x x 2 df i x = VarX i,. 2x e n VarX, i sillä EX i =. 3

32 Fuk-Nagaev -epäyhälöiden ai niiden seurauksien sovelamisessa arviaan saunnaismuuuja, jonka odousarvo on nolla. Mone paksuhänäise saunnaismuuuja ova kuienkin posiiivisia, joen konsruoidaan jakauma, jonka odousarvo on nolla aseamalla uusi saunnaismuuuja paksuhänäisen jakauman ja sen odousarvon erouksena. Esimerkki Sovelleaan edellisä seurausa Pareo-jakaumalle. Olkoon Z Pareoα,K, missä α > 2 ja K >. Esimerkissä 2.. nähiin, eä EZ = K K α. Valiaan siksi saunnaismuuuja X = Z α, joen saadaan EX =. Saunnaismuuujan X iheysfunkio on sien PX = x = P Z = x+ K α = αk α K α. K + K α+ +x Valiaan = 2, joen piää varmisaa, eä X:n oinen momeni on olemassa, joa voidaan sovelaa seurauksa. Esimerkissä 2.. laskeiin myös Pareojakauuneen saunnaismuuujan oinen momeni. Tämän laskun peruseella saadaan siirreylle saunnaismuuujalle = x 2 αk α K K + K α+ +x α dx = 2K α α α 2 2K α α α 2 α α+ Kα α = 2 α 2 α α α α K ja saunnaismuuujan X varianssille päee VarX = VarZ = αk 2 α 2 α 2. K + K α α Valiessa seurauksessa esiinyviä paramereja α = β = 2 huomaaan odennäköisyydelle, eä saunnaiskulku yliää ieyn kiinnieyn rajan x >, eli PS n > x:n yläraja PS n > x = 2 4 2x 2 2n Kα 2 α α α α +exp 2x e 2 n αk 2 α 2 α 2 8n Kx 2 α 2 α α α α +exp x2 α 2 α 2 8e 2 nαk 2. Jos valiaan esimerkiksi α = 3, K =, niin PS n > x 64n 8x 2 +exp x2 6e 2. n 3

33 3 Säännöllinen vaihelu Laajenneaan seuraavaksi säännöllisen vaihelun käsie saunnaisvekoreihin ja anneaan yleisiä uloksia. Tässä luvussa määriellään säännöllisesi vaiheleva saunnaisvekori ja arkasellaan, mien moniuloeinen säännöllinen vaihelu liiyy saunnaisvekorin komponenien säännölliseen vaiheluun. Pääläheenä käyeään eriyisesi oisessa alaluvussa [6]. 3. Epämääräinen suppeneminen Joa pysyään määrielemään vasaava säänöllinen vaihelu d-uloeisessa avaruudessa, johdaaan ensin miaeorian yleisiä määrielmiä, kuen Hausdorff-avaruus ja Radon-mia. Olkoon ässä luvussa H kompaki lokaalinen opologinen avaruus, jolla on numeroiuva kana. Kompaki lokaalinen opologinen avaruus on sellainen avaruus, eä jokaisella x H on olemassa kompaki ympärisö. Olkoon sen lisäksi BH avaruuden H Borel-joukkojen viriämä σ-algebra. Esimerkiksi avaruude R ja R d ova ällaisia kompaki lokaalisia opologisia avaruuksia. Määrielmä 3.. Topologisa avaruua H kusuaan Hausdorff-avaruudeksi, jos jokaisella a,b H,a b on olemassa a:n ympärisö U ja b:n ympärisö V sien, eä U V =. Jokainen merinen avaruus on Hausdorff-avaruus. Hausdorff-avaruudessa määriellään sien Radon-mia. Määrielmä 3..2 Miaa µ kusuaan Radon-miaksi, jos µk < kaikilla kompakeilla joukoilla K. Merkiään joukko ei-negaiivisia Radon-mioja symbolilla M +, eli M + H = {µ : µ on ei-negaiivinen Radon mia BH:lla}. Keskeinen käsie moniuloeisen säännöllisen vaihelun määrielmässä on epämääräinen suppeneminen. Epämääräinen suppeneminen määriellään jakuvien ja kompakikanaisen funkioiden avulla. Jakuva funkio on kompakikanainen, jos on olemassa kompaki joukko K sien, eä fx = kaikilla x K c. Määrielmä 3..3 Ei-negaiivinen Radon-mia µ n suppenee epämääräisesi vague kohi µ:ä, jos fxdµ n x fxdµx kaikilla f C n H + K H, H 32

34 missä C + K H = {f : H R + : f on jakuva ja kompakikanainen}. Merkiään µ n v µ, jos µn suppenee epämääräisesi kohi µ:ä. 3.2 Määrielmä Ennen kuin määriellään moniuloeinen säännöllinen vaihelu, anneaan vielä yksi sokasiseen suppenemiseen liiyvä lemma. Lemman odisus jäeään pois. Sen löyyy kuienkin läheen [9] lauseen 4.3 odisuksesa. Lemma 3.2. OlkoonX i,i =,2,... jono riippumaomia saunnaismuuujia vasaavilla kerymäfunkioilla F i x ja olkoon a n jono posiiivisia lukuja sien, eä a n, kun n kasvaa rajaa. Jos a n P X i, missä P arkoiaa sokasisa suppenemisa, niin ja a n P X i a n n E X i [,an] X i n. Saunnaisvekoreille voidaan määriellä samankalainen säännöllinen vaihelu kuin saunnaismuuujille. Määrielmä Saunnaisvekori X R d on säännöllisesi vaiheleva, jos on olemassa posiiivinen jono a n eli a n > kaikilla n, jolla a n, kun n ja ei-negaiivinen Radon-mia µ σ-algebrassa BR d \, jolla µr d \R d = ja npa n X v µ BR d \:ssa, jos n. Silloin kirjoieaan X RVa n,µ,r d \. 33

35 Jono a n voidaan aina valia seuraavalla avalla. Merkiään symbolilla G saunnaismuuujan X = X X d 2 kerymäfunkio. Valiaan kaikilla n > a n = G { = inf s R + : Gs }, n n joen saadaan np X > a n, kun n. Huomauus Jos X on säännöllisesi vaiheleva, oisin sanoen X RVa n,µ,r d \, niin päee yleisesi PX u P X > u v cµ BR d \:ssa, jos n. Jos valiaan huomauuksessa u = a n, saadaan, eä c =, koska np X > a n, kun n. Kuen yksiuloeisessa apauksessa, voidaan myös moniuloeisessa apauksessa määriellä samankalainen säännöllisen vaihelun indeksi. Lemma Jos saunnaisvekori X on säännöllisesi vaiheleva, eli X RVa n,µ,r d \{}, niin on olemassa α > sien, eä µub = u α µb kaikilla u > ja B R d \{}. Silloin kirjoieaan X RVα, µ. Moniuloeisen säännöllisen vaihelun vaihoehoisessa määrielmässä, joka anneaan lemman odisuksen jälkeen, ukiaan Borel-joukkoja avaruudessa S d, missä S d = {x R d : x = }, eli S d on avaruuden R d yksikköpallo käyäen euklidisa meriikkaa. Merkinnöllä V r,s arkoieaan joukkoa { V r,s = x R d x } : x > r, x S, missä r > ja S BS d. Lemman odisus: Olkoon a n posiiivinen jono kuen määrielmässä ja olkoon S BS d sellainen, eä jollain r > päee µ V r,s =. 34

36 Tällaise S ja r ova olemassa, koska µ on Radon-mia. Olkoon edelleen U = {u [, : µ uv r,s = }. Oleeaan aluksi, eä µv r,s >. Määriellään funkio f,g : R + R +, fx = PX xv r,s ja gx = µxv r,s. Tällöin päee kaikilla u U nfua n = npx a n uv r,s v µuv r,s = gu, kun n. Jos x a valiaan = x sien, eä a x < a +. Funkio f on ei-kasvava, eli ehdosa x y seuraa fx fy, joen fua + fa fux fx fua fa + ja +fua+ + fa gu g kaikilla u U ja samanlaisella avalla saadaan vasaava yläraja. Kaikilla u U päee siis fux fx gu g. fux gu Olkoon ny ĝu = limsup fx, u >, oisin sanoen ĝu = g, jos u U. Huomaaan myös, eä ĝ on aina ykkösä pienempi ai yhäsuuri kaikilla u, koska fux fx jos x on posiiivinen. Sen lisäksi päee limsup u + ĝu, jos u lähesyy ykkösä ylhäälä. Läheen [2] lauseen.4.3. nojalla s. 8 ällöin on olemassa α R sien, eä kaikilla u > päee fux fx uα, oisin sanoen µuv r,s = u α µv r,s kaikilla u >. Oleeaan seuraavaksi µv r,s = ja osoieaan, eä siiä seuraa myös µv u,s = kaikilla u >. Oleeaan edelleen, eä on olemassa r,r jolla µv r,s >. Tällöin on olemassa r,r sien, eä µv r,s > ja µ V r,s =. Yllä olevien pääelyjen nojalla seuraa sien Valisemalla u = r r saadaan µuv r,s = u α µv r,s kaikilla u >. = µv r,s = r r αµvr,s > 35

37 mikä on risiriia. Siis kaikilla µ-jakuvilla joukoilla V r,s on olemassa α R sien, eä kaikilla u > päee µuv r,s = u α µv r,s. On vielä osoieava, eä α ei riipu joukosa V r,s. Määriellään siksi funkio λv r,s = µuv r,s µuv,s d. Oleeaan, eä r > ja S BS d. Tällöin αv r,s = logµv r,s logµuv r,s /logu = log µv r,s logu µv r,s log µuv r,s µuv r,s +logµv r,s logµuv r,s = log λv r,s logu λv r,s log λv r,s λv r,s +αv r,s logu = αv r,s, eli α ei riipu joukosa V r,s. Jouko V r,s r >, S BS d muodosava π-syseemin, joka viriää joukon BR d \ R d, joen kaikilla B BR d \ R d päee µub = u α µb. Sen lisäksi, koska µr d \R d =, edellinen kaava päee myös joukoille B BR d \. Radon-mian ominaisuudesa seuraa, eä α on olava ei-negaiivinen, ja edelleen koska µr d \R d =, päee α >. Näin ollen väie on odiseu. Kirjallisuudessa käyeään usein myös oisa määrielmää, missä on kyse heikosa suppenemisesa, eli suppenemisesa jakauman mielessä. Molemma määrielmä ova kuienkin ekvivaleneja. Lemma Olkoon X R d saunnaisvekori. Seuraava ehdo ova yhäpiäviä. i X on yllä olevan määrielmän mukaan säännöllisesi vaiheleva. ii On olemassa α > ja odennäköisyysmia σ joukolla BS d sien, eä kaikilla x > kun u. P X > ux,x/ X P X > u w x α σ BS d :ssa, Tää lemmaa ei odisea ässä. Lemman odisus löyyy esimerkiksi läheessä [6] sivulla 2. Osassa kirjallisuudesa esieään ämä määrielmä odennäköisyysmian sijaan saunnaismuuuja Φ avulla. 36

38 Huomauus Edellisen lemman apauksessa on olemassa yksikäsieinen saunnaisvekori Φ S d, jolla σb = PΦ B kaikilla B BS d. Anneaan esimerkki moniuloeisesa säännöllisesä vaihelevasa saunnaisvekorisa. Tässä ei määriellä saunnaisvekoria komponenien avulla, vaan posiiivisen saunnaismuuujan ja yksikköympyrään kuuluvan saunnaisvekorin ulona. Esimerkki Olkoon X = RU missä R R + on posiiivinen saunnaismuuuja, joka on säännöllisesi vaiheleva indeksillä α, α >, ja U on saunnaisvekori avaruudessa S. Oleeaan, eä R U. Tällöin päee P X > ux, X X P X > u = = RU P RU > ux, RU P RU > u = P R > ux, U U P R > u P R > ux PU P R > u x α PU, kun u sillä U =, R = R ja R ja U ova riippumaomia. Saunnaisvekori X on siis lemman nojalla säännöllisesi vaiheleva indeksillä α. Oleeaan jakossa, eär PareoK,α, missäk > jaα > 2. Ensimmäisen määrielmän nojalla saadaan mia µv r,s valisemalla jono a n = n α. Tällöin päee npa n X V r,s = npr > a n rpu S K αpu = n S r α PU S = µv K +rn r,s, α n kun n kasvaa rajaa. Täsä nähdään suoraan, eä kuen lemmassa odeiin. µv r,s = µrv,s = r α V,S Kuen jo aikaisemmin mainiiin on olemassa yheys moniuloeisen ja yksiuloeisen säännöllisen vaihelun välillä. Moniuloeisesa säännöllisesä vaihelusa seuraa, eä jokainen komponeni on säännöllisesi vaiheleva. 37

39 Lause Olkoon X R d saunnaisvekori. Jos X on säännöllisesi vaiheleva indeksillä α > kuen kohdassa ii lemmassa 3.2.5, niin jokainen saunnaisvekorin lineaarikombinaaio on säännöllisesi vaiheleva samalla indeksillä α, oisin sanoen kaikilla vekoreilla x raja-arvo P x,x > lim α = wx L on olemassa sien, eä on olemassa vekori x, jolla wx >. Funkio L on kuen aiemmin hiaasi vaiheleva funkio ja symbolilla, arkoieaan avallisa sisäuloa. Lauseen odisusa ei esieä ässä, mua lause on osoieu arikkelissa [] lause.. Huomaaan, eä funkio wx riippuu vekorisa x. Voi olla, eä wx = jollain x, mua on olemassa aikakin yksi vekori x sien, eä wx >. Esimerkiksi jos joku komponeni X j on posiiivinen, niin w e j =. Lauseesa seuraa, eä jos saunnaisvekori X on säännöllisesi vaiheleva, niin jokainen saunnaisvekorin komponeni on myös säännöllisesi vaiheleva. Huomauus Valisemalla x = e i, missä e i on i:n yksikkövekori, seuraa edellisesä lauseesa, eä jokainen saunnaisvekorin X komponenin hänäfunkio on säännöllisesi vaiheleva. On helppo nähdä, eä PX i > x lim PX i > P e i,x > x = lim P e i,x > = lim P e i,x > x x α Lx = x α we i we i = x α, α x α L P e i,x > joen saunnaismuuuja X i on säännöllisesi vaiheleva indeksillä α. 3.3 Esimerkkejä Tarkasellaan vielä muuamia moniuloeisia säännöllisesi vaihelevia saunnaisvekoreia. Kuen jo yksiuloeisessa apauksessa ukiaan ensin Pareojakaumaa. Esimerkki 3.3. Tukiaan ilanea, jossa saunnaisvekorin komponeni ova äysin korreloiuina. Olkoon X = X,X 2 R 2 missä X = X 2 noudaaa Pareo-jakauma paramereillä α > 2 ja K >. Yksinkeraisuuden 38

40 nojalla arkasellaan odennäköisyyden npλ n X A rajakäyäyymisä, kun joukko A on suorakulmio, eli A = a,b] c,d], missä a,b,c,d >. Huomaaan ensin, eä apahuma {X a,b] c,d]} on sama kuin apahuma{x maxa,c,minb,d] maxa,c,minb,d]}, koskax = X 2. Valisemalla λ n = n α saadaan np λ n X a,b] c,d] = np λ n X maxa,c,minb,d] = n Fλ n maxa,c Fλ n minb,d = n α K K +λ n minb,d K K +λ n maxa,c n n α α α maxa,c n α minb,d = maxa,c α minb,d α, α joen voidaan määriellä Radon-mia µa,b] c,d] = maxa,c α minb,d α ja saunnaisvekori X on säännöllisesi vaiheleva, eli X RVn α,µ,r d +. Lemman nojalla on olemassa moniuloeisen säännöllisen vaihelun indeksi, jolla päee µua = u α µa. Tukiaan joukon ua miaa, missä A on yksinkeraisuuden nojalla neliö A = a, b] a, b]. Tällöin päee µua = µua,b] a,b] = µua,ub] ua,ub] = ua α ub α = u α µa, joen saunnaisvekorin säännöllisen vaihelun indeksi on kuen yksiuloeisessä apauksessa α. Tämä seuraa myös lauseesa Toinen esimerkki arkaselee ilannea, jossa molemma vekorin komponeni ova oisisaan riippumaomia. Esimerkki Olkoon kuen ennen X = X,X 2 R 2 missä X,X 2,X ova riippumaomia ja samoin Pareo-jakauuneia saunnaismuuujia paramereillä α > 2 ja K >, ja olkoon joukko A suorakulmio. Tällöin saadaan valisemalla λ n = n 2α suurilla n:n arvoilla np λ n X a,b] c,d] = np λ n X a,b] P λ n X c,d] = n Faλ n Fbλ n Fcλ n Fdλ n K α K α K α K α = n K +λ n a K +λ n b K +λ n c K +λ n d aλ n α cλ n α cλ n α dλ n α = a α b α c α d α. 39

41 Voidaan siis valia µa,b] c,d] = a α b α c α d α ja näin ollen saunnaisvekori on säännöllisesi vaiheleva, eli X RVn 2α,µ,R d +. Kuen edellisessä esimerkissä nähdään helposi, eä saunnaisvekorin säännöllisen vaihelun indeksi on edelleen α. Anneaan vielä esimerkki, jossa ei määriellä saunnaisvekoria komponenien kaua. Palaaan esimerkkiin Esimerkki Olkoon kuen aiemmin X = RU R 2 missä saunnaismuuuja R ja saunnaisvekori U ova oisisaan riippumaomia. Olkoon R Pareo-jakauunu paramereilla K > ja α > 2. Saunnaisvekori U määriellään funkion ft = cost,sint avulla, missä T Tas[,2π. Olkoon a,b [,2π, a < b ja S = {cos,sin : [a,b}. Tällöin joukko S on väli ykkösympyrällä ja PU S = PfT S = PT [a,b = b a 2π. Määrielmän mukaan saadaan valisemalla a n = n α joukon V r,s mia, sillä npa n X V r,s = npru a n V r,s = npr > a n rpu S K αb a = n K +a n r 2π r αb a n 2π = µv r,s, jos S on kuen aikaisempi määriely ja r >. Saunnaisvekori X on säännöllisesi vaiheleva indeksillä α ai X RVn α,µ,r d. Saunnaisvekorin U asajakaumasa seuraa, eä saunnaisvekori X on jokaiseen suunaan paksuhänäinen, sillä X:n paksuhänäisyys riippuu ainoasaan Pareo-jakaumasa, eikä U:n jakaumasa. 4

42 4 Suure poikkeama Tässä viimeisessä luvussa anneaan moniuloeiseen säännölliseen vaiheluun liiyvä päälause, joka käsielee suuria poikkeamia. Sen jälkeen sovelleaan lausea erilaisiin esimerkkeihin. 4. Suuren poikkeamien päälause Tämä luku perusuu arikkeliin [5]. Tässä arkasellaan paksuhänäisiä moniuloeisiä saunnaiskulkuja ja niiden suuria poikkeamia. Moniuloeinen saunnaiskulku on prosessi S n, jolla S =, S n = Z + +Z n, n, jossa Z,Z i ova riippumaomia ja samoin jakauuneia saunnaisvekoreia R d :ssa. Oleeaan sen lisäksi, eä Z on säännöllisesi vaiheleva. Lause 4.. Olkoon Z RVα,µ ja jono λ n sien, eä λ n ja λ λ λ n S n, α < 2 n S n, λ n / n +γ jollain γ >, α = 2 n S n, λ n / nlogn, α > 2. Sien päee kaikilla γ n Pλ n S [n] n µ BR d \:ssä, missä γ n = np Z > λ n. Lauseessa esiinyy kolme eri apausa. Ensimmäinen apaus, missä α < 2 arkoiaa siä, eä saunnaisvekorin komponenien varianssi eivä ole olemassa. Toisessa apauksessa, missä α = 2, ainakin komponenien odousarvo ova olemassa. Vain silloin, kun α > 2, ova sekä ensimmäise eä oise momeni äärellisiä. Sovelluksissa vain viimeinen apaus on kiinnosava, koska muuen on kyse jakaumasa, jonka varianssi ei ole olemassa. Usein voidaan valia λ n = n. Tällöin päee sekä λ n / n +γ, jollain γ > kaikilla < γ < eä λ n / nlogn, joen niiä ehoja ei arvise arkisaa erikseen. Ennen kuin odiseaan edellinen lause, odiseaan vielä apulemma, joa sovelleaan odisuksessa. 4

43 Lemma 4..2 Olkoon Z sellainen saunnaismuuuja, jolla E Z <. Tällöin päee kaikilla p 2 E Z E Z p 2 p+ E Z p. Todisus: Kolmioepäyhälön nojalla päee Z E Z Z + E Z. Jos saunnaismuuujan iseisarvo yliää odousarvon iseisarvon, eli Z > E Z, niin Z + E Z 2 Z, joen Z E Z p 2 p Z p. Toisaala jos saunnaismuuujan ja sen odousarvon iseisarvojen suuruusjärjesys on oisinpäin, eli Z E Z, saadaan vasaavasi Z E Z p 2 p E Z p. Lausekkeen Z E Z odousarvolle päee E Z E Z p E Z E Z p Z E Z +E Z E Z p Z < E Z 2 p E Z p Z E Z +2 p E E Z p Z < E Z 2 p E Z p +2 p E E Z p 2 p E Z p +2 p E E Z p = 2 p+ E Z p, missä viimeinen epäyhälö seuraa Jensenin epäyhälösä, sillä funkio p on konveksi. Lauseen odisuksessa käyeään merkinää B ε = {x R d \{} : y x ε,y B} jollekin Borel-joukolle B R d \{} ja ε >. Lauseen 4.. odisus: Todiseaan vain apaus, jossa =. Rajoieaan ensin γ n Pλ n S A ylhäälä, jossa / A ja A:n reuna on nollamiainen, eli µδa =. Silloin Pλ n S n A Pλ n Z i A ε jollain i =,,n +Pλ n S n A,λ n Z n / A ε kaikilla i =,...,n npλ n Z A ε +Pλ n S n Z i > ε kaikilla i =,...,n = I +I 2 42

44 Raja-arvolle lim n γ n I saadaan γ n I = npλ n Z A ε = PZ λ na ε np Z > λ n P Z > λ n huomauuksen nojalla, joen v µa ε, kun n lim lim γ ni = limµa ε = µa = µa, 4. ε n ε sillä µδa =. Seuraavaksi ukiaan oisen lausekkeen raja-arvoa lim n γ n I 2, missä I 2 = P S n Z i > ελ n kaikilla i =,...,n. Siksi kiinnieään δ > ja jaeaan koko avaruus kolmeen pareiain erilliseen osajoukkoon B,B 2 ja B 3 sen mukaan, kuinka monille saunnaismuuujille päee Z i > δλ n. Avaruuden jako on seuraava B = { Z i > δλ n, Z j > δλ n }, B 2 = i<j n n { Z i > δλ n, Z j δλ n,j i,j =,...,n}, B 3 = { max,...,n Z i δλ n }, eli ensimmäisessä joukossa on kaikki apahuma, joille ainakin kahdelle saunnaisvekoreille päee Z i > δλ n, oisessa joukossa ova ne apahuma joille sama eho päee asan yhdelle saunnaisvekorille ja viimeisessä joukossa ova ne apahuma, joilla Z i δλ n kaikilla i =,...,n. Helposi nähdään, eä γ n PB = P i<j{ Z i > δλ n, Z j > δλ n } np Z > λ n = o. Merkiään apahuma C = { S n Z i > ελ n kaikilla i =,...,n}. Tällöin PC B 2 n { = P C Zi > δλ n, Z j δλ n,j i,j =,...,n } = { Sn P Z i > ελ n kaikilla i =,...,n } k= { Z k > δλ n, Z j δλ n,j k,j =,...,n } P{ S n Z k > ελ n, Z k > δλ n = I 3. k= 43

45 Saunnaisvekori Z i ova riippumaomia, joen päee myös S n Z k Z k. Siksi viimeinen ermi on yhäsuuri kuin I 3 = np S n > ελ n P Z > δλ n = γ n P S n > ελ n = oγ n. Viimeiselle osajoukoille päee PC B 3 = P { S n Z i > ελ n kaikilla i =,...,n} { max Z i δλ n },...,n P S n > ελ n, Z δλ n,..., Z n δλ n P S n > ελ n, Z δλ n,..., Z n δλ n = P S n S d n 2 > ελ n, Z δλ n,..., Z n δλ n P S n + + Sd n > ελ n, Z δλ n,..., Z n δλ n d P S j n > ελ n d, Z δλ n,..., Z n δλ n j= d j= P S j n > ελ n d, Zj δλ n,..., Z j n δλ n, kolmioepäyhälön nojalla. Ny on siis osoieava, eä P S j n > ελ n d, Zj δλ n,..., Z j n δλ n = o np Z j > λ n, 4.2 kaikilla j =,...,d. P kaikilla j =,...,d Oleuksesa λ P n S n seuraa ensinnäkin λ n S n j ja lemman 3.2. nojalla seuraa suoraan valisemalla a n = δλ n, eä nλ n E Z [,δλn] Z kaikilla kiinnieyillä δ >. Väieen 4.2 odisamiseen voidaan oleaa, eä d =. Muuen saadaan 44

46 sama ulos valisemalla sopiva ε >. Ny päee P S n > ελ n, max Z i δλ n,...,n = P Z Z n 2 > ελ n, Z i δλ n, kaikilla i =,...,n P Z 2 [,δλn] Z + +Zn 2 [,δλn] Z n > ελ n 2 P Z [,δλn] Z + +Z n [,δλn] Z n > ελ n P Zi [,δλn] Z i EZ nez [,δλn] Z [,δλn] Z + > ελ n P Zi [,δλn] Z i EZ ελ n [,δλn] Z >, 2 missä viimeinen epäyhälö seuraa siiä, eä nλ n EZ [,δλn] Z < ε, jos n on arpeeksi suuri. Merkiään jakossa kakaisua saunnaismuuujaa symbolilla Z i = Z i [,δλn] Z i. Fuk-Nagaevin epäyhälöihin liiyvän seurauksen nojalla seuraus voidaan arvioida P Zi E Z ελ n > 2 = P = = Zi E Z > ελ n 2 +P ελ n E Z Zi > 2 p p ελn p E Z i E Z i p Z i E Z i p+2 2 +exp p + p+2 +exp 2 ελn p 2 e p n Var Z i E Z i p ελn p E E Z i 2 Z i p E Z i Z i 2 ελn p 2 e p n VarE Z i Z i p p ελn p E Z i E Z i p +2exp p+2 2 pε pλ p n ne Z i E Z i p +2exp 2p+2 45 ε 2 λ 2 n 22+p 2 e p n ε 2 λ 2 n 22+p 2 e p nvar Z i Var Z i = I 4 +I 5

47 Edellisen lemman nojalla saadaan joen I 4 pε 2p+2 E Z i E Z i p 2 p+ E Z i p, p2 p+ λ p n ne Z i p = cλ p n ne Z i p, missä c on posiiivinen vakio. Karamaan lauseen seurauksesa seuraus saadaan ermillee Z i p jos p > α, E Z p [,δλn] Z α p α δλ n p P Z > δλ n, josnon arpeeksi suuri. Tukiaan ensin yläräjan lausekkeenγ n cλ p n ne Z p + γ n I 5 ensimmäisa osaa, eli suhdea cλ p n ne Z p [,δλn] Z. np Z > λ n Jos p > max2,α päee = lim limsup δ n cα p α cλ p n ne Z p [,δλn] Z lim limsup δ n np Z > λ n δλ n p P Z > δλ n λ p np Z > λ n sillä Z on säännöllisesi vaiheleva indeksillä α. ce Z p [,δλn] Z = limlimsup δ n λ p np Z > λ n cα = lim p α δ δp α =, Ylärajan oisa osaa arkasellaan kaikille kolmelle apaukselle erikseen, sen mukaan kuinka paksuhänäinen jakauma on, eli mikä momeni ova olemassa. Merkiään jakossa c = ε 2 22+p 2 e p. i Tarkasellaan ensin sovellusen kannala kiinnosavina kohaa, eli apausa, jossa α 2 ja VarZ <. Jos α > 2 seuraa, eä VarZ <, mua ämä ei päde välämää jos α = 2, joen silloin arviaan lisäoleus VarZ <. Saunnaismuuujan Z varianssin olemassaolosa seuraa, eä myös kakaisun saunnaismuuujan varianssi VarZ [,δλn] Z on olemassa, ja siksi päee suurilla n:n arvoilla ja sopivalla posiiivisella vakiolla c 2exp cλ 2 n nvarz [,δλn] Z np Z > λ n 46 2exp cc λ2 n n n λ α n, n

48 koska λ n nlogn, eli lim sup n 2exp cλ 2 n nvarz [,δλn] Z np Z > λ n =. 4.3 ii Tapauksessa, jossa α, 2 käyeään Karamaan lausea. Huomaaan ensin, eä nλ 2 n VarZ [,δλn] Z = n λ 2 EZ 2 n [,δλn] Z n λn 2 EZ [,δλn] Z, 2 missä viimeiselle ermille päee n λ 2 n EZ [,δλn] Z 2 lemman 3.2. nojalla, kun n kasvaa rajaa. Siksi voidaan sovelaa Karamaan lausea, joen saadaan nλ 2 n VarZ [,δλn] Z c np Z > λ n, valisemalla p = 2 seurauksessa 2.2.6, missä c on posiiivinen vakio. Suurilla n:n arvoilla päee siis exp cλ 2 n nvarz [,δλn] Z np Z > λ n kun n, joen 4.3 päee. exp c np Z >δλ n np Z > λ n, n iii Jos α = 2 ja VarZ =, niin P Z > λ n on säännöllisesi vaiheleva indeksillä 2 ja VarZ [,δλn] Z on hiaasi vaiheleva. Oleuksen λ n n +γ/2 jollain γ > nojalla päee exp cλ 2 n nvarz [,δλn] Z np Z > λ n exp c λ2 n n, n λ 2 n jos n on arpeeksi suuri, joen saadaan edelleen 4.3. Näisä arkaseluisa ja kaavasa 4. seuraa lim sup n Pλ n S n A np Z > λ n µaε µa kun ε, 4.4 kaikilla µ-jakuvilla joukoilla A, joilla / A, joen yläraja on odiseu. 47

b) Ei ole. Todistus samaan tyyliin kuin edellinen. Olkoon C > 0 ja valitaan x = 2C sekä y = 0. Tällöin pätee f(x) f(y)

b) Ei ole. Todistus samaan tyyliin kuin edellinen. Olkoon C > 0 ja valitaan x = 2C sekä y = 0. Tällöin pätee f(x) f(y) Maemaiikan ja ilasoieeen osaso/hy Differeniaaliyhälö II Laskuharjoius 1 malli Kevä 19 Tehävä 1. Ovako seuraava funkio Lipschiz-jakuvia reaaliakselilla: a) f(x) = x 1/3, b) f(x) = x, c) f(x) = x? a) Ei

Lisätiedot

9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A.

9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A. 9. Epäoleellise inegraali; inegraalin derivoini paramerin suheen 9.. Epäoleellise aso- ja avaruusinegraali 27. Olkoon = {(x, y) x, y }. Osoia hajaanuminen ai laske arvo epäoleelliselle asoinegraalille

Lisätiedot

5. Vakiokertoiminen lineaarinen normaaliryhmä

5. Vakiokertoiminen lineaarinen normaaliryhmä 1 MAT-145 LAAJA MATEMATIIKKA 5 Tampereen eknillinen yliopiso Riso Silvennoinen Kevä 21 5. Vakiokeroiminen lineaarinen normaaliryhmä Todeaan ensin ilman odisuksia (ulos on syvällinen) rakaisujen olemassaoloa

Lisätiedot

Takaperäiset stokastiset dierentiaaliyhtälöt, niiden rahoitusteoreettisia sovelluskohteita ja johdatus Itô-analyysiin

Takaperäiset stokastiset dierentiaaliyhtälöt, niiden rahoitusteoreettisia sovelluskohteita ja johdatus Itô-analyysiin Takaperäise sokasise diereniaaliyhälö, niiden rahoiuseoreeisia sovelluskoheia ja johdaus Iô-analyysiin Topias Tolonen 13. joulukuua 217 Pro gradu -ukielma Maemaiikan ja ilasoieeen laios Ohjaaja: Dario

Lisätiedot

Dynaaminen optimointi ja ehdollisten vaateiden menetelmä

Dynaaminen optimointi ja ehdollisten vaateiden menetelmä Dynaaminen opimoini ja ehdollisen vaaeiden meneelmä Meneelmien keskinäinen yheys S yseemianalyysin Laboraorio Esielmä 10 - Peni Säynäjoki Opimoiniopin seminaari - Syksy 2000 / 1 Meneelmien yhäläisyyksiä

Lisätiedot

Rahoitusriskit ja johdannaiset Matti Estola. luento 12 Stokastisista prosesseista

Rahoitusriskit ja johdannaiset Matti Estola. luento 12 Stokastisista prosesseista Rahoiusriski ja johdannaise Mai Esola lueno Sokasisisa prosesseisa . Markov ominaisuus Markov -prosessi on sokasinen prosessi, missä ainoasaan muuujan viimeinen havaino on relevani muuujan seuraavaa arvoa

Lisätiedot

Tasaantumisilmiöt eli transientit

Tasaantumisilmiöt eli transientit uku 12 Tasaanumisilmiö eli ransieni 12.1 Kelan kykeminen asajännieeseen Kappaleessa 11.2 kykeiin reaalinen kela asajännieeseen ja ukiiin energian varasoiumisa kelan magneeikenään. Tilanne on esiey uudelleen

Lisätiedot

XII RADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA

XII RADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA II ADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA Laskenaaajuus akiivisuus Määrieäessä radioakiivisen näyeen akiivisuua (A) uloksena saadaan käyeyn miausyseemin anama laskenaaajuus (). = [II.I] jossa =

Lisätiedot

joka on separoituva yhtälö, jolla ei ole reaalisia triviaaliratkaisuja. Ratkaistaan: z z(x) dx =

joka on separoituva yhtälö, jolla ei ole reaalisia triviaaliratkaisuja. Ratkaistaan: z z(x) dx = HY / Maemaiikan ja ilasoieeen laios Differeniaalihälö I kevä 09 Harjois 4 Rakaisehdoksia. Rakaise differeniaalihälö = (x + + Rakais: Tehdään differeniaalihälöön lineaarinen mnnos z(x = x + (x + jolloin

Lisätiedot

W dt dt t J.

W dt dt t J. DEE-11 Piirianalyysi Harjoius 1 / viikko 3.1 RC-auon akku (8.4 V, 17 mah) on ladau äyeen. Kuinka suuri osa akun energiasa kuluu ensimmäisen 5 min aikana, kun oleeaan mooorin kuluavan vakiovirran 5 A? Oleeaan

Lisätiedot

Rahoitusriskit ja johdannaiset Matti Estola. luento 13 Black-Scholes malli optioiden hinnoille

Rahoitusriskit ja johdannaiset Matti Estola. luento 13 Black-Scholes malli optioiden hinnoille Rahoiusriski ja johannaise Mai Esola lueno 3 Black-choles malli opioien hinnoille . Ion lemma Japanilainen maemaaikko Kiyoshi Iō oisi seuraavana esieävän lemman vuonna 95 arikkelissaan: On sochasic ifferenial

Lisätiedot

Mallivastaukset KA5-kurssin laskareihin, kevät 2009

Mallivastaukset KA5-kurssin laskareihin, kevät 2009 Mallivasaukse KA5-kurssin laskareihin, kevä 2009 Harjoiukse 2 (viikko 6) Tehävä 1 Sovelleaan luenokalvojen sivulla 46 anneua kaavaa: A A Y Y K α ( 1 α ) 0,025 0,5 0,03 0,5 0,01 0,005 K Siis kysyy Solowin

Lisätiedot

( ) ( ) 2. Esitä oheisen RC-ylipäästösuotimesta, RC-alipäästösuotimesta ja erotuspiiristä koostuvan lineaarisen järjestelmän:

( ) ( ) 2. Esitä oheisen RC-ylipäästösuotimesta, RC-alipäästösuotimesta ja erotuspiiristä koostuvan lineaarisen järjestelmän: ELEC-A700 Signaali ja järjeselmä Laskuharjoiukse LASKUHARJOIUS 3 Sivu /8. arkasellaan oheisa järjeselmää bg x Yksikköviive + zbg z bg z d a) Määriä järjeselmän siirofunkio H Y = X b) Määriä järjeselmän

Lisätiedot

12. ARKISIA SOVELLUKSIA

12. ARKISIA SOVELLUKSIA MAA. Arkiia ovellukia. ARKISIA SOVELLUKSIA Oleeaan, eä kappale liikkuu ykiuloeia raaa, eimerkiki -akelia pikin. Kappaleen nopeuden vekoriluonne riiää oaa vauhdin eumerkin avulla huomioon, ja on ehkä arkoiukenmukaiina

Lisätiedot

Diskreetillä puolella impulssi oli yksinkertainen lukujono:

Diskreetillä puolella impulssi oli yksinkertainen lukujono: DEE-00 ineaarise järjeselmä Harjoius 5, rakaisuehdoukse [johdano impulssivaseeseen] Jakuva-aikaisen järjeselmän impulssivase on vasaavanlainen järjeselmäyökalu kuin diskreeillä puolellakin: impulssivase

Lisätiedot

Juuri 13 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus. K1. A: III, B: I, C: II ja IV.

Juuri 13 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus. K1. A: III, B: I, C: II ja IV. Juuri Tehävie rakaisu Kusausosakeyhiö Oava päiviey 9.8.8 Keraus K. A: III, B: I, C: II ja IV Kuvaaja: I II III IV Juuri Tehävie rakaisu Kusausosakeyhiö Oava päiviey 9.8.8 K. a) lim ( ) Nimiäjä ( ) o aia

Lisätiedot

VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia

VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia 8/ VÄRÄHTELYMEKANIIKKA SESSIO 8: Yhen vapausaseen paovärähely, ransieniuormiusia JOHDANTO c m x () Kuva. Syseemi. Transieniuormiusella aroieaan uormiusheräeä, joa aiheuaa syseemiin lyhyaiaisen liieilan.

Lisätiedot

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 4.9.4 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vasausen piireiden, sisälöjen ja piseiysen luonnehdina ei sido ylioppilasukinolauakunnan arvoselua. Lopullisessa arvoselussa

Lisätiedot

MS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset

MS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,

Lisätiedot

ẍ(t) q(t)x(t) = f(t) 0 1 z(t) +.

ẍ(t) q(t)x(t) = f(t) 0 1 z(t) +. Diffrniaaliyhälö II, harjoius 3, 8 228, rakaisu JL, kuusi sivua a On muunnava linaarinn oisn kraluvun diffrniaaliyhälö ẍ qx f yhäpiäväksi nsimmäisn kraluvun linaarisksi kahdn skalaariyhälön sysmiksi Rak

Lisätiedot

Jaksollisista funktioista

Jaksollisista funktioista Jaksollisisa funkioisa Jukka Liukkonen Ylioeaja Helsingin ammaikorkeakoulu Sadia Ymärillämme ja joa sisällämme on runsaasi jaksollisina oisuvia ilmiöiä: äivä seuraa yöä, kesä alvea, sydän lyö ahdissa,

Lisätiedot

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan

Lisätiedot

Huomaa, että aika tulee ilmoittaa SI-yksikössä, eli sekunteina (1 h = 3600 s).

Huomaa, että aika tulee ilmoittaa SI-yksikössä, eli sekunteina (1 h = 3600 s). DEE- Piirianalyysi Ykkösharkan ehävien rakaisuehdoukse. askeaan ensin, kuinka paljon äyeen ladaussa akussa on energiaa. Tämä saadaan laskeua ehäväpaperissa anneujen akun ieojen 8.4 V ja 7 mah avulla. 8.4

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

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

k S P[ X µ kσ] 1 k 2.

k S P[ X µ kσ] 1 k 2. HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 28 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan

Lisätiedot

PK-YRITYKSEN ARVONMÄÄRITYS. KTT, DI TOIVO KOSKI elearning Community Ltd

PK-YRITYKSEN ARVONMÄÄRITYS. KTT, DI TOIVO KOSKI elearning Community Ltd PK-YRITYKSEN ARVONMÄÄRITYS KTT, DI TOIVO KOSKI elearning Communiy Ld Yriyksen arvonmääriys 1. Yriyksen ase- eli subsanssiarvo Arvioidaan yriyksen aseen vasaavaa puolella olevan omaisuuden käypäarvo, josa

Lisätiedot

Systeemimallit: sisältö

Systeemimallit: sisältö Syseemimalli: sisälö Malliyypi ja muuuja Inpu-oupu -kuvaus ja ilayhälömalli, ila Linearisoini Jakuva-aikaisen lineaarisen järjeselmän siirofunkio, sabiilisuus Laplace-muunnos Diskreeiaikaisen lineaarisen

Lisätiedot

2. Taloudessa käytettyjä yksinkertaisia ennustemalleja. ja tarkasteltavaa muuttujan arvoa hetkellä t kirjaimella y t

2. Taloudessa käytettyjä yksinkertaisia ennustemalleja. ja tarkasteltavaa muuttujan arvoa hetkellä t kirjaimella y t Tilasollinen ennusaminen Seppo Pynnönen Tilasoieeen professori, Meneelmäieeiden laios, Vaasan yliopiso. Tausaa Tulevaisuuden ennusaminen on ehkä yksi luoneenomaisimpia piireiä ihmiselle. On ilmeisesi aina

Lisätiedot

Perusidea: Jaetaan väli [a, b] osaväleihin ja muodostetaan osavälejä vastaavat suorakulmiot/palkit, joiden korkeus funktion arvot kyseisellä välillä.

Perusidea: Jaetaan väli [a, b] osaväleihin ja muodostetaan osavälejä vastaavat suorakulmiot/palkit, joiden korkeus funktion arvot kyseisellä välillä. Lähtötilanne Lähtötilanne Tavoite: Määritellään funktion f : [a, b] R integraali siten, että integraalin arvo yhtyy funktion f kuvaajan ja x-akselin väliin jäävän alueen pinta-alaan. Perusidea: Jaetaan

Lisätiedot

MAT-02450 Fourier n menetelmät. Merja Laaksonen, TTY 2014

MAT-02450 Fourier n menetelmät. Merja Laaksonen, TTY 2014 MAT-45 Fourier n meneelmä Merja Laaksonen, TTY 4..4 Sisälö Johano 3. Peruskäsieiä................................... 4.. Parillinen ja parion funkio....................... 7.. Heavisien funkio............................

Lisätiedot

( ) ( ) x t. 2. Esitä kuvassa annetun signaalin x(t) yhtälö aikaalueessa. Laske signaalin Fourier-muunnos ja hahmottele amplitudispektri.

( ) ( ) x t. 2. Esitä kuvassa annetun signaalin x(t) yhtälö aikaalueessa. Laske signaalin Fourier-muunnos ja hahmottele amplitudispektri. ELEC-A7 Signaali ja järjeselmä Laskuharjoiukse LASKUHARJOIUS Sivu 1/11 1. Johda anneun pulssin Fourier-muunnos ja hahmoele ampliudispekri. Käyä esim. derivoinieoreemaa, ja älä unohda 1. derivaaan epäjakuvuuskohia!

Lisätiedot

Reaalianalyysin perusteita

Reaalianalyysin perusteita Reaalianalyysin perusteita Heikki Orelma 16. marraskuuta 2008 Sisältö 1 Johdanto 3 2 Mitallisuus 3 3 Yksinkertaiset funktiot 6 4 Mitat ja integrointi 7 5 Kompleksisten funktioiden integrointi 10 6 Nolla-mittaisten

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

MATEMATIIKAN JA TILASTOTIETEEN LAITOS

MATEMATIIKAN JA TILASTOTIETEEN LAITOS f ( n JYVÄSKYLÄN YLIOPISTO MATEMATIIKAN JA TILASTOTIETEEN LAITOS n Harjoitusten 8 ratkaisut Topologiset vektoriavaruudet 2010 8.1. Olkoon P n = {f : K K p on enintään asteen n 1 polynomi} varustettuna

Lisätiedot

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi. / Raaisu Aihee: Avaisaa: Momeiemäfuio Sauaismuuujie muuose ja iide jaauma Kovergessiäsiee ja raja-arvolausee Biomijaauma, Espoeijaauma, Geomerie jaauma, Jaaumaovergessi, Jauva asaie jaauma, Kolmiojaauma,

Lisätiedot

DEE Lineaariset järjestelmät Harjoitus 4, ratkaisuehdotukset

DEE Lineaariset järjestelmät Harjoitus 4, ratkaisuehdotukset D-00 ineaarise järjeselmä Harjoius 4, rakaisuehdoukse nnen kuin mennään ämän harjoiuksen aihepiireihin, käydään läpi yksi huomionarvoinen juu. Piirianalyysin juuri suorianee opiskelija saaava ihmeellä,

Lisätiedot

Täydellisyysaksiooman kertaus

Täydellisyysaksiooman kertaus Täydellisyysaksiooman kertaus Luku M R on joukon A R yläraja, jos a M kaikille a A. Luku M R on joukon A R alaraja, jos a M kaikille a A. A on ylhäältä (vast. alhaalta) rajoitettu, jos sillä on jokin yläraja

Lisätiedot

a) Ortogonaalinen, koska kantafunktioiden energia 1

a) Ortogonaalinen, koska kantafunktioiden energia 1 S-7.060 Signaali ja järjeselmä Teni 14.5.001 1. Vasaa lyhyesi seuraaviin saehäviin, käyä arviaessa kuvaa. a) Mikä minaisuuksisa rgnaalinen ja rnrmaalinen kuvaa paremmin Furier-sarjaa ja miksi? b) Esiä

Lisätiedot

y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1

y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1 1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia. HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä

Lisätiedot

Luento 11. tietoverkkotekniikan laitos

Luento 11. tietoverkkotekniikan laitos Lueno Lueno Sokasise signaali ja prosessi II. Sokasise prosessi Pruju Saionaarisuus, ergodisuus Auo ja risikorrelaaio ehospekri.3 Kohinan suodaaminen Sokasinen raja arvo ja derivaaa Winer Khinchin eoreema.3

Lisätiedot

Analyysi 1. Harjoituksia lukuihin 1 3 / Syksy Osoita täsmällisesti perustellen, että joukko A = x 4 ei ole ylhäältä rajoitettu.

Analyysi 1. Harjoituksia lukuihin 1 3 / Syksy Osoita täsmällisesti perustellen, että joukko A = x 4 ei ole ylhäältä rajoitettu. Analyysi Harjoituksia lukuihin 3 / Syksy 204. Osoita täsmällisesti perustellen, että joukko { 2x A = x ]4, [. x 4 ei ole ylhäältä rajoitettu. 2. Anna jokin ylä- ja alaraja joukoille { x( x) A = x ], [,

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

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

Lisätiedot

2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2

2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2 HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.

Lisätiedot

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

x 4 e 2x dx Γ(r) = x r 1 e x dx (1) HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1

Lisätiedot

(0 desimaalia, 2 merkitsevää numeroa).

(0 desimaalia, 2 merkitsevää numeroa). NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx

Lisätiedot

Cantorin joukon suoristuvuus tasossa

Cantorin joukon suoristuvuus tasossa Cantorin joukon suoristuvuus tasossa LuK-tutkielma Miika Savolainen 2380207 Matemaattisten tieteiden laitos Oulun yliopisto Syksy 2016 Sisältö Johdanto 2 1 Cantorin joukon esittely 2 2 Suoristuvuus ja

Lisätiedot

=p(x) + p(y), joten ehto (N1) on voimassa. Jos lisäksi λ on skalaari, niin

=p(x) + p(y), joten ehto (N1) on voimassa. Jos lisäksi λ on skalaari, niin FUNKTIONAALIANALYYSI, RATKAISUT 1 KEVÄT 211, (AP) 1. Ovatko seuraavat reaaliarvoiset funktiot p : R 3 R normeja? Ovatko ne seminormeja? ( x = (x 1, x 2, x 3 ) R 3 ) a) p(x) := x 2 1 + x 2 2 + x 2 3, b)

Lisätiedot

0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,

0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7, HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä niistä

Lisätiedot

Tiedonhakumenetelmät Tiedonhakumenetelmät Helsingin yliopisto / TKTL. H.Laine 1. Todennäköisyyspohjainen rankkaus

Tiedonhakumenetelmät Tiedonhakumenetelmät Helsingin yliopisto / TKTL. H.Laine 1. Todennäköisyyspohjainen rankkaus Tieonhakumeneelmä Helsingin yliopiso / TKTL.4.04 Toennäköisyyeen perusuva rankkaus Tieonhakumeneelmä Toennäköisyyspohjainen rankkaus Dokumenien haussa ongelmana on löyää käyäjän kyselynä ilmaiseman ieoarpeen

Lisätiedot

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista 6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida

Lisätiedot

ETERAN TyEL:n MUKAISEN VAKUUTUKSEN ERITYISPERUSTEET

ETERAN TyEL:n MUKAISEN VAKUUTUKSEN ERITYISPERUSTEET TRAN TyL:n MUKASN AKUUTUKSN RTYSPRUSTT Tässä peruseessa kaikki suuree koskea eraa, ellei oisin ole määriely. Tässä peruseessa käyey lyhenee: LL Lyhyaikaisissa yösuheissa oleien yönekijäin eläkelaki TaL

Lisätiedot

TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Luotettavuusteoria

TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Luotettavuusteoria TENTISSÄ KÄYTETTÄVÄ KAAVAKOKOELMA KURSSILLE Luoeavuueoria Dekripiivinen luoeavuu R() =P(T>) R(x ) =P(T>+ x T>) r() = f() R() R() =e R(x ) =e r() d +x r() d F () R() f() r() F () R() f() F () df () d R()

Lisätiedot

S Signaalit ja järjestelmät Tentti

S Signaalit ja järjestelmät Tentti S-7. Signaali ja järjeselmä eni..6 Vasaa ehävään, ehävisä 7 oeaan huomioon neljä parhaien suorieua ehävää.. Vasaa lyhyesi seuraaviin osaehäviin, käyä arviaessa kuvaa. a) Mikä kaksi ehoa kanaunkioiden φ

Lisätiedot

Derivoimalla ensimmäinen komponentti, sijoittamalla jälkimmäisen derivaatta siihen ja eliminoimalla x. saadaan

Derivoimalla ensimmäinen komponentti, sijoittamalla jälkimmäisen derivaatta siihen ja eliminoimalla x. saadaan 87 5. Eliminoinimeneely Tarkaellaan -kokoia vakiokeroimia yeemiä + x a a x a x + a x b() x = = = +. a a x a x a x b () (3) b() x + Derivoimalla enimmäinen komponeni, ijoiamalla jälkimmäien derivaaa iihen

Lisätiedot

Tilastomatematiikka Kevät 2008

Tilastomatematiikka Kevät 2008 Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo

Lisätiedot

Luento 4. Fourier-muunnos

Luento 4. Fourier-muunnos Lueno 4 Erikoissignaalien Fourier-muunnokse Näyeenoo 4..6 Fourier-muunnos Fourier-muunnos Kääneismuunnos Diricle n edo Fourier muunuvalle energiasignaalille I: Signaali on iseisesi inegroiuva v ( d< II:

Lisätiedot

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio. Määritelmä 4.3. Estimaattoria X(Y ) nimitetään lineaariseksi projektioksi, jos X on lineaarinen kuvaus ja E[(X X(Y )) Y] 0 }{{} virhetermi Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi

Lisätiedot

7. Olemassaolo ja yksikäsitteisyys Galois n kunta GF(q) = F q, jossa on q alkiota, määriteltiin jäännösluokkarenkaaksi

7. Olemassaolo ja yksikäsitteisyys Galois n kunta GF(q) = F q, jossa on q alkiota, määriteltiin jäännösluokkarenkaaksi 7. Olemassaolo ja yksikäsitteisyys Galois n kunta GF(q) = F q, jossa on q alkiota, määriteltiin jäännösluokkarenkaaksi Z p [x]/(m), missä m on polynomirenkaan Z p [x] jaoton polynomi (ks. määritelmä 3.19).

Lisätiedot

Mitta- ja integraaliteoria 2 Harjoitus 1, Olkoon f : A! [0, 1] mitallinen ja m(a) < 1. Näytä, että josonp>1javakio M<1, joille

Mitta- ja integraaliteoria 2 Harjoitus 1, Olkoon f : A! [0, 1] mitallinen ja m(a) < 1. Näytä, että josonp>1javakio M<1, joille Harjoitus 1, 30.10.2015 1. Olkoon f : A! [0, 1] mitallinen ja ma) < 1. Näytä, että josonp>1javakio Mt} apple M 2. Olkoon f 2 L 1 A). Näytä, että 2 kaikilla

Lisätiedot

Mittaustekniikan perusteet, piirianalyysin kertausta

Mittaustekniikan perusteet, piirianalyysin kertausta Miausekniikan perusee, piirianalyysin kerausa. Ohmin laki: =, ai = Z ( = ännie, = resisanssi, Z = impedanssi, = vira). Kompleksiluvu Kompleksilukua arviaan elekroniikassa analysoiaessa piireä, oka sisälävä

Lisätiedot

Analyysin peruslause

Analyysin peruslause LUKU 10 Analyysin peruslause 10.1. Peruslause I Aiemmin Cantorin funktion ψ kohdalla todettiin, että analyysin peruslause II ei päde: [0,1] ψ (x) dm(x) < ψ(1) ψ(0). Kasvavalle funktiolle analyysin peruslauseesta

Lisätiedot

Sopimuksenteon dynamiikka: johdanto ja haitallinen valikoituminen

Sopimuksenteon dynamiikka: johdanto ja haitallinen valikoituminen Soimukseneon dynamiikka: johdano ja haiallinen valikoiuminen Ma-2.442 Oimoinioin seminaari Elise Kolola 8.4.2008 S yseemianalyysin Laboraorio Esielmä 4 Elise Kolola Oimoinioin seminaari - Kevä 2008 Esiyksen

Lisätiedot

Silloin voidaan suoraan kirjoittaa spektrin yhtälö käyttämällä hyväksi suorakulmaisen pulssin Fouriermuunnosta sekä viiveen vaikutusta: ( ) (

Silloin voidaan suoraan kirjoittaa spektrin yhtälö käyttämällä hyväksi suorakulmaisen pulssin Fouriermuunnosta sekä viiveen vaikutusta: ( ) ( TT/TV Inegraalimuunnokse Fourier-muunnos, ehäviä : Vasauksia Meropolia/. Koivumäki v(. Määriä oheisen signaalin Fourier-muunnos. Vinkki: Superposiio, viive. Voidaan sovelaa superposiioperiaaea, koska signaalin

Lisätiedot

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina.

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Funktiot Tässä luvussa käsitellään reaaliakselin osajoukoissa määriteltyjä funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Avoin väli: ]a, b[ tai ]a, [ tai ],

Lisätiedot

Tietoliikennesignaalit

Tietoliikennesignaalit ieoliikennesignaali 1 ieoliikenne inormaaion siiroa sähköisiä signaaleja käyäen. Signaali vaiheleva jännie ms., jonka vaiheluun on sisällyey inormaaioa. Signaalin ominaisuuksia voi ukia a aikaasossa ime

Lisätiedot

Luento 8: Epälineaarinen optimointi

Luento 8: Epälineaarinen optimointi Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään

Lisätiedot

Rakennusosien rakennusfysikaalinen toiminta Ralf Lindberg Professori, Tampereen teknillinen yliopisto ralf.lindberg@tut.fi

Rakennusosien rakennusfysikaalinen toiminta Ralf Lindberg Professori, Tampereen teknillinen yliopisto ralf.lindberg@tut.fi Rakennusosien rakennusfysikaalinen oimina Ralf Lindber Professori, Tampereen eknillinen yliopiso ralf.lindber@u.fi Rakenneosien rakennusfysikaalisen oiminnan ymmärämiseksi on välämäönä piirää kolme eri

Lisätiedot

KYNNYSILMIÖ JA SILTÄ VÄLTTYMINEN KYNNYKSEN SIIRTOA (LAAJENNUSTA) HYVÄKSI KÄYTTÄEN

KYNNYSILMIÖ JA SILTÄ VÄLTTYMINEN KYNNYKSEN SIIRTOA (LAAJENNUSTA) HYVÄKSI KÄYTTÄEN YYSILMIÖ J SILÄ VÄLYMIE YYSE SIIRO LJEUS HYVÄSI ÄYÄE ieoliikenneekniikka I 559 ari ärkkäinen Osa 5 4 MILLOI? Milloin ja missä kynnysilmiö esiinyy? un vasaanoimen ulon SR siis esi-ilmaisusuodaimen lähdössä

Lisätiedot

1. Todista/Prove (b) Lause 2.4. käyttäen Lausetta 2.3./by using Theorem b 1 ; 1 b + 1 ; 1 b 1 1

1. Todista/Prove (b) Lause 2.4. käyttäen Lausetta 2.3./by using Theorem b 1 ; 1 b + 1 ; 1 b 1 1 KETJUMURTOLUVUT Harjoiuksia 209. Todisa/Prove Lause 2.2. käyäen Lausea 2.3./by using Theorem 2.3. Lause 2.4. käyäen Lausea 2.3./by using Theorem 2.3. 2. Määrää Canorin kehielmä luvuille 0,, 2, 3, 4, 5,

Lisätiedot

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1 Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia

Lisätiedot

f x dx y dy t dt f x y t dx dy dt O , (4b) . (4c) f f x = ja x (4d)

f x dx y dy t dt f x y t dx dy dt O , (4b) . (4c) f f x = ja x (4d) Tehävä 1. Oleeaan, eä on käössä jakuva kuva, jossa (,, ) keroo harmaasävn arvon paikassa (, ) ajanhekenä. Dnaaminen kuva voidaan esiää Talor sarjana: d d d d d d O ( +, +, + ) = (,, ) + + + + ( ). (4a)

Lisätiedot

0 3 y4 dy = 3 y. 15x 2 ydx = 15. f Y (y) = 5y 4 1{0 y 1}.

0 3 y4 dy = 3 y. 15x 2 ydx = 15. f Y (y) = 5y 4 1{0 y 1}. HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 18 Harjoitus Ratkaisuehdotuksia Tehtäväsar I 1. Satunnaismuuttujilla X Y on tkuva yhteiskauma yhteistiheysfunktiolla f

Lisätiedot

Kompaktisuus ja filtterit

Kompaktisuus ja filtterit Kompaktisuus ja filtterit Joukkoperheellä L on äärellinen leikkausominaisuus, mikäli jokaisella äärellisellä L L on voimassa L. Nähdään helposti, että perheellä L on äärellinen leikkausominaisuus ja L

Lisätiedot

4.3 Moniulotteinen Riemannin integraali

4.3 Moniulotteinen Riemannin integraali 4.3 Moniulotteinen Riemannin integraali Tässä luvussa opitaan miten integroidaan usean muuttujan reaaliarvoista tai vektoriarvoista funktiota, millaisten joukkojen yli jatkuvaa funktiota voi integroida,

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 7

Inversio-ongelmien laskennallinen peruskurssi Luento 7 Inversio-ongelmien laskennallinen peruskurssi Luento 7 Kevät 2012 1 Tilastolliset inversio-ongelmat Tilastollinen ionversio perustuu seuraaviin periaatteisiin: 1. Kaikki mallissa olevat muuttujat mallinnetaan

Lisätiedot

Lyhyiden ja pitkien korkojen tilastollinen vaihtelu

Lyhyiden ja pitkien korkojen tilastollinen vaihtelu Lyhyiden ja pikien korkojen ilasollinen vaihelu Tomi Pekka Juhani Marikainen Joensuun Yliopiso Maemaais-luonnonieeellinen iedekuna / Tieojenkäsielyieeen ja ilasoieeen laios / Tilasoiede Pro Gradu -ukielma

Lisätiedot

2. Systeemi- ja signaalimallit

2. Systeemi- ja signaalimallit 2. Syseemi- ja signaalimalli Malliyyppejä: maemaainen malli: muuujien välise suhee kuvau maemaaisesi yhälöin lohkokaaviomalli: syseemin oiminojen looginen jako lohkoihin, joiden välisiä vuorovaikuuksia

Lisätiedot

Matematiikan peruskurssi 2

Matematiikan peruskurssi 2 Matematiikan peruskurssi Demonstraatiot III, 4.5..06. Mikä on funktion f suurin mahdollinen määrittelyjoukko, kun f(x) x? Mikä on silloin f:n arvojoukko? Etsi f:n käänteisfunktio f ja tarkista, että löytämäsi

Lisätiedot

Konvoluution laskeminen vaihe vaiheelta Sivu 1/5

Konvoluution laskeminen vaihe vaiheelta Sivu 1/5 S-72. Signaali ja järjeselmä Laskuharjoiukse, syksy 28 Konvoluuion laskeminen vaihe vaiheela Sivu /5 Konvoluuion laskeminen vaihe vaiheela Konvoluuion avulla saadaan laskeua aika-alueessa järjeselmän lähösignaali,

Lisätiedot

Luku 2. Jatkuvien funktioiden ominaisuuksia.

Luku 2. Jatkuvien funktioiden ominaisuuksia. 1 MAT-1343 Laaja matematiikka 3 TTY 21 Risto Silvennoinen Luku 2. Jatkuvien funktioiden ominaisuuksia. Jatkossa väli I tarkoittaa jotakin seuraavista reaalilukuväleistä: ( ab, ) = { x a< x< b} = { x a

Lisätiedot

u(0, t) = 0 kaikille t > 0: lämpötila pidetään vakiona pisteessä x = 0;

u(0, t) = 0 kaikille t > 0: lämpötila pidetään vakiona pisteessä x = 0; 3. Lämmönjohtumisyhtälö I Yksiulotteisessa lämmönjohtumisyhtälössä u t = u γ x tuntematon funktio u = u(x, t) kuvaa lämpötilaa yksiulotteisen kappaleen (ohut sauva; x-akseli) kohdassa x hetkellä t. Kun

Lisätiedot

x v1 y v2, missä x ja y ovat kokonaislukuja.

x v1 y v2, missä x ja y ovat kokonaislukuja. Digiaalinen videonkäsiel Harjoius, vasaukse ehäviin 4-0 Tehävä 4. Emämariisi a: V A 0 V B 0 Hila saadaan kanavekorien (=emämariisin sarakkee) avulla. Kunkin piseen paikka hilassa on kokonaisluvulla kerroujen

Lisätiedot

VI. TAYLORIN KAAVA JA SARJAT. VI.1. Taylorin polynomi ja Taylorin kaava

VI. TAYLORIN KAAVA JA SARJAT. VI.1. Taylorin polynomi ja Taylorin kaava VI. TAYLORIN KAAVA JA SARJAT VI.. Taylorin polynomi ja Taylorin kaava Olkoon n N ja x, c, c, c 2,..., c n R. Tehtävä: Etsittävä sellainen R-kertoiminen polynomi P, että sen aste deg P n ja P (x ) = c,

Lisätiedot

Moderni reaalianalyysi

Moderni reaalianalyysi JUHA KINNUNEN Moderni reaalianalyysi F ( ) := f (ξ)e i ξ dξ 2π Juha Kinnusen laatiman luentomateriaalin pohjalta toimittaneet Mikael Lindström, Olli Hyvärinen ja Tuomas Pöyhtäri Sisältö LEBESGUEN ULKOMITTA

Lisätiedot

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita

Lisätiedot

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

peitteestä voidaan valita äärellinen osapeite). Äärellisen monen nollajoukon yhdiste on nollajoukko.

peitteestä voidaan valita äärellinen osapeite). Äärellisen monen nollajoukon yhdiste on nollajoukko. Esimerkki 4.3.9. a) Piste on nollajoukko. Suoran rajoitetut osajoukot ovat avaruuden R m, m 2, nollajoukkoja. Samoin suorakaiteiden reunat koostuvat suoran kompakteista osajoukoista. b) Joukko = Q m [0,

Lisätiedot

Luento 11. Stationaariset prosessit

Luento 11. Stationaariset prosessit Lueno Soasisen prosessin ehosperi Signaalin suodaus Kaisarajoieu anava 5..6 Saionaarise prosessi Auoorrelaaio φ * * (, ) ( ), { } { } jos prosessi on saionaarinen auoorrelaaio ei riipu ajasa vaan ainoasaan

Lisätiedot

3. Teoriaharjoitukset

3. Teoriaharjoitukset 3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x

Lisätiedot

A-osio. Ei laskinta! Valitse seuraavista kolmesta tehtävästä vain kaksi joihin vastaat!

A-osio. Ei laskinta! Valitse seuraavista kolmesta tehtävästä vain kaksi joihin vastaat! MAA Koe 7..03 A-osio. Ei laskina! Valise seuraavisa kolmesa ehäväsä vain kaksi joihin vasaa! A. a) Mikä on funkion f(x) määrieljoukko, jos f( x) x b) Muua ulomuooon: 4a 8a 4 A. a) Rakaise hälö: x 4x b)

Lisätiedot

Luoki?elua: tavallinen vs osi?ais. Osa 11. Differen0aaliyhtälöt. Luoki?elua: kertaluku. Luoki?elua: lineaarisuus 4/13/13

Luoki?elua: tavallinen vs osi?ais. Osa 11. Differen0aaliyhtälöt. Luoki?elua: kertaluku. Luoki?elua: lineaarisuus 4/13/13 4/3/3 Osa. Differen0aaliyhtälöt Differen0aaliyhtälö = yhtälö jossa esiintyy jonkin funk0on derivaa?a. Esim: dx = x2 f x + f xy 2 2m d 2 ψ = Eψ dx 2 Luoki?elua: tavallinen vs osi?ais Differen0aaliyhtälöt

Lisätiedot

Johdatus reaalifunktioihin P, 5op

Johdatus reaalifunktioihin P, 5op Johdatus reaalifunktioihin 802161P, 5op Osa 2 Pekka Salmi 1. lokakuuta 2015 Pekka Salmi FUNK 1. lokakuuta 2015 1 / 55 Jatkuvuus ja raja-arvo Tavoitteet: ymmärtää raja-arvon ja jatkuvuuden määritelmät intuitiivisesti

Lisätiedot

TKK Tietoliikennelaboratorio Seppo Saastamoinen Sivu 1/5 Konvoluution laskeminen vaihe vaiheelta

TKK Tietoliikennelaboratorio Seppo Saastamoinen Sivu 1/5 Konvoluution laskeminen vaihe vaiheelta KK ieoliikennelaboraorio 7.2.27 Seppo Saasamoinen Sivu /5 Konvoluuion laskeminen vaihe vaiheela Konvoluuion avulla saadaan laskeua aika-alueessa järjeselmän lähösignaali, kun ulosignaali ja järjeselmän

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

1 Lineaariavaruus eli Vektoriavaruus

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

Lisätiedot

Luento 7 Järjestelmien ylläpito

Luento 7 Järjestelmien ylläpito Luno 7 Järjslmin ylläpio Ahi Salo Tknillinn korkakoulu PL, 5 TKK Järjslmin ylläpidosa Priaallisia vaihohoja Uusiminn rplacmn Ennalahkäisvä huolo mainnanc Korjaaminn rpair ❶ Uusiminn Vioiun komponni korvaaan

Lisätiedot

6. Sovelluksia stokastiselle integroinnille

6. Sovelluksia stokastiselle integroinnille 92 STOKASTISET DIFFERENTIAALIYHTÄLÖT 6. Sovelluksia stokastiselle integroinnille 6.1. Uusia martingaaleja. Tähän mennessä olemme löytäneet vain kourallisen martingaaleja eli tiedämme, että B t on martingaali,

Lisätiedot