Tarkastellaan sitten tilastollisesti riippumattomien identtisesti kuten X edellä jakautuneiden muuttujien summaa Y = X i. 1 p p. Muuttujan X PDF.
|
|
- Jari Lehtonen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Jakaumia Seuraavassa esitellään digitaalisessa tietoliikenteessäuseinkäytettyjä jakaumia Esitellään jakaumien CDF, PDF ja karakteristiset funktiot sekä joitain momentteja kuten keskiarvo, 2. momentti ja varianssi Ensimmäisenä tarkastellaan yksi diskreettien muuttujien jakauma ja sen jälkeen keskitytään jatkuvien muuttujien jakaumiin 107
2 Binomijakauma Olkoon X diskreetti muuttuja joka voi saada kaksi eri arvoa X = 1 tai X = 0 (kuten bittijonon alkiot), todennäköisyyksillä p ja 1 p. Tämän PDF on esitetty alla olevassa kuvassa 1 p p 0 1 x Muuttujan X PDF Tarkastellaan sitten tilastollisesti riippumattomien identtisesti kuten X edellä jakautuneiden muuttujien summaa n Y = i=1 tavoitteena määrätä summan PDF X i 108
3 Selvästi 0 Y n Arvon 0 summa saa jos kaikki arvot ovat nollia. Tämä tapahtuu todennäköisyydellä P(Y =0)=(1 p) n koska muuttujat ovat identtisiä ja riippumattomia Arvon 1 summa saa jos yksi muuttuja X i = 1 ja muut nollia. Tämä tapahtuma voi tapahtua n:llä eri tavalla joten P(Y =1)=n }{{} p (1 p) }{{ n 1 } 1 ykkönen n 1 nollaa 109
4 Jotta Y = k, niin k:n muuttujan täytyy saada arvo 1 ja muiden nolla. Koska tämä voi tapahtua ( ) n n! = (binomikerroin) k k!(n k)! tavalla, niin haluttu todennäköisyys on ( ) n P(Y = k) = p k (1 p) n k (61) k Vastaava PDF on p(y) = = n P(Y = k)δ(y k) k=0 n k=0 ( ) n p k (1 p) n k δ(y k) (62) k 110
5 CDF on taas F (y) =P(Y y) [y] ( ) n = p k (1 p) n k (63) k k=0 jossa merkintä [y] tarkoittaa suurinta kokonaislukua jolle pätee m y Ensimmäiset momentit ovat E{Y } = np (64a) E{Y 2 } = np(1 p)+n 2 p 2 (64b) σ 2 = np(1 p) (64c) Binomijakauman karakteristinen funktio on ψ(jv)=(1 p + pe jv ) n (65) 111
6 Tasajakauma Tasajakaumassa muuttuja voi saada yhtä suurella todennökäisyydellä kaikkia arvoja joltain väliltä [a, b]. Sen PDF on p(x) = { 1 b a a x b 0 muutoin Kuvassa on esitetty ko. PDF ja vastava CDF p(x) 1/(b a) 1 F (x) (66) a b x a b PDF CDF x 112
7 Ensimmäiset momentit ovat E{Y } = 1 2 (a + b) (67a) E{Y 2 } = 1 3 (a2 + b 2 + ab) σ 2 = 1 12 (a b)2 (67c) Tasajakauman karakteristinen funktio on ψ(jv)= ejvb e jva jv(b a) (67b) (68) 113
8 Gaussin eli normaalijakauma Digitaalisten tietoliikennejärjestelmien analyysissä ehkäpäuseimmiten (ainakin perinteisesti) käytetty jakauma. Yksi syy on se että Gaussin jakauma johtaa suhteellisen järkeviin vastaanotinrakenteisiin joiden on usein havaittu toimivan myös käytännössä Normaalijakauman PDF on p(x) = 1 e (x m x) 2 /2σ 2 (69) 2πσ jossa m x on muuttujan keskiarvo ja σ 2 varianssi Tämä on siis normalisoidun normaalijakauman p(x) = 1 e x2 /2 2π siirros (m x )jalevitys(σ 2 ). 114
9 Useat taulukot ja funktiot, varsinkin normaalijakautuneen muuttujan todennäköisyydelle, on esitetty normalisoidulle muuttujalle. Niin myös seuraavassa Normaalijakauman CDF on F (x) = x p(u) du = 1 2πσ x e (u m x) 2 /2σ 2 du Suoritetaan muuttujanvaihdos t =(u m x )/ 2σ, jolloin du = 2σdt ja jos u = tai u = x niin t = ja t =(x m x )/ 2σ 115
10 Tällöin jossa F (x) = 2 2 }{{} =1 1 (x mx )/ 2σ π = 1 [ 2 0 e t2 dt 2 π } {{} =1 = ( x 2 erf mx ) 2σ erf(x) = 2 π x 0 e t2 dt + 2 (x mx )/ 2σ π 0 ] e t2 dt (70) e t2 dt (71) joka on ns. virhefunktio (error function) PDF ja CDF on hahmoteltu seuraavissa kuvissa 116
11 normalisoitu 0.4 normalisoitu PDF 1/ 2πσ m x =2 σ =2 CDF /2 0.4 m x =2 σ = x m x x m x 117
12 CDF voidaan esittää myös komplementaarisen virhefunction erfc(x) =1 erf(x) = 2 π e t2 dt (72) avulla, jolloin F (x) =1 1 2 erfc ( x m x ) 2σ x (73) Havaitaan, että erf( x) = erf(x), erfc( x) =2 erfc(x), erf(0) = erfc( ) =0jaerf( ) = erfc(0) = 1. Jos x>m x, niin komplementaarinen virhefunktio esittää Gaussin jakauman hännän alaa Suurille x:n arvoille pätee approksimaatio ( erfc(x) = e x2 x 1 1 π 2x x ) x6 + (74) jossa virhe on pienempi kuin viimeisin käytetty termi 118
13 Toinen usein käytetty Gaussin jakauman hännän alaa esittävä funktio on Q-funktio Q(x) = 1 e t2 /2 dt, x 0 (75) 2π x Vertaamalla tätä komplementaariseen virhefunktioon havaitaan, että Q(x) = 1 2 erfc ( x 2 ) Gaussin jakauman karakteristinen funktio on ψ(jv)= e jvx [ 1 2π e (x m x) 2 /2σ 2] dx = e jvm x (1/2)v 2 σ 2 (76) 119
14 Gaussin jakauman kaikki keskeismomentit ovat { E{(X m x ) k 1 3 (k 1)σ k (parillinen k) } µ k = 0 (pariton k) (77) eli parillisia keskeismomentteja ei ole Tavalliset momentit voidaan esittää keskeismomenttien µ k avulla seuraavasti k ( ) k E{X} = m i i xµ k i (78) i=0 Gaussinjakauma onerittäinusein käytetty mm. siksi, ettäkeskeisen raja-arvolauseen nojalla satunnaismuuttujien summa tuppaa olemaan Gaussin jakautunut jos muuttujia on paljon ja mikään niistä ei dominoi. 120
15 Tällä perusteella esim. taustakohina (joka tulee useista lähteistä) mallinnetaan usein Gaussin jakautuneeksi Gaussin jakaumalla on mm. se kiva ominaisuus että riippumattomien Gaussin muuttujien summa on Gaussin jakautunut (ei siis tarvita edes keskeistä raja-arvo lausetta) Mistäs tämä johtuu? Käytetään selittämiseen karakteristista funktiota jolloin riippumattomien muuttujien summan karakteristinen funktio on erillisten karakterististen funktioiden tulo Tarkastellaan siis summaa Y = n i=1 X i, jossa muuttujat X i ovat riippumattomia Gaussin jakautuneita satunnaismuuttujia keskiarvolla m i ja varianssilla σi 2 121
16 Silloin summan karakteristinen funktio on n ψ Y (jv)= ψ Xi (jv) = i=1 n i=1 =exp ( jv e jvm i v 2 σ 2 i /2 n m i i=1 }{{} =m y = e jvm y v 2 σ 2 y/2 v 2 /2 n σi 2 i=1 }{{} =σ 2 y ) (79) joka on Gaussin jakauman karakteristinen funktio eli summa Y on Gaussin jakautunut keskiarvolla m y ja varianssilla σ 2 y 122
17 Chi-neliö jakauma (Chi-Square) Liittyy läheisesti Gaussin jakaumaan Sitäkäytettään analysoitaessa vastaanottimia jotka neliöivät vastaanotetun Gaussin jakautuneen signaalin eli laskevat vastaanotetun signaalin tehoa tai energiaa Näitä ovat mm. epäkoherentit vastaanottimet tietoliikenteessäja radiometri signaalitiedustelussa 123
18 Olkoon X Gaussin jakautunut satunnaismuuttuja Silloin Y = X 2 on chi-neliö jakautunut Eri tyypit: keskinen chi-neliö jakauma nollakeskiarvoisille X epäkeskinen chi-neliö jakauma yleiselle X (X:llä voi olla keskiarvo) 124
19 Tarkastellaan ensin keskistä chi-neliö jakaumaa Olkoon X nollakeskiarvoinen normaalijakautunut muuttuja, jonka varianssi on σ 2 Aiemmassa esimerkissä laskettiin muuttujan Y = ax 2 + b jakauma, joka pätee nyt jos a =1jab =0.Y :n PDF oli p Y (y) = p ( ) X (y b)/a 2a (y b)/a + p ( ) X (y b)/a 2a (y b)/a Siitä seuraa, että p Y (y) = 1 2πyσ e y/2σ2, y 0 (80) 125
20 CDF saadaan integroimalla eli F Y (y) = y 0 p Y (u) du = 1 2πσ y 0 1 u e u/2σ2 du (81) jolle ei ole olemassa ratkaisua suljetussa muodossa Karakteristinen funktio on 1 ψ(jv)= (82) (1 j2vσ 2 ) 1/2 Entäs sitten jos meillä on usean neliöidyn Gaussin muuttujan summa eli summa n Y = i=1 X 2 i 126
21 jossa X i ovat tilastollisesti riippumattomia, identtisesti jakautuneita nollakeskiarvoisia Gaussin muuttujia varianssilla σ 2. Karakteristinen funktio on nyt yhden karakteristisen funktion n:s potenssi eli 1 ψ(jv)= (1 j2vσ 2 ) n/2 (83) Tämän käänteismuunnos antaa PDF:n 1 p(y) = σ n 2 n/2 Γ( 1 2 n) yn/2 1 e y/2σ2, y 0 (84) jossa Γ(p) = 0 t p 1 e t dt, p 0 (gammafunktio) Γ(p) =(p 1)! jos p on kokonaisluku, p>0 Γ( 1 2 )= π, Γ( 3 2 )=1 2 π 127
22 Jakaumaa (84) kutsutaan keskiseksi chi-neliö (tai gamma) jakaumaksi n:llä vapausasteella Sen ensimmäiset momentit ovat E{Y } = nσ 2 E{Y 2 } =2nσ 4 + n 2 σ 4 σ 2 y =2nσ 4 Jakauman CDF on y 1 F (y) = σ n 2 n/2 Γ( 1 2 n) un/2 1 e u/2σ2 du, y 0 (85) 0 Tämä voidaan esittää (muuttujanvaihdosten jälkeen) epätäydellisen gammafunktion (incomplete gamma function) avulla, joka on taulukoitu ja löytyy esim. Matlabista 128
23 Epätäydellinen gammafunktio on γ(a, x) = x 0 e t t a 1 dt, Re{a} > 0 eli tarvittava muuttujanvaihdos olisi t = u/2σ 2 Jos a on positiivinen kokonaisluku m niin m 1 γ(m, x) =(m 1)! (1 e x s=0 x s ) s! Tästä seuraa, että josm = 1 2n on positiivinen kokonaisluku, niin chi-neliöjakauman CDF (85) on m 1 F (y) =1 e y/2σ2 k=0 1 ( y ) k, y 0 (86) k! 2σ 2 129
24 Esimerkki: kompleksinen muuttuja Z = X + jy jossa X ja Y identtisesti jakautuneita riippumattomia nollakeskiarvoisia Gaussin muuttujia Nyt Z 2 = ZZ =(X +jy )(X jy )=X 2 jxy +jy X jjy 2 = X 2 + Y 2 eli kyseessä on kahden neliöidyn Gaussin muuttujan summa eli saadaan keskinen chi-neliö jakauma 2:lla vapausasteella Jos tarkastellaan summaa Y = n i=1 Z i 2 = n ( i=1 Xi 2 + Y i 2) niin saadaan keskinen chi-neliö jakauma 2n vapausasteella 130
25 Epäkeskisessä chi-neliö jakaumassa X ei (välttämättä) ole nollakeskiarvoinen PDF:n määräämisessä voidaan lähteä liikkeelle samasta esimerkistä kuin keskisen chi-neliöjakauman kanssa. Nytkin muunnoksessa Y = ax 2 + b, a =1jab =0 Sijoittamalla ratkaisuun saadaan 1 1( p(y) = e ( y m x ) 2 /2σ 2 + e ( y m x ) 2 /2σ 2 ) 2πyσ 2 Koska cosh(x) =(e x + e x )/2, niin 1 ( ymx ) p(y) = e (y m2 x )/2σ2 cosh, y 0 (87) 2πyσ σ 2 Karakteristiseksi funktioksi tulee 1 ψ(jv)= (1 j2vσ 2 ) 1/2 ejm2 x v/(1 j2vσ2 ) (88) 131
26 Olkoon meillä sitten usean riippumattoman neliöidyn Gaussin muuttujan summa. Gaussin muuttujien keskiarvot voivat olla erisuuret eli E{X i } = m i mutta niiden varianssi on sama σ 2. Tarkastellaan siis summaa Y = n i=1 X2 i Koska muuttujat ovat riippumattomia, niin summan karakteristinen funktio on muuttujien karakterististen funktioiden tulo, jolloin 1 ( jv n ) ψ(jv)= (1 j2vσ 2 ) exp i=1 m2 i (89) n/2 1 j2vσ 2 Olkoon s 2 = n i=1 m2 i eli keskiarvojen neliöiden summa Silloin PDF, joka on karakteristisen funktion käänteismuunnos, on p(y) = 1 ( y ) (n 2)/4 ( e (y+s 2 )/2σ 2 y s ) I 2σ 2 s 2 n/2 1, y 0 σ 2 (90) 132
27 jossa I α (x)onα-asteinen modifioitu ensimmäisen asteen Besselin funktio jolle on olemassa sarjaesitys (x/2) α+2k I α (x) = k!γ(α + k +1), x 0 k=0 Tämän n-vapausasteen epäkeskisen chi-neliö jakauman CDF on F (y) = y 0 p(u) du jolle ei ole olemassa suljetussa muodossa olevaa ratkaisua Jos m = n/2 on kokonaisluku, niin CDF voidaan esittää yleistetyn Marcumin Q-funktion Q m (a, b) avulla. Tälle funktiolle on olemassa tietokoneohjelmia, jotka laskevat sen arvon Tällöin ( s y ) F (y) =1 Q m σ, (91) σ 133
28 Jakauman ensimmäiset momentit ovat E{Y } = nσ 2 + s 2 E{Y 2 } =2nσ 4 +4σ 2 s 2 +(nσ 2 + s 2 ) 2 σ 2 =2nσ 4 +4σ 2 s 2 134
29 Rayleigh jakauma Rayleigh mallia käytetään kuvaamaan häipyvässä kanavassa vastaanotetun signaalin amplitudia Se on läheisessä suhteessa keskiseen chi-neliö jakaumaan (ja siten Gaussin jakaumaan) Lähdetään liikkeelle 2:n vapausasteen keskisestä chi-neliö jakaumasta (esim. kompleksiluvun neliöstä) p Y (y) = 1 2σ 2 e y/2σ2 joka on siis muuttujan Y = X X 2 2 PDF. 135
30 Olkoon muuttuja R = Y Suorittamalla muuttujanvaihdos y = r jolloin y = r 2.Koska r 0 kuvaus y = r 2 on yksikäsitteinen ja Jacobiaani on 2r. Muuttujan R PDF on täten p R (r) = r σ 2e r2 /2σ 2, r 0 (92) Vastaava CDF on F R (r) =1 e r2 /2σ 2 (93) Muuttujan R momentit ovat E{R k } =(2σ 2 ) k/2 Γ( k) σ 2 r =(2 1 2 π)σ2 Karakteristinen funktio voidaan esittää konfluenttisen hypergeometrisen funktion avulla kts. kirja 136
31 Jos kyseessä on useamman nollakeskiarvoisen identtisesti Gaussin jakautuneen riippumattoman muuttujan neliöiden summan neliöjuuri eli muuttuja R = n i=1 X2 i, niin sen jakauma on yleistetty Rayleigh jakauma Sen PDF on r n 1 /2σ2 p(r) = 2 (n 2)/2 σ n Γ( 1 e r2 (94) 2n) Jos m = n/2 on kokonaisluku, niin jakauman CDF voidaan esittää suljetussa muodossa (kuten chi-neliö jakauman tapauksessa) ja se on m 1 F (y) =1 e r2 /2σ 2 k=0 1 ( r 2 ) k (95) k! 2σ 2 137
32 Yleistetyn Rayleigh muuttujan momentit ovat E{R k } =(2σ 2 ) k/2γ( 1(n + k)) 2 Γ( 1 2 n) (96) joka pätee kokonaisluvuille n 138
33 Rice jakauma Rice jakauma liittyy epäkeskiseen chi-neliö jakaumaan ja Gaussin muuttujiin joiden keskiarvo ei välttämättä ole nolla Se on neliöiden summan neliöjuuri Aloitetaan tarkastelemalla tilannetta Y = X1+X eli epäkeskistä chi-neliö jakaumaa 2:lla vapausasteella. Nyt siis riippumattomilla Gaussin muuttujilla X i on keskiarvo m i ja varianssi σ 2.Epäkeskisyysparametri s 2 = m m 2 2 Muuttujan Y PDF on p(y) = 1 2σ 2e (s2 +y)/2σ 2 I 0 ( y s σ 2 ), y 0 139
34 Muuttujan R = Y PDF saadaan muuttujanvaihdoksella r = y jolloin y = r 2. Koska ko. kuvaus on yksikäsitteinen (r 0) ja sen Jacobiaani on 2r, niin p(r) = r ( +r 2 )/2σ 2 rs ) I 0, r 0 (97) σ 2e (s2 σ 2 Tämä on Rice jakautuneen muuttujan PDF. Se kuvaa mm. vastaanotetun signaalin verhokäyrän PDF:ää jo- on kompleksimuuttujan Z = X 1 + jx 2 itseisarvo ZZ = ka X Xs 2.Tällöin deterministinen tietoliikennesignaali (keskiarvo) on enemmän tai vähemmän hautautunut Gaussin kohinaan. Tähän törmätään DTS:än kurssilla. Se kuvaa myös kanavan, jossa on suora etenemistie (keskiarvo) ja useita muita etenemisteitä, amplitudia ZZ 140
35 Yleisessä tapauksessa meillä on n:nnän neliöidyn Gaussin muuttujan X i neliöiden summan neliöjuuri eli Y = n i=1 X2 i. Muuttujien keskiarvo on m i ja varianssi σ 2 Haluttu PDF on r n/2 ( p(r) = σ 2 s (n 2)/2 e (r2 +s 2 )/2σ 2 rs ) I n/2 1, r 0 (98) σ 2 Vastaava CDF on F R (r) =P(Y r 2 )=F Y (r 2 )eliepäkeskisen chi-neliö jakauman CDF, joka erikoistapauksessa m = n/2 on kokonaisluku on ( s F R (r) =1 Q m σ, r ) (99) σ Rice jakauman k:s momentti on esitettävissä konfluenttisen hypergeometrisen funktion avulla, kts. oppikirja 141
36 Nakagami m-jakauma Nakagami m-jakaumaa käytetään kuvaamaan radiokanavasta vastaanotetun signaalin amplitudia R häipyvässä monitiekanavassa (kuten Rayleigh ja Rice jakaumiakin) Sen PDF on p(r) = Γ(m)( 2 m ) m r 2m 1 e mr2 /Ω (100) Ω jossa Ω = E{R 2 } on toinen momentti ja parametri m on momenttien suhde, eli nk. häipymäluku, Ω 2 m = E{(R 2 Ω) 2 }, m 1 2 (101) Nakagami jakauman n:s momentti on E{R n Γ(m + n/2) ( Ω ) n/2 } = Γ(m) m (102) 142
37 Asettamalla m = 1 saadaan Rayleigh jakauma Jos 1/2 m 1, niin Nakagami jakauman hännät ovat Rayleigh jakauman häntiä suuremmat eli ääriarvot ovat todennäköisempiä kuin Rayleigh jakaumassa Jos m>1niin hännät pienempiä eri ääriarvot epätodennäköisempiä 143
38 Moniulotteinen normaalijakauma Usein tarvitsee käsitellä usean muuttujan jakaumia eli monimuuttuja tai moniulotteisia jakaumia (multivariate or multidimensional) Näistä useimmiten törmätään moniulotteiseen Gaussin jakaumaan, jota käsitellään tässä Olkoon X =[X 1... X n ] T satunnaivektori jonka elementit X i ovat Gaussin muuttujia keskiarvolla m i, variansseilla σi 2 ja kovariansseilla µ ij (huom. µ ii = σ1) 2 Olkoon m =[m 1... m n ] T keskiarvovektori ja M =E{(X m)(x m) T } n n kovarianssimatriisi 144
39 Muuttujien X i yhteis PDF on 1 p(x) = (2π) n/2 M exp ( 1 1/2 2 (x m)t M 1 (x m) ) (103) On helppo tarkistaa että tilanteessa n =1tämä palautuu yhden muuttujan Gaussin PDF:ksi Olkoon v =[v 1... v n ] T Silloin moniulotteinen karakteristinen funktio on Laskemalla saadaan ψ(jv) =E{e jvtx } (104) ψ(jv) =e jmt v 1 2 vt Mv (105) 145
40 Oletetaan seuraavaksi, että muuttujat X i ovat korreloimattomia eli kovarianssit µ ij =0 i j Silloin kovarianssimatriisi M on diagonaalinen eli σ σ M = σn σn 2 jonka determinantti M = n i=1 σ2 i 146
41 Tällöin moniulotteinen Gaussin jakauma (103) menee muotoon 1 p(x) = (2π) n/2 M exp ( 1 n ) [x m] 2 1/2 i /σi 2 2 i=1 n 1 = exp ( 1 ) 2πσ 2 i 2σi 2 [x m] 2 i (106) i=1 jossa merkintä [x] i tarkoittaa vektorin x i:nettä elementtiä Eli korreloimattomien Gaussin muuttujien yhteis PDF on yksittäisten muuttujien PDF:ien tulo korreloimattomat Gaussin muuttujat ovat riippumattomia Tämä tulos ei ole yleispätevä eli ei ole välttämättä voimassa muille jakaumille 147
42 Tarkastellaan sitten Gaussin muuttujan muunnosta eli muuttujaa Y = AX, jossa A on ei-singulaarinen Aiemmin laskettiin tämän muunnoksen PDF yleisessä tapauksessa. Sovelletaan sitä nyt jolloin 1 p(y) = (2π) n/2 M 1/2 A exp ( 1 2 (A 1 y m) T M 1 (A 1 y m) ) Huomataan, että(x m) T M 1 (x m) =x T M 1 x x T M 1 m m T M 1 x m T M 1 m Samoin y T A T M 1 A 1 }{{} Q 1 (A 1 y m) T M 1 (A 1 y m) = y y T A} T {{ M 1 } m m T M 1 A 1 y + m T Q 1 A M}{{} 1 m A T Q 1 A 148
43 Määrittämällä edelleen m y = Am ja vertaamalla kahta edellistä yhtälöä saadaan 1 p(y) = (2π) n/2 Q exp ( 1 1/2 2 (y m y) T Q 1 (y m y ) ) (107) Tämä tarkoittaa, että Gaussisesti yhteisjakautuneiden satunnaismuutujien (X) lineaarinen muunnos (Y = AX) on Gaussisesti yhteisjakautunut Entäjoshalutaan muunnos A joka takaa että muunnetut muuttujat ovat riippumattomia Gaussin jakautuneita muuttujia. Miten muunnos on valittava? Muistetaan, että jos Gaussin muuttujat ovat korreloimattomia, niin ne ovat riippumattomia. Tämä tarkoittaa että muunnoksen kovarianssimatriisin Q = AMA T 149
44 (sillä (AB) 1 = B 1 A 1 jos käänteismatriisit olemassa) täytyy olla diagonaalinen Eräs ratkaisu on valita muunnosmatriisin sarakkeiksi kovarianssimatriisin M ominaisvektorit, jolloin Q:n diagonaalielementit ovat kovarianssimatriisin M ominaisarvoja Esimerkkinä tästä tarkastellaan kaksiulotteista Gaussin PDF:ää Olkoon kovarianssimatriisi M = [ ] Määrätään ensin ominaisarvot λ. Nehän toteuttavat yhtälön M λi = 0, jossa I on yksikkömatriisi. Nyt M λi = 1 λ λ =(1 λ) =0 150
45 josta λ = 3 2 ja λ = 1 2 Seuraavaksi määrätään ominaisvektorit e jotka toteuttavat yhtälöryhmän tai Me = λe (M λi)e =0 Lineaaristen yhtälöryhmien ratkaisuksi saadaan [ ] 1/2 λ = 2 3 e 1 = 1/2 [ ] 1/2 λ = 1 2 e 2 = 1/2 151
46 Sopiva muunnosmatriisi on siis A =[e 1 e 2 ]= 1/2 Lasketaan AA T joka antaa [ ][ ] = joten A 1 = A T ja AMA T = [ ] [ ] [ ] 3/ /2 = I 152
Satunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s
Satunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s kuuluu todennäköisyysavaruuteen S (s S) Esimerkkejä Kolikonheitossatodennäköisyysavaruus
LisätiedotTIEDONSIIRRON MATEMAATTISET MENETELMÄT S. Harri Saarnisaari. Centre for Wireless Communications (CWC) University of Oulu, Finland
TIEDONSIIRRON MATEMAATTISET MENETELMÄT 2005 521309S Harri Saarnisaari Centre for Wireless Communications (CWC) University of Oulu, Finland Luennot Harri Saarnisaari Yhteystiedot puh. 553 2842, email: harri.saarnisaari@ee.oulu.fi
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotNämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan
Mitä pitäisi vähintään osata Tässäkäydään läpi asiat jotka olisi hyvä osata Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan osattavan 333 Kurssin sisältö Todennäköisyyden, satunnaismuuttujien
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
Lisätiedotx 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
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
LisätiedotJATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)
J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotJohdatus todennäköisyyslaskentaan Jatkuvia jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Jatkuvia jakaumia TKK (c) Ilkka Mellin (2005) 1 Jatkuvia jakaumia Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen raja-arvolause TKK (c) Ilkka Mellin
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 2 Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
Lisätiedot2 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.
LisätiedotJohdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
LisätiedotEsimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0).
Esimerkki 9 Esimerkissä 6 miniminormiratkaisu on (ˆx, ˆx (, 0 Seuraavaksi näytetään, että miniminormiratkaisuun siirtyminen poistaa likimääräisongelman epäyksikäsitteisyyden (mutta lisääntyvän ratkaisun
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
Lisätiedot6. laskuharjoitusten vastaukset (viikot 10 11)
6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
Lisätiedot5 Ominaisarvot ja ominaisvektorit
5 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin A
LisätiedotTilastomatematiikka Kevät 2008
Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo
LisätiedotNeliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja
7 NELIÖMATRIISIN DIAGONALISOINTI. Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T () Muistutus: Kokoa n olevien vektorien
LisätiedotOminaisarvo-hajoitelma ja diagonalisointi
Ominaisarvo-hajoitelma ja a 1 Lause 1: Jos reaalisella n n matriisilla A on n eri suurta reaalista ominaisarvoa λ 1,λ 2,...,λ n, λ i λ j, kun i j, niin vastaavat ominaisvektorit x 1, x 2,..., x n muodostavat
LisätiedotDiskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi
TOD.NÄK JA TILASTOT, MAA0 Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi Kuten tilastojakaumia voitiin esittää tunnuslukujen (keskiarvo, moodi, mediaani, jne.) avulla, niin vastaavasti
LisätiedotOlkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:
Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
Lisätiedot5 OMINAISARVOT JA OMINAISVEKTORIT
5 OMINAISARVOT JA OMINAISVEKTORIT Ominaisarvo-ongelma Käsitellään neliömatriiseja: olkoon A n n-matriisi. Luku on matriisin A ominaisarvo (eigenvalue), jos on olemassa vektori x siten, että Ax = x () Yhtälön
LisätiedotLause 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
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
Lisätiedot1 Ominaisarvot ja ominaisvektorit
1 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) 1 missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin
LisätiedotHY, 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
Lisätiedot1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 206 Kurssikoe 28.0.206 Ratkaisuehdotuksia. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
Lisätiedot0 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
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
LisätiedotOminaisarvo ja ominaisvektori
Ominaisarvo ja ominaisvektori Määritelmä 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
LisätiedotJohdatus 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
LisätiedotKäänteismatriisi 1 / 14
1 / 14 Jokaisella nollasta eroavalla reaaliluvulla on käänteisluku, jolla kerrottaessa tuloksena on 1. Seuraavaksi tarkastellaan vastaavaa ominaisuutta matriiseille ja määritellään käänteismatriisi. Jokaisella
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotNormaalijakaumasta johdettuja jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2007) 1 Normaalijakaumasta johdettuja jakaumia >> Johdanto χ 2 -jakauma F-jakauma
LisätiedotHY, 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
LisätiedotEsimerkki 4.4. Esimerkki jatkoa. Määrää matriisin ominaisarvot ja -vektorit. Ratk. Nyt
Esimerkki 4.4. Määrää matriisin 2 2 1 A = 1 3 1 2 4 3 ominaisarvot ja -vektorit. Ratk. Nyt det(a λi ) = 1 + 2 λ 2 1 + 1 λ 1 λ 1 3 λ 1 = 1 3 λ 1 2 4 3 λ 2 4 3 λ 1 λ = 1 4 λ 1 = (1 λ)( 1)1+1 4 λ 1 2 6 3
Lisätiedot1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 017 Harjoitus 5 Ratkaisuehdotuksia Tehtäväsarja I 1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 3
031021P Tilastomatematiikka (5 op) viikko 3 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan
Lisätiedot5 Tärkeitä yksiulotteisia jakaumia
5 Tärkeitä yksiulotteisia jakaumia Jakaumista löytyy lisätietoja ja kuvaajia Wikipediasta. Kirjallisuudessa käytetään useille näistä jakaumista monia erilaisia parametrointeja. Kussakin lähteessä käytetty
Lisätiedot5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
LisätiedotGenerointi yksinkertaisista diskreeteistä jakaumista
S-38.148 Tietoverkkojen simulointi / Satunnaismuuttujien generointi 1(18) Generointi yksinkertaisista diskreeteistä jakaumista Seuraavassa U, U 1,..., U n tarkoittavat riippumattomia U(0,1)-jakautuneita
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 1A
Tilastollinen päättely II, kevät 207 Harjoitus A Heikki Korpela 23. tammikuuta 207 Tehtävä. Kertausta todennäköisyyslaskennasta. Ilmoita satunnaismuuttujan Y jakauman nimi ja pistetodennäköisyys- tai tiheysfunktio
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien
LisätiedotSimilaarisuus. Määritelmä. Huom.
Similaarisuus Määritelmä Neliömatriisi A M n n on similaarinen neliömatriisin B M n n kanssa, jos on olemassa kääntyvä matriisi P M n n, jolle pätee Tällöin merkitään A B. Huom. Havaitaan, että P 1 AP
Lisätiedot5. laskuharjoituskierros, vko 8, ratkaisut
Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa
Lisätiedot1 Matriisit ja lineaariset yhtälöryhmät
1 Matriisit ja lineaariset yhtälöryhmät 11 Yhtälöryhmä matriisimuodossa m n-matriisi sisältää mn kpl reaali- tai kompleksilukuja, jotka on asetetettu suorakaiteen muotoiseksi kaavioksi: a 11 a 12 a 1n
LisätiedotMS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42
MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42 Tehtävät 1-4 lasketaan alkuviikon harjoituksissa ryhmissä, ja ryhmien ratkaisut esitetään harjoitustilaisuudessa (merkitty kirjaimella L = Lasketaan).
LisätiedotOminaisarvot ja ominaisvektorit 140 / 170
Ominaisarvot ja ominaisvektorit 140 / 170 Seuraavissa luvuissa matriisit ja vektori ajatellaan kompleksisiksi, ts. kertojakuntana oletetaan olevan aina kompleksilukujoukko C Huomaa, että reaalilukujoukko
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotMatematiikka B2 - TUDI
Matematiikka B2 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Kurssin sisältö (1/2) Matriisit Laskutoimitukset Lineaariset yhtälöryhmät Gaussin eliminointi Lineaarinen riippumattomuus
LisätiedotSatunnaismuuttujien summa ja keskiarvo
Luku 5 Satunnaismuuttujien summa ja keskiarvo Lasse Leskelä Aalto-yliopisto 21. syyskuuta 2017 5.1 Satunnaismuuttujien summa Satunnaismuuttujien summa S n = X 1 + +X n ja keskiarvo n 1 S n ovat satunnaismuuttujia,
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Luentokalvot 5 1
Lisätiedottilastotieteen kertaus
tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
LisätiedotMatriisialgebra harjoitukset, syksy 2016
Matriisialgebra harjoitukset, syksy 6 MATRIISIALGEBRA, s. 6, Ratkaisuja/ M.Hamina & M. Peltola 8. Olkoon 4 A 6. 4 Tutki, onko A diagonalisoituva. Jos on, niin määrää matriisi D T AT ja siihen liittyvä
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
LisätiedotMoniulotteiset satunnaismuuttujat ja jakaumat
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset
Lisätiedotl (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka
LisätiedotEnnakkotehtävän ratkaisu
Ennakkotehtävän ratkaisu Ratkaisu [ ] [ ] 1 3 4 3 A = ja B =. 1 4 1 1 [ ] [ ] 4 3 12 12 1 0 a) BA = =. 1 + 1 3 + 4 0 1 [ ] [ ] [ ] 1 0 x1 x1 b) (BA)x = =. 0 1 x 2 x [ ] [ ] [ 2 ] [ ] 4 3 1 4 9 5 c) Bb
LisätiedotMS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
LisätiedotMatriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?
Harjoitus 1, kevät 007 1. Olkoon [ ] cos α sin α A(α) =. sin α cos α Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?. Olkoon a x y A = 0 b z, 0 0 c missä a, b, c 0. Määrää käänteismatriisi
LisätiedotMatematiikka 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
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6B
Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen
LisätiedotV ar(m n ) = V ar(x i ).
Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotOminaisarvo 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
LisätiedotMääritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )
Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä
LisätiedotP (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.
Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 5 (vko 4/003) (Aihe: jatkuvia satunnaismuuttujia ja jakaumia, sekamalli, Laininen luvut 5.1 5.7, 6.1 6.3)
Lisätiedotk 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
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
Lisätiedot10 Moniulotteinen normaalijakauma
10 Moniulotteinen normaalijakauma Tässä luvussa tarkastellaan normaalijakauman moniulotteista yleistystä eli moniulotteista (eli monimuuttujaista) normaalijakaumaa (engl. multivariate normal distribution).
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
Lisätiedot6 MATRIISIN DIAGONALISOINTI
6 MATRIISIN DIAGONALISOINTI Ortogonaaliset matriisit Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja A - = A T Muistutus: vektorien a ja b pistetulo (skalaaritulo,
LisätiedotJohdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
LisätiedotKoska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.
24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ
LisätiedotTilastotieteen kertaus. Kuusinen/Heliövaara 1
Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa
LisätiedotSallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,
Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on
LisätiedotTilastollisen analyysin perusteet Luento 4: Testi suhteelliselle osuudelle
Tilastollisen analyysin perusteet Luento 4: Sisältö Testiä suhteelliselle voidaan käyttää esimerkiksi tilanteessa, jossa tarkastellaan viallisten tuotteiden osuutta tuotantoprosessissa. Tilanne palautuu
Lisätiedot