Jatkuvia jakaumia. Jatkuvia jakaumia. Jatkuvia jakaumia Mitä opimme? 2/3. Jatkuvia jakaumia Mitä opimme? 1/3. Jatkuvia jakaumia Mitä opimme?

Koko: px
Aloita esitys sivulta:

Download "Jatkuvia jakaumia. Jatkuvia jakaumia. Jatkuvia jakaumia Mitä opimme? 2/3. Jatkuvia jakaumia Mitä opimme? 1/3. Jatkuvia jakaumia Mitä opimme?"

Transkriptio

1 TKK (c) Ilkk Melli (4) Jtkuvi jkumi Jtkuv tsie jkum Johdtus todeäköisyyslsket Jtkuvi jkumi TKK (c) Ilkk Melli (4) Jtkuvi jkumi Mitä opimme? /3 Tutustumme tässä luvuss seurvii jtkuvii todeäköisyysjkumii: Jtkuv tsie jkum Jtkuvi jkumi Mitä opimme? /3 Trkstelu kohtee ovt seurvt jkumie omiisuudet: (i) Jkum määrittely (ii) Tiheysfuktio j kertymäfuktio (iii) Odotusrvo, vrissi j stdrdipoikkem (iv) Kuvj Trksteltvie jkumie odotusrvot johdet suor odotusrvo määritelmää ojutue. Todeäköisyysjkum mometit sd kuiteki yleesä kätevimmi johdetuksi käyttämällä hyväksi jkum mometit geeroiv fuktiot; ks. luku Momettiemäfuktio j krkteristie fuktio. TKK (c) Ilkk Melli (4) 3 TKK (c) Ilkk Melli (4) 4 Jtkuvi jkumi Mitä opimme? 3/3 Trkstelemme ormlijkum tpuksess myös ko. jkum oudttvie riippumttomie stuismuuttujie summ jkum. Lisätietoj riippumttomie stuismuuttujie summ jkum määräämisestä: ks. luku Stuismuuttujie muuokset j iide jkumt. Huomutus: Trkoitmme stuismuuttujie riippumttomuudell sitä, että yhdekää stuismuuttuj smt rvot eivät riipu siitä, mitä rvoj muut stuismuuttujt svt; käsite täsmeetää luvuss Kksiulotteiset todeäköisyysjkumt. Esitämme tässä luvuss myös keskeise rj-rvolusee, jok o tärkeimpiä perusteluit ormlijkum keskeiselle semlle tilstotieteessä. Jtkuvi jkumi Esitiedot Esitiedot: ks. seurvi lukuj: Stuismuuttujt j todeäköisyysjkumt Kertymäfuktio Jkumie tuusluvut TKK (c) Ilkk Melli (4) 5 TKK (c) Ilkk Melli (4) 6

2 TKK (c) Ilkk Melli (4) 7 Jtkuvi jkumi Lisätiedot Todeäköisyysjkumie momettie määräämistä trkstell luvuss Momettiemäfuktio j krkteristie fuktio Riippumttomie stuismuuttujie summ jkum määräämistä trkstell luvuss Stuismuuttujie muuokset j iide jkumt Tilstotieteessä pljo käytettyjä ormlijkumst johdettuj jkumi (χ -, F-j t-jkumi) käsitellää luvuss st johdettuj jkumi Jtkuvi jkumi >> Jtkuv tsie jkum TKK (c) Ilkk Melli (4) 8 Jtkuv tsie jkum Avist Jtkuv tsie jkum Kertymäfuktio Odotusrvo Stdrdipoikkem Tiheysfuktio Todeäköisyyksie määräämie jtkuvst tsisest jkumst Vrissi Jtkuv tsie jkum Jtkuv tsie jkum j se tiheysfuktio /3 stuismuuttuj rvoluee relikseli äärellie väli [, ]. Olkoot [, ] j [, ] väli [, ] kksi mielivltist, smpituist osväliä: [, ] [, ] [, ] [, ] = Oletet, että väleihi [, ] j [, ] liittyvät todeäköisyydet ovt yhtä suuri: Pr( [, ]) = Pr( [, ]) TKK (c) Ilkk Melli (4) 9 TKK (c) Ilkk Melli (4) Jtkuv tsie jkum Jtkuv tsie jkum j se tiheysfuktio /3 Stuismuuttuj tiheysfuktio o, x< f( x) =, x, x> Fuktio f(x) kelp tiheysfuktioksi, kosk f( x) dx= Jtkuv tsie jkum Jtkuv tsie jkum j se tiheysfuktio 3/3 Somme, että stuismuuttuj oudtt jtkuv tsist jkum prmetrei j. Merkitä: Uiform(, ) TKK (c) Ilkk Melli (4) TKK (c) Ilkk Melli (4)

3 TKK (c) Ilkk Melli (4) 3 Jtkuv tsie jkum Jtkuv tsie jkum j se kertymäfuktio Uiform(, ). Stuismuuttuj kertymäfuktio o, x x F( x) = Pr( x) =, x, x Jtkuv tsie jkum Jtkuv tsie jkum j se kertymäfuktio: Johto Uiform(, ). Stuismuuttuj tiheysfuktio luseke, ku x [, ] : f( x) = Site stuismuuttuj kertymäfuktio lusekkeeksi sd, ku x [, ] : x x F( x) = Pr( x) = f( t) dt = dt x = x = TKK (c) Ilkk Melli (4) 4 Jtkuv tsie jkum Odotusrvo, vrissi j stdrdipoikkem Jtkuv tsie jkum Odotusrvo johto Uiform(, ). Odotusrvo: + E( ) = Vrissi j stdrdipoikkem: ( ) Vr( ) = D ( ) = D( ) = 3 Uiform(, ) Tällöi + E( ) = xf ( x) dx = x dx = x = ( ) + = TKK (c) Ilkk Melli (4) 5 TKK (c) Ilkk Melli (4) 6 Jtkuv tsie jkum Tiheysfuktio kuvj Jtkuv tsie jkum Tiheysfuktio j se kuvj omiisuudet Kuv oikell esittää jtkuv tsise jkum Uiform(, ) tiheysfuktiot f ( x) =, x Jkum odotusrvo: + E( ) = Uiform(, ) Jtkuv tsise jkum tiheysfuktio f( x) =, x s positiivise vkiorvo /( ) välillä [, ] j s rvo väli [, ] ulkopuolell. + E( ) = TKK (c) Ilkk Melli (4) 7 TKK (c) Ilkk Melli (4) 8

4 TKK (c) Ilkk Melli (4) 9 Jtkuv tsie jkum Kertymäfuktio kuvj Jtkuv tsie jkum Todeäköisyyksie määräämie jtkuvst tsisest jkumst / Kuv oikell esittää jtkuv tsise jkum Uiform(, ) kertymäfuktiot, x x F( x) =, x, x Uiform(, ) Uiform(, ). [c, d] [, ] joki väli [, ] osväli. Väli [c, d] todeäköisyys sd itegroimll jtkuv tsise jkum Uiform(, ) tiheysfuktio f( x) =, x välillä [c, d]: d d c Pr( c d) = f( x) dx= c TKK (c) Ilkk Melli (4) Jtkuv tsie jkum Todeäköisyyksie määräämie jtkuvst tsisest jkumst / Kikkie muide jtkuv tsisee jkum Uiform(, ) liittyvie tphtumie todeäköisyydet sd väli [, ] osvälie todeäköisyyksistä todeäköisyyslske lskusäätöje vull. Jtkuvi jkumi Jtkuv tsie jkum >> TKK (c) Ilkk Melli (4) TKK (c) Ilkk Melli (4) Avist Kertymäfuktio Odotusrvo Poisso-jkum Stdrdipoikkem Tiheysfuktio Todeäköisyyksie määräämie ekspoettijkumst Vrissi j se tiheysfuktio stuismuuttuj tiheysfuktio λx f( x) = λe, λ >, x Fuktio f(x) kelp tiheysfuktioksi, kosk + f( x) dx= Somme, että stuismuuttuj oudtt ekspoettijkum prmetri λ. Merkitä: Exp(λ) TKK (c) Ilkk Melli (4) 3 TKK (c) Ilkk Melli (4) 4

5 TKK (c) Ilkk Melli (4) 5 j se kertymäfuktio Exp(λ). Stuismuuttuj kertymäfuktio o λx F( x) = Pr( x) = e, λ >, x j se kertymäfuktio: Johto Exp(λ). Stuismuuttuj tiheysfuktio: λx f( x) = λe, λ >, x Site stuismuuttuj kertymäfuktioksi sd, ku x : x x λt F( x) = Pr( x) = f( t) dt = λe dt = e λt = e x λx TKK (c) Ilkk Melli (4) 6 Odotusrvo, vrissi j stdrdipoikkem Odotusrvo johto Exp(λ). Odotusrvo: E( ) = λ Vrissi j stdrdipoikkem: Vr( ) = D ( ) = λ D( ) = λ Exp(λ) Tällöi osittisitegroiill sd: + + λx E( ) = xf ( x) dx = xλe dx + λx + λx xe e dx = + + λx = e λ = λ TKK (c) Ilkk Melli (4) 7 TKK (c) Ilkk Melli (4) 8 Tiheysfuktio kuvj Tiheysfuktio j se kuvj omiisuudet Kuv oikell esittää ekspoettijkum Exp(λ) tiheysfuktiot f ( x) = λe λx välillä [, 6], ku (i) λ = / (ii) λ = /4 Jkum odotusrvo: E( ) = / λ Exp(λ).6.5 Exp(/) Exp(/4) 4 6 tiheysfuktio λx f( x) = λe, λ >, x o positiivie kikille ei-egtiivisille rgumeti rvoille: f(x) >, x > Tiheysfuktioll o mksimi pisteessä x = Tiheysfuktio o mootoisesti lskev kikille λ >. TKK (c) Ilkk Melli (4) 9 TKK (c) Ilkk Melli (4) 3

6 TKK (c) Ilkk Melli (4) 3 Kertymäfuktio kuvj Poisso-prosessi Kuv oikell esittää ekspoettijkum Exp(λ) kertymäfuktiot F( x) = e λx välillä [, 6], ku λ = / Exp(λ) Trkstell joki tphtum sttumist jtkuvll ikvälillä, jok pituus o t. Määritellää diskreetti stuismuuttuj Z = Niide tphtumie lukumäärä, jotk sttuvt ikvälillä [, t] Sopivi oletuksi stuismuuttuj Z oudtt Poisso-jkum prmetri νt: Z Poisso(νt) Prmetri νt kuv tphtumitesiteettiä eli tphtumie keskimääräistä lukumäärää ikvälillä, jok pituus o t. TKK (c) Ilkk Melli (4) 3 Poisso-prosessi j ekspoettijkum Z Poisso(νt) Määritellää jtkuv stuismuuttuj = Esimmäise tphtum sttumisik = Tphtumie väliik Stuismuuttuj oudtt ekspoettijkum prmetri ν : Exp(ν) tiheysfuktio johto / Exp(λ) Johdet esi stuismuuttuj kertymäfuktio F. Kertymäfuktio määritelmä j komplemettitodeäköisyyde kv muk ( ) F ( x) = Pr( x) = Pr( > x) Esimmäie tphtum sttuu jhetke x jälkee, jos j vi jos ikvälillä [, x] ei ole sttuut yhtää tphtum. Site Pr( > x) = Pr( Z = ) joss Z Poisso(λx). Poisso-jkum pistetodeäköisyysfuktio kvst sd: Pr( > x) = Pr( Z = ) = exp( λx) TKK (c) Ilkk Melli (4) 33 TKK (c) Ilkk Melli (4) 34 tiheysfuktio johto / uohtmisomiisuus Sijoittmll tämä stuismuuttuj lusekkeesee ( ) klvoll / sd F ( x) = Pr( x) = Pr( > x) = exp( λx) jost stuismuuttuj tiheysfuktioksi sd derivoimll d f ( x) = F( x) = λ exp( λx) dx Site Exp(λ) Exp(λ). Tällöi Pr( + ) = Pr( ) Site ekspoettijkumll o seurv uohtmisomiisuus: Se, että tphtum sttumist o jouduttu odottm j, ei vikut todeäköisyytee joutu odottm j lisää. Poisso-prosessi uohtmisomiisuutt kutsut stokstise prosessi Mrkov-omiisuudeksi. TKK (c) Ilkk Melli (4) 35 TKK (c) Ilkk Melli (4) 36

7 TKK (c) Ilkk Melli (4) 37 Todeäköisyyksie määräämie ekspoettijkumst / Exp(λ). [c, d] [, + ) joki väli [, + ) osväli. Väli [c, d] todeäköisyys sd itegroimll ekspoettijkum Exp(λ) tiheysfuktio λx f( x) = λe, λ >, x välillä [c, d]: d λc λd Pr( c d) = f( x) dx= e e c Todeäköisyyksie määräämie ekspoettijkumst / Kikkie muide ekspoettijkum Exp(λ) liittyvie tphtumie todeäköisyydet sd väli [, ] osvälie todeäköisyyksistä todeäköisyyslske lskusäätöje vull. TKK (c) Ilkk Melli (4) 38 Jtkuvi jkumi Jtkuv tsie jkum >> Avist Kertymäfuktio Odotusrvo Riippumttomie ormlijkutueide stuismuuttujie summ jkum Stdrdipoikkem Stdrdoitu ormlijkum Tiheysfuktio Todeäköisyyksie määräämie ormlijkumst Vrissi TKK (c) Ilkk Melli (4) 39 TKK (c) Ilkk Melli (4) 4 j se tiheysfuktio / stuismuuttuj tiheysfuktio x µ f( x) = exp, < µ <+, σ > σ π σ < x < + Fuktio f(x) kelp tiheysfuktioksi, kosk + f( x) dx= Somme, että stuismuuttuj oudtt ormlijkum prmetrei µ j σ. Merkitä: N(µ, σ ) TKK (c) Ilkk Melli (4) 4 j se tiheysfuktio / kutsut kehittäjäsä muk usei Gussi jkumksi j se tiheysfuktio kuvj Gussi käyräksi ti kellokäyräksi (egl. ell curve). TKK (c) Ilkk Melli (4) 4

8 TKK (c) Ilkk Melli (4) 43 j se kertymäfuktio N(µ, σ ). Stuismuuttuj kertymäfuktio o x t µ σ F( x) = Pr( x) = e dt σ π Kosk ormlijkum tiheysfuktio itegrlifuktiot ei tuet, ii ormlijkum kertymäfuktiolle ei void t eksplisiittistä lusekett. Site ormlijkum kertymäfuktio rvoje määräämisee o käytettävä umeerist itegroiti. Odotusrvo, vrissi j stdrdipoikkem N(µ, σ ). Odotusrvo: E( ) = µ Vrissi j stdrdipoikkem: Vr( ) = D ( ) = σ D( ) = σ TKK (c) Ilkk Melli (4) 44 Odotusrvo johto / Odotusrvo johto / N(µ, σ ) Tällöi Sijoituksell x µ z = σ sd: x µ + + σ σ π E( ) = xf ( x) dx = xe dx + z π µ σ z + + z µ σ π π E( ) = ( + z) e dz = e dz+ ze dz Nyt Perustelu: z + + z σ π π E( ) = µ e dz + ze dz = µ z + + z π e dz e π dz µ = µ = µ = µ kosk itegroitv o stdrdoidu ormlijkum N(,) tiheysfuktio j + z σ ze dz = π kosk itegroitv o muuttuj z prito fuktio. TKK (c) Ilkk Melli (4) 45 TKK (c) Ilkk Melli (4) 46 Tiheysfuktio kuvj Tiheysfuktio j se kuvj omiisuuksi /3 Kuv oikell esittää ormlijkum N(µ, σ ) tiheysfuktiot f( x) = exp ( x σ µ ) σ π välillä [ 6, +6], ku (i) µ = σ = 4 (ii) µ = σ = (iii) µ = +3 σ =.9 Jkum odotusrvo: E( ) = µ { } N(µ, σ ).4. N(3,.9).8 N(, ).6.4 N(, 4) tiheysfuktio f( x) = exp{ ( x µ ) σ π σ } o kikkill positiivie: f(x) > kikille x Tiheysfuktio o yksihuippuie. Tiheysfuktio s mksimirvos pisteessä µ. Tiheysfuktio o symmetrie suor x = µ suhtee: f(µ x) = f(µ + x) kikille x TKK (c) Ilkk Melli (4) 47 TKK (c) Ilkk Melli (4) 48

9 TKK (c) Ilkk Melli (4) 49 Tiheysfuktio j se kuvj omiisuuksi /3 Tiheysfuktio j se kuvj omiisuuksi 3/3 Tiheysfuktioll o kääepisteet pisteissä µ σ j µ + σ j tiheysfuktio o kuper ylöspäi väli [µ σ, µ + σ] sisäpuolell j kuper lspäi väli [µ σ, µ + σ] ulkopuolell. Kikki ormlijkumt ovt smmuotoisi, jos e piirretää stdrdoiduiss yksiköissä x µ z = σ Kuv oikell esittää ormlijkum N(µ, σ ) tiheysfuktiot f( x) = exp ( x σ µ ) σ π Tiheysfuktioll o mksimi pisteessä x = µ Tiheysfuktioll o kääepisteet pisteissä x = µ σ x = µ + σ { } N(µ, σ ) Mksimi Kääepiste Kääepiste σ σ µ σ µ µ + σ TKK (c) Ilkk Melli (4) säätö Kikille ormlijkumille pätee (likimääri): (i) 68% jkum todeäköisyysmssst o välillä [µ σ, µ + σ] (ii) 95% jkum todeäköisyysmssst o välillä [µ σ, µ +σ] (iii) 99.7% jkum todeäköisyysmssst o välillä [µ 3σ, µ +3σ] säätö: Hviollistus N(µ, σ ) µ 3σ µ σ µ σ µ µ + σ µ + σ µ + 3σ 68 % 95 % 99.7 % TKK (c) Ilkk Melli (4) 5 TKK (c) Ilkk Melli (4) 5 Stdrdoitu ormlijkum Stdrdoitu ormlijkum: Tiheysfuktio kuvj N(, ) jolloi siis E( ) = D( ) = Tällöi somme, että stuismuuttuj oudtt stdrdoitu ormlijkum. Kuv oikell esittää stdrdoidu ormlijkum N(, ) tiheysfuktiot f ( x) = exp x π { } N(, )-jkum tiheysfuktio TKK (c) Ilkk Melli (4) 53 TKK (c) Ilkk Melli (4) 54

10 TKK (c) Ilkk Melli (4) 55 Stdrdoitu ormlijkum: Kertymäfuktio kuvj Lierimuuokse jkum Kuv oikell esittää stdrdoidu ormlijkum N(, ) kertymäfuktiot. Stdrdoidu ormlijkum kertymäfuktio F(x) määrittelee kv x F( x) = Pr( x) = f( t) dt joss f(x) o stdrdoidu ormlijkum tiheysfuktio. N(, )-jkum kertymäfuktio N(µ, σ ). Määritellää stuismuuttuj Y = + joss j ovt (ei-stuisi) vkioit. Tällöi Y o ormlie: Y ~N( + µ, σ ) Perustelu: Ks. luku Stuismuuttujie muuokset j iide jkumt. TKK (c) Ilkk Melli (4) 56 Stdrdoiti N(µ, σ ), jolloi E() = µ D() = σ Stdrdoid stuismuuttuj : µ Z = σ Stdrdoitu stuismuuttuj Z oudtt stdrdoitu ormlijkum N(, ): Z ~N(,) j stdrdoitu ormlijkum / Kikki ormlijkumt N(µ, σ ) ovt smmuotoisi stdrdoiduiss yksiköissä µ Z = σ Site todeäköisyydet mielivltisest ormlijkumst N(µ, σ ) void i määrätä stdrdoidu ormlijkum N(, ) vull. TKK (c) Ilkk Melli (4) 57 TKK (c) Ilkk Melli (4) 58 j stdrdoitu ormlijkum / siis N(µ, σ ) Z N(, ) Tällöi Pr( ) µ µ µ = Pr σ σ σ µ µ = Pr Z σ σ TKK (c) Ilkk Melli (4) 59 j stdrdoitu ormlijkum: Esimerkki N(,/ 4) Z = ( µ ) / σ N(,).9.9 µ.8 = µ.8 Z =.7 σ = / 4.7 σ Z = A µ µ =.5 = 3 = = σ σ Stdrdoidu ormlijkum N(, ) tulukoist sd: Aluee A pit-l = Pr (.5 3) = Pr( Z ) =.885 TKK (c) Ilkk Melli (4) 6

11 TKK (c) Ilkk Melli (4) 6 Todeäköisyyksie määräämie stdrdoidust ormlijkumst / Todeäköisyydet stdrdoidust ormlijkumst N(, ) void määrätä jkum kertymäfuktio vull. Z N(, ). stuismuuttuj Z kertymäfuktio Φ(z) = Pr(Z z) Huomutus: Kosk ormlijkum tiheysfuktio itegrlifuktiot ei tuet, ormlijkum kertymäfuktio määräämisee o käytettävä jotki umeerist meetelmää. Siksi useimmiss tilstotietee j todeäköisyyslske oppikirjoiss o vlmis tulukko, joss o tulukoitu ormlijkum kertymäfuktio rvoj j iihi liittyviä todeäköisyyksiä. Todeäköisyyksie määräämie stdrdoidust ormlijkumst / Kikkie stdrdoituu ormlijkum liittyvie tphtumie todeäköisyydet sd todeäköisyyksistä Pr(Z z) = Φ(z) todeäköisyyslske lskusäätöje vull. Esimerkiksi Pr( Z ) =Φ( ) Φ( ) TKK (c) Ilkk Melli (4) 6 Todeäköisyyksie määräämie stdrdoidust ormlijkumst: Tulukot / Stdrdoidu ormlijkum tulukot sisältävät stdrdoidu ormlijkum N(, ) kertymäfuktio Φ(z) rvoj tulukoitu uselle eri rgumeti z rvolle. Site tulukot mhdollistvt seurvie tehtävie rtkisemise: (i) Määrää todeäköisyys Pr(Z z) = Φ(z) ku z o ettu. (ii) Määrää z, ku todeäköisyys Pr(Z z) = Φ(z) o ettu. Todeäköisyyksie määräämie stdrdoidust ormlijkumst: Tulukot / Moiss ormlijkum tulukoiss o tulukoitu todeäköisyyksiä Pr( Z z) =Φ( z) vi, ku z. Tällöi todeäköisyydet Pr(Z z) = Φ( z) sd soveltmll stdrdoidu ormlijkum tiheysfuktio symmetrisyyttä suor z = suhtee: Φ( z) = Pr( Z z) = Pr( Z z) = Pr( Z z) = Φ( z) TKK (c) Ilkk Melli (4) 63 TKK (c) Ilkk Melli (4) 64 Todeäköisyyksie määräämie stdrdoidust ormlijkumst: Esimerkki / Todeäköisyyksie määräämie stdrdoidust ormlijkumst: Esimerkki / Z ~ N(, ) j olkoo f Z (z) stuismuuttuj Z tiheysfuktio. Stdrdoidu ormlijkum N(, ) tulukoist sd: Aluee A pit-l = fz ( z) dz = Pr( Z ) =.843 N(, )-jkum tiheysfuktio A Z ~ N(, ) j olkoo Φ(z) stuismuuttuj Z kertymäfuktio. Stdrdoidu ormlijkum N(, ) tulukoist sd: Φ() = Pr( Z ) =.843 N(, )-jkum kertymäfuktio TKK (c) Ilkk Melli (4) 65 TKK (c) Ilkk Melli (4) 66

12 TKK (c) Ilkk Melli (4) 67 Todeäköisyyksie määräämie ormlijkumst: Ohjelmt N(µ, σ ). Moet tietokoeohjelmt mhdollistvt seurvie tehtävie rtkisemise mielivltisille prmetrie µ, σ rvoille: (i) Määrää todeäköisyys Pr( x) ku x o ettu. (ii) Määrää x, ku todeäköisyys Pr( x) ku o x ettu. Khde ormlijkutuee stuismuuttuj summ jkum N(µ, σ ) Y N(µ Y, σ Y ) j olkoot j Y lisäksi riippumttomi. Määritellää stuismuuttuj W = + Y Tällöi summ W = + Y o ormlie: W ~N( µ + µ Y, σ + σy) Perustelu: Ks. luku Stuismuuttujie muuokset j iide jkumt. TKK (c) Ilkk Melli (4) 68 Normlijkutueide stuismuuttujie summ jkum / i, i =,,, joo riippumttomi ormlijkutueit stuismuuttuji. Site,,, i N( µ i, σi ), i =,,, Y = i i= stuismuuttujie i, i =,,, summ. Normlijkutueide stuismuuttujie summ jkum / Tällöi summ Y o ormlie: Y ~N( µ + µ + + µ, σ + σ + + σ) Soi: Riippumttomie, ormlijkutueide stuismuuttujie summ o ormlie j prmetrit sd yhteelskettvie stuismuuttujie vstvie prmetrie summi. Perustelu: Ks. luku Stuismuuttujie muuokset j iide jkumt. TKK (c) Ilkk Melli (4) 69 TKK (c) Ilkk Melli (4) 7 Normlijkutueide stuismuuttujie summ jkum / i, i =,,, joo riippumttomi, sm ormlijkum oudttvi stuismuuttuji. Site,,, i N( µσ, ), i =,,, Y = i i= stuismuuttujie i, i =,,, summ. Normlijkutueide stuismuuttujie summ jkum / Tällöi summ Y o ormlie: Y = i= i ~N( µ, σ ) Site riippumttomie, sm ormlijkum oudttvie stuismuuttujie summ o ormlie j prmetrit sd yhteelskettvie stuismuuttujie vstvie prmetrie summi. Huomutus: Tulos o erikoistpus riippumttomie, ormlijkutueide stuismuuttujie summ koskevst yleisestä jkumtuloksest. TKK (c) Ilkk Melli (4) 7 TKK (c) Ilkk Melli (4) 7

13 TKK (c) Ilkk Melli (4) 73 Normlijkutueide stuismuuttujie ritmeettise keskirvo jkum / i, i =,,, joo riippumttomi, sm ormlijkum oudttvi stuismuuttuji. Site,,, i N( µσ, ), i =,,, i i = = stuismuuttujie i, i =,,, ritmeettie keskirvo. Normlijkutueide stuismuuttujie ritmeettise keskirvo jkum / Tällöi ritmeettie keskirvo o ormlie: σ ~N( µ, ) Site riippumttomie, sm ormlijkum oudttvie stuismuuttujie ritmeettie keskirvo o ormlie. Huomutus: Ilm ormlisuusoletustki pätee: E( ) = µ D( ) σ = TKK (c) Ilkk Melli (4) 74 Miksi ormlijkum o ormli? Jtkuvi jkumi o sekä teoreettise että soveltv tilstotietee tärkei jkum. keskeie sem tilstotieteessä perustuu siihe teoreettisee j empiirisee tosiseikk, että moii stuisilmiöihi liittyvät stuismuuttujt oudttvt iki pproksimtiivisesti ormlijkum. Mikä o tämä tosiseik selitys? Selitykseä o keskeie rj-rvoluse; ks. seurv kpplett. Jtkuv tsie jkum >> TKK (c) Ilkk Melli (4) 75 TKK (c) Ilkk Melli (4) 76 Johdto / Avist Approksimoiti Asymptoottie Aritmeettie keskirvo Biomijkum De Moivre j Lplce rj-rvoluse Hypergeometrie jkum Kertymäfuktio Poisso-jkum Riippumttomie ormlijkutueide stuismuuttujie summ jkum Stdrdoiti Stdrdoitu ormlijkum Tiheysfuktio i, i =,,, joo riippumttomi, sm ormlijkum N(µ, σ ) oudttvi stuismuuttuji. Tällöi stuismuuttujie i summ Y o ormlie: Y = i= i ~N( µ, σ ) Kysymys: Mitä void so riippumttomie, sm jkum oudttvie stuismuuttujie summ jkumst, jos ko. stuismuuttujt eivät oudt ormlijkum? TKK (c) Ilkk Melli (4) 77 TKK (c) Ilkk Melli (4) 78

14 TKK (c) Ilkk Melli (4) 79 Johdto / Keskeise rj-rvolusee formuloiti /3 Ei-ormliste stuismuuttujie summ ei yleesä ole ormlie. Kuiteki, jos yhteelskettvi o trpeeksi pljo, stuismuuttujie summ o (hyvi yleisi ehdoi) pproksimtiivisesti ormlie. Tämä o keskeise rj-rvolusee oleie sisältö. Kosk moi stuismuuttuji void pitää use riippumttom tekijä summ, t keskeie rjrvoluse selitykse empiiriselle hviolle iide ormlisuudest. i, i =,, joo riippumttomi, smoi jkutueit stuismuuttuji, joide odotusrvo j vrissi ovt E( i ) = µ, i =,, D( i ) = σ, i =,, Y = i i= stuismuuttujie i, i =,,, summ. TKK (c) Ilkk Melli (4) 8 Keskeise rj-rvolusee formuloiti /3 Keskeise rj-rvolusee formuloiti 3/3 Summ Y odotusrvo j vrissi ovt E( Y ) = µ D( Y ) = σ Stdrdoid summ Y : Y µ Z = σ Aet + Tällöi stuismuuttuj Z jkum lähestyy stdrdoitu ormlijkum N(, ). Site keskeie rj-rvoluse soo, että i µ i= lim Pr z =Φ( z) + σ joss Φ o stdrdoidu ormlijkum N(, ) kertymäfuktio. Merkitä: i µ i= N(,) σ TKK (c) Ilkk Melli (4) 8 TKK (c) Ilkk Melli (4) 8 Kommettej /3 Kommettej /3 Keskeiselle rj-rvoluseelle esitetää todistus luvuss Kovergessikäsitteet j rj-rvoluseet. Keskeise rj-rvolusee muk use stuismuuttuj summ o (tietyi ehdoi) pproksimtiivisesti ormlie (lähes) riippumtt yhteelskettvie jkumst. Huomutus: Yhteelskettvie ei trvitse oll edes jtkuvi, v e voivt oll jop diskreettejä. Approksimtio hyvyys riippuu yhteelskettvie stuismuuttujie lukumäärästä, iide jkumst j erityisesti iide jkum vioudest. Approksimtio hyvyys pree, ku yhteelskettvie stuismuuttujie lukumäärä ksv. Jos yhteelskettvie stuismuuttujie jkum o symmetrie, pproksimtio o hyvä jo suhteellise pieillä yhteelskettvie lukumäärillä. Jos yhteelskettvie stuismuuttujie jkum o epäsymmetrie, hyvä pproksimtio vtii eemmä yhteelskettvi. TKK (c) Ilkk Melli (4) 83 TKK (c) Ilkk Melli (4) 84

15 TKK (c) Ilkk Melli (4) 85 Kommettej 3/3 koskee stuismuuttujie symptoottist käyttäytymistä sm tp kui luvuss Jkumie tuusluvut esitetty suurte lukuje lki. Keskeisessä rj-rvoluseess esiityvä rjkäyttäytymise muoto o esimerkki s. jkumkovergessist eli heikost kovergessist. Keskeisestä rj-rvoluseest o olemss yleisempiä muotoj, joiss lieveetää smoijkutueisuus-j riippumttomuusoletuksi. Aritmeettise keskirvo pproksimtiivie jkum Keskeisestä rj-rvoluseest seur: Riippumttomie smoi jkutueide stuismuuttujie i, i =,,, ritmeettie keskirvo i = = i o suurille (mutt äärellisille) pproksimtiivisesti ormlie prmetrei µ j σ /: σ N µ, TKK (c) Ilkk Melli (4) 86 Keskeise rj-rvolusee seuruksi /3 Keskeise rj-rvolusee seuruksi /3 Keskeisellä rj-rvoluseest seur erikoistpuksi moet yksittäisiä jkumi koskevt symptoottiset tulokset. Käsittelemme seurvi erikoistpuksi: (i) Biomijkum lähestyy ormlijkum, ku toistokokeide lukumäärä et ksv. (ii) Poisso-jkum lähestyy ormlijkum, ku jkum itesiteettiprmetri λ rvo et ksv. Sitä, että iomijkum lähestyy toistokokeide lukumäärä ksvess ormlijkum, kutsut tvllisesti De Moivre j Lplce rj-rvoluseeksi. De Moivre j Lplce rj-rvolusee muk iomitodeäköisyyksiä void pproksimoid ormlijkumst määrätyillä todeäköisyyksillä, jos toistokokeide lukumäärä o kylli suuri. Kosk hypergeometrie jkum muistutt tietyi ehdoi iomijkum, myös hypergeometrise jkum todeäköisyyksiä void pproksimoid ormlijkumst määrätyillä todeäköisyyksillä. TKK (c) Ilkk Melli (4) 87 TKK (c) Ilkk Melli (4) 88 Keskeise rj-rvolusee seuruksi 3/3 De Moivre j Lplce rj-rvoluse Poisso-jkum koskev keskeise rj-rvolusee muodo muk Poisso-jkum todeäköisyyksiä void pproksimoid ormlijkumst määrätyillä todeäköisyyksillä. Bi(, p) j q = p. Site E( ) = p Vr( ) = pq Tällöi p lim Pr z =Φ( z) + pq joss Φ o stdrdoidu ormlijkum N(, ) kertymäfuktio. TKK (c) Ilkk Melli (4) 89 TKK (c) Ilkk Melli (4) 9

16 TKK (c) Ilkk Melli (4) 9 De Moivre j Lplce rj-rvoluse: Hviollistus /5 De Moivre j Lplce rj-rvoluse: Hviollistus /5 Klvoill /5-5/5 olev kuvsrj hviollist De Moivre j Lplce rj-rvolusett. Kuvsrj äyttää mite stuismuuttujie Bi(, p) Z N(µ, σ ) jkumt lkvt muistutt yhä eemmä toisi, ku toistokokeide lukumäärä et ksv. Kuvsrjss p =. =,, 3, µ = p σ = p( p) Bi(, p) = p =. j Z N(µ, σ ) µ = p =. σ = p( p) =.9 Kuv oikell esittää stuismuuttuj pistetodeäköisyysfuktiot j stuismuuttuj Z tiheysfuktiot välillä [ 3, ]. Jkumt Bi(,.) j N(.,.9) TKK (c) Ilkk Melli (4) 9 De Moivre j Lplce rj-rvoluse: Hviollistus 3/5 De Moivre j Lplce rj-rvoluse: Hviollistus 4/5 Bi(, p) = p =. j Z N(µ, σ ) µ = p = σ = p( p) =.9 Kuv oikell esittää stuismuuttuj pistetodeäköisyysfuktiot j stuismuuttuj Z tiheysfuktiot välillä [ 3, ]. Jkumt Bi(,.) j N(,.9) Bi(, p) = 3 p =. j Z N(µ, σ ) µ = p = 3 σ = p( p) =.7 Kuv oikell esittää stuismuuttuj pistetodeäköisyysfuktiot j stuismuuttuj Z tiheysfuktiot välillä [ 3, ]. Jkumt Bi(3,.) j N(3,.7) TKK (c) Ilkk Melli (4) 93 TKK (c) Ilkk Melli (4) 94 De Moivre j Lplce rj-rvoluse: Hviollistus 5/5 Biomitodeäköisyydet j ormlijkum /4 Bi(, p) = p =. j Z N(µ, σ ) µ = p = σ = p( p) = 9 Kuv oikell esittää stuismuuttuj pistetodeäköisyysfuktiot j stuismuuttuj Z tiheysfuktiot välillä [, ]. Jkumt Bi(,.) j N(, 9) De Moivre j Lplce rj-rvolusee muk iomijkum Bi(, p) void suurille pproksimoid ormlijkumll N(µ, σ ) joss µ = p σ = pq, q = p TKK (c) Ilkk Melli (4) 95 TKK (c) Ilkk Melli (4) 96

17 TKK (c) Ilkk Melli (4) 97 Biomitodeäköisyydet j ormlijkum /4 Jos siis Bi(, p) ii De Moivre j Lplce rj-rvolusee muk suurille p p Pr( < ) Φ Φ pq pq joss Φ o stdrdoidu ormlijkum N(, ) kertymäfuktio. Biomitodeäköisyydet j ormlijkum 3/4 Jos j ovt kokoislukuj, pproksimtio o hiem prempi, jos käytetää kv + / p / p Pr( < ) Φ Φ pq pq Korjustekijä / ottmie muk perustuu siihe, että diskreettiä iomijkum pproksimoid jtkuvll ormlijkumll. TKK (c) Ilkk Melli (4) 98 Biomitodeäköisyydet j ormlijkum 4/4 Biomitodeäköisyydet j ormlijkum: Esimerkki /3 Jos et, sd pproksimtiotulos + / p Pr( ) = F ( ) Φ pq joss F o iomijkum kertymäfuktio. Jos =, sd pproksimtiotulos + / p / p Pr( = ) = f ( ) Φ Φ pq pq joss f o iomijkum pistetodeäköisyysfuktio. Kuv oikell esittää jkum Bi(,.) pistetodeäköisyysfuktiot j jkum N(, 9) tiheysfuktiot välillä [6, ]. De Moivre j Lplce rjrvolusee muk iomitodeäköisyyttä pisteessä x = 8 void pproksimoid vrjostetu luee pit-lll; ks. klvoj /3-3/3. Jkumt Bi(,.) j N(, 9) TKK (c) Ilkk Melli (4) 99 TKK (c) Ilkk Melli (4) Biomitodeäköisyydet j ormlijkum: Esimerkki /3 Biomitodeäköisyydet j ormlijkum: Esimerkki 3/3 Bi(, p), joss = p =. Tällöi f ( 8) =.48 joss f (x) o iomijkum Bi(,.) pistetodeäköisyysfuktio. Jkumt Bi(,.) j N(, 9) Olkoot µ = p = σ = p( p) = 9 joss = p =. Tällöi 8+ / µ Φ σ 8 / µ Φ =.5 σ joss Φ o stdrdoidu ormlijkum N(, ) kertymäfuktio. Jkumt Bi(,.) j N(, 9) TKK (c) Ilkk Melli (4) TKK (c) Ilkk Melli (4)

18 TKK (c) Ilkk Melli (4) 3 Hypergeometrise jkum todeäköisyydet j ormlijkum / Hypergeometrie jkum HyperGeom(N, r, ) lähestyy perusjouko koo N ksvess rjtt iomijkum Bi(, p) joss p = r/n Hypergeometrise jkum todeäköisyydet j ormlijkum / Site hypergeometrist jkum HyperGeom(N, r, ) void suurille N pproksimoid ormlijkumll N(µ, σ ) joss r µ = N r r σ = N N TKK (c) Ilkk Melli (4) 4 Poisso-jkum j ormlijkum Poisso(λ). Site E( ) = λ Vr( ) = λ Tällöi λ lim Pr z =Φ( z) λ + λ joss Φ o stdrdoidu ormlijkum N(, ) kertymäfuktio. Poisso-jkum todeäköisyydet j ormlijkum /4 Poisso-jkum koskev rj-rvolusee muk Poisso-jkum Poisso(λ) void suurille λ pproksimoid ormlijkumll N(µ, σ ) joss µ = λ σ = λ TKK (c) Ilkk Melli (4) 5 TKK (c) Ilkk Melli (4) 6 Poisso-jkum todeäköisyydet j ormlijkum /4 Jos siis Poisso(λ) ii Poisso-jkum koskev rj-rvolusee muk suurille λ λ λ Pr( < ) Φ Φ λ λ joss Φ o stdrdoidu ormlijkum N(, ) kertymäfuktio. Poisso-jkum todeäköisyydet j ormlijkum 3/4 Jos j ovt kokoislukuj, pproksimtio o hiem prempi, jos käytetää kv + / λ / λ Pr( < ) Φ Φ λ λ Korjustekijä / ottmie muk perustuu siihe, että diskreettiä Poisso-jkum pproksimoid jtkuvll ormlijkumll. TKK (c) Ilkk Melli (4) 7 TKK (c) Ilkk Melli (4) 8

19 TKK (c) Ilkk Melli (4) 9 Poisso-jkum todeäköisyydet j ormlijkum 4/4 Jos et, sd pproksimtiotulos + / λ Pr( ) = F ( ) Φ λ joss F o Poisso-jkum kertymäfuktio. Jos =, sd pproksimtiotulos + / λ / λ Pr( = ) = f ( ) Φ Φ λ λ joss f o Poisso-jkum pistetodeäköisyysfuktio.

Testit laatueroasteikollisille muuttujille. Testit laatueroasteikollisille muuttujille. Testit laatueroasteikollisille muuttujille: Esitiedot

Testit laatueroasteikollisille muuttujille. Testit laatueroasteikollisille muuttujille. Testit laatueroasteikollisille muuttujille: Esitiedot TKK (c) Ilkk Melli (24) Johdtus tilstotieteesee TKK (c) Ilkk Melli (24) 2 : Mitä opimme? Trkstelemme tässä luvuss seurvi ltuerosteikolliste muuttujie testejä: Testukse kohtee testeissä o Beroulli-jkum

Lisätiedot

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme? TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:

Lisätiedot

Kertymäfunktio. Kertymäfunktio. Kertymäfunktio: Mitä opimme? 2/2. Kertymäfunktio: Mitä opimme? 1/2. Kertymäfunktio: Esitiedot

Kertymäfunktio. Kertymäfunktio. Kertymäfunktio: Mitä opimme? 2/2. Kertymäfunktio: Mitä opimme? 1/2. Kertymäfunktio: Esitiedot TKK (c) Ilkk Mellin (24) 1 Johdtus todennäköisyyslskentn TKK (c) Ilkk Mellin (24) 2 : Mitä opimme? 1/2 Jos stunnisilmiötä hlutn mllint mtemttisesti, on ilmiön tulosvihtoehdot kuvttv numeerisess muodoss.

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

Johdatus todennäköisyyslaskentaan Jatkuvia jakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Jatkuvia jakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Jatkuvia jakaumia TKK (c) Ilkka Mellin (2005) 1 Jatkuvia jakaumia Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen raja-arvolause TKK (c) Ilkka Mellin

Lisätiedot

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet Ilkka Melli Todeäköisyyslasketa Osa 2: Satuaismuuttujat ja todeäköisyysjakaumat Kovergessikäsitteet ja raja arvolauseet TKK (c) Ilkka Melli (2006) 1 Kovergessikäsitteet ja raja arvolauseet >> Kovergessikäsitteitä

Lisätiedot

lim + 3 = lim = lim (1p.) (3p.) b) Lausekkeen täytyy supistua (x-2):lla, joten osoittajan nollakohta on 2.

lim + 3 = lim = lim (1p.) (3p.) b) Lausekkeen täytyy supistua (x-2):lla, joten osoittajan nollakohta on 2. Mtemtiikk III 0600 Kurssi / Differetili- j itegrlilske jtkokurssi Tee 7 tehtävää ) Määritä lim ( ) ) + b) Määritä vkio site, että luseke ( ) + + ( )( ) ( + + ) + + + + + lim + lim lim (p) o jtkuv myös

Lisätiedot

Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1

Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1 Johdatus todeäköisyyslasketaa Kovergessikäsitteet ja raja-arvolauseet TKK (c) Ilkka Melli (2004) 1 Kovergessikäsitteet ja raja-arvolauseet Kovergessikäsitteitä Suurte lukuje lait Keskeie raja-arvolause

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen

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

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemilyysi lbortorio Mt-.090 Sovellettu todeäköisyyslsku Nordlud Hrjoitus 10 (vko 47/003) (ihe: Väliestimoiti, Liie luvut 10.6, 11.7, 1.1-13.5, 14.4-14.5) 1. Kemillise prosessi sto X o ormlijkutuut.

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia

Mat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Jatkuvia jakaumia Avaisaat: Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Kertymäfuktio, Keskeie raja-arvolause, Mediaai, Normaaliapproksimaatio,

Lisätiedot

1.3 Toispuoleiset ja epäoleelliset raja-arvot

1.3 Toispuoleiset ja epäoleelliset raja-arvot . Toisuoleiset j eäoleelliset rj-rvot Rj-rvo lim f () A olemssolo edellyttää että muuttuj täytyy void lähestyä rvo kummst suust hyväsä. Jos > ii sot että lähestyy rvo oikelt ositiivisest suust. Jos ts

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

Neliömatriisin A determinantti on luku, jota merkitään det(a) tai A. Se lasketaan seuraavasti: determinantti on

Neliömatriisin A determinantti on luku, jota merkitään det(a) tai A. Se lasketaan seuraavasti: determinantti on 4. DETERINANTTI JA KÄÄNTEISATRIISI 6 4. Neliömtriisi determitti Neliömtriisi A determitti o luku, jot merkitää det(a) ti A. Se lsket seurvsti: -mtriisi A determitti o det(a) () -mtriisi A determitti void

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

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma

Lisätiedot

2.2 Monotoniset jonot

2.2 Monotoniset jonot Mtemtiik tito 9, RATKAISUT Mootoiset joot ) Kosk,,,, ii 0 Lukujoo ( ) o siis lhlt rjoitettu Toislt 0 Lukujoo (

Lisätiedot

2.4. Juurifunktio ja -yhtälöt

2.4. Juurifunktio ja -yhtälöt .. Juurifuktio j -yhtälöt.. Juurifuktio j -yhtälöt Juurifuktio lähtökoht void pitää potessifuktiot: f (x) x, missä o luoollie luku;,,,, j yhdistety potessifuktio määrittelee puolest yhtälö f (x) [g(x)],,,,,...

Lisätiedot

****************************************************************** MÄÄRITELMÄ 4:

****************************************************************** MÄÄRITELMÄ 4: . Murtopotessi MÄÄRITELMÄ : O Olkoo prillie, positiivie kokoisluku. Ei egtiivise luvu :s juuri trkoitt sellist ei-egtiivist luku b, jok :s potessi o. Merkitää b. Kute eliöjuureki tpuksess, luku b täyttää

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Melli Tilastolliset meetelmät Osa 2: Otokset, otosjakaumat ja estimoiti Estimoitimeetelmät TKK (c) Ilkka Melli (2007) Estimoitimeetelmät >> Todeäköisyysjakaumie parametrie estimoiti Suurimma uskottavuude

Lisätiedot

II.1. Suppeneminen., kun x > 0. Tavallinen lasku

II.1. Suppeneminen., kun x > 0. Tavallinen lasku II. EPÄOLEELLISET INTEGRAALIT nt II.. Suppeneminen Esim. Olkoon f() =, kun >. Tvllinen lsku = / =. Kuitenkn tätä integrli ei ole ikisemmss mielessä määritelty, kosk f ei ole rjoitettu välillä [, ] (eikä

Lisätiedot

Differentiaali- ja integraalilaskenta 1 (CHEM) Laskuharjoitus 4 / vko 47, mallivastaukset

Differentiaali- ja integraalilaskenta 1 (CHEM) Laskuharjoitus 4 / vko 47, mallivastaukset Differentili- j integrlilskent (CHEM) Lskuhrjoitus / vko 7, mllivstukset Johdntotehtävä x dx = ln.693, joten rvo ln voidn pproksimoid integroimll numeerisesti funktiot x välillä [,]. Jetn väli [,] khteen

Lisätiedot

Käydään läpi: ääriarvo tarkastelua, L Hospital, integraalia ja sarjoja.

Käydään läpi: ääriarvo tarkastelua, L Hospital, integraalia ja sarjoja. DI mtemtiikn opettjksi: Täydennyskurssi, kevät Luentorunko j hrjoituksi viikolle : ti 9.. klo :-5:, to.. klo 9:5-: j klo 4:5-6: Käydään läpi: äärirvo trkstelu, L Hospitl, integrli j srjoj.. Kerrtn äärirvojen

Lisätiedot

x k 1 Riemannin summien käyttö integraalin approksimointiin ei ole erityisen tehokasta; jatkuvasti derivoituvalle funktiolle f virhe b

x k 1 Riemannin summien käyttö integraalin approksimointiin ei ole erityisen tehokasta; jatkuvasti derivoituvalle funktiolle f virhe b 5 Integrlien lskemisest 51 Riemnnin summt [A2], [4, 61] Rjoitetun funktion f : [, b] R Riemnn-integroituvuudelle ytäpitäväksi on kurssill Anlyysi 2 osoitettu, että Riemnnin summill S P := f(ξ k ) ( ),

Lisätiedot

Johdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteesee Estimoitimeetelmät TKK (c) Ilkka Melli (2005) 1 Estimoitimeetelmät Todeäköisyysjakaumie parametrie estimoiti Momettimeetelmä Normaalijakauma parametrie estimoiti Ekspoettijakauma

Lisätiedot

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut

Lisätiedot

TEHTÄVIEN RATKAISUT. Luku a) Jonon neljä ensimmäistä jäsentä saadaan sijoittamalla n= 1, n= 2, n= 3 ja n = 4 lausekkeeseen

TEHTÄVIEN RATKAISUT. Luku a) Jonon neljä ensimmäistä jäsentä saadaan sijoittamalla n= 1, n= 2, n= 3 ja n = 4 lausekkeeseen TEHTÄVIEN RATKAIUT Luku 5. 0. ) Joo eljä esimmäistä jäsetä sd sijoittmll,, j lusekkeesee +. + + 5 + + 7 + 6+ 9 + 8 + b) ijoitet,, j lusekkeesee + ( ). + ( ) + ( ) + + ( ) + ( ) + Vstus: ) 5, 7, 9, b),,,

Lisätiedot

5 Riemann-integraali ANALYYSI B, HARJOITUSTEHTÄVIÄ, KEVÄT Ala- ja yläintegraali

5 Riemann-integraali ANALYYSI B, HARJOITUSTEHTÄVIÄ, KEVÄT Ala- ja yläintegraali ANALYYSI B, HARJOITUSTEHTÄVIÄ, KEVÄT 9 5 Riemnn-integrli 5. Al- j yläintegrli Voit olett tunnetuksi ll esitetyt supremumin j infimumin ominisuudet (joukot A j B ovt rjoitettuj sekä epätyhjiä j λ R). Jos

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat:

Mat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat: Mat-2.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Diskeetit jakaumat Jatkuvat jakaumat Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Ketymäfuktio, Mediaai, Negatiivie biomijakauma,

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

Menetelmiä formuloinnin parantamiseen

Menetelmiä formuloinnin parantamiseen Meetelmiä formuloii prtmisee Mikko Korpel Dimitris Bertsims & Robert Weismtel, 2005, Optimiztio over Itegers, ch 2.-2.5 S ysteemilyysi Lbortorio Tekillie korkekoulu Mikko Korpel Sovelletu mtemtiik tutkisemiri-

Lisätiedot

3.2 Polynomifunktion kulku. Lokaaliset ääriarvot

3.2 Polynomifunktion kulku. Lokaaliset ääriarvot . Polyomifuktio kulku. Lokliset äärirvot Tähästiste opitoje perusteell ost piirtää esisteise polyomifuktio kuvj, suor, ku se yhtälö o ettu. Ost myös pääpiirtei hhmotell toise stee polyomifuktio kuvj, prbeli,

Lisätiedot

Diskreettejä jakaumia. Diskreettejä jakaumia. Diskreettejä jakaumia Mitä opimme? 2/3. Diskreettejä jakaumia Mitä opimme? 1/3

Diskreettejä jakaumia. Diskreettejä jakaumia. Diskreettejä jakaumia Mitä opimme? 2/3. Diskreettejä jakaumia Mitä opimme? 1/3 TKK (c) Ilkka Melli (4) Diskeettejä jakaumia Johdatus todeäköisyyslasketaa Diskeettejä jakaumia Diskeetti tasaie jakauma Beoulli-jakauma Biomijakauma Geometie jakauma Negatiivie biomijakauma Hyegeometie

Lisätiedot

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 8: Integraalifunktio ja epäoleellinen integraali

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 8: Integraalifunktio ja epäoleellinen integraali MS-A1{3,4} (ELEC*) Differentili- j integrlilskent 1 Luento 8: Integrlifunktio j epäoleellinen integrli Pekk Alestlo, Jrmo Mlinen Alto-yliopisto, Mtemtiikn j systeeminlyysin litos 5.1.216 Pekk Alestlo,

Lisätiedot

8. laskuharjoituskierros, vko 11, ratkaisut

8. laskuharjoituskierros, vko 11, ratkaisut Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 9. Kirsi Valjus. Jyväskylän yliopisto. Luento 9 () Numeeriset menetelmät / 29

Numeeriset menetelmät TIEA381. Luento 9. Kirsi Valjus. Jyväskylän yliopisto. Luento 9 () Numeeriset menetelmät / 29 Numeeriset menetelmät TIEA381 Luento 9 Kirsi Vljus Jyväskylän yliopisto Luento 9 () Numeeriset menetelmät 17.4.2013 1 / 29 Luennon 9 sisältö Numeerisest integroinnist Newtonin j Cotesin kvt Luento 9 ()

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

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat

Lisätiedot

3.7. Rekursiivisista lukujonoista

3.7. Rekursiivisista lukujonoista .7 Rekursiivisist lukujooist.7. Rekursiivisist lukujooist Kerrt vielä, että lukujoo void määritellä khdell eri tvll, joko käyttämällä lyyttistä säätöä ti rekursiivist säätöä. Joo määrittelemie rekursiivisesti

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:

Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat: Mat-.090 Sovellettu todeäköisyyslasku A Mat-.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Otos- ja otosjakaumat Estimoiti Estimoitimeetelmät Väliestimoiti Aritmeettie keskiarvo, Beroulli-jakauma,

Lisätiedot

MS-A010{2,3,4,5} (SCI, ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 8: Integraalifunktio ja epäoleellinen integraali

MS-A010{2,3,4,5} (SCI, ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 8: Integraalifunktio ja epäoleellinen integraali MS-A1{2,3,4,5} (SC, ELEC*, ENG*) Differentili- j integrlilskent 1 Luento 8: ntegrlifunktio j epäoleellinen integrli Pekk Alestlo, Jrmo Mlinen Alto-yliopisto, Mtemtiikn j systeeminlyysin litos November

Lisätiedot

Kertaustehtävien ratkaisut

Kertaustehtävien ratkaisut Rtkisuist Nämä Trigoometriset fuktiot j lukujoot kurssi kertustehtävie j -srjoje rtkisut perustuvt oppikirj tietoihi j meetelmii. Kustki tehtävästä o yleesä vi yksi rtkisu, mikä ei kuitek trkoit sitä,

Lisätiedot

5 Epäoleellinen integraali

5 Epäoleellinen integraali 5 Epäoleellinen integrli 5. Integrlin suppeneminen Olkoon f sellinen välillä [, b[ (ei siis välttämättä pisteessä b) määritelty funktio, että f on Riemnn-integroituv välillä [, ] kikill ], b[ eli on olemss

Lisätiedot

2 INTEGRAALILASKENTAA 2.1 MÄÄRÄTTY INTEGRAALI

2 INTEGRAALILASKENTAA 2.1 MÄÄRÄTTY INTEGRAALI 37 INTEGRAALILASKENTAA.1 MÄÄRÄTTY INTEGRAALI Trstell ploitti jtuv j rjoitettu (siis ei ääretötä) futiot f ( ) välillä [, ] (s. uv) Jet väli [, ] :ää h-levyisee os h j meritää h, missä 0,1,,..., Joo liittyvä

Lisätiedot

Tasaväli-integraali. Mikko Rautiainen. matematiikan Pro Gradu-tutkielma

Tasaväli-integraali. Mikko Rautiainen. matematiikan Pro Gradu-tutkielma Tsväli-itegrli Mikko Rutiie mtemtiik Pro Grdu-tutkielm Jyväskylä yliopisto Mtemtiik j tilstotietee litos Kesä 2006 Sisältö Johdto 2 I Tsväli-itegrli: teori 3 1 Peruskäsitteitä 3 2 Tsväliporrsfuktio määrätty

Lisätiedot

Integraalilaskenta. Määrätty integraali

Integraalilaskenta. Määrätty integraali 9..08 Integrlilskent Määräämätön Etsitään funktiot Derivoinnille käänteistoimenpide integroiminen Integrlifunktio F(x), jolle F x = f x, lisäksi integrlifunktioille G x = F x + C. Vkion C lisäys (merkitys),

Lisätiedot

= a sanoo vain, että jonon ensimmäinen jäsen annetaan. Merkintä a. lasketaan a :stä.

= a sanoo vain, että jonon ensimmäinen jäsen annetaan. Merkintä a. lasketaan a :stä. .. Lukujoo Aluksi Mtemtiiklle o erityise tyypillistä se, että käytäö tiltee settm ogelm bstrhoid. Käytäössä tämä trkoitt sitä, että siitä krsit lilluk vrret. Trkstelu kohteeksi jätetää vi si loogie ydi

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Mtemtiikn tukikurssi Kurssikert 5 1 Jtkuvuus Trkstelln funktiot fx) josskin tietyssä pisteessä x 0. Tämä funktio on tässä pisteessä joko jtkuv ti epäjtkuv. Jtkuvuuden ymmärtää prhiten trkstelemll epäjtkuv

Lisätiedot

Riemannin integraalista

Riemannin integraalista Lebesguen integrliin sl. 2007 Ari Lehtonen Riemnnin integrlist Johdnto Tämän luentomonisteen trkoituksen on tutustutt lukij Lebesgue n integrliin j sen perusominisuuksiin mhdollisimmn yksinkertisess tpuksess:

Lisätiedot

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 3.6.2014 Ratkaisut ja arvostelu

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 3.6.2014 Ratkaisut ja arvostelu VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 3.6.4 Rtkisut j rvostelu. Koululisen todistuksen keskirvo x on lskettu ) b) c) d) kymmenen ineen perusteell. Jos koululinen nostisi neljän ineen

Lisätiedot

SARJAT JA DIFFERENTIAALIYHTÄLÖT Funktiojonot 1

SARJAT JA DIFFERENTIAALIYHTÄLÖT Funktiojonot 1 SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 JOUNI PARKKONEN Sisältö 0. Tästä tekstistä. Funktiojonot 0. Tästä tekstistä Tämä moniste on trkoitettu käytettäväksi kurssin Srjt j differentiliyhtälöt luentomterilin.

Lisätiedot

a = x 0 < x 1 < x 2 < < x n = b f(x) dx = I. lim f(x k ) x k=1

a = x 0 < x 1 < x 2 < < x n = b f(x) dx = I. lim f(x k ) x k=1 5 Integrli 5.1 Määritelmä j ominisuudet Olkoon f : [, b] R jtkuv. Muodostetn välin [, b] jko = x 0 < x 1 < x 2 < < x n = b j siihen liittyvä yläsumm S = n M k (x k x k 1 ), M k = mx{f(x) x k 1 x x k },

Lisätiedot

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

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

Lisätiedot

Geometrinen lukujono. Ratkaisu. a2 = 50 4 = 200 a3 = = 800 a4 = = 3 200

Geometrinen lukujono. Ratkaisu. a2 = 50 4 = 200 a3 = = 800 a4 = = 3 200 Geometrie lukujoo 7. Geometrise lukujoo esimmäie jäse o = 0 j peräkkäiste jäsete suhde =. Määritä lukujoo kolme seurv jäsetä. = 0 = 00 = 0 = 800 = 0 = 00 8. Geometrie lukujoo lk seurvsti: ), 0, 0, b) 000,

Lisätiedot

1. Derivaatan Testi. Jos funktio f on jatkuva avoimella välillä ]a, b[ ja x 0 ]a, b[ on kriit. tai singul. piste niin. { f (x) > 0, x ]a, x 0 [

1. Derivaatan Testi. Jos funktio f on jatkuva avoimella välillä ]a, b[ ja x 0 ]a, b[ on kriit. tai singul. piste niin. { f (x) > 0, x ]a, x 0 [ 1. Derivtn Testi Jos funktio f on jtkuv voimell välillä ], b[ j x 0 ], b[ on kriit. ti singul. piste niin { f (x) < 0, x ], x 0 [ f x (x) > 0, x ]x 0, b[ 0 on lokli minimipiste (1) { f (x) > 0, x ], x

Lisätiedot

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

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

Lisätiedot

521. 522. 523. 524. 525. 526. 527. 12. Lisää määrätystä integraalista. 12.1. Integraalin arvioimisesta. Osoita: VASTAUS: Osoita: Osoita:

521. 522. 523. 524. 525. 526. 527. 12. Lisää määrätystä integraalista. 12.1. Integraalin arvioimisesta. Osoita: VASTAUS: Osoita: Osoita: 12. Lisää määrätystä integrlist 12.1. Integrlin rvioimisest 521. Osoit: 1 + x 2 22 1 < < 1 + x21 21. 522. Osoit: x 3 < 5 x 6 + 8x + 9 < 15 1 5. 523. Osoit: 2 2 < e x2 x < 2e 2. e 524. Olkoon k >. Osoit:

Lisätiedot

6 Integraalilaskentaa

6 Integraalilaskentaa 6 Integrlilskent 6. Integrlifunktio Funktion f integrlifunktioksi snotn funktiot F, jonk derivtt on f. Siis F (x) = f (x) määrittelyjoukon jokisell muuttujn rvoll x. Merkitään F(x) = f (x) dx. Integrlifunktion

Lisätiedot

2.4 Pienimmän neliösumman menetelmä

2.4 Pienimmän neliösumman menetelmä 2.4 Pienimmän neliösummn menetelmä Optimointimenetelmiä trvitn usein kokeellisen dtn nlysoinniss. Mittuksiin liittyy virhettä, joten mittus on toistettv useit kertoj. Oletetn, että mittn suurett c j toistetn

Lisätiedot

5. laskuharjoituskierros, vko 8, ratkaisut

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

Lisätiedot

Riemannin integraali

Riemannin integraali LUKU 5 iemnnin integrli Tässä luvuss funktion f iemnnin integrli merkitään - b f = - b f() d. Vstvsti funktion f Lebesgue in integrli merkitään f = f() dm(). [,b] [,b] Luse 5.1. Olkoon f : [, b] rjoitettu

Lisätiedot

6.1 Riippumattomat satunnaismuuttujat

6.1 Riippumattomat satunnaismuuttujat Luku 6 Otatajakaumie teoria 6.1 Riippumattomat satuaismuuttujat Muistamme edellisistä luvuista, että satuaismuuttujat X 1 ja X 2 ovat riippumattomat (määritelmät 4.6 ja 5.5), jos f(x 1, x 2 ) f 1 (x 1

Lisätiedot

2 Epäoleellinen integraali

2 Epäoleellinen integraali ANALYYSI C, HARJOITUSTEHTÄVIÄ, SYKSY 8 Epäoleellinen integrli Integrointivihje: Hyödynnä yhdistetyn funktion integrointisääntöä.. Määritä 9 9 (c) ( ). Tutki, millä vkion p rvoill epäoleellinen integrli

Lisätiedot

Todennäköisyyslaskenta: Todennäköisyysjakaumia

Todennäköisyyslaskenta: Todennäköisyysjakaumia Todeäköisyysjakaumia Todeäköisyyslasketa: Todeäköisyysjakaumia 6. Diskreettejä jakaumia 7. Jatkuvia jakaumia 8. Normaalijakaumasta johdettuja jakaumia 9. Moiulotteisia jakaumia Ilkka Melli 35 Todeäköisyysjakaumia

Lisätiedot

TEHTÄVÄ 1. Olkoon (f n ) jono jatkuvia funktioita f n : [a, b] R, joka suppenee välillä [a, b] tasaisesti kohti funktiota f : [a, b] R.

TEHTÄVÄ 1. Olkoon (f n ) jono jatkuvia funktioita f n : [a, b] R, joka suppenee välillä [a, b] tasaisesti kohti funktiota f : [a, b] R. Topologi I Hrjoitus 10, rtkisuj AP TEHTÄVÄ 1. Olkoon (f n ) jono jtkuvi funktioit f n : [, b] R, jok suppenee välillä [, b] tsisesti kohti funktiot f : [, b] R. Osoit, että tällöin f n (x) dx f(x) dx.

Lisätiedot

766328A Termofysiikka Harjoitus no. 12, ratkaisut (syyslukukausi 2014)

766328A Termofysiikka Harjoitus no. 12, ratkaisut (syyslukukausi 2014) 7668A Termofysiikk Hrjoitus no 1, rtkisut (syyslukukusi 14) 1 Lämpötilss T K elektronien energit eivät ylitä Fermin energi (ɛ i ɛ F ), lämpötilprmetri β j kemillinen potentili vst Fermin energi (µ() ɛ

Lisätiedot

4. Todennäköisyyslaskennan kertausta

4. Todennäköisyyslaskennan kertausta Sisältö Peruskäsitteet Diskreetit satuaismuuttujat Diskreetit jakaumat (lkm-jakaumat) Jatkuvat satuaismuuttujat Jatkuvat jakaumat (aikajakaumat) Muut satuaismuuttujat lueto04.ppt S-38.45 - Liikeeteoria

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Mtemtiikn tukikurssi Kurssikert 4 Tilvuuden j vipn ln lskeminen Kuten iemmin käsittelimme, määrätyn integrlin vull voi lske pintloj j tilvuuksi. Tyypillisenä sovelluksen tilvuuden lskemisest on tpus, joss

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Tilastollinen päättely II, kevät 2017 Harjoitus 3B Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.

Lisätiedot

Tilastollinen todennäköisyys

Tilastollinen todennäköisyys Tilastollie todeäköisyys TOD.NÄK JA TILASTOT, MAA10 Klassisessa todeäköisyydessä oli ehdot: äärellisyys ja symmetrisyys. Tämä tilae o usei mahdoto ts. alkeistapauksia o usei ääretö määrä tai e eivät ole

Lisätiedot

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3 LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi

Lisätiedot

ja differenssi jokin d. Merkitään tämän jonon n:n ensimmäisen jäsenen summaa kirjaimella S

ja differenssi jokin d. Merkitään tämän jonon n:n ensimmäisen jäsenen summaa kirjaimella S 3.3. Aritmeettie summ 3.3. Aritmeettie summ Mikä olisi helpoi tp lske 0 esimmäistä luoollist luku yhtee? Olisiko r voim käyttö 0 + + + 3 + + 00 hyvä jtus? Tekiik vull se iki toimii. Fiksumpiki tp kuiteki

Lisätiedot

7 Funktiosarjoista. 7.1 Funktiosarjojen suppeneminen

7 Funktiosarjoista. 7.1 Funktiosarjojen suppeneminen 7 Funktiosrjoist 7. Funktiosrjojen suppeneminen Seurvksi trkstelln srjoj, joiden termit ovt (lukujen sijst) jollkin välillä I määriteltyjä funktioit. Täsmällisemmin funktiosrjll (ti lyhyemmin srjll) trkoitetn

Lisätiedot

Analyysi 2. Harjoituksia lukuihin 1 3 / Kevät Anna sellainen välillä ] 2, 2[ jatkuva ja rajoitettu funktio f, että

Analyysi 2. Harjoituksia lukuihin 1 3 / Kevät Anna sellainen välillä ] 2, 2[ jatkuva ja rajoitettu funktio f, että Anlyysi Hrjoituksi lukuihin 3 / Kevät 5. Ann sellinen välillä ], [ jtkuv j rjoitettu funktio f, että () sup A m A j inf A min A, (b) sup A m A j inf A = min A, (c) sup A = m A j inf A min A, (d) sup A

Lisätiedot

3 Integraali ja derivaatta

3 Integraali ja derivaatta 3 Integrli j erivtt 3.1 Integrli ylärjns funktion Olkoon funktio f Riemnn-integroituv välin I jokisell suljetull osvälillä j välin I jokin kiinteä luku. Tällöin integrli määrittelee funktion G(): I R,

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 6A

Tilastollinen päättömyys, kevät 2017 Harjoitus 6A Tilastollie päättömyys, kevät 07 Harjoitus 6A Heikki Korpela 8. helmikuuta 07 Tehtävä. Moistee teht. 5.. Olkoo Y,..., Y riippumato otos ekspoettiperhee jakaumasta, joka ptf/tf o muotoa fy i ; θ cθhye φθtyi

Lisätiedot

Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot

Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot TKK (c) Ilkka Melli (4) Testit suhdeasteikollisille muuttujille Johdatus tilastotieteesee Testit suhdeasteikollisille muuttujille Testit ormaalikauma parametreille Yhde otokse t-testi Kahde otokse t-testi

Lisätiedot

Sisältö. Funktiojonot ja -sarjat 10. syyskuuta 2005 sivu 1 / 15

Sisältö. Funktiojonot ja -sarjat 10. syyskuuta 2005 sivu 1 / 15 Funktiojonot j -srjt 10. syyskuut 2005 sivu 1 / 15 Sisältö 1 Funktiojonoist 2 2 Funktiosrjoist 5 3 Funktiojonojen j -srjojen derivointi j integrointi 7 4 Potenssisrjt 9 5 Tylorin polynomit j srjt 12 5.1

Lisätiedot

Reaalinen lukualue. Millainen on luku, jossa on päättymätön ja jaksoton desimaalikehitelmä?

Reaalinen lukualue. Millainen on luku, jossa on päättymätön ja jaksoton desimaalikehitelmä? Relinen lukulue POLYNOMIFUNKTIOT JA -YHTÄLÖT, MAA Millinen on luku, joss on päättymätön j jksoton desimlikehitelmä? Onko sellisi? Trkstelln Pythgorn luseest stv yksikköneliön lävistäjää, luku + = x x =.

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2 Todeäköisyyslaskea ja tilastotietee peruskurssi Esimerkkikokoelma 2 Aiheet: Satuaismuuttujat ja todeäköisyysjakaumat Kertymäfuktio, pistetodeäköisyysfuktio ja tiheysfuktio Jakaumie tuusluvut Tärkeimmät

Lisätiedot

Ehdollinen todennäköisyys

Ehdollinen todennäköisyys Ehdollie todeäköisyys Kerrataa muutama todeäköisyyslaskea laskusäätö. Tapahtuma E komplemettitapahtuma E o "E ei tapahdu". Koska todeäköisyyksie summa o 1, P ( E = 1 P (E. Joskus o helpompi laskea komplemettitapahtuma

Lisätiedot

Aalto-yliopisto, Teknillisen fysiikan laitos PHYS-E0460 Reaktorifysiikan perusteet Harjoitus 5, mallivastaukset Syksy 2016

Aalto-yliopisto, Teknillisen fysiikan laitos PHYS-E0460 Reaktorifysiikan perusteet Harjoitus 5, mallivastaukset Syksy 2016 Alto-yliopisto, Teknillisen fysiikn litos Sipilä/Heikinheimo PHYS-E0460 Rektorifysiikn perusteet Hrjoitus 5, mllivstukset Syksy 2016 Tehtävä 2 on tämän hrjoituskierroksen tulutehtävä Vlmistudu esittelemään

Lisätiedot

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 7: Integraali ja analyysin peruslause

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 7: Integraali ja analyysin peruslause MS-A010{3,4} (ELEC*) Differentili- j integrlilskent 1 Luento 7: Integrli j nlyysin perusluse Pekk Alestlo, Jrmo Mlinen Alto-yliopisto, Mtemtiikn j systeeminlyysin litos 3.10.2016 Pekk Alestlo, Jrmo Mlinen

Lisätiedot

Johdatus todennäköisyyslaskentaan Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Diskreettejä jakaumia TKK (c) Ilkka Mellin (2005) 1 Diskreettejä jakaumia Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen jakauma Negatiivinen

Lisätiedot

10. MÄÄRÄTYN INTEGRAALIN KÄYTTÖ ERÄIDEN PINTA-ALOJEN LASKEMISESSA

10. MÄÄRÄTYN INTEGRAALIN KÄYTTÖ ERÄIDEN PINTA-ALOJEN LASKEMISESSA MAA0 0. Määrätyn integrlin käyttö eräiden pint-lojen lskemisess 0. MÄÄRÄTYN INTEGRAALIN KÄYTTÖ ERÄIDEN PINTA-ALOJEN LASKEMISESSA Edellä on todettu, että f (x)dx nt x-kselin j suorien x =, x = sekä funktion

Lisätiedot

7303045 Laaja matematiikka 2 Kevät 2005 Risto Silvennoinen

7303045 Laaja matematiikka 2 Kevät 2005 Risto Silvennoinen 7303045 Lj mtemtii 2 Kevät 2005 Risto Silveoie. Luusrjt Kos srjt ovt summie jooj, ertmme esi jooje teori. Joot Joo o mtemtii iei perustvimpi äsitteitä j se vull ohdt äärettömyys esimmäistä ert. Luulueit

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 3: Todennäköisyysjakaumia. Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Todennäköisyyslaskenta. Osa 3: Todennäköisyysjakaumia. Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Diskreettejä jakaumia TKK (c) Ilkka Mellin (2007) 1 Diskreettejä jakaumia >> Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma

Lisätiedot

1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).

1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit). Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 2. lokakuuta 2017 7.1 Tilastollie päättely Tähä meessä o opittu eustamaa tapahtumie todeäköisyyksiä aetu stokastise malli pohjalta. Eusteide laskemiseksi

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien

Lisätiedot

6.3. Interpoloivat sävytysmenetelmät. Interpoloivat sävytysmenetelmät Gouraudin sävytys

6.3. Interpoloivat sävytysmenetelmät. Interpoloivat sävytysmenetelmät Gouraudin sävytys 6.3. Iterpoloivt sävytysmeetelmät Seurvksi trkstell, mite esitettyä pistee vlo itesiteettimlli void käyttää moikulmiolle j lske vlo itesiteetti tämä tsolle. Käytettävissä o Gourudi j Phogi meetelmät. Eemmä

Lisätiedot

2.1. Lukujonon käsite, lukujonon suppeneminen ja raja-arvo

2.1. Lukujonon käsite, lukujonon suppeneminen ja raja-arvo .1. Lukuj käsite, suppeemie j rj-rv.1. Lukuj käsite, lukuj suppeemie j rj-rv S lukuj vi yksikertisimmill ymmärtää tdellki j, jh kirjitettu lukuj peräkkäi. Sellisell jll, jk luvut vlittu täysi stuisesti,

Lisätiedot

Polynomien laskutoimitukset

Polynomien laskutoimitukset Polyomie lskutoimitukset Polyomi o summluseke, joss jokie yhteelskettv (termi) sisältää vi vkio j muuttuj välisiä kertolskuj. Esimerkki 0. Mm., 6 j ovt polyomej. Polyomist, joss o vi yksi termi, käytetää

Lisätiedot

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)

Lisätiedot

1.1. Laske taskulaskimella seuraavan lausekkeen arvo ja anna tulos kolmen numeron tarkkuudella: tan 60,0 = 2,950... 2,95

1.1. Laske taskulaskimella seuraavan lausekkeen arvo ja anna tulos kolmen numeron tarkkuudella: tan 60,0 = 2,950... 2,95 9..008 (9). Lskime käyttö.. Lske tskulskimell seurv lusekkee rvo j tulos kolme umero trkkuudell: 4 + 7 t 60,0 + Rtkisu: 4 + 7 =,950...,95 t 60,0 + Huom: Lskimiss o yleesä kolme eri kulmyksikköjärjestelmää:

Lisätiedot

MS-A010{2,3,4,5} (SCI,ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 7: Integraali ja analyysin peruslause

MS-A010{2,3,4,5} (SCI,ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 7: Integraali ja analyysin peruslause MS-A010{2,3,4,5} (SCI,ELEC*, ENG*) Differentili- j integrlilskent 1 Luento 7: Integrli j nlyysin perusluse Pekk Alestlo, Jrmo Mlinen Alto-yliopisto, Mtemtiikn j systeeminlyysin litos November 20, 2017

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

Potenssi a) Kirjoita potenssiksi ja 7 ( 7) ( 7) ( 7). b) Kirjoita kertolaskuksi 9 6 ja ( 11) 3. Laskuja ei tarvitse laskea.

Potenssi a) Kirjoita potenssiksi ja 7 ( 7) ( 7) ( 7). b) Kirjoita kertolaskuksi 9 6 ja ( 11) 3. Laskuja ei tarvitse laskea. Potessi 9. ) Kirjoit potessiksi j 7 ( 7) ( 7) ( 7). Kirjoit kertolskuksi 9 j ( ). Lskuj ei trvitse lske. ) 5 j ( 7) 9 9 9 9 9 9 j ( ) ( ) 9. Lske. ) 0 7 9 ) 000 9 8 9. Lske. ) ( ) ( ) ) 7 95. Yhdistä prit.,

Lisätiedot