Poisson-prosessien ominaisuuksia ja esimerkkilaskuja
|
|
- Irma Lahtinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 5B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Alla on kuhunkin tehtävään esitetty malliratkaisut punaisella sekä malliratkaisujen lisämateriaalit sinisellä. Tuntitehtävät 5B1 Teemu Selänne on tehnyt NHL:ssä keskimäärin λ = 1 tehopistettä (maali tai maaliin johtanut syöttö) per peli. Oletetaan, että 30% tehopisteistä on maaleja ja 70% maaliin johtaneita syöttöjä. Oletetaan, että Teemu saa jokaisesta tekemästään maalista $3000 ja jokaisesta maaliin johtaneesta syötöstä $1000 bonuksen. Mallinna tehopisteiden syntyhetkiä 60 min kestävän pelin aikana Poisson-prosessilla ja vastaa seuraaviin kysymyksiin. (a) Mikä on yksittäisen pelin bonuskertymän odotusarvo? Ratkaisu. Olkoon X t Teemun maalien lukumäärä ja Y t Teemun maaliin johtaneiden syöttöjen lukumäärä aikavälillä 0, t. Tällöin Teemun saamien tehopisteiden lukumäärä aikavälillä 0, t on Z t = X t + Y t. Valitaan aikayksiköksi yhden pelin kesto (eli yksi tunti). Tehtävänannon perusteella voidaan kehittää kaksi mallinnustapaa, joilla kuitenkin päästään samaan lopputulokseen. (1) Oletetaan, että tehopisteiden syntyhetket ovat Poisson-prosessi intensiteetillä 1, ja kukin tehopiste on toisistaan ja Poissonpistekuviosta riippumatta syöttö tn:llä 0.7 ja maali tn:llä 0.3. (2) Oletetaan, että maalien ja syöttöjen syntyhetket muodostavat toisistaan riippumattomat, tasaisesti sironneet satunnaiset pistekuviot, joiden yhteisintensiteetti on 1, siten että pitkällä aikavälillä syötöt muodostavat 70% kaikista pisteistä. Molemmissa tapauksissa (X t ) ja (Y t ) ovat riipumattomat Poisson-prosessit intensiteetteinään λ 1 = 0.3 ja λ 2 = 0.7 Leskelä 2015, Lauseet 9.1 ja 9.9. Yksittäisen pelin bonuskertymä (dollareina) voidaan esittää muodossa ax 1 + by 1, missä a = 3000 ja b = Koska X 1 on Poi(λ 1 )-jakautunut ja Y 1 on Poi(λ 2 )- jakautunut, kysytty odotusarvo on aex 1 + bey 1 = aλ 1 + bλ 2 = (b) Mikä on yksittäisen pelin bonuskertymän keskihajonta? Ratkaisu. Koska X 1 ja Y 1 ovat stokastisesti riippumattomat, bonuskertymän varianssi on a 2 Var(X 1 ) + b 2 Var(Y 1 ) = a 2 λ 1 + b 2 λ 2 = ja vastaava keskihajonta on likimain () Millä todennäköisyydellä Teemu tekee 1 maalin ja 2 maaliin johtanutta syöttöä yhdessä pelissä? Ratkaisu. P(X 1 = 1, Y 1 = 2) = P(X 1 = 1)P(Y 1 = 2) = e λ 1 λ1 1 1 e λ 2 λ2 2 2 = / 8
2 5B2 Olkoon X = (X n ) n Z+ Markov-ketju äärellisellä tilajoukolla S ja siirtymätodennäköisyysmatriisilla P = (p x,y ) x,y S. Olkoon ( N(t) ) tästä riippumaton Poisson-prosessi t 0 intensiteetillä λ > 0. Määritellään jatkuva-aikainen prosessi ( Y (t) ) Markov-ketjun t 0 X satunnaisena aikamuunnoksena kaavalla Y (t) = X N(t). (a) Aputulokseksi todista, että Poisson-jakaumaa parametrilla λ noudattavalle satunnaisluvulle M on voimassa estimaatit Ratkaisu. P M 1 λ ja P M 2 λ2 2. i) Poisson-jakaumaa noudattavan satunnaisluvun M pistetodennäköisyysfunktio on PM = i = λi i! e λ, joten PM 1 = 1 PM = 0 = 1 e λ On siis osoitettava, että 1 e λ λ eli että f(λ) := λ 1 + e λ 0 kaikilla λ 0. Nyt f(0) = 0, joten riittää osoittaa, että f on kasvava, mikä puolestaan selviää derivaatan positiivisuudesta: Siis PM 1 λ. ii) Pätee Df(λ) = 1 1 e λ 0 kaikilla λ 0 PM 2 = 1 PM = 0 PM = 1 = 1 e λ λe λ, joten on osoitettava, että f(λ) := λ 2 /2 + (1 + λ)e λ 1 0 kaikilla λ 0. Taas f(0) = 0 ja joten P M 2 λ2 2 Df(λ) = λ + e λ (1 + λ)e λ = λ (1 1e ) 0, λ pätee (kaikilla λ 0). Olkoot sitten x, y S, x y, kaksi eri tilaa. (b) Näytä, että P Y (t) = y Y (0) = x λt. Ratkaisu. Päätellään P Y (t) = y Y (0) = x P N(t) N(0) 1 λt, 2 / 8
3 sillä Y (t) Y (0) eli X N(t) X N(0) implikoi, että N(t) > N(0). Prosessi N on Poisson-prosessi, joten N(t) N(0) = st Poi(λ(t 0)) = st Poi(λt), jolloin yläraja λt saadaan a-kohdan tuloksesta. () Näytä, että P Y (t) = y Y (0) = x λte λt p x,y 1 2 λ2 t 2. Ratkaisu. Jaetaan tn kahteen termiin P Y (t) = y Y (0) = x = P Y (t) = y & N(t) = 1 Y (0) = x + P Y (t) = y & N(t) 2 Y (0) = x. Huomaa, että N(t) = 0 ei vaikuta, koska y x. Poisson-prosessin ja Markov-ketjun riippumattomuuden perusteella ensimmäinen termi saadaan P Y (t) = y & N(t) = 1 Y (0) = x = P(N(t) = 1)P(X 1 = y X 0 = x) = λte λt p x,y. Näin ollen P Y (t) = y Y (0) = x λte λt p x,y = P Y (t) = y & N(t) 2 Y (0) = x P N(t) 2 Y (0) = x (r-ttomuus) teht. (a)ii = P(N(t) 2) 1 2 λ2 t 2. (d) Päättele aiempien kohtien avulla, että P Y (t) = y Y (0) = x lim t 0 + t = λ p x,y. Ratkaisu. Seuraa suppiloperiaatteesta, sillä -kohdasta saataville majorantille ja minorantille (± vastaavasti) pätee lim t λ2 t 2 ± λte λt p x,y t 1 = lim t λ2 t ± λe λt p x,y = λ p x,y (e) Selitä, miksi myös kaikille t > 0 pätee P Y (t + s) = y Y (t) = x lim s 0 + s = λ p x,y. Ratkaisu. Tapahtuma {Y (t + s) = y Y (t) = x} = {XN(t+s) = y XN(t) = x} vastaa sitä, että askeleiden lukumäärällä N(t + s) N(t) siirrytään diskreetissä Markov-ketjussa X alkutilasta x tilaan y. Vastaavasti tapahtuma {Y (s) = y Y (0) = x} = {XN(s) = 3 / 8
4 y XN(0) } vastaa sitä, että askeleiden lukumäärällä N(s) N(0) siirrytään ketjussa X alkutilasta x tilaan y. Poisson-prosessin määritelmän mukaan N(t + s) N(t) ja N(s) N(0) ovat kummatkin Poi(λs)-jakautuneita (ja riippumattomia ketjun X siirtymistä), joten todennäköisyydet P Y (s) = y Y (0) = x ja P Y (t + s) = y Y (t) = x ovat samat. Siten vertailtavat rajat arvot ovat myös samat. (Tässä käytettiin d-kohdan todennäköisyydessä selkeyden vuoksi muuttujan t sijaan muuttujaa s.) Pohdi, mitä ylläolevat laskut kertovat jatkuva-aikaisen prosessin Y = ( Y (t) ) t 0 hetkittäisistä tilajakaumista ν t = ( ν t (y) ) y S, missä ν t(y) = P Y (t) = y. Ratkaisu. Yllä on lasketut derivaatat kuvaavat differentiaalista tn-massan siirtymää kutakin Markov-siirtymäkaavion (suunnistettua) kaarta pitkin, ts. tn-massan vuontiheyttä kullakin Markov-siirtymäkaavion kaarella. Koska kunkin kaavion solmun sisältämän tn-massan derivaatta on vuo sisään miinus vuo ulos, voidaan nyt laskea tn-massan derivaatat. Formaalisti: tutkitaan tn-jakaumaa vaakavektorina ν t =: (ν t (y)) y S ja sen aikaderivaattaa t ν t. Lasketaan ensin ν t+s (y) = x S P(Y (t + s) = y Y (t) = x)ν t (x) = x y P(Y (t + s) = y Y (t) = x)ν t (x) + ( 1 z y P(Y (t + s) = z Y (t) = y) ) ν t (y) Tämä voidaan nyt sijoittaa (oikean) derivaatan määritelmään: + t ν t (y) (määr.) = lim (yltä) = lim s 0 + (e) = ν t+s (y) ν t (y) s 0 + s x y x y P(Y (t + s) = y Y (t) = x)ν t(x) ( ) λp x,y ν t (x) λp y,z ν t (y) z y (lisätään ja vähennetään λp y,y ν t (y)) s ( z y P(Y (t + s) = z Y (t) = y) ) ν t (y) = λp x,y ν t (x) λν t (y) = λ(ν(p I)) y. x S Kiinnostava kysymys on nyt, miten vasen derivaatta t ν t (y) käyttäytyy. Tähän on kaksi tapaa: (1) erillinen tämän tehtävän kaltainen johto (2) Osoittaa, että ν t on jatkuva 4 / 8
5 t:n suhteen (helppo). Tällöin myös oikea derivaatta + t ν t on y.o. laskun mukaan jatkuva. Yleinen fakta on, että jos jokin funktio on avoimella välillä jatkuva ja oikealta derivoituva ja sen oikea derivaatta on lisäksi jatkuva, niin k.o. funktio on derivoituva (ht). Näin ollen ν t on derivoituva, ja t ν t = λν t (P I). Tämä on diskreetti diffuusioyhtälö. Sen jatkumorajana saadaan fysiikan konvektio diffuusioyhtälö eli Fokker Plank-yhtälö. Saatu yhtälö on lineaarinen, joten ν t riippuu lineaarisesti alkutilasta ν 0. Näin ollen on olemassa aikakehitysmatriisi P t s.e. Y.o. DY voidaan nyt kirjoittaa P t :lle ν t = ν 0 P t. t P t = λp t (P I). Ollaan johdettu ns. Kolmogorovin etuperoinen DY Leskelä 2015, Lause Lisäys. (Johdetun DY:n järkevyyden tarkistus sopivalla esimerkillä.) Tutkitaan symmetristä satunnaiskävelyä Z:lla, joka on siis eräänlainen diskreetti hiukkasten diffuusio. Tällöin ν(p I) j = 1 2 ν(j + 1) ν(j) + 1 ν(j 1) 2 on toisen derivaatan diskretisaatio, joten sitä voidaan hyvällä omallatunnolla merkitä Laplae-operaattorina. Näin saadaan t ν t (x) = λ ν t (x). Toisaalta R:n jatkuvaa diffusiota tutkittaessa tiedetään, että hiukkastiheys ν t (x) (ts. yksittäisen diffusoituvan hiukkasen sijainnin tn-tiheys) toteuttaa diffuusioyhtälön t ν t (x) = λ ν t (x), jossa λ on diffusiivisuusvakio. Uskottavalta siis näyttää. 5 / 8
6 Kotitehtävät 5B3 Vaalimaan raja-asemalle saapuu rekkoja riippumattomin eksponenttijakautunein väliajoin, joiden odotusarvo on 15 min. Saapuvista rekoista kolmasosa ohjataan riippumattomalla satunnaisotannalla tulliin tarkastettavaksi. (a) Millä todennäköisyydellä raja-asemalle ei tunnin aikana saavu yhtään rekkaa? Ratkaisu. Valitaan aikayksiköksi 1 tunti. Tällöin raja-asemalle saapuvien rekkojen laskuriprosessi on Poisson-prosessi intensiteetillä λ = 4 (rekkaa per tunti). (Muistetaan, että tehtävän 5A3 perusteella prosessi, jolla on riippumattomat Exp(λ) -odotusajat on ekvivalentisti Poisson(λ)-prosessi.) Todennäköisyys, että tunnin aikana ei saavu yhtään rekkaa on P(N(1) = 0) = e λ = e 4 = (b) Millä todennäköisyydellä tullin tarkastukseen saapuu vartin aikana vähintään 2 rekkaa? Ratkaisu. Tullin tarkastukseen saapuvien rekkojen laskuriprosessi N 1 (t) on harvennettu Poisson-prosessi, joka luentomonisteen mukaan on myös Poisson-prosessi Leskelä 2015, Lause 9.9. Harvennetun Poisson-prosessin intensiteetti on λ 1 = λ/3 = 4/3 (rekkaa per tunti). Tn, että vähintään 2 rekkaa saapuu aikavälillä 0, t 0, missä t 0 = 1/4, on yhtä kuin P(N 1 (t 0 ) 2) = 1 P(N 1 (t 0 ) = 0) P(N 1 (t 0 ) = 1) = 1 e λ 1t 0 e λ 1t 0 (λ 1 t 0 ) 1 = 1 e (4/3) 1/4 (4/3) 1/4 ((4/3) 1/4)1 e 1! = 1 e 1/3 e 1/3 (1/3) 1! = = B4 Olkoon n N ja > 0. Olkoot U 1, U 2,..., U n riippumattomia ja välin 0, n tasajakaumaa noudattavia satunnaislukuja. Tarkastellaan välin 0, n satunnaista pistekuviota S = {U 1, U 2,..., U n }. (a) Olkoon (a, b 0, n jokin osaväli. Merkitään N ( (a, b ) ( ) = # S (a, b = # { j Uj (a, b, j n } 6 / 8
7 pistekuviossa S tälle välille osuvien pisteiden lukumäärää. Laske todennäköisyydet P N ( (a, b ) = k, k = 0, 1,..., n, ja selvitä siten lukumäärän N ( (a, b ) jakauma. Ratkaisu. Voidaan kirjoittaa N((a, b) = n i=1 I(U i (a, b). Satunnaismuuttujat I(U i (a, b), i {1,..., n} ovat keskenään riippumattomia ja Bernoullijakautuneita parametrilla (b a)/n, joten N((a, b) = st Bin(n, (b a)/n). Siten P N ( (a, b ) = k = ( n k ) ( b a n ) k ( 1 b a ) n k n (b) Kiinnitetään väli (a, b ja tarkastellaan mitä tapahtuu, kun parametri n kasvaa. Laske raja-arvo n kohdassa (a) esiintyvistä todennäköisyyksistä. Ratkaisu. Koska n ( ) ( b a n = b a ) ( b a ), kun n, voidaan soveltaa pienten lukujen lakia Leskelä 2015, Lemma 8.6, josta saadaan, että P N ( (a, b ) = k e ( b a b a )k k! kun n, kaikilla k 0. Lisäys. Huomaa, että saatu arvo on sama kuin Poisson-jakauman pistemassa P Poi((b a)/) (k). Vaikuttaisi siis siltä, että kuvailtu satunnainen pistekuvio lähestyisi Poisson-prosessia intensiteetillä 1/. Tämä on myös uskottavaa, kun muistetaan Poisson-prosessin konstruktio tasakoosteisena sirontakuviona. () Olkoot (a 1, b 1 ja (a 2, b 2 erilliset osavälit, a 1 < b 1 a 2 < b 2 n. Laske näille väleille osuvien pisteiden yhteisjakauman todennäköisyydet P N ( (a 1, b 1 ) = k 1 ja N ( (a 2, b 2 ) = k 2. Ratkaisu. Saadaan P N ( (a 1, b 1 ) = k 1 ja N ( (a 2, b 2 ) = k 2. = P N ( (a 1, b 1 ) = k 1 P N ( (a 2, b 2 ) = k 2 N ( (a 1, b 1 ) = k 1 = P N ( (a 1, b 1 ) = k 1 P N ( (a 2, b 2 ) = k 2 {U i } i {1,...n} (a 1, b 1 = {U i } i {1,...,k1 }, Viimeinen askel on intuitiivisesti selvä, ja se voidaan perustella ehdollistamalla sen suhteen, mitkä satunnaismuuttujista U i osuvat välille (a 1, b 1. Ehdolla {U i } i {1,...n} (a 1, b 1 = {U i } i {1,...,k1 } kukin U i, i {k 1 + 1,..., n} on tasajakautunut joukossa 0, n\(a 1, b 1, siis edelleen kyseisellä ehdolla N ( (a 2, b 2 ) = n i=k 1 +1 I(U i (a 2, b 2 ) = st Bin(n k 1, (b 2 a 2 )/(n (b 1 a 1 )). Siis 7 / 8
8 P N ( (a 1, b 1 ) = k 1 ja N ( (a 2, b 2 ) = k 2 ( ) ( ) k1 ( n b1 a 1 = 1 b ) n k1 1 a 1 k 1 n ( ) ( n k1 k 2 n b 2 a 2 n (b 1 a 1 ) ) k2 ( 1 ) n k1 k b 2 a 2 2 n (b 1 a 1 ) Tässä oletetaan, että k 1, k 2 0 ja k 1 + k 2 n, muuten todennäköisyys on nolla. (d) Kiinnitetään välit (a 1, b 1 ja (a 2, b 2. Laske raja-arvo n kohdassa () esiintyvistä todennäköisyyksistä. Ratkaisu. Taas voidaan hyödyntää pienten lukujen lakia Leskelä 2015, Lemma 8.6, laskemalla edellisen kohdan lausekkeen raja-arvo lausekkeen kummallekin osalle erikseen. Jälkimmäiselle osalle tämä voidaan tehdä, sillä: b 2 a 2 (n k 1 ) n (b 1 a 1 ) = (1 k 1/n)(b 2 a 2 ) (b 1 a 1 )/n b 2 a 2, kun n mikä k 1 :n ollessa vakio on sama kuin raja-arvo kun n k 1 (joka lemmassa lasketaan). Siten P N ( (a 1, b 1 ) = k 1 ja N ( (a 2, b 2 ) = k 2 e b 1 a 1 ( b 1 a 1 ) k 1 k 1! e b 2 a 2 ( b 2 a 2 ) k 2 k 2! kun n. Lisäys. Huomaa, että saatu arvo on sama kuin riipumattomien Poisson-jakaumien yhteispistemassa P Poi((b1 a 1 )/)(k 1 )P Poi((b2 a 2 )/)(k 2 ). Vaikuttaisi siis entistäkin vahvemmin siltä, että kuvailtu satunnainen pistekuvio lähestyisi Poisson-prosessia intensiteetillä 1/., 8 / 8
Poisson-prosessien ominaisuuksia ja esimerkkilaskuja
4B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Tuntitehtävät 4B1 Eksponentiaalisten odotusaikojen toistuva odottaminen. Satunnaisluvun X sanotaan noudattavan Gamma-jakaumaa parametrein k ja λ,
LisätiedotJatkuva-aikaisten Markov-prosessien aikakehitys
5A Jatkuva-aikaisten Markov-prosessien aikakehitys Tämän harjoituksen tavoitteena on harjoitella jatkuva-aikaisiin Markov-prosesseihin liittyviä hetkittäisiä jakaumia ja tutkia niien muutoksia ajassa.
LisätiedotMartingaalit ja informaatioprosessit
4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotMarkov-ketjut pitkällä aikavälillä
2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton; oppia tunnistamaan, milloin
LisätiedotMarkov-kustannusmallit ja kulkuajat
2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua
LisätiedotGeneroivat funktiot, Poisson- ja eksponenttijakaumat
4A Generoivat funktiot, Poisson- ja eksponenttijakaumat Tämän harjoituksen tavoitteena on edelleen tutustua generoivien funktioiden sovelluksiin ja lisäksi harjoitella ratkaisemaan Poisson- ja eksponenttijakaumiin
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..
LisätiedotJatkuva-aikaisia Markov-prosesseja
5B Jatkuva-aikaisia Markov-prosesseja Tämän harjoituksen tavoitteena on harjoitella jatkuva-aikaisiin Markov-prosesseihin liittyviä hetkittäisiä jakaumia ja tasapainojakaumia. Laskuharjoitukseen kannattaa
LisätiedotValintahetket ja pysäytetyt martingaalit
4B Valintahetket ja pysäytetyt martingaalit Tämän harjoituksen tavoitteena on oppia tunnistamaan, mitkä satunnaishetket ovat valintahetkiä ja oppia laskemaan lukuarvoja ja estimaatteja satunnaisprosessien
LisätiedotErilaisia Markov-ketjuja
MS-C2 Stokastiset prosessit Syksy 207 3A Erilaisia Markov-ketjuja Tuntitehtävät 3A Lepakoiden rengastaja (tai kuponkien keräilijä) Lepakkoluolassa on lepakkoa, joista jokainen lentää luolasta ulos joka
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
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.
LisätiedotSatunnaisluvut, satunnaisvektorit ja niiden jakaumat
1A Satunnaisluvut, satunnaisvektorit ja niiden jakaumat Ensimmäisen harjoituksen tavoitteena on kerrata todennäköisyyden peruskäsitteitä, jotka ovat välttämättömiä stokastisten prosessien käsittelyssä.
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,
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
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotSatunnaisluvut, satunnaisvektorit ja niiden jakaumat
1A Satunnaisluvut, satunnaisvektorit ja niiden jakaumat Ensimmäisen harjoituksen tavoitteena on kerrata todennäköisyyden peruskäsitteitä, jotka ovat välttämättömiä stokastisten prosessien käsittelyssä.
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
LisätiedotTodennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset 1. Olkoon X satunnaismuuttuja, ja olkoot a R \ {0}, b R ja Y = ax + b. (a) Olkoon X diskreetti ja f sen pistetodennäköisyysfunktio.
LisätiedotSatunnaismuuttujat ja jakaumat
Luku 2 Satunnaismuuttujat ja jakaumat Lasse Leskelä Aalto-yliopisto 2. syyskuuta 207 2. Satunnaismuuttujan käsite Käytännön tilanteissa ei yleensä olla kiinnostuneita satunnaisilmiön kaikista yksityiskohdista,
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
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
LisätiedotMarkov-ketjut pitkällä aikavälillä
MS-C2111 Stokastiset prosessit 2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton;
LisätiedotEsimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
Lisätiedot4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
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
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
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
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotMartingaalit ja informaatioprosessit
6A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on oppia tunnistamaan, milloin satunnaisprosessi on martingaali annetun informaatioprosessin suhteen ja milloin satunnaishetki on
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
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
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
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 3: Todennäköisyysjakaumia. Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Diskreettejä jakaumia TKK (c) Ilkka Mellin (2007) 1 Diskreettejä jakaumia >> Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma
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
Lisätiedot(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.
Todennäköisyyslaskenta I, kesä 7 Harjoitus 4 Ratkaisuehdotuksia. Satunnaismuuttujalla X on ns. kaksipuolinen eksponenttijakauma eli Laplacen jakauma: sen tiheysfunktio on fx = e x. a Piirrä tiheysfunktio.
LisätiedotJatkuvan aikavälin stokastisia prosesseja
6A Jatkuvan aikavälin stokastisia prosesse Tämän harjoituksen tavoitteena on tutustua uusiutumisprosesseihin tkuva-aikaisiin Markovprosesseihin harjoitella laskemaan niihin liittyviä hetkittäisiä kaumia
LisätiedotGripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta
MS-A00 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta 7.. Gripenberg Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot ja minkä kokeen suoritat! Laskin,
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
LisätiedotJ. Virtamo 38.3143 Jonoteoria / Poisson-prosessi 1
J. Virtamo 38.3143 Jonoteoria / Poisson-prosessi 1 Poisson-prosessi Yleistä Poisson-prosessi on eräs keskeisimmistä jonoteoriassa käytetyistä malleista. Hyvin usein asiakkaiden saapumisprosessia jonoon
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
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
LisätiedotMarkov-kustannusmallit ja kulkuajat
2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotEpäyhtälöt 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
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
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-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
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
LisätiedotSuotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä
Todennäköisyys 1 Klassinen todennäköisyys: p = Suotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä Esimerkkejä: Nopan heitto, kolikon heitto Satunnaismuuttuja Tilastollisesti vaihtelevaa
LisätiedotJohdatus todennäköisyyslaskentaan Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Diskreettejä jakaumia TKK (c) Ilkka Mellin (2005) 1 Diskreettejä jakaumia Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen jakauma Negatiivinen
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
Lisätiedot4. laskuharjoituskierros, vko 7, ratkaisut
4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.
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
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
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
Lisätiedoty 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
LisätiedotProbabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto
Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita
LisätiedotKohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.
25.2.215 1. Autossa on 4 rengasta ja 1 vararengas (T i Exp(λ), [λ] = 1/km, i=1,...,5). Kulkeakseen auto tarvitsee 4 ehjää rengasta. Aluksi auto käyttää neljää alkuperäistä rengasta. Kun yksi näistä vikaantuu,
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
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
LisätiedotOletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 2A
Tilastollinen päättely II, kevät 07 Harjoitus A Heikki Korpela 3. tammikuuta 07 Tehtävä. (Monisteen tehtävä.3 Olkoot Y,..., Y n Exp(λ. Kirjoita vastaava tilastollisen mallin lauseke (ytf. Muodosta sitten
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
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
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
Lisätiedot30A02000 Tilastotieteen perusteet
30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi
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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
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
Lisätiedot2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
LisätiedotDerivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2
MS-C50 Osittaisdifferentiaaliyhtälöt Harjoitukset syksy 07. Oletetaan että vektorikenttä E E E E : R R on kaksi kertaa jatkuvasti derivoituva E C R. Näytä että E E. Derivaatat lasketaan komponenteittain
LisätiedotMatemaattisten tieteiden kandiohjelma / MTL Todennäköisyyslaskenta IIb Kurssikoe (kesto 2h 30 min)
Matemaattisten tieteiden kandiohjelma / MTL Todennäköisyyslaskenta IIb Kurssikoe 8..7 (kesto h 3 min) Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu. Ei
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
Lisätiedot1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.
Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-5 Todennäköisyyslaskenta Tentti.. / Kimmo Vattulainen Vastaa jokainen tehtävä eri paperille. Funktiolaskin sallittu.. a) P A). ja P A B).6. Mitä on P A B), kun A ja B ovat riippumattomia b) Satunnaismuuttujan
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
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
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,
LisätiedotKeskihajonta ja korrelaatio
Luku 4 Keskihajonta ja korrelaatio Lasse Leskelä Aalto-yliopisto 19. syyskuuta 2017 4.1 Jakauman varianssi ja keskihajonta Edellisessä luvussa opittiin, että satunnaismuuttujan odotusarvo on X:n jakauman
LisätiedotTodennäköisyysjakaumia
8.9.26 Kimmo Vattulainen Todennäköisyysjakaumia Seuraavassa esitellään kurssilla MAT-25 Todennäköisyyslaskenta esille tulleita diskreettejä todennäköisyysjakaumia Diskreetti tasajakauma Bernoullijakauma
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)
LisätiedotLiikenneongelmien aikaskaalahierarkia
J. Virtamo 38.3141 Teleliikenneteoria / HOL-esto 1 Liikenneongelmien aikaskaalahierarkia AIKASKAALAHIERARKIA Kiinnostavat aikaskaalat kattavat laajan alueen, yli 13 dekadia! Eri aikaskaaloissa esiintyvät
LisätiedotKäytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:
8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)
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
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
Lisätiedot(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?
6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.
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
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen
MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon
LisätiedotSatunnaismuuttujan odotusarvo ja laskusäännöt
Luku 3 Satunnaismuuttujan odotusarvo ja laskusäännöt Lasse Leskelä Aalto-yliopisto 16. syyskuuta 2017 3.1 Odotusarvon käsite ja suurten lukujen laki Lukuarvoisen satunnaismuuttujan X odotusarvo määritellään
LisätiedotD ( ) E( ) E( ) 2.917
Mat-2.091 Sovellettu todennäköisyyslasku 4. harjoitukset/ratkaisut Aiheet: Diskreetit jakaumat Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen jakauma, Kertymäfunktio,
LisätiedotSallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa
Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II. kurssikoe 18.1.15 Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa
Lisätiedoty + 4y = 0 (1) λ = 0
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 6 mallit Kevät 2019 Tehtävä 1. Ratkaise yhtälöt a) y + 4y = x 2, b) y + 4y = 3e x. Ratkaisu: a) Differentiaaliyhtälön yleinen
Lisätiedot031021P Tilastomatematiikka (5 op) viikot 5 6
031021P Tilastomatematiikka (5 op) viikot 5 6 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 2
031021P Tilastomatematiikka (5 op) viikko 2 Jukka Kemppainen Mathematics Division Satunnaismuuttuja Useissa luonnon- tai teknistieteellisissä sovellutuksissa satunnaiskokeen lopputulos on numeerinen lukuarvo.
Lisätiedot