Valintahetket ja pysäytetyt martingaalit
|
|
- Tuomas Alanen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 4B Valintahetket ja pysäytetyt martingaalit Tämän harjoituksen tavoitteena on oppia tunnistamaan, mitkä satunnaishetket ovat valintahetkiä ja oppia laskemaan lukuarvoja ja estimaatteja satunnaisprosessien osumatodennäköisyyksille hyödyntäen valintahetkellä pysäytettyjä martingaaleja. Alla on kuhunkin tehtävään esitetty malliratkaisut punaisella sekä malliratkaisujen lisämateriaalit sinisellä. Tuntitehtävät 4B1 Valintahetket. Jos τ 1 ja τ 2 ovat satunnaisjonon (X 0, X 1,... ) valintahetkiä, niin mitkä seuraavista ovat valintahetkiä? Perustele vastauksesi huolellisesti nojautuen valintahetken määritelmään (luentomoniste, kappale 7.4). (a) T 1 = 3 Ratkaisu. Perustellaan, että T 1 = 3 on valintahetki. On siis osoitettava [Leskelä 2015, luvut 7.4. ja 6.1.2], että pysäytysajan indikaattorifunktio hetkellä t on jokin deterministinen funktio h t prosessin siihenastisista arvoista, I(T = t) = h t (X 0,..., X t ) Valitaan vektorin pituuden mittaava determistinen funktio h t (x 0, x 1..., x t ) = I(t = 3). (b) T 2 = τ Ratkaisu. On valintahetki, sillä valintahetken τ 1 nojalla kaikilla t 0. 1(T 2 = t) = 1(τ 1 = t 6) σ(x 0, X 1,..., X t 6 ) σ(x 0, X 1,..., X t ) (c) T 3 = max(τ 1 6, 0) Ratkaisu. Ei ole valintahetki: Olkoot esimerkiksi prosessimme X t nopan silmälukuja perättäisillä heitoilla eli X t Uni({1,..., 6}) riippumattomia ja samoin jakautuneita, ja τ 1 ensimmäisen kutosen pysäytys. Tällöin τ 1 on tosiaan pysäytysaika, koska se voidaan esittää deterministisenä fuktiona I(τ 1 = t) = I(X t = 6) I(max{X 0,... X t 1 } 5). Intuitiivinen perustelu on nyt, että helkellä 0 ei selvästikään välttämättä tiedetä nollan olevan valintahetken arvo. Formaalisti: tutkitaan nyt tapahtumaa T 3 = 0. Siis I(T 3 = 0) = I(τ 1 6) = 1 I(τ 1 > 6) = 1 I(X 0 5 &... & X 6 5) (r-ttomuus) = 1 I(X 0 5)I(X 1 5 &... & X 6 5). 1 / 7
2 Vastaoletetaan nyt, että tämä voitaisiin esittää deterministisenä funktiona satunnaismuuttujasta X 0, 1 I(X 0 5)I(X 1 5 &... & X 6 5) = f(x 0 ). Nyt siis erityisesti jos X 0 5, voidaan ratkaista tästä I(X 1 5 &... & X 6 5) pelkästään X 0 :n funktiona. Näin ollen pelkästään X 0 :n arvon perusteella tiedettäisiin, tapahtuuko (epätriviaali) tapahtuma {X 1 5 &... & X 6 5}. Tämä rikkoo oletusta nopanheiton arvojen riippumattomuudesta. (d) T 4 = min(τ 1, τ 2 ) Ratkaisu. Perustellaan, että T 4 = min{τ 1, τ 2 } on valintahetki. Tässä on helpointa käyttää lauseen [Leskelä 2015, Lause 7.5] mukaista valintahetken karakterisaatiota: indikaattorifunktio I(t τ) on ennakoitava, eli I(t τ) σ(x 0, X 1,..., X t 1 ). Valintahetkien τ 1 ja τ 2 nojalla I(t T 4 ) = I(t τ 1, t τ 2 ) = I(t τ 1 )I(t τ 2 ) σ(x 0, X 1,..., X t 1 ) kaikilla t 0, joten T 4 on valintahetki. (e) T 5 = max(τ 1, τ 2 ) Ratkaisu. Näytetään, että myös T 5 = max{τ 1, τ 2 } on valintahetki. Käytetään taas lauseen [Leskelä 2015, Lause 7.5] karakterisaatiota. (Tapa 1.) Nyt I(t T 5 ) = I(max{τ 1, τ 2 } t) = I(τ 1 t tai τ 2 t) = max(i(τ 1 t), I(τ 2 t)) σ(x 0, X 1,..., X t 1 ) (Tapa 2.) Lauseen [Leskelä 2015, Lause 7.5] mukaan siis T on valintahetki, jos ja vain jos I(T < t) = 1 I(T t) σ(x 0, X 1,..., X t 1 ) kaikilla t 0. Nyt valintahetkien τ 1 ja τ 2 nojalla I(T 5 < t) = I(τ 1 < t, τ 2 < t) = I(τ 1 < t)i(τ 2 < t) σ(x 0, X 1,..., X t 1 ) kaikilla t 0, joten T 5 on valintahetki (f) T 6 = τ 1 + τ 2. Ratkaisu. Näytetään, että T 6 = τ 1 + τ 2 on valintahetki. I(T 6 = t) = t t 1 =0 I(τ 1 = t 1 ) }{{} σ(x 0,...X t1 ) I(τ 2 = t t 1 ) }{{} σ(x 0,...X t t1 ) }{{} σ(x 0,...,X max{t1,t t 1 }) σ(x 0,...,X t) 2 / 7
3 4B2 Pólyan uurna. Uurnassa on alkuhetkellä yksi punainen ja yksi vihreä pallo. Kierroksella t = 1, 2,... uurnasta poimitaan umpimähkään yksi pallo, katsotaan sen väri, palautetaan kyseinen pallo takaisin uurnaan ja lisätään uurnaan yksi uusi poimitun kanssa saman värinen pallo. Olkoon X t punaisten pallojen suhteellinen osuus kaikista palloista t:n kierroksen jälkeen. (a) Todista, että prosessi (X t ) on martingaali. Ratkaisu. Merkitään tapahtuma A i = Saadaan uurnasta punainen pallo i:nnellä nostolla, missä i 1. Tällöin punaisten pallojen lukumäärä S t on t:n kierroksen jälkeen t t S t = 1 + I(A i ) = 1 + I i, i=1 jossa merkittiin I(A i ) = I i. Punaisten suhteellinen osuus kaikista palloista uurnassa on X t = S t 2 + t kaikilla t N. Näytetään nyt, että (X t ) t=1 on martingaali nostojen (I i ) i=1 suhteen. Selvästikin E( X t ) 1 ja X t σ(i 1,..., I t ) kaikilla t N. Näytetään kolmas martingaaliehto: i=1 E(S t+1 I 1,..., I t ) = S t + E(I t+1 I 1,..., I t ) S t+1 = S t + P(A t+1 I 1,..., I t ) = S t t i=1 I i 2 + t = (t + 3)S t t + 2 E( 2 + (t + 1) ) = S t t + 2. (b) Todista, että todennäköisyys sille, että punaisten pallojen suhteellinen osuus koskaan ylittää tason 0.9 on enintään 5/9. Vihje: Perustele ensin, miksi E [ X t T ] 0.9 P [ T t ], missä T = min { t 0 X t 0.9 }. Lisäksi voit hyödyntää tulosta P [ T < ] = lim t P [ T t ]. Ratkaisu. T on siis X:n ylityshetki luvulle 0.9. Näin ollen halutaan osoittaa P[T < ] 5/9, eli jälkimmäisen vihjeen mukaisesti lim P[T t] 5/9. (1) t Lasketaan nyt P[T t] jollakin kiinteällä t. Ensimmäisen vihjeen mukaisesti havaitaan ensin, että E(X t T ) E(X t T 1(T t)) = E(X T 1(T t)) 0.9P(T t). (2) 3 / 7
4 Toisaalta Y t := X t T on pysäytetty martingaali, eli myös martingaali [Leskelä 2015, Lause 7.7]. Näin ollen millä tahansa kiinteällä t pätee [Leskelä 2015, Lause 6.10] Sijoittamalla (3) yhtälöön (2) saadaan Haluttu yhtälö (1) seuraa nyt suoraan. E(X t T ) = E(Y t ) 6.10 = E(Y 0 ) = 1/2. (3) 1/2 0.9P(T t) P(T t) 5/9. 4 / 7
5 Kotitehtävät 4B3 Velkakirja. Velkakirjan arvo nykyhetkellä on 47 e ja eräpäivänä 30 päivän kuluttua joko 100 e tai 0 e. Olkoon S t kyseisen velkakirjan arvo t:n päivän kuluttua. Oletetaan, että (S t ) t Z+ on martingaali. (a) Mikä on todennäköisyys, että velkakirjan arvo eräpäivänä on 100 e? Ratkaisu. Merkitään kysyttyä todenäköisyyttä p = P(S 30 = 100). Velkakirjan S t arvo odotusarvoisesti 30 päivän kuluttua on E(S 30 ) = 100p. Toisaalta oletettiin, että {S t } on martingaali, joten lauseen [Leskelä 2015, Lause 6.10] nojalla saadaan E(S 30 ) = E(S 0 ) = 47 (euroa). Sijoittamalla tämä arvo ensimmäisen yhtälöön saadaan ratkaisuksi p = = (b) Pertti suunnittelee ostavansa velkakirjan nyt ja myyvänsä sen joko eräpäivänä tai heti kun sen arvo nousee yli tason 55 e tai laskee alle tason 15 e. Kuinka paljon Pertti odotusarvoisesti nettoaa velkakirjastaan myyntihetkellä? Ratkaisu. Merkitään τ 1 = min{t 0 : S t > 55} ja τ 2 = min{t 0 : S t < 15}. Koska τ 1 ja τ 2 ovat molemmat valintahetkiä, tehtävän 4A1 ratkaisun nojalla Pertin myyntihetki T = τ 1 τ 2 30 on myös valintahetki. Tutkitaan nyt myyntihetkellä pysäytettyä prosessia M t =: S t T, joka on myös martingaali [Leskelä 2015, Lause 7.7]. Selvästi pätee, että myyntihetki T on korkeintaan 30, joten velkakirjan myyntiarvo on M 30. Koska martingaalin odotusarvo on vakio [Leskelä 2015, Lause 6.10], pätee E(M 30 ) = E(M 0 ) = 47 (euroa). (c) Oletetaan, että velkakirjan arvo ei koskaan voi olla negatiivinen. Johda yläraja sen tapahtuman todennäköisyydelle, että velkakirjan arvo joskus nousee vähintään Pertin tavoitetasolle 55 e. Toisin sanoen, etsi jokin sellainen luku q < 1, että P [ X s 55 jollakin s ] q. Ratkaisu. Olkoon nyt τ = min{t 0 S t 55} arvon 55 ylityshetki. τ on valintahetki. Erityisesti taso 55 ylitetään jos ja vain jos τ <. Halutaan siis löytää q, jolle pätee P(τ < ) = lim t P(τ t) q. Nyt tehtävän 4B2b tapaan E(S t τ ) (positiivisuus) E(I(τ t)s τ ) 55E(I(τ t)) = 55P(τ t) 5 / 7
6 Käyttämällä nyt tietoa, että S t τ vakioutta ajassa saadaan on martingaali sekä martingaalin odotusarvon P(τ t) 1 55 E(S t τ) = 1 55 E(S 0) = 47/55. Eli eipä häävi raja, mutta alle ykkösen kuitenkin. Lisäys. Huomaa, että jos S olisi symmetrinen satunnaiskävely Z:lla pysäytettynä osuessaan nollaan, niin uhkapelurin vararikkokaavasta saataisiin suoraan P(τ < ) = 47/55. Koska symmetrinen satunnaiskävely on martingaali, ei y.o. ylärajaa siis voida juurikaan parantaa ilman lisätietoa martingaalista S. Y.o. tehtävän tapaan uhkapelurin vararikkokaavaa voidaan käyttää rajoittamaan minkä tahansa alhaalta rajoitetun martingaalin ylitystodennäköisyyttä johonkin ylärajaan. (Vrt. myös teht. 4B2b.) 4B4 Lognormaali osakekurssi. Osakkeen t:nnen kaupankäyntipäivän päätöskurssia mallinnetaan satunnaisprosessilla M t = M 0 X 1 X t, missä M 0 on tunnettu vakio ja X 1, X 2,... ovat riippumattomia lognormaalijakautuneita satunnaislukuja muotoa X t = e ηt, missä η t on normaalijakautunut odotusarvonaan µ ja varianssinaan σ 2. (a) Millä parametrien µ ja σ 2 arvoilla (M t ) on martingaali? Ratkaisu. Lauseen [Leskelä 2015, Lause 6.3 (ii) ja (iii)] ja nojalla saadaan E(M t+1 M 0, X 1, X 2,..., X t ) = E(M 0 X 1 X 2 X t+1 M 0, X 1, X 2,..., X t ) = M 0 X 1 X 2 X t E(X t+1 M 0, X 1, X 2,..., X t ) = M t E(X t+1 ) = mm t, missä m = E(X) = E(X t+1 ). Stokastinen prosessi {M t } on siis martingaali täsmälleen silloin, kun m = 1. Palautetaan mieleen, että normaalijakauman η momentit generoiva funktio on M η (t) = E(e tη ) = e µt+ 1 2 σ2 t 2, missä t R. Tästä nähdään, että E(X) = E(e η ) = M η (1) = e µ+ 1 2 σ2. (4) (Tämän odotusarvon voi myös laskea suoraan integroimalla normaalijakauman määritelmästä.) Saadaan siis m = 1 µ σ2 = 0. Stokastinen proesessi {M t } on martingaali jos ja vain jos µ = 1 2 σ2. 6 / 7
7 (b) Entä milloin (M t ) on alimartingaali? Ratkaisu. Stokastinen prosessi {M t } on alimartingaali täsmälleen silloin, kun m 1 eli mikä on yhtäpitävää sen kanssa, että e µ+ 1 2 σ2 1, µ σ2 0. {M t } on siis alimartingaali jos ja vain jos µ 1 2 σ2. 7 / 7
Martingaalit ja informaatioprosessit
6A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on oppia tunnistamaan, milloin satunnaisprosessi on martingaali annetun informaatioprosessin suhteen ja milloin satunnaishetki on
Martingaalit ja informaatioprosessit
4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu
Markov-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
V 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
2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.
(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.
Markov-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
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,
Tehtäväsarja 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..
3. laskuharjoituskierros, vko 6, ratkaisut
Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa
1. 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
Generoivat 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
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
Mat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
MS-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
Jatkuva-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.
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
Lisätehtäviä 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
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
Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi
TOD.NÄK JA TILASTOT, MAA0 Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi Kuten tilastojakaumia voitiin esittää tunnuslukujen (keskiarvo, moodi, mediaani, jne.) avulla, niin vastaavasti
6. laskuharjoitusten vastaukset (viikot 10 11)
6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287
3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I
HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I Tehtävä 1 on klassikko. 1. Tässä tehtävässä tapahtumat A ja B eivät välttämättä
3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
MS-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
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
Varma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Unioni, Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Alkeistapahtuma, Ehdollinen todennäköisyys,
Poisson-prosessien ominaisuuksia ja esimerkkilaskuja
5B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Alla on kuhunkin tehtävään esitetty malliratkaisut punaisella sekä malliratkaisujen lisämateriaalit sinisellä. Tuntitehtävät 5B1 Teemu Selänne on
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
Tilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
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
4. Martingaalit ja lokaalit martingaalit
STOKASTISET DIFFERENTIAALIYHTÄLÖT 45 4. Martingaalit ja lokaalit martingaalit Lähestymme nyt jo kovaa vauhtia hetkeä, jolloin voimme aloittaa stokastisen integroinnin. Ennen sitä käymme vielä läpi yhtä
Tilastollinen 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
Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto
Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita
Satunnaismuuttujien 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,
Gripenberg. 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,
Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.
24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ
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
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
Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
k S P[ X µ kσ] 1 k 2.
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 28 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
2. 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
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
Jatkuvan aikavälin stokastisia prosesseja
6A Jatkuvan aikavälin stokastisia prosesse Tämän harjoituksen tavoitteena on tutustua uusiutumisprosesseihin tkuva-aikaisiin Markovprosesseihin harjoitella laskemaan niihin liittyviä hetkittäisiä kaumia
y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1
1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y
= X s + IE[X t X s ] = 0, s ja sitä, että ehdollinen odotusarvo on tavallinen odotusarvo silloin, kun satunnaismuuttuja
44 E. VALKEILA 6. Geometrinen Brownin liike 6.1. Brownin liike ja Iton kaava. Tavoitteena on mallintaa osakkeen tuottoa jatkuvassa ajassa. Jos (S t ) t T on osakkeen hintaprosessi, niin tuotolla tarkoitetaan
Jatkuva-aikaisia Markov-prosesseja
5B Jatkuva-aikaisia Markov-prosesseja Tämän harjoituksen tavoitteena on harjoitella jatkuva-aikaisiin Markov-prosesseihin liittyviä hetkittäisiä jakaumia ja tasapainojakaumia. Laskuharjoitukseen kannattaa
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
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
MS-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,
Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
Juuri 0 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 9..08 Kertaus K. a) Alapaineiden pienin arvo on ja suurin arvo 74, joten vaihteluväli on [, 74]. b) Alapaineiden keskiarvo on 6676870774
Johdatus tn-laskentaan torstai 16.2.2012
Johdatus tn-laskentaan torstai 16.2.2012 Muunnoksen jakauma (ei pelkkä odotusarvo ja hajonta) Satunnaismuuttujien summa; Tas ja N Vakiokerroin (ax) ja vakiolisäys (X+b) Yleinen muunnos: neulanheittoesimerkki
Diskreetin matematiikan perusteet Malliratkaisut 2 / vko 38
Diskreetin matematiikan perusteet Malliratkaisut 2 / vko 38 Tuntitehtävät 11-12 lasketaan alkuviikon harjoituksissa ja tuntitehtävät 15-16 loppuviikon harjoituksissa. Kotitehtävät 13-14 tarkastetaan loppuviikon
Väliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
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
(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.
Sovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
Käytetään 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)
031021P 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
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
Markov-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;
Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
4. 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.
Sovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan
Diskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9
Diskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9 Tuntitehtävät 9-10 lasketaan alkuviikon harjoituksissa ja tuntitehtävät 13-14 loppuviikon harjoituksissa. Kotitehtävät 11-12 tarkastetaan loppuviikon
, tuottoprosentti r = X 1 X 0
Ostat osakkeen hintaan ja myyt sen vuoden myöhemmin hintaan X 1. Kokonaistuotto on tällöin R = X 1, tuottoprosentti r = X 1 ja pätee R = 1 + r. Lyhyeksimyymisellä tarkoitetaan, että voit myydä osakkeen
Sovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut
Sovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 16. marraskuuta 2007 Antti Rasila () TodB 16. marraskuuta 2007 1 / 15 1 Epäparametrisia testejä χ 2 -yhteensopivuustesti Homogeenisuuden testaaminen Antti
MS-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
Markov-ketjuja suurilla tila-avaruuksilla
3B Markov-ketjuja suurilla tila-avaruuksilla Tuntitehtävät 3B1 Sekoaako korttipakka sekoittamalla? Olkoon S kaikkien 52 kortin korttipakan mahdollisten järjestysten joukko. (a) Perustele, miksi joukossa
5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3
Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,
Miten osoitetaan joukot samoiksi?
Miten osoitetaan joukot samoiksi? Määritelmä 1 Joukot A ja B ovat samat, jos A B ja B A. Tällöin merkitään A = B. Kun todistetaan, että A = B, on päättelyssä kaksi vaihetta: (i) osoitetaan, että A B, ts.
Estimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset
Todennäköisyyslaskenta I, kesä 207 Helsingin yliopisto/avoin Yliopisto Harjoitus, ratkaisuehdotukset. Kokeet ja Ω:n hahmottaminen. Mitä tarkoittaa todennäköisyys on? Olkoon satunnaiskokeena yhden nopan
3.7 Todennäköisyysjakaumia
MAB5: Todennäköisyyden lähtökohdat 4 Luvussa 3 Tunnusluvut perehdyimme jo jakauman käsitteeseen yleensä ja normaalijakaumaan vähän tarkemmin. Lähdetään nyt tutustumaan binomijakaumaan ja otetaan sen jälkeen
Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:
8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden
Oletetaan, 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
Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
D ( ) 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,
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
MS-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
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
Markov-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
Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-200 Todennäköisyyslaskenta Tentti 29.04.20 / Kimmo Vattulainen Funktiolaskin sallittu.. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi kuutosen. A aloittaa
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä
Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia
Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että
Erilaisia 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
Todennäköisyyden 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
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
Tilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
Diskreetin matematiikan perusteet Laskuharjoitus 1 / vko 8
Diskreetin matematiikan perusteet Laskuharjoitus 1 / vko 8 Tuntitehtävät 1-2 lasketaan alkuviikon harjoituksissa ja tuntitehtävät 5- loppuviikon harjoituksissa. Kotitehtävät 3-4 tarkastetaan loppuviikon
5. laskuharjoituskierros, vko 8, ratkaisut
Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa
Tilastollinen päättely II, kevät 2017 Harjoitus 1A
Tilastollinen päättely II, kevät 207 Harjoitus A Heikki Korpela 23. tammikuuta 207 Tehtävä. Kertausta todennäköisyyslaskennasta. Ilmoita satunnaismuuttujan Y jakauman nimi ja pistetodennäköisyys- tai tiheysfunktio
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
Jatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään