Moniulotteiset jakaumat ja havaintoaineistot

Koko: px
Aloita esitys sivulta:

Download "Moniulotteiset jakaumat ja havaintoaineistot"

Transkriptio

1 Momuuttujameetelmät: Ilkka Mell. Moulotteset jakaumat.. Satuasmuuttujat ja todeäkösyysjakaumat.. Yhtesjakaumat.3. Reuajakaumat ja satuasmuuttuje rumattomuus.4. Ehdollset jakaumat.5. Yhtesjakaume tuusluvut.6. Ehdollste jakaume tuusluvut.7. Tlastollset matrst.8. Yhtesjakaume tuuslukuje geometre tulkta.9. Karakterste fukto. Moulotteset havatoaestot.. Moulotteste havatoaestoje tuusluvut.. Tlastolle etäsyys ja Mahalaobs-etäsyys TKK Ilkka Mell (007) /44

2 Momuuttujameetelmät:. Moulotteset jakaumat.. Satuasmuuttujat ja todeäkösyysjakaumat SATUNNAISILMIÖT TILASTOLLISET MALLIT σ-algebra TODENNÄKÖISYYS MITALLISET JOUKOT OTOSAVARUUS ALKEISTAPAHTUMAT TAPAHTUMAT SATUNNAISMUUTTUJAT, TODENNÄKÖISYYSJAKAUMAT TODENNÄKÖISYYSJAKAUMA SATUNNAISILMIÖN TILASTOLLISENA MALLINA SATUNNAISMUUTTUJIEN TODENNÄKÖISYYSJAKAUMAT JA NIIDEN KERTYMÄFUNKTIOT JATKUVAT SATUNNAISMUUTTUJAT JA NIIDEN TIHEYSFUNKTIOT.. Yhtesjakaumat SATUNNAISVEKTORIT MONIULOTTEISTEN SATUNNAISMUUTTUJIEN YHTEISJAKAUMAT JA NIIDEN KERTYMÄFUNKTIOT KERTYMÄFUNKTIOIDEN OMINAISUUDET TIHEYSFUNKTIO TIHEYSFUNKTIOIDEN OMINAISUUDET MUUTTUJIEN VAIHTO SOVELLUS: LINEAARIMUUNNOKSEN TIHEYSFUNKTIO.3. Reuajakaumat ja satuasmuuttuje rumattomuus REUNAJAKAUMAT SATUNNAISMUUTTUJIEN RIIPPUMATTOMUUS.4. Ehdollset jakaumat EHDOLLISET JAKAUMAT EHDOLLISET JAKAUMAT JA RIIPPUMATTOMUUS.5. Yhtesjakaume tuusluvut SATUNNAISMUUTTUJIEN FUNKTIOIDEN ODOTUSARVOT ODOTUSARVO SATUNNAISMUUTTUJIEN TULON ODOTUSARVO JA RIIPPUMATTOMUUS VARIANSSI STANDARDIPOIKKEAMA STANDARDOINTI KOVARIANSSI KORRELAATIOKERROIN KORRELAATIOKERTOIMEN OMINAISUUKSIA RIIPPUMATTOMUUS JA KORRELOIMATTOMUUS TKK Ilkka Mell (007) /44

3 .6. Ehdollste jakaume tuusluvut SATUNNAISMUUTTUJIEN FUNKTIOIDEN EHDOLLISET ODOTUSARVOT EHDOLLINEN ODOTUSARVO REGRESSIOFUNKTIOT EHDOLLINEN VARIANSSI EHDOLLINEN KOVARIANSSI EHDOLLINEN KORRELAATIO.7. Tlastollset matrst SATUNNAISMATRIISIT SATUNNAISMATRIISIN ODOTUSARVO SATUNNAISVEKTORIT ODOTUSARVOVEKTORI KOVARIANSSIMATRIISI KOVARIANSSIMATRIISIN OMINAISUUDET KOKONAISVARIANSSI YLEISTETTY VARIANSSI KORRELAATIOMATRIISI KORRELAATIOMATRIISIN OMINAISUUDET.8. Yhtesjakaume tuuslukuje geometre tulkta ODOTUSARVON GEOMETRINEN TULKINTA KOVARIANSSIN, KESKIHAJONNAN JA KORRELAATION GEOMETRINEN TULKINTA.9. Karakterste fukto ODOTUSARVON GEOMETRINEN TULKINTA KOVARIANSSIN, KESKIHAJONNAN JA KORRELAATION GEOMETRINEN TULKINTA. Moulotteset havatoaestot.. Moulotteste havatoaestoje tuusluvut HAVAINTOMATRIISI YKKÖSTEN MUODOSTAMA VEKTORI YKSIKKÖMATRIISI KESKIARVOVEKTORI MOMENTTIMATRIISI OTOSKOVARIANSSIMATRIISI OTOSKORRELAATIOMATRIISI.. Tlastolle etäsyys ja Mahalaobs-etäsyys TILASTOLLINEN ETÄISYYS SOVELLUS: TAVANOMAINEN t-testisuure MAHALANOBIS-ETÄISYYS, TKK Ilkka Mell (007) 3/44

4 TKK Ilkka Mell (007) 4/44

5 . Moulotteset jakaumat.. Satuasmuuttujat ja todeäkösyysjakaumat Satuaslmöt Reaalmaalma lmö o satuaslmö, jos sllä o seuraavat omasuudet: () Ilmö vo äätyä alkutlastaa uses erlas loutloh el lmöllä o useta erlasa vahtoehtosa tuloksa. () Ilmö alkutla erusteella e voda tarkast eustaa lmö loutlaa el stä, mkä mahdollssta tulosvahtoehdosta realsotuu el toteutuu. () Vakka lmö loutlaa e voda eustaa tarkast, lmö tulosvahtoehtoje suhteellste frekvesse el suhteellste osuukse ähdää lmö tostuessa käyttäytyvä sääömukasest. Tlastollset mallt Tlastotetee tehtävää o kehttää reaalmaalma satuaslmölle malleja, jode avulla vodaa tehdä lmötä koskeva johtoäätöksä. Satuaslmöde tlastollset mallt erustuvat todeäkösyyslasketaa ja tä kutsutaa use stokastsks malleks ta todeäkösyysmalleks. Satuaslmö tlastollsessa mallssa o oltava seuraavat osat: () Satuaslmö tulosvahtoehtoje kuvaus. () Tulosvahtoehtoje todeäkösyykse kuvaus. σ-algebra Olkoo S joukko ja olkoo F = { A A S} jok jouko S osajoukkoje muodostama joukkoerhe. Joukkoerhe F o σ-algebra, jos seuraavat ehdot ätevät: () () F A c F A () A, A, F A = F F Todeäkösyys Olkoo S joukko ja olkoo F jok jouko S osajoukkoje muodostama σ-algebra. Olkoo Pr joukkofukto, joka lttää jokasee σ-algebraa F kuuluvaa jouko S osajoukkoo A reaalluvu Pr(A): Pr: F TKK Ilkka Mell (007) 5/44

6 Joukkofukto Pr o todeäkösyys, jos seuraavat ehdot ätevät: () Pr( S ) = () 0 Pr( A) kaklle A F () Jos A, A, F ja A Aj =, ku j, ( A = ) Pr = Pr( A) = Ste todeäkösyys Pr o σ-algebrassa F määrtelty täydellsest addtve, ormeerattu ja e-egatve mtta. Mtallset joukot σ-algebraa F kuuluva otosavaruude S osajoukkoja A kutsutaa todeäkösyysmta Pr suhtee mtallsks joukoks. Otosavaruudet Perusjoukkoa S, jossa todeäkösyysmtta Pr o määrtelty, kutsutaa todeäkösyyslaskeassa otosavaruudeks. Alkestaahtumat Otosavaruude alkota s S kutsutaa alkestaahtumks. Taahtumat Taahtumat ovat otosavaruudessa S määrtelly todeäkösyysmta Pr suhtee mtallsa osajoukkoja el taahtumat ovat σ-algebra F alkota. Satuasmuuttujat Olkoo mtalle fukto el kuvaus otosavaruudesta S reaallukuje joukkoo : : S Tällö o satuasmuuttuja. Huomautus : Fukto o mtalle, jos jokase reaallukuje joukossa avome jouko alkukuva o mtalle. Huomautus : Satuasmuuttuja o fuktoa täys määrätty, mutta sattuma määrää mkä se arvosta realsotuu, ku ko. satuaslmö estyy. Huomautus 3: Satuasmuuttuja kuvaa satuaslmö tulosvahtoehtoja umeersessa muodossa. TKK Ilkka Mell (007) 6/44

7 Todeäkösyysjakaumat Satuasmuuttuja todeäkösyysjakaumalla tarkotetaa satuasmuuttuja reaallukuje joukkoo dsomaa todeäkösyysmttaa. Todeäkösyysjakaumat satuaslmöde tlastollsa mallea Satuaslmö tlastolle mall o täys määrätty, jos seuraavat ehdot ätevät: () () Satuaslmö tulosvahtoehtoja umeersessa muodossa kuvaava satuasmuuttuja tuetaa. Todeäkösyysmassa jakautumsta satuasmuuttuja arvoalueelle kuvaava todeäkösyysjakauma tuetaa. Satuasmuuttuje todeäkösyysjakaumat ja de kertymäfuktot Satuasmuuttuja todeäkösyysjakauma määrää täys se kertymäfukto F(x) = Pr( x) mssä x o kteä el e-satuae reaalluku. Jatkuvat satuasmuuttujat ja de theysfuktot Olkoo F(x) = Pr( x) satuasmuuttuja kertymäfukto. Jos dervaatta df( x) dx o olemassa ja o jatkuva, fukto df( x) f( x) = F ( x) = dx o satuasmuuttuja theysfukto. Jos theysfukto f(x) o olemassa, se määrää täys satuasmuuttuja x jakauma... Yhtesjakaumat Satuasvektort Olkoo = (,,, ) satuasmuuttuje,,, muodostama -vektor. Vektora kutsutaa - ulotteseks satuasmuuttujaks ta satuasvektorks. Huomautus: Iso krjame käytöllä vektor merktää halutaa tässä luvussa korostaa stä, että vektor o satuasmuuttuja. TKK Ilkka Mell (007) 7/44

8 Moulotteste satuasmuuttuje yhtesjakaumat ja de kertymäfuktot -ulottese satuasmuuttuja = (,,, ) yhtesjakauma määrää täys se kertymäfukto F (x) = F (x, x,, x ) = Pr( x, x,, x ) jossa x = (x, x,, x ) o ktede el e-satuaste reaallukuje x, x,, x muodostama -vektor. Kertymäfuktode omasuudet Lause... () F (+, +,., + ) = () F (, x,, x ) = F (x,,, x ) = = F (x,, x, ) = 0 () F (x, x,, x ) F (x + x, x + x,, x + x ) mssä x 0, =,,, Theysfukto Olkoo F (x) = F (x, x,, x ) -ulottese satuasmuuttuja = (,,, ) yhtesjakauma kertymäfukto. Jos dervaatta F ( x, x,, x ) x x x o olemassa ja o jatkuva, fukto f ( x) = f ( x, x,, x ) = F ( x, x,, x ) x x x o satuasmuuttuja yhtesjakauma theysfukto. Jos theysfukto f (x) o olemassa, se määrää täys satuasmuuttuja yhtesjakauma. Theysfuktode omasuudet Lause... () f ( x ) 0 kaklle x () f ( x ) d x = () Olkoo A. Tällö = Pr( A) f ( x) dx A (v) x x F ( x,, x ) f ( u,, u ) du du = TKK Ilkka Mell (007) 8/44

9 Muuttuje vahto Olkoo = (,,, ) -ulottee satuasvektor, joka theysfukto o f (x) ja olkoo jossa fukto Y = g() g : o bjekto. Tällö satuasvektor Y theysfukto o f ( ) ( ) f ( g ( )) x Y y = y ( y) jossa g o fukto g käätesfukto ja ( x) ( x) = abs ( y) ( y) o muuokse x = g (y) Jacob determat tsesarvo. x x y y ( x) = det ( y) x x y y Sovellus: Leaarmuuokse theysfukto. Olkoo = (,,, ) -ulottee satuasvektor, joka theysfukto o f (x) ja olkoo Y = A jossa matrs A o eäsgulaare, jollo = A Y Olkoo matrs A käätesmatrs A. rv ja j. sarakkee alko ja olkoo jollo a j,, j =,,, x = a j y + a j y + + a j y, =,,, x y j j = a,, j =,,, Ste muuokse x = A y Jacob determatt o ( x) = det( A ) = ( y) det( A) TKK Ilkka Mell (007) 9/44

10 ja satuasmuuttuja Y theysfukto saadaa kaavasta f Y( y) = f( A y)abs( A ).3. Reuajakaumat ja satuasmuuttuje rumattomuus Olkoo F (x) = F (x, x,, x ) -ulottese satuasmuuttuja = (,,, ) yhtesjakauma kertymäfukto ja olkoo f (x) = f (x, x,, x ) vastaava theysfukto. Reuajakaumat Satuasmuuttuje,,, q (q < ) reuajakauma kertymäfukto F ( x,, xq) saadaa lausekkeesta Ste satuasmuuttuje,, q F ( x,, x ) = F ( x,, x, +,, + ),, q q q + + xq x,,, q (q < ) reuajakauma theysfukto f ( u,, u ) du du = + + f ( x,, x ) = f( x,, x ) dx dx,, q q q+ saadaa tegromalla satuasmuuttuja = (,,, ) theysfukto f ( x,, x ) muuttuje x q+, x q+,, x suhtee. Satuasmuuttuje rumattomuus Satuasmuuttujat,,, q ovat rumattoma satuasmuuttujsta q+, q+,, jos ja va jos kum tahasa seuraavsta ehdosta ätee: () F ( x,, x ) = F ( x,, x ) F ( x,, x ),, q q q+,, q+ () f ( x,, x ) = f ( x,, x ) f ( x,, x ),, q q q+,, q+ TKK Ilkka Mell (007) 0/44

11 Satuasmuuttujat,,, ovat rumattoma, jos ja va jos kum tahasa seuraavsta ehdosta ätee: () F ( x,, x) = F ( x) F ( x) () f ( x,, x ) = f ( x ) f ( x ) Rumattome satuasmuuttuje yhtesjakauma kertymäfukto (theysfukto) vodaa ss esttää -ulotteste reuajakaume kertymäfuktode (theysfuktode) tuloa ja käätäe, jos tällae tuloestys o vomassa, ko. satuasmuuttujat ovat rumattoma. Huomautus: Vertaa satuasmuuttuje rumattomuude määrtelmää taahtume rumattomuude määrtelmää: Taahtumat A ja B ovat rumattoma, jos ja va jos Pr(A B) = Pr(A)Pr(B).4. Ehdollset jakaumat Olkoo f (x) = f (x, x,, x ) -ulottese satuasmuuttuja = (,,, ) yhtesjakauma theysfukto. Ehdollset jakaumat Satuasmuuttuje,,, q (q < ) ehdollse jakauma theysfukto ehdolla o q+ = x q+, q+ = x q+,, = x f ( x,, x x,, x ),, q q+,, q q+ = = + + f ( x,, x ) q+,..., q+ f ( x,, x ) dx dx f ( x,, x ) f ( x,, x ) q Huomautus : Ehtomuuttuje q+, q+,, arvot x q+, x q+,, x ovat ktetä, e-satuasa vakota. Huomautus : Vertaa ehdollse jakauma theysfukto määrtelmää ehdollse todeäkösyyde määrtelmää: Taahtuma A ehdolle todeäkösyys ehdolla, että taahtuma B o sattuut, o TKK Ilkka Mell (007) /44

12 Pr( A B) Pr( A B) = Pr( B) Ehdollset jakaumat ja rumattomuus Jos satuasmuuttujat,,, q ovat rumattoma satuasmuuttujsta q+, q+,, f ( x,, x x,, x ) f ( x,, x ),, q q+,, q q+ =,, q q.5. Yhtesjakaume tuusluvut Olkoo f (x) = f (x, x,, x ) -ulottese satuasmuuttuja = (,,, ) yhtesjakauma theysfukto. Jakauma tuuslukuje tehtävää o kuvata jakauma karakterstsa omasuuksa. Satuasmuuttuje fuktode odotusarvot Määrtellää -ulottese satuasmuuttuja = (,,, ) reaalarvose fukto odotusarvo. Olkoo g : reaalarvoe fukto. Satuasmuuttuja g(,,, ) odotusarvo o reaalluku (vako) Odotusarvo o olemassa, jos E[ g(,, )] = g( x,, x ) f( x,, x ) dx dx gx (,, x) f( x,, x) dx dx < Satuasvektor = (,,, ) komoette odotusarvot, varasst ja stadardokkeamat saadaa erkostaauksa -ulottese satuasmuuttuja reaalarvose fukto odotusarvo kaavasta. Odotusarvo Määrtellää satuasmuuttuja odotusarvo. Olkoo g(,,, ) =, =,,, TKK Ilkka Mell (007) /44

13 Tällö vako E( ) = µ, =,,, o satuasmuuttuja odotusarvo. Huomautus: Satuasmuuttuja odotusarvo E( ) satuasmuuttuje,,, yhtesjakaumassa yhtyy satuasmuuttuja reuajakauma odotusarvoo: + E( ) = µ = x f ( x ),,,, dx = Satuasmuuttuje tulo odotusarvo ja rumattomuus Lause.5.. Jos satuasmuuttujat,,, ovat rumattoma, E( ) = E( )E( ) E( ) Huomautus: Varass Käätee e äde! Määrtellää satuasmuuttuja varass. Olkoo mssä g (,,, ) = ( µ ), =,,, E( ) = µ, =,,, o satuasmuuttuja odotusarvo. Tällö vako E[( µ ) ] = Var( ) = D ( ) = σ, =,,, o satuasmuuttuja varass. Huomautus: Satuasmuuttuja varass Var( ) satuasmuuttuje,,, yhtesjakaumassa yhtyy satuasmuuttuja reuajakauma varass: + Var( ) = D ( ) = σ = ( µ ) ( ), =,,, x f x dx Stadardokkeama Määrtellää satuasmuuttuja stadardokkeama. Satuasmuuttuja stadardokkeama D( ) o varass D ( ) elöjuur: D( ) = σ, =,,..., TKK Ilkka Mell (007) 3/44

14 Huomautus: Satuasmuuttuja stadardokkeama D( ) satuasmuuttuje,,, yhtesjakaumassa yhtyy satuasmuuttuja reuajakauma stadardokkeamaa. Stadardot Olkoo = (,,, ) satuasvektor, joka alkolle ätee E( ) = µ, =,,, D( ) = σ, =,,, Määrtellää satuasmuuttujat µ Y =, =,,, σ jollo E(Y ) = 0, =,,, ja D(Y ) =, =,,, Tällö saotaa, että satuasmuuttujat Y o saatu stadardomalla satuasmuuttujat. Kovarass Myös kahde satuasmuuttuja kovarass saadaa erkostaauksea -ulottese satuasmuuttuja reaalarvose fukto odotusarvo kaavasta. Määrtellää satuasmuuttuje ja j kovarass. Olkoo g(,,, ) = ( µ )( µ ),, j =,,, mssä Tällö vako µ = E( ), k =, j k k j j E[( µ )( µ )] = Cov(, ) = σ,, j =,,, j j j j o satuasmuuttuje ja j kovarass. Huomautus : Satuasmuuttuje ja j kovarass o argumettesa suhtee symmetre fukto: Cov(, j ) = σ j = σ j = Cov( j, ),, j =,,, Huomautus : Satuasmuuttuja kovarass tsesä kassa o ko. muuttuja varass: Cov(, ) = σ = σ = Var( ), =,,, TKK Ilkka Mell (007) 4/44

15 Huomautus 3: Satuasmuuttuje ja j kovarass Cov(, j ) satuasmuuttuje,,, yhtesjakaumassa yhtyy satuasmuuttuje ja j kovarass satuasmuuttuje ja j reuajakaumassa: + + Cov(, ) = σ = ( x µ )( x µ ) f ( x, x ) dxdx,, j =,,, j j j j j j j Korrelaato Määrtellää satuasmuuttuje ja j korrelaato. Satuasmuuttuje ja j (Pearso tulomomett-) korrelaatokerro o vako j Cor(, j) = ρj = σ,, j =,,, σσ mssä σ = Cov(, ) j j k k σkk k k σ = Var( ) = = Cov(, ), k =, j j Huomautus : Satuasmuuttuje ja j korrelaato o argumettesa suhtee symmetre fukto: Cor(, j ) = ρ j = ρ j = Cor( j, ),, j =,,, Huomautus : Satuasmuuttuja korrelaato tsesä kassa o yks: Cor(, ) = ρ =, =,,, Huomautus 3: Satuasmuuttuje ja j korrelaato Cor(, j ) satuasmuuttuje,,, yhtesjakaumassa yhtyy satuasmuuttuje ja j korrelaatoo satuasmuuttuje ja j reuajakaumassa. Korrelaatokertome omasuuksa Lause.5.. () 0 ρ j,, j =,,, () Jos satuasmuuttujat ja j ovat rumattoma, ρ j = 0. () ρ j = ± jos ja va jos = α + β j (todeäkösyydellä ) jossa α ja β ovat reaalsa vakota ja β 0. TKK Ilkka Mell (007) 5/44

16 Huomautus : Korrelaatokerro ρ j mttaa satuasmuuttuje ja j leaarse ruvuude vomakkuutta. Satuasmuuttuje ja j välllä vo olla joa eksakt eäleaare ruvuus ja samaakasest Cor(, j ) = ρ j = 0 Ks. kohtaa Rumattomuus ja korrelomattomuus. Huomautus : Stadardotuje satuasmuuttuje kovarass o alkueräste satuasmuuttuje korrelaato: Oletetaa, että satuasmuuttujat Y ja Y j o saatu stadardomalla satuasmuuttujsta ja j el k E( k) Yk =, k =, j D( k ) Tällö Cov(Y, Y j ) = Cor(, j ) Rumattomuus ja korrelomattomuus Rumattome satuasmuuttuje kovarass ja korrelaato hävävät. Lause.5.3. Jos satuasmuuttujat ja ovat rumattoma, Cov(, ) = 0 ja Cor(, ) = 0 Jos Cov(, ) = Cor(, ) = 0, saomme, että satuasmuuttujat ja ovat korrelomattoma. Huomautus: Korrelomattomat satuasmuuttujat evät ole välttämättä rumattoma. Vodaa kutek osottaa, että multormaaljakaumaa oudattavat satuasmuuttujat ovat rumattoma, jos ja va jos e ovat korrelomattoma..6. Ehdollste jakaume tuusluvut Olkoo satuasmuuttuje f x x x x (,,,, ),, q q,, q q+ +,,, q (q < ) ehdollse jakauma theysfukto ehdolla q+ = x q+, q+ = x q+,, = x Ehdollse jakauma tuuslukuje tehtävää o kuvata ehdollse jakauma karakterstsa omasuuksa. TKK Ilkka Mell (007) 6/44

17 Huomautus: Ehtomuuttuje q+, q+, arvot x q+, x q+,, x ovat ktetä, e-satuasa vakota. Satuasmuuttuje fuktode ehdollset odotusarvot Olkoo g : q reaalarvoe fukto. Satuasmuuttuje fukto,,, q (q < ) g(,,, q ) ehdolle odotusarvo ehdolla q+ = x q+, q+ = x q+,, = x o reaalluku (vako) E[ g(,, = x,, = x )] q q+ q+ + + = g( x x ) f ( x,, x x,, x ) dx dx q,, q q+,, q q+ q Ehdolle odotusarvo Määrtellää satuasmuuttuja, =,,, q (q < ) ehdolle odotusarvo. Olkoo g(,,, ) =, =,,, q q Tällö vako E( = x,, = x ) = µ, =,,, q q+ q+ q+,, o satuasmuuttuja ehdolle odotusarvo ehdolla Regressofuktot q+ = x q+, q+ = x q+,, = x Satuasmuuttuja, =,,, q (q < ) ehdollsta odotusarvoa E( = x,, = x ), =,,, q q+ q+ kutsutaa ehtomuuttuje q+,, arvoje x q+,, x fuktoa satuasmuuttuja regressofuktoks satuasmuuttuje q+,, suhtee. Regressofukto E( = x,, = x ) q+ q+ määrttelee a x = hx (,, x) q+ ( q +)-ulottesessa avaruudessa. TKK Ilkka Mell (007) 7/44

18 Huomautus: Regressofuktot ovat yleesä ehtomuuttuje q+,, arvoje x q+,, x suhtee eäleaarsa, mutta multormaaljakauma taauksessa e ovat leaarsa. Ehdolle varass Määrtellää satuasmuuttuja, =,,, q (q < ) ehdolle varass. Olkoo mssä (,,, q) = ( µ ),,,, q + =,, g q µ E(,, q xq,, x) q = = = o satuasmuuttuja ehdolle odotusarvo ehdolla Tällö vako q+ = x q+, q+ = x q+,, = x E[( µ ),, q xq,, x] q+ + = + = = Var( = x,, = x ) q+,, q+ q+ = σ, =,,, q o satuasmuuttuja ehdolle varass ehdolla q+ = x q+, q+ = x q+,, = x Ehdolle kovarass Määrtellää satuasmuuttuje ja j,, j =,,, q (q < ) ehdolle kovarass. Olkoo mssä g(,,, ) = ( µ )( µ ),, j =,,, q q q+,, j j q+,, µ = E(,, k q xq,, x), k, j k q+ + = + = = o satuasmuuttuja h ehdolle odotusarvo ehdolla Tällö vako q+ = x q+, q+ = x q+,, = x E[( µ )( µ ) = x,, = x ] q+,, j j q+,, q+ q+ = Cov(, = x,, = x ) j q+,, j q+ q+ = σ,, j =,,, q o satuasmuuttuja ehdolle kovarass ehdolla q+ = x q+, q+ = x q+,, = x TKK Ilkka Mell (007) 8/44

19 Ehdolle korrelaato Määrtellää satuasmuuttuje ja j ehdolle korrelaato. Satuasmuuttuje ja j ehdolle (tulomomett-) korrelaatokerro o vako σ j q+,, Cor(, j q+,, ) = ρ =,, j =,,, q j q+,, σ σ q+,, j q+,, mssä σ σ j q+,, k q+,, = Cov(,,, ) j q+ = Var(,, ) = Cov(,,, ), k =, j k q+ k k q+.7. Tlastollset matrst Satuasmatrst Olkoo Z = [Z j ] satuasmuuttuje Z j, =,,, m, j =,,, muodostama m -matrs, mssä satuasmuuttuja Z j o matrs Z. rv ja j. sarakkee alko. Tällö matrsa Z kutsutaa satuasmatrsks. Satuasmatrs odotusarvo m -satuasmatrs Z odotusarvo E(Z) o m -matrs, joka. rv ja j. sarakkee alko [E(Z)] j = E(Z j ), =,,, m, j =,,, o satuasmuuttuja Z j odotusarvo. Satuasvektort Olkoo = (,,, ) satuasmuuttuje,,, muodostama -vektor. Vektora kutsutaa - ulotteseks satuasmuuttujaks ta satuasvektorks. Odotusarvovektor -ulottese satuasvektor = (,,, ) odotusarvovektor µ o -vektor E() = (E( ), E( ),, E( )) = (µ, µ,, µ ) = µ joka. alko TKK Ilkka Mell (007) 9/44

20 [µ] = E( ) = µ, =,,, o satuasmuuttuja odotusarvo. Kovarassmatrs -ulottese satuasvektor = (,,, ) kovarassmatrs Σ o -matrs Cov() = [Cov(, j )] = [E[( µ )( j µ j )]] = [σ j ] = Σ joka. rv ja j. sarakkee alko [Cov()] j = Cov(, j ) = E[( µ )( j µ j )] = σ j,, j =,,, o satuasmuuttuje ja j kovarass. Koska kovarassmatrs Σ dagoaalalkot ovat satuasmuuttuje varasseja: Σ [ ] = σ = σ = Var( ), =,,, kovarassmatrs Σ vodaa esttää alkotta seuraavassa muodossa: σ σ σ σ σ σ Σ = σ σ σ Huomautus: Satuasmuuttuja kovarassmatrs vodaa määrtellä matrse kaavalla Cov() = Σ = E[( µ)( µ) ] koska [( µ)( µ) ] j = ( µ )( j µ j ),, j =,,, Merktä: Jos E() = µ ja Cov() = Σ, merktsemme use (µ, Σ) Kovarassmatrs omasuuksa Lause.7.. Olkoo -ulottese satuasvektor, jolle E() = µ ja Cov() = Σ. Tällö: () Σ o symmetre: Σ = Σ () Σ o e-egatvsest deftt: Σ 0 Perustelu: () Kovarassmatrs Σ o symmetre, koska σ j = σ j,, j =,,, TKK Ilkka Mell (007) 0/44

21 () Olkoo Y = a jossa a o melvaltae e-satuae -vektor. Tällö E( Y ) = E( a ) = a E( ) = aµ ja Y = Y aµ = E[( Y aµ )( Y aµ )] = E[( a aµ )( a µa )] = E[ a ( µ )( µ ) a] = a E[( µ )( µ )] a = a Σa 0 D( ) E[( )] sllä D( Y ) 0. Koska vektor a ol melvaltae, matrs Σ o eegatvsest deftt el Σ 0 Huomautus: Koska kovarassmatrs Σ = [σ j ] o symmetre el σ j = σ j,, j =,,, sä oleve vaade arametre lukumäärä o ( + ) Lause.7.. Olkoo -ulottese satuasvektor, jolle E() = µ ja Cov() = Σ. Olkoo Y = A jossa A o e-satuae -matrs. Tällö E(Y) = Aµ ja Cov() = AΣA Perustelu: Olkoo -ulottese satuasvektor, jolle E() = µ ja Cov() = Σ. Olkoo Y = A jossa A o e-satuae -matrs. Tällö E( Y) = E( A) = AE( ) = Aµ ja TKK Ilkka Mell (007) /44

22 Cov( Y) = E[( Y E( Y))( Y E( Y)) ] = E[( Ax Aµ )( Ax Aµ )] = E[( Ax Aµ )( x A µ A )] = E[ Ax ( µ )( x µ ) A ] = AE[( x µ )( x µ )] A = AΣA Lauseesta.7.. saadaa erkostaauksea seuraava tulos: Lause.7.3. Olkoo -ulottese satuasvektor, jolle E() = µ ja Cov() = Σ. Oletetaa lsäks, että matrs Σ o ostvsest deftt. Tällö o olemassa leaarkuvaus Y = A b ste, että E(Y) = 0 ja Cov(Y) = I Perustelu: Olkoo -ulottese satuasvektor, jolle E() = µ ja Cov() = Σ > 0. Olkoo Σ = QΛQ kovarassmatrs Σ ääakselhajotelma, jossa Λ = dag( λ, λ,, λ ) o dagoaalmatrs, joka dagoaalalkoa ovat kovarassmatrs Σ omasarvot λ λ λ > 0 ja Q o vastaave omasvektorede muodostama ortogoaale matrs, jossa omasvektort ovat sarakkea. Huomaa, että kakk kovarassmatrs Σ omasarvot ovat adost ostvsa, koska olemme olettaeet, että matrs Σ o ostvsest deftt. Ste vomme määrtellä vektor jossa Y = Λ Q µ / ( ) ( λ λ λ ) Λ = dag,,, Todetaa es, että / E( Y) = E[ Λ Q ( µ )] / = Λ Q E( µ ) / = Λ Q [E( ) µ ] = 0 TKK Ilkka Mell (007) /44

23 Lsäks lauseesta.7.. seuraa, että / / Cov( Y) = E[ Λ Q ( µ )( µ ) QΛ ] / / = Λ Q E[( µ )( µ )] QΛ / / = Λ Q ΣQΛ / / = Λ QQΛQQΛ / / = Λ ΛΛ = I koska Q Q = I. Jos ss satuasvektor kovarassmatrs o ostvsest deftt, o olemassa leaarkuvaus, joka muutaa satuasvektor korrelomattome satuasmuuttuje muodostamaks vektorks Y ja lsäks vektor Y alkode odotusarvot ovat olla ja varasst ovat ykkösä. Kokoasvarass -ulottese satuasvektor kovarassmatrs Σ = [σ j ] jälkeä tr( Σ ) = σ + σ + + σ = σ + σ + + σ kutsutaa satuasvektor kokoasvarassks. Ylestetty varass Satuasmuuttuja kovarassmatrs Σ determatta det(σ) = Σ kutsutaa satuasvektor ylestetyks varassks. Lause.7.4. Olkoo -ulottese satuasvektor, jolle E() = µ ja Cov() = Σ. Olkoot kovarassmatrs Σ omasarvot Tällö ja λ, λ,, λ tr(σ) = λ + λ + + λ det(σ) = λ λ λ Perustelu: Olkoo -ulottese satuasvektor, jolle E() = µ ja Cov() = Σ ja olkoo Σ = QΛQ kovarassmatrs Σ ääakselhajotelma, jossa Λ = dag( λ, λ,, λ ) TKK Ilkka Mell (007) 3/44

24 o dagoaalmatrs, joka dagoaalalkoa ovat kovarassmatrs Σ omasarvot λ λ λ 0 ja Q o ortogoaale matrs, joka sarakkea ovat vastaavat omasvektort. Matrs jälje ja determat omasuukse erusteella ja tr(σ) = tr(qλq ) = tr(λq Q) = tr(λ) = λ + λ + + λ det(σ) = Σ = QΛQ = Q Λ Q = Λ = λ λ λ koska Q Q = I ja Q = Q = ±. Korrelaatomatrs -ulottese satuasvektor = (,,, ) korrelaatomatrs Ρ o -matrs Cor() = [Cor(, j )] = [ρ j ] = Ρ joka. rv ja j. sarakkee alko σ j [Cor( )] j = Cor(, j ) = ρj =,, j =,,, σσ o satuasmuuttuje ja j korrelaato, mssä σ j = Cov(, j ),, j =,,, o satuasmuuttuje ja j kovarass ja σ = Var( ) = σ, k =, j k k kk o satuasmuuttuja k varass. Huomautus: Satuasmuuttuje ja j korrelaatota määrteltäessä o oletettu mlsttsest, että de varasst ovat ostvsa. Tämä o totta, jos satuasvektor kovarassmatrs Σ o ostvsest deftt el Σ > 0 Koska korrelaatomatrs Ρ dagoaalalkot ovat ykkösä: [Ρ] = ρ =, =,,, korrelaatomatrs vodaa esttää alkotta seuraavassa muodossa: Huomautus: Ρ ρ ρ ρ ρ ρ ρ = Olkoo -ulottese satuasvektor kovarassmatrs Σ = [σ j ] > 0 ja korrelaatomatrs Ρ = [ρ j ]. j TKK Ilkka Mell (007) 4/44

25 Tällö ja Ρ D ΣD / / = Σ Σ / / Σ = D Σ ΡD Σ jossa matrs D = dag( Σ ) = dag( σ, σ,, σ ) Σ o kovarassmatrs Σ dagoaalalkode muodostama dagoaalmatrs, jollo ja jossa D = dag(,,, ) / Σ σ σ σ D = dag( σ, σ,, σ ) / Σ σ = σ, =,,, Korrelaatomatrs omasuuksa Lause.7.5. Olkoo -ulottese satuasvektor, jolle E() = µ, Cov() = Σ > 0 ja Cor() = Ρ. Tällö: () Ρ o symmetre: () Perustelu: () () Huomautus: Ρ = Ρ Ρ o ostvsest deftt: Ρ > 0 Korrelaatomatrs Ρ o symmetre, koska ρ j = ρ j,, j =,,, Matrs Ρ o ostvsest deftt, koska Ρ D ΣD / / = Σ Σ ja olemme olettaeet, että matrs Σ o ostvsest deftt. Koska korrelaatomatrs Ρ = [ρ j ] o symmetre el ρ j = ρ j,, j =,,, ja se dagoaalalkot ovat ykkösä, sä oleve vaade arametre lukumäärä o ( ) TKK Ilkka Mell (007) 5/44

26 .8. Yhtesjakaume tuuslukuje geometre tulkta Odotusarvo geometre tulkta Olkoo = (,,, ) -ulottee satuasvektor, jolle E() = µ Odotusarvo µ o satuasmuuttuja todeäkösyysjakauma todeäkösyysmassa aoste. Kovarass, keskhajoa ja korrelaato geometre tulkta Olkoo = (,,, ) -ulottee satuasvektor ja olkoo E() = 0 ja Cov() = Σ mssä kovarassmatrs Σ o ostvsest deftt, jollo Σ o eäsgulaare. Oletus E() = 0 e ole alla estettäve tulktoje kaalta rajottava, koska todeäkösyysjakauma todeäkösyysmassaa vodaa aa srtää, että massa aoste saadaa orgoo: Olkoo Z = (Z, Z,, Z ) o -ulottee satuasvektor, jolle ätee E(Z) = µ ja Cov(Z) = Σ Tällö satuasmuuttujalle = Z µ ätee E() = 0 ja Cov() = Σ Olkoo kovarassmatrs Σ ääakselhajotelma Σ = QΛQ jossa Λ o matrs Σ omasarvoje muodostama dagoaalmatrs ja Q o vastaave omasvektorede muodostama ortogoaale matrs, jossa omasvektort ovat sarakkea. Muodostetaa matrs A = Λ / Q ja määrtellää vektor Y = A TKK Ilkka Mell (007) 6/44

27 Lauseesta.7.. seuraa, että E(Y) = 0 ja Cov(Y) = I Olkoo B = A, jollo = BY Olkoo b = (b, b,, b ) matrs B. rv muodostama (ysty-) vektor. Tällö = b Y + b Y + + b Y = by Helost ähdää, että satuasmuuttuje ja j kovarass o vektorede b ja b j ssätulo: Cov(, j) = E( j) = E( byyb j) = b E( YY) b j = b Cov( Y) b j = bb j Tästä ähdää edellee, että satuasmuuttuja varass o vektor b orm elö: Ste D( ) = Var( ) = Cov(, ) = b D( ) = b = vektor b tuus ja Cov(, j) bb j ρj = Cor(, j ) = = = ϕj D( ) D( ) b b j j mssä ϕ j = vektorede b ja b j väle kulma Moulotteste satuasmuuttuje tuusluvulla o ss seuraavat geometrset tulkat: Odotusarvo Todeäkösyysmassa aoste Kovarass Vektorede ssätulo Keskhajota Vektor tuus Korrelaato Vektorede välse kulma kos TKK Ilkka Mell (007) 7/44

28 .9. Karakterste fukto Karakterstse fukto määrtelmä Olkoo yksulottee satuasmuuttuja. Tällö satuasmuuttuja (ja se jakauma) karakterste fukto ϕ () t o satuasmuuttuja t e odotusarvo: ϕ () t = t E( e ) jossa = ja t. Huomaa, että satuasmuuttuja karakterste fukto ϕ () t ruu va argumetsta t. Soveltamalla Euler kaavaa e θ = cos( θ ) + s( θ ) satuasmuuttuja karakterstse fukto määrtelmä vodaa ataa myös muodossa ϕ ( t) = E[cos( t)] + E[s( t)] Lause 9.. Karakterste fukto o aa olemassa. Perustelu: Koska tx e = cos ( t) + s ( t) = t E( e ) = E() = < t Ste odotusarvo E( e ) o aa olemassa. Lausee 9.. mukaa jokasella todeäkösyysjakaumalla o karakterste fukto. Lause 9.. Olkoo F (x) = Pr( x) satuasmuuttuja kertymäfukto ja ϕ () t = t E( e ), = se karakterste fukto ja oletetaa, että (a h, a + h) sellae reaalaksel väl, että kertymäfukto F (x) o jatkuva väl äätestessä. Tällö + T s( ht) ta F( a+ h) F( a h) = lm e ϕ( t) dt T + π t T TKK Ilkka Mell (007) 8/44

29 Jos jakauma karakterste fukto tuetaa, vodaa jakauma kertymäfukto (aak eraatteessa) määrätä versoteoreemassa määrtelly rajarosess avulla. Myös karakterstse fukto ykskästtesyys o mahdollsta todstaa versoteoreema avulla. Lause 9.3. Satuasmuuttuja karakterste fukto o ykskästtee ja määrää täydellsest satuasmuuttuja todeäkösyysjakauma. Lause 9.4. Olkoo jatkuva satuasmuuttuja, joka theysfukto o f (x). Tällö satuasmuuttuja karakterste fukto o Olkoo t tx ϕ () t = E( e ) = e f ( x) dx, = + ϕ () t = t E( e ), = satuasmuuttuja karakterste fukto ja oletetaa, että ϕ (t) o tegrotuva kaklle t (, + ). Tällö satuasmuuttuja o jatkuva ja se theysfukto f (x) saadaa kaavalla + tx f( x) = e ϕ( t) dt, = π Lausee 9.4. mukaa jatkuva satuasmuuttuja karakterste fukto tx ϕ () t = e f ( x) dx, = + o satuasmuuttuja theysfukto f (x) Fourer-muuos ja + tx f( x) = e ϕ( t) dt, = π o se käätee Fourer-muuos. Karakterstse fukto omasuudet Lause 9.5. Olkoo ϕ () t satuasmuuttuja karakterste fukto. Tällö ätee: () ϕ (0) = () ϕ ( t ), t () ϕ ( t) = ϕ ( t) (v) Karakterste fukto ϕ () t o argumettsa t absoluuttsest jatkuva fukto. TKK Ilkka Mell (007) 9/44

30 (v) Oletetaa, että satuasmuuttuja r. orgomomett r α = E( ) r o olemassa. Tällö r r d ϕ( t) αr = E( ) = r r dt t= 0 (v) Oletetaa, että satuasmuuttuja r. orgomomett r α = E( ) r o olemassa. Tällö karakterste fukto ϕ (t) vodaa kehttää Taylor sarjaks r k r k ( t) k r ( t) r ϕ() t = E( ) + ot ( ) = αk + ot ( ) k= 0 k! k= 0 k! jossa (v) Olkoo r r ot ( )/ t 0, jos t 0 Y = a + b jossa a ja b ovat e-satuasa ja reaalsa vakota. Satuasmuuttuja Y karakterste fukto o at m ( t) = e ϕ ( bt) Y (v) Olkoot,,, rumattoma satuasmuuttuja, jode karakterstset fuktot ovat ϕ (t), ϕ (t),, ϕ (t). Tällö summa = karakterste fukto o satuasmuuttuje,,, karakterstste fuktode tulo: ϕ (t) = ϕ (t)ϕ (t) ϕ (t) (v) Olkoot,,, rumattoma ja samo jakautueta satuasmuuttuja, jode karakterste fukto o ϕ(t). Tällö summa = karakterste fukto o ϕ (t) = [ϕ(t)] (x) Olkoo,, 3, satuasmuuttuje joo. Olkoot F (x), F (x), F 3 (x), vastaavat kertymäfuktot ja ϕ (t), ϕ (t), ϕ 3 (t), TKK Ilkka Mell (007) 30/44

31 vastaavat karakterstset fuktot. Olkoo lsäks satuasmuuttuja, joka kertymäfukto o F (x) ja karakterste fukto o ϕ (t). Tällö lm ϕ ( t) = ϕ ( t) jos ja va jos lm F( x) = F ( x) jokasessa steessä x, jossa kertymäfukto F (x) o jatkuva. Esmerkk: Normaaljakauma karakterste fukto. Johdetaa es stadardodu ormaaljakauma N(0,) karakterste fukto. Oletetaa, että satuasmuuttuja Z oudattaa stadardotua ormaaljakaumaa: Z N(0,) jossa ss E(Z) = 0 ja Var(Z) =. Tällö satuasmuuttuja Z theysfukto o / ( ) ( ) z fz z = π e ja ste satuasmuuttuja Z karakterste fukto o tz tz ϕ () t = E( e ) = e f ( z) dz Z + = ( π ) = ( π ) t + / / + t t + tz z + / t ( z t) ( π ) ; = ( π ) Z / tz z e e + t u / ( ) t π e dz e e dz = e e dz z t = u dz = du = e = e e du Johdetaa ylese ormaaljakauma N(µ,σ ) karakterste fukto stadardodu ormaaljakauma N(0,) karakterstsesta fuktosta soveltamalla lausee 9.3. kohtaa (v). Olkoo = µ + σz jossa < µ < +, σ > 0 ja Z N(0,). Tällö satuasmuuttuja oudattaa ormaaljakaumaa arametre E() = µ ja Var() = σ : N(µ,σ ) π TKK Ilkka Mell (007) 3/44

32 Lausee 9.5. kohdasta (v) seuraa, että satuasmuuttuja karakterste fukto o ( σ t) µ t σ t µ t µ t m () t = e ϕ ( σt) = e e = e Z Karakterstse fukto: Moulottee taaus Olkoo = (,,, ) -ulottee satuasvektor. Tällö satuasmuuttuja (ja se jakauma) karakterste fukto o odotusarvo jossa = ja t va argumetsta t. t ϕ () = E( e ) t. Huomaa, että satuasmuuttuja karakterste fukto ruu Lause 9.6. Olkoo = (,,, ) jatkuva satuasmuuttuja, joka theysfukto o f (,,, ). Tällö satuasmuuttuja karakterste fukto o + + t tx ϕ () t = E( e ) = e f ( x, x,, x ) dx dx, = Karakterste fukto ja rumattomuus Lause 9.7. Olkoo = (,,, ) -ulottee satuasvektor. Ostetaa vektor Ostetaa satuasvektor = (,,, ) seuraavast: = ( (), () ) jossa () = (,,, q ) () = ( q+, q+,, ) Tällö satuasmuuttujat () ja () ovat rumattoma, jos ja va jos satuasmuuttuja karakterste fukto vodaa esttää satuasmuuttuje () ja () karakterstste fuktode tuloa: ϕ () t = ϕ ( t ) ϕ ( t ) jossa vektor t = ( t, t) o ostettu samalla tavalla ku vektor. Perustelu: Olkoo = (,,, ) -ulottee satuasvektor, joka o ostettu seuraavalla tavalla: = ( (), () ) jossa () = (,,, q ) () = ( q+, q+,, ) Oletetaa es, että satuasmuuttujat () ja () ovat rumattoma. TKK Ilkka Mell (007) 3/44

33 Koska rumattome satuasmuuttuje tulo odotusarvo o tulo tekjöde odotusarvoje tulo, satuasmuuttuja karakterste fukto vodaa krjottaa muotoo ϕ ( ) E[ex{ t = t}] = E[ex{ ( t + t )}] = E[ex{ t + t }] = E[ex{ t }ex{ t }] = E[ex{ t }]E[ex{ t }] = ϕ ( t ) ϕ ( t ) jossa ϕ ( ), =, t o satuasmuuttuja karakterste fukto. Todstetaa käätee väte, ku satuasmuuttuja o jatkuva ja =, q =. Olkoo ss = (, ) jatkuva satuasmuuttuja. Olkoo satuasmuuttuja theysfukto f ( x, x ) ja satuasmuuttuje ja reuajakaume theysfuktot f ( x ), k =, k k Tällö satuasmuuttuja karakterste fukto saadaa kaavasta + + t ϕ ( t ) = E( e ) = ex{ ( t x + t x )} f ( x, x ) dxdx jossa t = ( t, t) ja satuasmuuttuje ja karaterstset fuktot saadaa kaavasta jossa t, k =,. k + tkk tkxk ϕ ( t ) = E( e ) = e f ( x ) dx, k =, k k k k k Oletetaa yt, että ϕ () = ϕ ( t ) ϕ ( t ) t Todetaa es, että ja { } { } ϕ ϕ ( t,0) = ex t x f ( x, x ) dxdx = ex t x f ( x ) dx = ( t ) { } { } ϕ ϕ (0, t) = ex tx f ( x, x) dxdx = ex tx f ( x) dx= ( t) TKK Ilkka Mell (007) 33/44

34 Ste oletuksesta seuraa, että + + { } ϕ () t = ϕ ( t,0) ϕ (0, t ) = ex ( t x + t x ) f ( x ) f ( x ) dxdx Tosaalta karakterstse fukto määrtelmä mukaa + + { } ϕ () t = ex ( t x + t x ) f ( x, x ) dx dx Karakterstse fukto ykskästtesyyde erusteella f ( x, x ) = f ( x ) f ( x ) jote satuasmuuttujat ja ovat rumattoma. Lause 9.8. Olkoo = (,,, ) -ulottee satuasvektor. Tällö satuasvektor komoett,,, ovat rumattoma, jos ja va jos satuasmuuttuja karakterste fukto vodaa esttää se komoette karakterstste fuktode tuloa: ϕ () t = ϕ ( t ) ϕ ( t ) ϕ ( t ) jossa t = ( t, t,, t ). Perustelu: Olkoo = (,,, ) -ulottee satuasvektor. Oletetaa, että satuasmuuttuja komoett,,, ovat rumattoma. Koska rumattome satuasmuuttuje tulo odotusarvo o tulo tekjöde odotusarvoje tulo, satuasmuuttuja karakterste fukto vodaa krjottaa muotoo ϕ ( t ) = E[ex{ t }] = E[ex{ t ( + t + + t )}] = E[ex{ t+ t + + t}] = E[ex{ t} ex{ t} ex{ t}] = E[ex{ t}] E[ex{ t}] E[ex{ t}] = ϕ ( t ) ϕ ( t ) ϕ ( t ) jossa ϕ ( t ), =,,, o satuasmuuttuja karakterste fukto. Käätee väte o todstettu jatkuve satuasmuuttuje taauksessa, ku = lausee 9.7. erustelussa. TKK Ilkka Mell (007) 34/44

35 . Moulotteset havatoaestot.. Moulotteste havatoaestoje tuusluvut Havatomatrs Olkoot x, x,, x rumattoma havatoja -ulottese satuasmuuttuja x = (x, x,, x ) todeäkösyysjakaumasta ja olkoo havatoje lukumäärä >. Ste jokae havato x o -ulottee satuasvektor: x = (x, x,, x ), =,,, mssä alko x j o satuasmuuttuja x j havattu arvo. havaossa, mssä deks =,,, vttaa havatoo ja deks j =,,, muuttujaa x j. Järjestetää satuasmuuttuje x j, j =,,, havatut arvot x j -matrsks seuraavalla tavalla: x x x x x x = x x x Matrsa kutsutaa havatomatrsks. Havatomatrs. rv ja j. sarakkee alko [] j = x j, =,,,, j =,,, o satuasmuuttuja x j havattu arvo. havaossa. Havatomatrs. rv alkot x, x,, x muodostavat -vektor x = (x, x,, x ), =,,, Ste vektor x muodostuu satuasmuuttuje x j, j =,,, havatusta arvosta havaossa. Havatomatrs j. sarakkee alkot x j, x j,, x j muodostavat -vektor x j = (x j, x j,, x j ), j =,,, Ste vektor x j muodostuu satuasmuuttuja x j havatusta arvosta. TKK Ilkka Mell (007) 35/44

36 Huomautus : Satuasmuuttuje x, x,, x havatut arvot x, x,, x, =,,, lttyvät aa samaa havatoykskköö ta taauksee. Huomautus : Tlastollset aestot vodaa kakssa tavaomasssa taauksssa esttää havatomatrsa ja tlastollste aestoje havatomatrsestystä vodaa käyttää useme tlastollste laskutomtuste lähtökohtaa. Esmerkks kakk tavaomaset tlastollsta aestoa kuvaavat tuusluvut (keskarvot, varasst, kovarasst ja korrelaatot) vodaa määrätä havatomatrs alkosta. Huomautus 3: Koska havatoarvot x j o oletettu satuasks, myös kakk stä lasketut otossuureet ta tuusluvut ovat satuasa. Ykköste muodostama vektor Merktä = = (,,, ) tarkottaa ykköste muodostamaa -vektora. Ykskkömatrs Merktä I = I = dag(,,, ) tarkottaa -ykskkömatrsa. Keskarvovektor Olkoo -havatomatrs, joka. rv ja j. sarakkee alko [] j = x j, =,,,, j =,,, o satuasmuuttuja x j havattu arvo. havaossa. Muodostetaa -vektor x = ( x, x,, x ) joka j. alko x j = xj, j =,,, = o satuasmuuttuja x j havattuje arvoje x j, =,,, artmeette keskarvo. Vektora x kutsutaa keskarvovektorks. TKK Ilkka Mell (007) 36/44

37 Lause... Satuasmuuttuja x j havattuje arvoje x j, =,,, artmeette keskarvo saadaa kaavalla x = j j x mssä x j = (x j, x j,, x j ) o havatomatrs j. sarakkee muodostama -vektor. Perustelu: Lausee kaava seuraa stä, että Lause... x = x = x, j =,,, j j j = x = () x = () x = Perustelu: Olkoo x = (x, x,, x ), =,,, havatomatrs. rv muodostama -vektor. Tällö j = j = j = j = = = [ x ] x [ x ] [ ], j,,, Momettmatrs Olkoo -havatomatrs, joka. rv ja j. sarakkee alko [] j = x j, =,,,, j =,,, o satuasmuuttuja x j havattu arvo. havaossa ja olkoo -vektor x = (,,, ) x x x havatomatrssta määrätty keskarvovektor, mssä x j = xj, j =,,, = o satuasmuuttuja x j havattuje arvoje x j, =,,, artmeette keskarvo. TKK Ilkka Mell (007) 37/44

38 Muodostetaa -matrs m m m m m m M = m m m joka k. rv ja l. sarakkee alko [ ] M = m = ( x x )( x x ), k, l =,,, kl kl k k l l = o satuasmuuttuje x k ja x l havattuje arvoje (tulo-) momett. Matrsa M kutsutaa momettmatrsks. Huomaa, että momettmatrs M alkot vodaa krjottaa muotoo Lause..3. () [ M] = m = ( x x )( x x ) kl kl k k l l = = ( x x xx xx + xx) = k l l k k l k l = = = = = = x x x x, k, l =,,, = k l l k k l k l = x x x x x x + x x = x x x x x x + x x k l l k k l k l k l k l M = ( x x )( x x ) = x x xx = = () M = ( x )( x ) = xx () M = = C jossa matrs C= I o symmetre ja demotett el rojekto. Perustelu: Olkoo x = (x, x,, x ), =,,, havatomatrs. rv muodostama -vektor. TKK Ilkka Mell (007) 38/44

39 () () Yhtälö M = ( x )( ) = x x x ähdää todeks vertaamalla ko. matrse alkota tossa. Lsäks ( x x)( x x) = ( x x xx + xx ) = = Yhtälö M = xx seuraa kohdasta (), koska = xx x x + xx = = = = xx x x + xx = = = xx xx = x x = Lsäks ( x )( x ) = x x + xx = xx xx + xx = xx koska = x ja = () Todetaa es, että kohda () mukaa = ( )( ) = x x M koska = x Lsäks = I I = I = C jossa matrs TKK Ilkka Mell (007) 39/44

40 C= I o symmetre ja demotett el rojekto: C = I = I ja koska C = I I = I + = I = C = Otoskovarassmatrs Olkoo -havatomatrs, joka. rv ja j. sarakkee alko [] j = x j, =,,,, j =,,, o satuasmuuttuja x j havattu arvo. havaossa ja olkoo -vektor x = ( x, x,, x ) havatomatrssta määrätty keskarvovektor, mssä x j = xj, j =,,, = o satuasmuuttuja x j havattuje arvoje x j, =,,, artmeette keskarvo. Olkoo lsäks M havatomatrssta määrätty momettmatrs, joka k. rv ja l. sarakkee alko o [ ] Muodostetaa -matrs kl k k l l = M = m = ( x x )( x x ), k, l =,,, kl s s s s s s S = s s s joka k. rv ja l. sarakkee alko [ S ] = skl = ( k k )( l l ) kl,,,,, kl x x x x = m k l = = o satuasmuuttuje x k ja x l havattuje arvoje otoskovarass. Matrsa S kutsutaa otoskovarassmatrsks. TKK Ilkka Mell (007) 40/44

41 Lause..4. Otoskovarassmatrs S saadaa momettmatrssta M kaavalla S= M Huomautus : jossa Huomautus : s = s, k =,,, kk k s k o satuasmuuttuja x k havattuje arvoje otosvarass. s = s, k =,,, k kk o satuasmuuttuja x k havattuje arvoje otoskeskhajota. Otoskorrelaatomatrs Olkoo -havatomatrs, joka. rv ja j. sarakkee alko [] j = x j, =,,,, j =,,, o satuasmuuttuja x j havattu arvo. havaossa ja olkoo -vektor x = ( x, x,, x ) havatomatrssta määrätty keskarvovektor, mssä x j = xj, j =,,, = o satuasmuuttuja x j havattuje arvoje x j, =,,, artmeette keskarvo. Olkoo lsäks M havatomatrssta määrätty momettmatrs, joka k. rv ja l. sarakkee alko o [ ] kl k k l l = M = m = ( x x )( x x ), k, l =,,, kl ja S vastaava otoskovarassmatrs, joka k. rv ja l. sarakkee alko o [ S ] = skl = ( k k )( l l ) kl,,,,, kl x x x x = m k l = = Muodostetaa -matrs r r r r R = r r joka k. rv ja l. sarakkee alko kl kl [ R ] = = =,, =,,, kl m s rkl k l m m ss kk ll k l TKK Ilkka Mell (007) 4/44

42 o satuasmuuttuje x ja x j havattuje arvoje otoskorrelaatokerro. Matrsa R kutsutaa otoskorrelaatomatrsks. Lause..5. Otoskorrelaatomatrs R saadaa momettmatrssta M ta kovarassmatrssta S kaavolla Huomautus: Matrs R = D MD = D SD / / / / M M S S D = dag(,,, ) M m m m o momettmatrs M dagoaalelemette muodostama dagoaalmatrs ja matrs D = dag( s, s,, s ) S o vastaava kovarassmatrs S dagoaalelemette muodostama dagoaalmatrs, jollo ss / / / / DM = dag( m, m,, m ) m =, k =,,, D kk [ M] kk = dag( s, s,, s ) / S k = kk = [ S] kk = s s, k,,, ja S= M Momettmatrslla M, otoskovarassmatrslla S ja otoskorrelaatomatrslla R o seuraavat omasuudet: Lause..6. Momettmatrs M, otoskovarassmatrs o S ja otoskorrelaatomatrs R ovat symmetrsä ja e-egatvsest defttejä. Perustelu: Selväst rttää, että todstetaa, että momettmatrs M o symmetre ja eegatvsest deftt. O trvaala, että momettmatrs M o symmetre. Lausee..3. kohda () mukaa M = ( x x)( x x) = Olkoo b melvaltae -vektor. Tällö ( )( ) c c 0, = = bmb = b x x x x b= = TKK Ilkka Mell (007) 4/44

43 jossa ( x x) b= c Ste matrs M o e-egatvsest deftt... Tlastolle etäsyys ja Mahalaobs-etäsyys Tlastolle etäsyys Koska kaks havatoa ovat lähellä tosaa ja koska e ovat kaukaa tosstaa? Tlastollse tava mtata havatoje etäsyyttä tarjoaa s. tlastolle etäsyys. Olkoot x, =,,, rumattoma havatoja -ulottese satuasmuuttuja x todeäkösyysjakaumasta ja olkoo s = ( x x) = havatoarvoje otosvarass, mssä x = x = o havatoarvoje artmeette keskarvo. Olkoot x k, x l kaks melvaltasta havatoa satuasmuuttuja x todeäkösyysjakaumasta. Havatostede x k ja x l tlastolle etäsyys SD(x k, x l ) (egl. statstcal dstace) saadaa kaavasta xk xl SD ( xk, xl) = s Tlastolle etäsyys o etäsyysmtta, joka ottaa huomoo satuasmuuttuja x havattuje arvoje varass. Huomautus: Havatoje x k ja x l e tarvtse olla mukaa otosvarassa s laskettaessa. Sovellus: Tavaomae t-testsuure Tavaomae t-testsuure x µ 0 t = s / mttaa havatoje artmeettse keskarvo x tlastollsta etäsyyttä ollahyotees mukasesta odotusarvosta µ 0. Mahalaobs-etäsyys Ku havatostede etäsyyttä mtataa moulottesessa tlateessa, o satuasmuuttuje havattuje arvoje vahtelu lsäks syytä ottaa huomoo myös de ruvuudet. Se tekee havatostede Mahalaobs-etäsyys. TKK Ilkka Mell (007) 43/44

44 Mahalaobs-etäsyyttä vodaa tää tlastollse etäsyyde ylestykseä moulottesee tlateesee. Olkoot x = (x, x,, x ), =,,, rumatota havatoa -ulottese satuasmuuttuja x = (x, x,, x ) todeäkösyysjakaumasta, olkoo havatoje lukumäärä > ja olkoo S havaosta laskettu otoskovarassmatrs. Olkoot x k = (x k, x k,, x k ) x l = (x l, x l,, x l ) kaks melvaltasta havatoa satuasmuuttuja x todeäkösyysjakaumasta: x kj = muuttuja x j havattu arvo havaossa k x lj = muuttuja x j havattu arvo havaossa l j =,,, Havatostede x k ja x l Mahalaobs-etäsyys MD(x k, x l ) saadaa kaavasta MD ( x, x ) = ( x x ) S ( x x ) k l k l k l Mahalaobs-etäsyys o etäsyysmtta, joka ottaa huomoo satuasmuuttuje x, x,, x havattuje arvoje varasse lsäks myös de kovarasst, ts. muuttuje välset (leaarset) ruvuudet. Huomautus : Havatoje x k ja x l e tarvtse olla mukaa otoskovarassmatrsa S laskettaessa. Huomautus : Jos =, Mahalaobkse etäsyyde kaava sustuu tlastollsee etäsyyde kaavaks. TKK Ilkka Mell (007) 44/44

Monimuuttujamenetelmät: Multinormaalijakauma. Ilkka Mellin. 1. Multinormaalijakauma ja sen ominaisuudet

Monimuuttujamenetelmät: Multinormaalijakauma. Ilkka Mellin. 1. Multinormaalijakauma ja sen ominaisuudet Momuuttumeetelmät Multormaalkauma Momuuttumeetelmät: Multormaalkauma Ilkka Mell. Multormaalkauma se omasuudet.. Multormaalkauma.. Multormaalkauma omasuudet.3. Multormaalkauma ehdollset kaumat.4. -ulottee

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat: Mat-1.60 Sovellettu todeäkösyyslasketa Mat-1.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Otos ja otosjakaumat Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, χ -jakauma, Frekvess, Frekvessjakauma,

Lisätiedot

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus Mat.36 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys, Otos,

Lisätiedot

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,

Lisätiedot

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,

Lisätiedot

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme? TKK (c) Ilkka Mell (004) Kovergesskästteet ja raja-arvolauseet Kovergesskästtetä Suurte lukuje lat Keskee raja-arvolause Keskese raja-arvolausee seurauksa Johdatus todeäkösyyslasketaa Kovergesskästteet

Lisätiedot

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus Mat-1.361 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.1. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys,

Lisätiedot

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit 68 3. Leaarset esmmäse kertaluvu dfferetaalsysteemt Tarkastelemme systeemejä () x () t = A() t x() t + b () t, jossa matrs A kertomet ja b ovat välllä I jatkuva. Jatkuve vektorarvoste fuktode avaruutta

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemaalyys laboratoro Mat-.9 Sovellettu todeäkösyyslasku A Nordlud Harjotus 8 (vko 45/3) (Ahe: Raja-arvolauseta, otostuuslukuja, johdatusta estmot, Lae luvut 9.5,.-.6). Olkoo X ~ p(λ), mssä λ

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat: Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt,

Lisätiedot

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2 HY / Matematka ja tlastotetee latos Tlastolle päättely II, kevät 28 Harjotus 3A Ratkasuehdotuksa Tehtäväsarja I Olkoot Y,, Y ja Nθ, ) Osota, että T T Y) Y 2 o parametr gθ) θ 2 harhato estmaattor Laske

Lisätiedot

Todennäköisyyden aksioomat. Todennäköisyyden aksioomat. Todennäköisyyden aksioomat: Mitä opimme? 2/2. Todennäköisyyden aksioomat: Mitä opimme?

Todennäköisyyden aksioomat. Todennäköisyyden aksioomat. Todennäköisyyden aksioomat: Mitä opimme? 2/2. Todennäköisyyden aksioomat: Mitä opimme? TKK () Ilkka Mell (2004) 1 Todeäkösyyde aksoomat Suhteelle rekvess, klasse todeäkösyys ja ehdolle todeäkösyys Johdatus todeäkösyyslasketaa Todeäkösyyde aksoomat TKK () Ilkka Mell (2004) 2 Todeäkösyyde

Lisätiedot

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot Mat-.09 Sovellettu todeäkösyyslasku Systeemaalyys laboratoro Teklle korkeakoulu SYKSY 00 Ilkka Mell Sovellettu todeäkösyyslasku: Kaavat ja taulukot f XY x X x X y Y ( x, y) exp XY ( XY ) XY XY X X Y Tomttaut

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

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

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Ilkka 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

Lisätiedot

Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2005) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat Kaksiulotteiset todennäköisyysjakaumat

Lisätiedot

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN MTTTP SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN Aesto kaavoje () (3), (9) ja () esmerkkeh Lepakot pakallstavat hyötesä lähettämällä korkeataajusta äätä Ne pystyvät pakallstamaa hyöteset

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia. HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla

Lisätiedot

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla

Lisätiedot

Satunnaismuuttujat ja todennäköisyysjakaumat

Satunnaismuuttujat ja todennäköisyysjakaumat Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat

Lisätiedot

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi. 4. Otokset ja otosjakaumat 5. Estimointi 6. Estimointimenetelmät 7.

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi. 4. Otokset ja otosjakaumat 5. Estimointi 6. Estimointimenetelmät 7. Tlastollset meetelmät Otokset, otosjakaumat ja estmot Tlastollset meetelmät: Otokset, otosjakaumat ja estmot 4. Otokset ja otosjakaumat 5. Estmot 6. Estmotmeetelmät 7. Välestmot Ilkka Mell 5 Tlastollset

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma Aheet: Satuasmuuttujat ja todeäkösyysjakaumat Kertymäfukto Jakaume tuusluvut Dskreettejä jakauma Jatkuva jakauma Avasaat: Bomjakauma Desl Dskreett

Lisätiedot

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

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

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat

Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat TKK (c) Ilkka Mellin (2006) 1 Moniulotteiset satunnaismuuttujat ja

Lisätiedot

Tilastollinen riippuvuus ja korrelaatio

Tilastollinen riippuvuus ja korrelaatio Tlastollset meetelmät Osa 4: Leaare regressoaalyys Tlastolle rppuvuus ja korrelaato KE (204) Tlastolle rppuvuus ja korrelaato >> Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame

Lisätiedot

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka

Lisätiedot

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot TKK (c) Ilkka Mell (2004) Kokoastodeäkösyys ja Kokoastodeäkösyys ja : Johdato Kokoastodeäkösyyde ja Bayes kaavoje systeemteoreette tulkta Johdatus todeäkösyyslasketaa Kokoastodeäkösyys ja TKK (c) Ilkka

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Mat 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

Lisätiedot

Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet Mat.36 Tlastolle päättely 3. Pste estmot Tlastolle päättely 3. Pste estmot 3.. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste estmot, Pstetodeäkösyysfukto,

Lisätiedot

Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat

Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (4) todennäköisyysjakaumat Johdatus todennäköisyyslaskentaan todennäköisyysjakaumat TKK (c) Ilkka Mellin (4) todennäköisyysjakaumat: Mitä opimme? /5 hden satunnaismuuttujan todennäköisyysjakaumat

Lisätiedot

Suoran sovittaminen pistejoukkoon

Suoran sovittaminen pistejoukkoon Suora sovttame pstejoukkoo Ku halutaa tutka kahde tlastollse muuttuja rppuvuutta tosstaa, käytetää use leaarsta regressota el suora sovttamsta havatojoukkoo. Sä o aettu joukko havatopareja (x, y ), ja

Lisätiedot

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset: Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Ylee leaare mall Artmeette keskarvo,

Lisätiedot

Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot

Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot TKK (c) Ilkka Mell (4) Tlastolle rppuvuus ja korrelaato Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame Pearso korrelaatokertome estmot ja testaus Järjestyskorrelaatokertomet

Lisätiedot

Todennäköisyyslaskennan kertausta

Todennäköisyyslaskennan kertausta Todeäkösyyslaskea kertausta Todeäkösyyslaskea kertausta 1. Joukko-opp Alko, Erotus, Joukko, Komplemett, Lekkaus, Perusjoukko, Psteveraus, Tyhjä joukko, Uo, Yhdste. Todeäkösyys ja se määrtteleme Alkestapahtuma,

Lisätiedot

Moniulotteiset satunnaismuuttujat ja jakaumat

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

Lisätiedot

Tilastollinen päättely. 3. Piste-estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

Tilastollinen päättely. 3. Piste-estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet Mat-1.361 Tlastolle päättely 3. Pste-estmot Tlastolle päättely 3. Pste-estmot 3.1. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste-estmot, Pstetodeäkösyysfukto,

Lisätiedot

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

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan: Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti

Lisätiedot

Satunnaismuuttujat ja todennäköisyysjakaumat

Satunnaismuuttujat ja todennäköisyysjakaumat Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4 MS-A Todeäkösyyslaskea ja tlastotetee peruskurss Vkko Tlastollste aestoje kerääme ja mttaame; tlastollste aestoje kuvaame; Otokset ja otosjakaumat; Estmot; Estmotmeetelmät; Vällestmot Mtä tlastotede o?

Lisätiedot

Muuttujien välisten riippuvuuksien analysointi

Muuttujien välisten riippuvuuksien analysointi Mat-.4 Tlastollse aalyys peusteet, kevät 7 5. lueto: Tlastolle ppuvuus ja koelaato Muuttuje välste ppuvuukse aalysot Tlastollsssa aalyysessä tutktaa use muuttuje välsä ppuvuuksa Työttömyysastee ppuvuus

Lisätiedot

Raja-arvot. Osittaisderivaatat.

Raja-arvot. Osittaisderivaatat. 1 MAT-13440 LAAJA MATEMATIIKKA 4 Tamperee teklle ylopsto Rsto Slveoe Kevät 2010 Luku 3 Raja-arvot Osttasdervaatat 1 Fuktode raja-arvot Tarkastelemme fuktota f : A, jode määrttelyjoukko A T Muuttujat ovat

Lisätiedot

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu Mat.36 Tlastolle päättely 4. Hypoteese testaus Tlastolle päättely 4. Hypoteese testaus 4.. Johdato Hylkäysalue, Hypotees, Hyväksymsalue, Krtte alue, Nollahypotees, Otos, Parametr, Parametravaruus, Perusjoukko,

Lisätiedot

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

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

Lisätiedot

Johdatus todennäköisyyslaskentaan 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

TKK @ Ilkka Mellin (2008) 1/5

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

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

Luento 6 Luotettavuus Koherentit järjestelmät Aalto-ylosto erustetede korkeakoulu Matematka a systeemaalyys latos Lueto 6 Luotettavuus Koherett ärestelmät Aht Salo Systeemaalyys laboratoro Matematka a systeemaalyys latos Aalto-ylosto erustetede korkeakoulu

Lisätiedot

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1, Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on

Lisätiedot

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1 Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen

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

1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x

1. 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

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-2.204 Tlastollsen analyysn perusteet, kevät 2007 5. luento: Tlastollnen rppuvuus ja korrelaato Ka Vrtanen Muuttujen välsten rppuvuuksen analysont Tlastollsssa analyysessä tutktaan usen muuttujen välsä

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

Generoidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0)

Generoidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0) Mat-2.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat Korrelaato ja assosaato Hypotees, Järjestyskorrelaatokertomet, χ 2 -rppumattomuustest, Korrelaatokerro, Pstedagramm, Päätössäätö, Nollahypotees,

Lisätiedot

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu Mat-1.361 Tlastolle päättely 4. Hypoteese testaus Tlastolle päättely 4. Hypoteese testaus 4.1. Johdato Hylkäysalue, Hypotees, Hyväksymsalue, Krtte alue, Nollahypotees, Otos, Parametr, Parametravaruus,

Lisätiedot

7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä

7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä Mat.36 Tlastolle päättely 7. Suurmma uskottavuude meetelmä ja asymptootte teora Tlastolle päättely 7. Suurmma uskottavuude meetelmä ja asymptootte teora 7.. Suurmma uskottavuude estmotmeetelmä Akasarja,

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

TKK @ Ilkka Mellin (2008) 1/24

TKK @ Ilkka Mellin (2008) 1/24 Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Aheet: Tlastolle rppuvuus ja korrelaato Yhde selttäjä leaare regressomall Regressoaalyys

Lisätiedot

Todennäköisyyslaskun kertaus. Heliövaara 1

Todennäköisyyslaskun kertaus. Heliövaara 1 Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat:

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat: MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 Aheet: Tlastollset testt Avasaat: Artmeette keskarvo Beroull-jakauma

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-suuntainen vaihtoehtoinen hypoteesi Mat-.6 Sovellettu todeäkösyyslasketa. harjotukset Mat-.6 Sovellettu todeäkösyyslasketa B. harjotukset / Ratkasut Aheet: Tlastollset testt Avasaat: Artmeette keskarvo, Beroull-jakauma, F-jakauma, F-test,

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

3.5 Generoivat funktiot ja momentit

3.5 Generoivat funktiot ja momentit 3.5. Generovat funktot ja momentt 83 3.5 Generovat funktot ja momentt 3.5.1 Momentt Eräs tapa luonnehta satunnasmuuttujan jakaumaa, on laskea jakauman momentt. Ne määrtellään odotusarvon avulla. Määrtelmä

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

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

4.1. 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

Lisätiedot

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi. Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet

Lisätiedot

8.1 Ehdolliset jakaumat

8.1 Ehdolliset jakaumat 8 Ehdollinen jakauma Tämän kappaleen tärkeitä käsitteitä: Ehdollinen jakauma; ehdollinen ptnf/tf. Kertolaskusääntö eli ketjusääntö yhteisjakauman esittämiseksi. Ehdollinen odotusarvo ja ehdollinen varianssi.

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit

Mat Koesuunnittelu ja tilastolliset mallit Mat-.03 Koeuuttelu tlatollet mallt. harjotuket Mat-.03 Koeuuttelu tlatollet mallt. harjotuket / Ratkaut Aheet: Avaaat: Tlatollte aetoje kuvaame Oto otokaumat Etmot Etmotmeetelmät Väletmot Artmeette kekarvo,

Lisätiedot

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2 TKK (c) Ila Mell (4) Jaaume tuusluvut Johdatus todeäösyyslasetaa Jaaume tuusluvut Marov ja Tshebyshev epäyhtälöt Momett Vous ja hupuuus Suurte luuje la TKK (c) Ila Mell (4) Jaaume tuusluvut: Mtä opmme?

Lisätiedot

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä Johdatus dskreettn matematkkaan Harjotus 3, 30.9.2015 1. Luvut 1, 10 on latettu ympyrän kehälle. Osota, että löytyy kolme verekkästä lukua, joden summa on vähntään 17. Ratkasu. Tällasa kolmkkoja on 10

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61 3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 4. lokakuuta 2007 Antti Rasila () TodB 4. lokakuuta 2007 1 / 17 1 Moniulotteiset todennäköisyysjakaumat Johdanto Kaksiulotteiset satunnaismuuttujat Kaksiulotteisen

Lisätiedot

Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa

Sallitut 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

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

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

Lisätiedot

1. PARAMETRIEN ESTIMOINTI

1. PARAMETRIEN ESTIMOINTI Mat-.04 Tlastollse aalyys perusteet Mat-.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Estmaatt, Estmaattor, Estmot, Jääöselösumma, Jääösterm, Jääösvarass,

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien

Lisätiedot

Otosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko

Otosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko ÌÓÒÒĐĐÓ ÝÝ ÔÖÙ ØØ Naiiveja määritelmiä Suhteellinen frekvenssi kun ilmiö toistuu Jos tehdas on valmistanut 1000000 kpl erästä tuotetta, joista 5013 ovat viallisia, niin todennäköisyys, että tuote on viallinen

Lisätiedot

7. Modulit Modulit ja lineaarikuvaukset.

7. Modulit Modulit ja lineaarikuvaukset. 7. Modult Vektoravaruudet ovat vahdannasa ryhmä, jossa on määrtelty jonkn kunnan skalaartomnta. Hyväksymällä kerronrakenteeks kunnan sjaan rengas saadaan rakenne nmeltä modul. Moduln käste on ss vektoravaruuden

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä

Lisätiedot

AB TEKNILLINEN KORKEAKOULU

AB TEKNILLINEN KORKEAKOULU B TEKNILLINEN KORKEKOULU Tetoverkkolaboratoro luento05.ppt S-38.45 - Lkenneteoran perusteet - Kevät 00 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat

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

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

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma

Lisätiedot

Tilastolliset menetelmät: Lineaarinen regressioanalyysi

Tilastolliset menetelmät: Lineaarinen regressioanalyysi Tlastollset meetelmät Leaare regressoaalyys Tlastollset meetelmät: Leaare regressoaalyys 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaalyys 5. Yhde selttäjä leaare regressomall 6. Ylee leaare

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.4 Tlastollse aals perusteet, evät 7 8. lueto: Usea selttää leaare regressomall Usea selttää leaare regressomall Seltettävä muuttua havattue arvoe vahtelu halutaa selttää selttäve muuttue havattue

Lisätiedot

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut) J. Vrtamo Lkenneteora a lkenteenhallnta / Markov-prosesst 1 Markov-prosesst (Jatkuva-akaset Markov-ketut) Tarkastellaan (statonaarsa) Markov-prosessea, oden parametravaruus on atkuva (yleensä aka). Srtymät

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat: Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Estmot Estmotmeetelmät Välestmot Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, Estmaatt, Estmaattor,

Lisätiedot

Ilkka Mellin (2006) 1/1

Ilkka Mellin (2006) 1/1 Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,

Lisätiedot

Harjoitus 2: Matlab - Statistical Toolbox

Harjoitus 2: Matlab - Statistical Toolbox Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat

Lisätiedot

HASSEN-WEILIN LAUSE. Kertausta

HASSEN-WEILIN LAUSE. Kertausta HASSEN-WEILIN LAUSE Kertausta Käytetään seuraava merkntjä F = F/F q on sukua g oleva funktokunta Z F (t = L F (t (1 t(1 qt on funktokunnan F/F q Z-funkto. α 1, α 2,..., α 2g ovat polynomn L F (t nollakohten

Lisätiedot

Tilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot

Tilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot Todeäkösyyslaskea ja talstotetee peruskurssesmerkkkokoelma 4 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 4 Aheet: Tlastollste aestoje kerääme ja mttaame Tlastollste aestoje kuvaame Otokset

Lisätiedot

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli lueto9.ppt S-38.45 Lkeeteora perusteet Kevät 5 Ykskertae lkeeteoreette mall Puhdas jakojärjestelmä Asakkata saapuu keskmäär opeudella asakasta per akayks. / keskmääräe asakkade välaka Asakkata palvellaa

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin

Lisätiedot

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen MAT-5 Todennäköisyyslaskenta Tentti.. / Kimmo Vattulainen Vastaa jokainen tehtävä eri paperille. Funktiolaskin sallittu.. a) P A). ja P A B).6. Mitä on P A B), kun A ja B ovat riippumattomia b) Satunnaismuuttujan

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

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

8.1 Ehdolliset jakaumat

8.1 Ehdolliset jakaumat 8 Ehdollinen jakauma Tämän kappaleen tärkeitä käsitteitä: Ehdollinen jakauma; ehdollinen ptnf/tf. Kertolaskusääntö eli ketjusääntö yhteisjakauman esittämiseksi. Ehdollinen odotusarvo ja ehdollinen varianssi.

Lisätiedot