Johdatus todennäköisyyslaskentaan ja tilastotieteeseen. Stefan Emet
|
|
- Heikki Ville-Veikko Järvinen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Johdatus todennäköisyyslaskentaan ja tilastotieteeseen Stefan Emet Matematiikan ja tilastotieteen lts Turun yliopisto 24
2 Sisältö Johdanto. Todennäköisyys Peruskäsitteitä Kolmogorovin aksioomat Otanta ja kombinatoriikka Järjestetty otanta Järjestämätön otanta Ehdollinen todennäköisyys Riippumattomuus Satunnaismuuttujat 7 2. Diskreetit satunnaismuuttujat Diskreettejä jakaumia Jatkuvat satunnaismuuttujat Jatkuvia jakaumia Summat ja keskeinen raja-arvolause Tilastotiedettä 4 3. Odotusarvon ja varianssin estimointi Hypoteesitestauksesta Testauksen virheistä
3 Luku Johdanto. Todennäköisyys Todennäköisyys on tärkeä käsite tilastotieteessä ja luonnontieteissä. Usein halutaan esimerkiksi tietää, kuinka suuret ovat voitonmahdollisuudet, mitkä ovat eri puolueiden kannatusluvut, kuinka varma jokin mitattu tulos on jne. Todennäköisyyslaskennan avulla mallinnetaan ja arvioidaan kuinka suurella todennäköisyydellä jokin tietty tapaus tapahtuu. Määritelmä.. Kokeen eri tulokset ovat alkeistapauksia ω ja kaikkien alkeistapausten joukko on otosavaruus Ω. Esimerkki.. a) Mikäli yhtä noppaa heitetään kerran, otosavaruus on Ω = { ykkönen, kakkonen, kolmonen, nelonen, viitonen, kuutonen}. Tapaus A = silmäluku on suurempi kuin kaksi on A = { kolmonen, nelonen, viitonen, kuutonen}. Tapaus A siis tapahtuu jos saadaan vähintään kolmonen. b) Mikäli noppaa heitetään kaksi kertaa, otosavaruus on Ω = {(, ), (, 2),..., (6, 6)}. Alkeistapauksia on yhteensä 36 kappaletta. Tapaus A = silmälukujen summa on 8 on havainnollistettu alla olevan taulukon avulla, johon on kirjattu kahden heiton summa. Taulukko.: Kahden nopanheiton summa Taulukosta nähdään, että on 5 tapausta, jossa summa on 8. Todennäköisyys, että summa on 8, on klassisen määritelmän mukaan 5 =.389. Vastaavasti saadaan todennäköisyys, 36 että summa on pienempi kuin 8 on 2 =
4 Johdanto 2 Todennäköisyyslaskennassa tapauksen A todennäköisyyttä merkitään P (A) ja se voidaan määritellä eri tavoin riippuen tilanteesta. Matemaattisesti ajatellen se määritellään funktiona, joka antaa otosavaruuden alkioille arvon väliltä nollasta yhteen. Varman tapauksen todennäköisyys on ja mahdottoman tapauksen todennäköisyys on. Edellisessä esimerkissä voidaan olettaa, että nopalla on säännölliset sivut, jolloin kaikilla (kuudella) silmäluvuilla on sama todennäköisyys. Tämä on ns. klassinen määritelmä, jossa oletetaan, että kaikki alkeistapaukset ovat yhtä todennäköisiä. Määritelmä.2 (Klassinen todennäköisyys). Oletetaan, että otosavaruudessa Ω on alkeistapauksia Ω kappaletta. Olettaen kaikkien alkeistapausten olevan yhtä todennäköisiä yksittäisen alkeistapauksen w i todennäköisyys on P (w i ) = Ω. Mikäli tapaus A sisältää A kappaletta alkeistapauksia, tapauksen A todennäköisyys on P (A) = A Ω. Esimerkki.2. Oletetaan, että hyvin sekoitetusta korttipakasta nostetaan yksi kortti. Merkitään tapaukset = kortin maa on pata ja K = kortti on kuningas. Tällöin P ( ) = 3 4 ja P (K) = Klassisessa määritelmässä oletetaan, että otosavaruus on numeroituva eli kaikille alkioille voidaan asettaa luku. Mikäli otosavaruus on esimerkiksi reaalilukujen väli tai alue tasossa, voidaan todennäköisyyttä laskea geometrian avulla. Esimerkki.3. Bussi kulkee 5 minuutin välein. Oletetaan, että Tauno saapuu bussipysäkille satunnaisena hetkenä. Millä todennäköisyydellä hän joutuu odottamaan korkeintaan 4 minuuttia? Merkitään Taunon saapumisaikaa X:llä, jolloin X [, 5]. Voidaan olettaa, että kaikki saapumisajat välillä [,5] ovat yhtä todennäköisiä, jolloin haettu todennäköisyys saadaan laskemalla suotuisan välin pituuden suhde koko janan pituuteen: P ( Taunon odotusaika korkeintaan 4 min. ) = P ( Tauno saapuu pysäkille viimeistään 4 min. ennen bussia ) = P (X [, 5]) = 4 5 =.267 Vastaavalla tavalla saadaan esimerkiksi todennäköisyys, että odotusaika on vähintään 6 minuuttia: P ( Taunon odotusaika vähintään 6 min. ) = P ( Tauno saapuu pysäkille vähintään 6 min. ennen bussia ) = P (X [, 9]) = 9 5 =.6
5 Johdanto 3 Esimerkki.4. Poika ja tyttö saapuvat kohtaamispaikalle toisistaan riippumatta satunnaisena hetkenä aikavälillä Poika odottaa tyttöä korkeintaan 2 min, ja tyttö odottaa poikaa korkeintaan 5 min. Kumpikin odottaa korkeintaan klo 9. saakka. Millä todennäköisyydellä poika ja tyttö tapaavat toisensa? Merkitään pojan ja tytön saapumisajat p:llä ja t:llä ja määritellään, että minuuteissa p [, 6] ja t [, 6]. Tapaaminen tapahtuu, jos poika saapuu paikalle enintään 2 minuuttia ennen tyttöä tai viimeistään 5 minuuttia tytön jälkeen: { t p + 2, p t + 5. Ehto tapaamiselle voidaan kirjoittaa t 2 p t+5 tai ekvivalenttisti p 5 t p+2. Alla olevaan kuvaan on merkitty suotuisa alue, jossa tapaaminen tapahtuu t p 5 t p+2 3 p 5 t p+2 p 5 t p p Kuva.: Tytön ja pojan mahdolliset saapumisajat. Todennäköisyys, että tyttö ja poika tapaavat saadaan pinta-alojen suhteiden avulla: P ( Tyttö ja poika tapaavat ) = P (t 2 p t + 5) = suotuisan alueen pinta-ala koko alueen pinta-ala = =.3576 Toinen tapa määritellä todennäköisyyttä on tarkastella kokeiden avulla, kuinka monta koetta onnistuu. Määritelmä.3 (Frekvenssitulkinta). Oletetaan, että koetta toistetaan n kertaa ja tapaus w i sattuu f i kertaa. Tällöin saadaan likiarvo tapauksen w i :n todennäköisyydelle P (w i ) f i n. Tällä tavalla saadaan kokeiden avulla empiirisesti havaintoja eri alkeistapausten suhteellisista frekvensseistä. Tämä on suurten lukujen lain seuraus.
6 Johdanto 4 Esimerkki.5. Lanttia heitettiin kertaa ja saatiin alla olevan taulukon mukaiset tulokset. Taulukosta nähdään, että klaavan suhteellinen frekvenssi vaihtelee.5 ympäri. Jatkamalla lantin heittämistä kyseinen vaihteluväli pienenee. Taulukko.2. Lantin heitto ja klaavojen lukumäärää. Heittojen lkm Klaavojen lkm Klaavan suhteellinen frekvenssi Kolmas tapa määritellä todennäköisyyttä on ns. subjektiivinen, jolloin henkilö tekee oman arvionsa todennäköisyydestä. Esimerkki.6. Oleta, että Matti sanoo menevänsä huomenna lenkille 5 prosentin todennäköisyydellä. Tätä voidaan pitää subjektiivisena arviona. Mikäli tiedetään, että Matti käy keskimäärin neljä kertaa viikossa lenkillä, saadaan likimääräinen arvo 4 7 todennäköisyydelle, että hän käy satunnaisena päivänä lenkillä..2 Peruskäsitteitä Todennäköisyyslaskennassa sovelletaan joukko-opin merkintöjä ja operaatioita. Joukkojen A ja B leikkaus merkitään A B. Tulkinta on, että A B tapahtuu, kun molemmat tapaukset A ja B tapahtuvat. Vastaavasti, unionin avulla merkitään A B, joka tapahtuu, kun ainakin toinen tapauksista A ja/tai B sattuu. Kahden joukon erotus merkitään A\ B tai A B ja se koostuu alkioista, jotka kuuluvat joukkoon A, mutta eivät kuulu joukkoon B. Tyhjässä joukossa ei ole yhtään alkiota ja se merkitään symbolilla. Kaikki alkiot, jotka eivät kuulu joukkoon A kuuluvat sen komplementtiin A c. Näiden unioni muodostavat koko otosavaruuden, eli A A c = Ω ja A A c =. Joukon komplementti voidaan myös kirjoittaa otosavaruuden ja joukon erotuksena: A c = Ω A. Venn-diagrammin avulla voidaan helposti esitellä yllä mainittuja käsitteitä. Ω Ω A B A A B B (a) unioni A B (b) leikkaus A B Kuva.2: Venn-diagrammeja unionista ja leikkauksesta.
7 Johdanto 5 Esimerkki.7. Olkoon A Ω, eli A on otosavaruuden osajoukko. Tällöin pätee, että A A c = Ω, A Ω = A ja A Ω = Ω. Vastaavasti tyhjälle joukolle pätee A =, A = A ja = =. Selvästi tapaus A ja sen komplementti A c eivät voi tapahtua samaan aikaan, eli joko A tapahtuu tai sen komplementti tapahtuu. Tapaus A ja sen komplementti ovat ns. toisensa poissulkevia. Määritelmä.4. Tapaukset A ja B ovat toisensa poissulkevat, jos A B =. Yleisesti määritellään, että tapaukset A i, i =,..., n, ovat toisensa poissulkevat jos A i A j = kaikille i j. Esimerkki.8. Oletetaan, että hyvin sekoitetusta korttipakasta nostetaan yksi kortti. Merkitään tapaukset = kortin maa on hertta, K = kortti on kuningas ja A = kortti on ässä. Tällöin tapaukset K ja A ovat toisensa poissulkevat, mutta K ja A. Esimerkki.9. Eräässä kylässä on nuorta, joista 2 pelaa pesäpalloa, 6 harrastaa painia ja 4 hiihtää. Nuorista 8 pesäpalloilee ja painii, 5 pesäpalloilee ja hiihtää sekä 4 painii ja hiihtää. Kaikkia lajeja harrastaa 2 nuorta. Merkitse alla olevaan Venn-diagrammiin annetut osuudet. Päättele diagrammista, millä todennäköisyydellä satunnaisesti valittu henkilö a) ei harrasta mitään; b) pesäpalloilee, mutta ei paini eikä hiihdä? Pesäpallo Paini Hiihto Kuva.3: Kylän nuorten harrastukset.
8 Johdanto 6 Lause. Unionille ja leikkaukselle pätevät seuraavat distributiivilait: ( n ) A (B C) = (A B) (A C), A B i = n (A B i ). ( n ) A (B C) = (A B) (A C), A B i = n (A B i ). Lause 2. Komplementille pätee de Morganin kaavat: ( n ) c (A B) c = A c B c, A i = n A c i. ( n ) c (A B) c = A c B c, A i = n A c i. Esimerkki.. Tarkastellaan toisensa poissulkevat tapaukset A, B ja C, jolle P (A) =, P (B) = ja P (C) =. Tapaus, että ainakin yksi tapahtuu voidaan lausua A B C Edellisen lauseen avulla saadaan tapaus, ettei yksikään A, B tai C:stä tapahdu: (A c B c C c ) = (A B C) c.3 Kolmogorovin aksioomat Kolmogorovin aksioomat pidetään todennäköisyyslaskennan kivijalkana, johon kaikki peruslaskenta pohjautuu. Aksioomat esiteltiin Kolmogorovin teoksessa Grundbegriffe der Wahrscheinlichkeitsrechnung vuonna 933. Aksiooma. P (A) jokaiselle tapaukselle A. Aksiooma 2. P (Ω) =. Aksiooma 3. Jos tapaukset A, A 2,... ovat toisena poisulkevat, niin P ( A i ) = P (A i ). Esimerkki.. Oletetaan, että heitetään yhtä noppaa kerran. Olkoon A i = nopanheiton tulos on i, i =,..., 6. Tapaukset A i ovat toisensa poissulkevat ja voidaan soveltaa Kolmogorovin kolmatta aksioomaa seuraavasti: P ( nopanheiton tulos on parillinen luku ) = P (A 2 A 4 A 6 ) = P (A 2 ) + P (A 4 ) + P (A 6 ) = = 2. Kolmogorovin aksioomien avulla voidaan todistaa muun muassa seuraavia laskusääntöjä. Lause 3. a) P ( ) =, b) P (A) = P (A C ), c) P (A), d) P (A B) =, jos A B =, e) Jos A B niin P (A) P (B), f) P (A B) = P (A) P (A B).
9 Johdanto 7 Esimerkki.2. Tarkastellaan tapaukset A ja B, jolle P (A) =.4, P (A B) =.3 ja P (A B) =.6. Lasketaan P (A B c ): P (A B c ) = P (A B) = P (A) P (A B) =.4.3 =. Tapauksen B todennäköisyys voidaan esimerkiksi laskea seuraavasti: P (B) = P (A B) P (A B) =.6. =.5 Lause 4. Oletetaan, että tapaukset A i ovat toisensa poissulkevat. Tällöin ( n ) a) P A i = n P (A i ). b) Mikäli n A i = Ω, n P (A i ) =. Mikäli tapaukset eivät ole toisensa poissulkevat unionin todenäköisyyttä voidaan laskea seuraavan lauseen avulla. Lause 5. a) P (A B) = P (A) + P (B) P (A B), b) P (A B C) = P (A) + P (B) + P (C) P (A B) P (B C) P (A C) + P (A B C). Esimerkki.3. Edellisessä esimerkissä, voidaan soveltaa lausetta: josta saadaan B:n todennäköisyys P (A B) = P (A) + P (B) P (A B) P (B) = P (A B) P (A) + P (A B) = =.5 Esimerkki.4. Kalle ja Tanja ovat laskettelemassa. Todennäköisyys, että Tanja kaatuu on ja Kalle kaatuu 5 prosentin todennäköisyydellä. Molemmat menevät nurin 25 3 prosentin todennäköisyydellä. Lasketaan todennäköisyys, että molemmat pysyvät pystyssä. Määritellään tapaukset T = Tanja kaatuu ja K = Kalle kaatuu, jolloin oletuksen mukaan P (T ) =, P (K) = ja P (T K) =. Tapaus että molemmat pysyvät pystyssä on komplementti siihen että jompikumpi kaatuu. Haettu todennäköisyys saadaan seuraavasti: P (T c K c ) = P ((T K) c ) = P (T K) = (P (T ) + P (K) P (T K)) = ( + ) = 5. 2
10 Johdanto 8.4 Otanta ja kombinatoriikka Tilastotieteen avulla halutaan yleensä saada lisää ymmärrystä eri ilmiöistä. Usein tehdään koesarjoja ja/tai otantaa analysoiden saatua dataa. Otannan voi suorittaa monella eri tavalla ja kombinatoriikan avulla saadaan matemaattisesti selville eri kombinaatioiden lukumääriä, joita tarvitaan klassisen todennäköisyyden määritelmässä. Tarkastellaan tilannetta, jossa valitaan satunnaisesti k alkiota joukosta, jossa on esimerkiksi n alkiota, eli k n. Mikäli valittu alkio aina palautetaan joukkoon, otanta tehdään ns. palauttaen. Mikäli valitut alkiot ei palauteta alkuperäseen joukkoon, sanotaan että otanta tehdään palauttamatta. Otanta on järjestetty, jos alkioiden järjestyksellä on merkitystä, muutoin otanta on järjestämätön. Otannan valinnassa on siis ensin kaksi vaihtoehtoa valitaanko alkiot palauttaen/palauttamatta jonka jälkeen kumpaakin otosta voidaan tarkastella järjestettynä/järjestämättömänä. Kaikkiaan on siis neljä perustapaa suorittaa otannan. Tuloperiaate on yksi kombinatoriikan perustuloksista. Lause 6. Jos A i :ssä on n i vaihtoehtoa, i =,..., k, niin jono (A, A 2,..., A k ) voidaan valita n n 2 n k eri tavalla. Esimerkki.5. a) Korttipakassa on neljä maata ja 3 eriarvoista korttia/maa. Erilaisia kortteja pakassa on siis 4 3 = 52. b) Tanssiaisiin osallistuu 7 naista ja 9 miestä. Mikäli miehet tanssivat vain naisten kanssa ja naiset vain miesten kanssa erilaisia tanssipareja on edellisen lauseen mukaan 7 9 = 63 kappaletta. c) Ravintolan menussa on 3 erilaista keittoa, 5 alkuruokaa, 8 pääruokaa ja 4 jälkiruokaa. Erilaisia aterioita on = 48 kappaletta (mikäli ateriaan saa valita yhtä ruokalajia per ateria)..4. Järjestetty otanta Lause 7. Oletetaan, että valitaan k alkiota joukosta jossa on n alkiota. a) Mikäli alkiot valitaan palauttamatta voidaan muodostaa järjestetty joukko n (n ) (n k + ) eri tavalla. b) Mikäli alkiot valitaan palauttaen, on n k eri tapaa muodostaa järjestetty joukko. Esimerkki.6. a) Lottoarvonnan 7 palloa voivat mennä tulosputkeen = eri tavalla. Huom. lottotuloksia on paljon vähemmän, koska ei ole väliä, missä järjestyksessä ne menevät tulosputkeen. b) Korttipakkaa voidaan sekoittaa 52! eri tavalla. c) Jokerissa valitaan järjestyksesä 7 numeroa,..., 9 palauttaen. Erilaisia jokerin tuloksia on Järjestämätön otanta Lause 8. Mikäli valitaan palauttamatta ( ) k alkiota joukosta, jossa on n alkiota voidaan n järjestämätön otanta suorittaa = k n! eri tavalla. (n k)! k! Edellisessä lauseessa määritellään binomikerrointa, jota lausutaan n yli k:n ja tulkitaan että kuinka monella tavalla voidaan valita k kappaletta n:stä.
11 Johdanto 9 Esimerkki.7. a) Erilaisia lottotuloksia on lauseen 8 mukaan: ( ) 39 = 39! ! = = ! 7! 32! 7! Todennäköisyys, että saadaan 7 oikein lotossa, on siis / b) Lasketaan todennäköisyys, ( ) ( että ) saadaan 5 oikein lotossa. Suotuisia tapauksia on tulosäännön mukaan, koska valitaan viisi numeroa seitsemästä oikeista nume roista ja kaksi vääristä numeroista. Haettu todennäköisyys on siis: ( ) ( ) ! ! ( ) 2! 5! 2! 3! 2 2 = = = = Lause 9. Mikäli valitaan palauttaen ( k alkiota ) joukosta, jossa on n alkiota voidaan järjestämätön otanta suorittaa eri tavalla. n + k k Esimerkki.8. Oletetaan, että pöydällä on neljä korttia, yksi jokaista maata (hertta, pata, ruutu, risti). Nostetaan kahta korttia palauttaen. Erilaisia vaihtoehtoja on ( ) ( ) = = 5 4 3! = ! 2 = kappaletta. Vaihtoehdot tai ns. kombinaatiot ovat:,,,,,,,, ja. Todennäköisyys, että saadaan pari on siis 4 = 2 5. Alla olevassa taulukossa on yhteenveto eri vaihtoehtojen lukumääristä kun otannassa valitaan k alkiota n:stä joko palauttamatta tai palauttaen. Mikäli valittujen alkioiden järjestyksellä on merkitystä kyseessä on permutaatio ja mikäli järjestyksellä ei ole väliä, kyseessä on kombinaatio. Jonossa järjestyksellä on usein väliä, ja erilaisia jonoja tai permutaatioita on n!, jos jonossa on n alkiota (esim. korttipakkaa voidaan asettaa 52! eri tavalla). Taulukko.3: Valintojen lukumäärä otannassa. Palauttamatta Palauttaen n! Järjestetty n ( k (n k)! ) ( ) n n + k Järjestämätön k k
12 Johdanto.5 Ehdollinen todennäköisyys Seuraavaksi tarkastellaan tilannetta, jossa tiedetään etukäteen onko jokin tapaus sattunut ja tutkitaan, onko kyseisellä tiedolla vaikutusta toisen tapauksen todennäköisyyteen. Esimerkki.9. Oletetaan, että uurnassa on 2 mustaa palloa ja 3 punaista. Nostetaan palauttamatta kaksi palloa uurnasta. Määritellään tapaukset B = ensimmäinen pallo on musta ja A = toinen pallo on punainen. Mikäli tiedetään, että ensimmäinen pallo oli musta, uurnassa on jäljellä yksi musta pallo ja kolme punaista. Tästä voidaan päätellä, että todennäköisyys on 3/4 että toinen nostettu pallo on punainen. Esimerkissä yllä pystytään hyödyntämään tieto ensimmäisestä nostetusta pallosta, jolloin otosavaruus suppenee ja voidaan päätellä jäljellä olevista palloista, että mikä on toisen nostetun pallon värin todennäköisyys. Tätä kutsutaan ehdolliseksi todennäköisyydeksi ja määritellään seuraavaksi. Määritelmä.5. Oletetaan, että P (B) >. Tapauksen A:n ehdollinen todennäköisyys ehdolla B on P (A B) P (A B) = (.) P (B) Esimerkki.2. Edellisessä esimerkissä leikkauksen A B ja tapauksen B todennäköisyydet ovat P (A B) = P (. pallo musta ja 2. pallo punainen ) = 2 3 ja P (B) = Ehdollinen todennäköisyys, että toinen pallo on punainen ehdolla että ensimmäinen pallo on musta on tällöin: P (A B) = P (A B) P (B) = = = 3 4. Esimerkki.2. Kolikkoa heitetään kolmesti. Olkoon tapaukset A = ensimmäisellä heitolla saadaan kruunu, ja B = saadaan tarkalleen kaksi kruunua. Lasketaan ehdolliset todennäköisyydet P (A B) ja P (B A). Otosavaruudessa on seuraavat alkiot Ω = {(kr, kr, kr), (kr, kr, kl), (kr, kl, kr), (kl, kr, kr), (kr, kl, kl), (kl, kl, kr), (kl, kr, kl), (kl, kl, kl)}, eli Ω = 2 3 = 8. Suotuisat tapaukset ovat: A = {(kr, kr, kr), (kr, kl, kr), (kr, kr, kl), (kr, kl, kl)} ja B = {(kr, kr, kl), (kr, kl, kr), (kl, kr, kr)}. Ehdolliset todennäköisyydet voidaan nyt laskea kahdella tavalla. Tapa. Supistettu otosavaruus: P (A B) = P ( ensimmäinen heitto on kruunu kun tiedetään että saadaan tarkallen kaksi kruunua ) = 2, koska on kaksi suotuisaa tapausta 3 B:ssä. P (B A) = P ( saadaan tarkalleen kaksi kruunua kun tiedetään että ensimmäinen on kruunu ) = 2 = (on kaksi tällaista tapausta A:ssa). 4 2 Tapa 2. Määritelmä.5: P (A B) = P (A B) P (B) = Vastaavasti saadaan P (B A) = P (A B) P (A) = A B Ω A Ω A B Ω B Ω = A B B = 2 3. = A B A = 2 4 = 2. Jälkimmäisessä tavassa käytetään ehdollisen todennäköisyyden määritelmää.5 ja tarkastellaan koko otosavaruutta Ω. Ensimmäisessä tavassa haetaan todennäköisyyttä supistetussa otosavaruudessa, jossa on hyödynnetty annettu ehto.
13 Johdanto Ehdollisen todennäköisyyden määritelmästä saadaan seuraavaa lause: Lause. a) P (A B) = P (A B) P (B), jos P (B) >, b) P (A B) = P (B A) P (A), jos P (A) >. Lauseen voi myös yleistää usemmalle tapaukselle: Lause. Tapausten A, A 2,..., A n leikkaukselle pätee n P ( A i ) = P (A )P (A 2 A )P (A 3 A A 2 ) P (A n A A 2... A n ) mikäli kaikki ehdolliset todennäköisyydet ovat olemassa. Esimerkki.22. Oletetaan, että avainnipussa on n avainta, joista yksi sopii lukkoon. Kokeillaan avaimia vuorotellen kunnes sopiva löytyy. Olkoon tapaus, A i = i:s avain on väärä, i =,..., n. Lasketaan todennäköisyys, että vasta k:s avain on oikea. P ( vasta k:s avain on oikea ) = P (A A 2... A k A c k ) = P (A )P (A 2 A )P (A 3 A A 2 ) P (A k A... A k 2 )P (A c k A... A k ) = n n = n n 2 n (k ) n n (k 2) n (k ) jossa k = 2, 3,..., n. Mikäli kokeiltu avain palautetaan nippuun, eikä siis muisteta mitä avaimia on kokeiltu, saadaan jokaisella kokeilukerralla sama todennäköisyys n, että n avain sopii. Tällöin todennäköisyys, että vasta k:s avain on oikea on: P ( vasta k:s avain on oikea ) = P (A A 2... A k A c k ) = P (A )P (A 2 A )P (A 3 A A 2 ) P (A k A... A k 2 )P (A c k A... A k ) = n n = ( n n n n ) n k n n n, k = 2, 3,... Määritelmä.6. Tapaukset A, A 2,..., A n muodostavat otosavaruuden partition jos n A i :t ovat toisensa poissulkevat, A i = Ω ja P (A i ) >, i =,..., n. Edellisten määritelmien avulla voidaan johtaa kokonaistodennäköisyyslausetta. Lause 2 (Kokonaistodennäköisyys). Oletetaan, että A, A 2,..., A n muodostavat otosavaruuden partition. Tällöin Todistus: P (B) = n P (B A i )P (A i ) (.2) P (B) = P (B Ω) = P (B (A A 2... A n )) = P ((B A )... (B A n )) = P (B A ) + P (B A 2 ) P (B A n ) = P (B A )P (A ) P (B A n )P (A n ).
14 Johdanto 2 Esimerkki.23. Autokauppias hankkii tyhjään varastoonsa 6 autoa ruotsista, 5 autoa saksasta ja 4 autoa suomesta. Kauppias huomaa, että ruotsista hankituissa autoissa kahdessa on korjattavaa, saksasta hankituissa kolmessa on korjattavaa ja suomesta hankituissa kahdessa on korjattavaa. Asiakas sapuu kauppaan ja valitsee satunnaisesti yhden auton (ennenkuin kauppias on ehtinyt korjata niitä). Millä todennäköisyydellä valitussa autossa ei ole mitään korjattavaa? Merkitään K = autossa on korjattavaa, S = auto on ruotsista, D = auto on saksasta ja F = auto on suomesta. Tällöin P (S) = 6/5, P (D) = 5/5 ja P (F ) = 4/5, ja annetut ehdolliset todennäköisyydet P (K S) = 2/6 = /3, P (K D) = 3/5 sekä P (K F ) = 2/4 = /2. Kokonaistodennäköisyyslauseen avulla saadaan: P (K) = P (K S)P (S) + P (K D)P (D) + P (K F )P (F ) = = = Haettu todennäköisyys saadaan komplementin avulla: P (K c ) = P (K) = 7/5 = 8/5 =.53. Alla olevassa kuvassa on puukuvion avulla havainnollistettu kaikki vaihtoehdot. Kuvion avulla voidaan kätevästi laskea esimerkiksi kokonaistodennäköisyydet tapaukselle K summaamalla yhteen kaikki polut, jotka johtavat K-solmuihin. 3 K 6 5 S 2 3 K c Auto D F 3 5 K K c K K c Kuva.4: Puukuvio autoesimerkistä. Käänteiset ehdolliset todennäköisyydet saadaan Bayesin lauseen avulla. Lause 3 (Bayes). Mikäli A, A 2,..., A n muodostavat otosavaruuden partition ja P (B) >, niin A i :n ehdollinen todennäköisyys ehdolla B on: P (A k B) = P (B A k)p (A k ) P (B) = P (B A k)p (A k ) n P (B A i )P (A i ) (.3) jossa k =,..., n.
15 Johdanto 3 Esimerkki.24. Edellisessä autoesimerkissä voidaan soveltaa Bayesin lausetta ja laskea todennäköisyydet, että auto on kukin maasta, kun tiedetään, että siinä oli korjattavaa. Ehdollinen todennäköisyys, että auto on ruotsista kun tiedetään että siinä oli korjattavaa on: P (S K) = P (S K) P (K) = P (K S)P (S) P (K S)P (S)+P (K D)P (D)+P (K F )P (F ) P (K S)P (S) = = = 2 7. Vastaavalla tavalla saadaan P (D K) ja P (F K): P (D K) = P (F K) = P (K D)P (D) = P (K) 7 5 P (K F )P (F ) = P (K) 7 5 = 3 7, = 2 7. Tarkistuksena voidaan todeta, että todennäköisyyksien summa on : P (S K) + P (D K) + P (F K) = =. Esimerkki.25. Henkilöllä on tietty virus todennäköisyydellä p. Eräs testi näyttää virheellisen (negatiivisen) tuloksen todennäköisyydellä α, mikäli henkilöllä on virus. Terveelle henkilölle testi näyttää virheellisen (positiivisen) tuloksen todennäköisyydellä β. Merkitään tapaukset V = henkilöllä on virus ja P os = testi on positiivinen. Komplementit voidaan merkitä T = henkilö on terve ja N eg = testi on negatiivinen. Tapausten todennäköisyydet ovat P (V ) = p ja P (T ) = p. Ehdollinen todennäköisyys, että testi näyttää negatiivista, vaikka henkilöllä on virus on P (N eg V ) = α. Ehdollinen todennäköisyys, että testi antaa positiivisen tuloksen, vaikka henkilö on terve on P (P os T ) = β. Alla olevaan taulukkoon on listattu ehdolliset todennäköisyydet joista ilmenee testin eri virhemahdollisuudet. Taulukko.4: Testin virhemahdollisuudet. Testitulos Henkilö Pos Neg Virus α α Terve β β Tilastollisessa testauksessa tapausta, että testi antaa väärän tuloksen henkilön kantaessa virusta, kutsutaan I-tyypin erheeksi, tai α-erheeksi. Tapausta, että testi antaa väärän tuloksen henkilön ollessa terve, kutsutaan II-tyypin erheeksi, tai β-erheeksi. Testin merkitsevyystaso on α, ja testin voimakkuus on β. Testauksessa halutaan, että molemmat virheet ovat mahdollisimman pieniä. Tärkeänä pidetään usein, että β pysyy mahdollisimman pienenä, koska käytännössä saattaa tulla vääriä päätöksiä ja/tai ikäviä seuraamuksia mikäli testi näyttää positiivista terveelle henkilölle. Esimerkiksi leikataan tervettä potilasta, tuomitaan syytön jne.
16 Johdanto 4 Mikäli valitaan satunnaisesti testattava henkilö, eri mahdollisuudet ovat siis alla olevan kuvan mukaiset. α P os Henkilö p V T α Neg p P os β β Neg Kuva.5: Puukuvio virusesimerkistä. Kokonaistodennäköisyyslauseen avulla voidaan laskea todennäköisyydet, että testi näyttää positiivista/negatiivista: P (P os) = P (P os V )P (V ) + P (P os T )P (T ) = ( α) p + β ( p), P (Neg) = P (P os) = ( α) p β ( p) = α p + ( β) ( p). Bayesin lauseen avulla voidaan laskea todennäköisyys, että henkilöllä todella on virus kun testi näyttää positiivista: P (V P os) = P (P os V )P (V ) P (P os) = ( α) p ( α) p+β ( p) Vastaavasti voidaan laskea todennäköisyys, että ihmisellä on virus, vaikka testi näyttää negatiivista: P (V Neg) = P (Neg V )P (V ) P (Neg) = α p α p+( β) ( p) Sijoittamalla arvot α =.5, β =. ja p =. yllä oleviin kaavoihin saadaan laskettua todennäköisyydet, että satunnaisesti valitun henkilön testi näyttää positiivista: P (P os) = (.5). +. (.) =.9. Mikäli testi näyttää positiivista henkilöllä on virus todennäköisyydellä: P (V P os) = P (P os V ) P (V ) P (P os) = ( α) p P (P os) = =.5 Vastaavasti voidaan laskea todennäköisyys, että henkilöllä on virus vaikka testi näyttää negatiivista: P (V Neg) = P (Neg V ) P (V ) P (Neg) = α p P (P os) = =.5
17 Johdanto 5.6 Riippumattomuus Edellisessä jaksossa tarkasteltiin ehdollisia todennäköisyyksiä P (A B). Mikäli ehdolla B ei ole mitään vaikutusta A:n ehdolliseen todennäköisyyteen ja P (A B) = P (A), sanotaan, että tapaukset ovat riippumattomia. Yleisesti käytetään seuraavaa määritelmää. Määritelmä.7. Tapaukset A ja B ovat riippumattomia jos P (A B) = P (A) P (B). Tapausten riippumattomuutta voidaan merkitä A B. Esimerkki.26. Nostetaan yhtä korttia hyvin sekoitetusta pakasta. Olkoon tapaukset A = kortti on ässäkortti, B = kortti on kuvakortti ja = kortti on herttakortti. Lasketaan ensin ehdolliset todennäköisyydet P (A ) = 4 ja P (B ) =. Verrataan 3 3 näitä A:n ja B:n todennäköisyyksiin: P (A) = 4 = 6 ja P (B) = = 4. Huomataan, että P (A ) = P (A) ja P (B ) = P (B) joten A ja, ja B ja ovat pareittain riippumattomat. Määritelmän.7 avulla voidaan myös verifioida, että P (A ) = ja 52 P (A) P ( ) =, jolloin A ja ovat riippumattomia koska P (A ) = P (A) P ( ). 3 4 Vastaavasti nähdään, että P (B ) = P (B) P ( ). Huomataan, että tapaukset A ja B ovat toisensa poissulkevat, koska A B = (ässä ei ole kuvakortti). Toisin sanoen, tapaukset A ja B riippuvat toisistaan. Laskemalla saadaan P (A B) = P ( ) = ja P (A) P (B) = 4 jolloin P (A B) P (A) P (B). 3 3 Tapausten riippumattomuus ja tapausten toisensa poissulkevuus ovat eri asioita. Mikäli tapaukset ovat toisensa poissulkevat, ne ovat myös selvästi toisistaan riippuvaisia (jos toinen sattuu, niin toinen ei voi sattua). Tapausten riippumattomuudesta ei välttämättä voida päätellä, ovatko tapaukset toisensa poissulkevat. Esimerkki.27. Noppaa heitetään kaksi kertaa. Olkoon tapaukset A =. noppa on nelonen, B = silmälukujen summa on 7 ja C = silmälukujen summa on 6. Todennäköisyydet ovat P (A) =, P (B) = 6 5 ja P (C) =. Laskemalla nähdään, että P (A B) = = P (A) P (B), joten tapaukset A ja B ovat riippumattomat mutta eivät toisensa poissulkevat. Tapaukset A ja C eivät ole riippumattomia koska P (A C) = P (A) P (C) Riippumattomuus on tärkeä ominaisuus jota hyödynnetään todennäköisyyslaskennassa ja tilastotieteessä. Esimerkiksi koesarjoissa joissa toistetaan samaa koetta monta kertaa kokeiden tulokset ovat usein riippumattomia. Yleisesti pätee seuraava lause. Lause 4. Jos tapaukset A, A 2,..., A n ovat riippumattomat, niin P (A A 2... A n ) = P (A ) P (A 2 ) P (A n ) (.4) Esimerkki.28. a) Heitetään lanttia kertaa. Eri heittojen tulokset ovat riippumattomat ja voidaan helposti osoittaa, että on yhtä todennäköistä saada kymmenen klaavaa putkeen kuin, että joka toinen heitto on klaava. Olkoon tapaus K i = i:s heitto on klaava, i =, 2,...,. Tällöin P (K K 2... K ) = P (K ) P (K 2 ) P (K ) ) = = ( P (K K2 c... K) c = P (K ) P (K2) c P (K) c Määr..4: A ja B toisensa poissulkevat jos A B = = = ( )
18 Johdanto 6 b) Heitetään noppaa 6 kertaa. Todennäköisyys, että saadaan kaikki silmäluvut järjestyksessä,..., 6 on: P ( 6 i:nnen heiton silmäluku on i ) = 6 P ( i:nnen heiton silmäluku on i ) = 6 = = ( ). Esimerkki.29. FC Box:in palloilijat (Jonathan, Aaron ja Zlatan) potkaisevat ottelun rangaistuspotkukilpailussa kukin kerran. Oletetaan, että osumiset ovat riippumattomia. Pelaajien maalintekotodennäköisyydet ovat.6,.5 ja.7. Olkoon tapaukset, J = Jonathan tekee maalin, A = Aaron tekee maalin ja Z = Zlatan tekee maalin. Merkitään maalien lukumäärää M i :llä, siten, että tapaus M i = FC Box saa i maalia, i =,, 2, 3. Riippumattomuuden ja tapausten toisensa poissulkevuuden perusteella saadaan eri maalimäärien todennäköisyydet: P (M ) = P (J c A c Z c ) = P (J c ) P (A c ) P (Z c ) = =.6, P (M ) = P ((J A c Z c ) (J c A Z c ) (J c A c Z)) = P (J A c Z c ) + P (J c A Z c ) + P (J c A c Z) = P (J) P (A c ) P (Z c ) + P (J c ) P (A) P (Z c ) + P (J c ) P (A c ) P (Z) = =.29, P (M 2 ) = P ((J A Z c ) (J A c Z) (J c A Z)) = P (J A Z c ) + P (J A c Z) + P (J c A Z) = P (J) P (A) P (Z c ) + P (J) P (A c ) P (Z) + P (J c ) P (A) P (Z) = =.44, P (M 3 ) = P (J A Z) = P (J) P (A) P (Z) = =.2. Huomataan, että 3 i= pelaajan onnistumistodennäköisyys: P (M i ) =. Mikäli syntyy vain yksi maali, voidaan laskea kunkin P (J M ) = P (J M ) P (M = P (J Ac Z c ) ) P (M = ).29 =.3, P (A M ) = P (A M ) P (M = P (J c A Z c ) ) P (M = ).29 =.2, P (Z M ) = P (Z M ) P (M ) = P (J c A c Z) P (M ) = =.48. Olkoon tapaus V = FC Box voittaa ja oletetaan, että tilastojen valossa P (V M ) =, P (V M ) =.2, P (V M 2 ) =.3 ja P (V M 3 ) =.5. Todennäköisyys, että joukkue voittaa on siis 3 P (V ) = P (V M i ) P (M i ) = =.3 i= Mikäli voitto tulee, voidaan nyt laskea eri maalimäärien todennäköisyydet:, i =, P (M i V ) = P (V M i)p (M i ).97, i =, = P (V ).447, i = 2,.356, i = 3.
19 Luku 2 Satunnaismuuttujat Määritelmä 2.. Satunnaismuuttuja X on funktio X : Ω R, joka liittää jokaiseen otosavaruuden Ω alkioon reaaliluvun. Esimerkki 2.. Oleta, että Marko on järvellä onkimassa tunnin. Tunnin aikana saatujen kalojen lukumäärä voidaan merkitä X:llä, joka on myös kokonaisluku X =,, Saatujen kalojen lukumäärää X on ns. diskreetti satunnaismuuttuja. Saatujen kalojen yhteispaino merkitään Y :llä ja voidaan ajatella, että se on reaaliluku väliltä [, 5]. Saaliin paino Y on ns. jatkuva satunnaismuuttuja. Satunnaismuuttuja voi olla diskreetti tai jatkuva. Usein diskreeteillä satunnaismuuttujilla mallinnetaan lukumääriä, kun taas jatkuvat satunnaismuuttujat tyypillisesti kertovat ajasta, painosta tai muista mitoista. Tarkastellaan seuraavaksi satunnaismuuttujiin liittyviä määritelmiä. 2. Diskreetit satunnaismuuttujat Määritelmä 2.2. Satunnaismuuttuja on diskreetti jos se voi saada vain ääreellisen tai numeroituvasti äärettömän määrän arvoja. Määritelmä 2.3. Oleta, että diskreetti satunnaismuuttuja X voi saada arvoja joukosta K. Diskreetin satunnaismuuttujan todennäköisyysfunktio on p(k) = P (X = k), k K. Määritelmä 2.4. Satunnaismuuttujan X jakaumafunktio tai ns. kertymäfunktio on F (x) = P (X x), x R. Esimerkki 2.2. Heitetään noppaa kerran ja määritellään X = nopan silmäluku, eli X {, 2, 3, 4, 5, 6}. Todennäköisyysfunktio on p(k) = P (X = k) =, k =, 2,..., 6. 6 Jakaumafunktio F (x) on siis kumulatiivinen: F (x) =, x <, /6, x < 2, 2/6, 2 x < 3, 3/6, 3 x < 4, 4/6, 4 x < 5, 5/6, 5 x < 6,, 6 x. 5/6 4/6 3/6 2/6 /
20 Satunnaismuuttujat 8 Olettaen, että diskreetin satunnaismuuttujan X arvojoukko on K, todennäköisyysfunktiolla, p(k) = P (X = k), on seuraavat ominaisuudet: p(k), kun k K ja k K p(k) =. Diskreetin satunnaismuuttujan X jakaumafunktio saadaan summaamalla: F (x) = k x p(k) ja tälle pätee: lim F (x) =, lim F (x) = ja F (x) on ei-vähenevä. x x Määritelmä 2.5. Diskreetin satunnaismuuttujan odotusarvo on jos summa suppenee itseisesti, eli E(X) = k K k p(k), k K k p(k) <. Esimerkki 2.3. Noppaesimerkissä 2.2 silmälukujen odotusarvo on E(X) = 6 i P (X = i) = 6 i 6 = 6 ( ) = 2 6 = 7 2. Esimerkki 2.4. Arpajaisiin myydään arpaa. Voittoja jaetaan siten, että on kpl Euron voittoa, 6 kpl 25 Euron voittoa, 3 kpl 5 Euron voittoa ja yksi Euron voitto. Olkoon X = satunnaisesti valitun arvan voitto, eli X {,, 25, 5, }. Satunnaismuuttujan X odotusarvo on määritelmän mukaan: E(X) = P (X = ) + P (X = ) + 25P (X = 25) + 5P (X = 5) + P (X = ) = = = 5. Satunnaisen arvan voiton odotusarvo on 5 Euroa, joka on myös arpojen minimihinta (jolla katetaan voittokulut). Diskreetin satunnaismuuttujan muunnos on myös satunnaismuuttuja, jolle voidaan laskea todennäköisyys-, jakaumafunktio ja odotusarvo. Lause 5. Olkoon muunnos Y = g(x), jossa g on mitallinen funktio ja X on diskreetti satunnaismuuttuja. Tällöin pätee a) E(Y ) = E(g(X)) = k K g(k) p(k), jos k K b) E(a + b X) = a + b E(X), a R, b R. g(k) p(k) <,
Todennäköisyyslaskenta sivuaineopiskelijoille
Todennäköisyyslaskenta sivuaineopiskelijoille Tentit: 4.11.2013 ja 2.12.2013. Loput kaksi tenttiä (vuonna 2014) ilmoitetaan myöhemmin. Tentissä on 4 tehtävää á 8 pistettä, aikaa 4 tuntia. Arvostelu 0 5.
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
Lisätiedot(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.
Todennäköisyyslaskenta I, kesä 7 Harjoitus 4 Ratkaisuehdotuksia. Satunnaismuuttujalla X on ns. kaksipuolinen eksponenttijakauma eli Laplacen jakauma: sen tiheysfunktio on fx = e x. a Piirrä tiheysfunktio.
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedot&idx=2&uilang=fi&lang=fi&lvv=2015
20.10.2015/1 MTTTP5, luento 20.10.2015 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotTodennäköisyysjakaumia
8.9.26 Kimmo Vattulainen Todennäköisyysjakaumia Seuraavassa esitellään kurssilla MAT-25 Todennäköisyyslaskenta esille tulleita diskreettejä todennäköisyysjakaumia Diskreetti tasajakauma Bernoullijakauma
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015
12.1.2016/1 MTTTP5, luento 12.1.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
Lisätiedot30A02000 Tilastotieteen perusteet
30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen
MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-25 Todennäköisyyslaskenta Tentti 12.4.216 / Kimmo Vattulainen Funktiolaskin sallittu. Palauta kaavakokoelma 1. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015
25.10.2016/1 MTTTP5, luento 25.10.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotHY / 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
LisätiedotSuotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä
Todennäköisyys 1 Klassinen todennäköisyys: p = Suotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä Esimerkkejä: Nopan heitto, kolikon heitto Satunnaismuuttuja Tilastollisesti vaihtelevaa
Lisätiedot2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotMiten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?
21.3.2019/1 MTTTP1, luento 21.3.2019 7 TILASTOLLISEN PÄÄTTELYN PERUSTEITA Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä
LisätiedotVäliestimointi (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).
LisätiedotTodennäköisyys (englanniksi probability)
Todennäköisyys (englanniksi probability) Todennäköisyyslaskenta sai alkunsa 1600-luvulla uhkapeleistä Ranskassa (Pascal, Fermat). Nykyisin todennäköisyyslaskentaa käytetään hyväksi mm. vakuutustoiminnassa,
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-2.090 Sovellettu todennäköisyyslasku A Harjoitus 4 (vko 41/2003) (Aihe: diskreettejä satunnaismuuttujia ja jakaumia, Laininen luvut 4.1 4.7) 1. Kone tekee
LisätiedotOtosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko
ÌÓÒÒĐĐÓ ÝÝ ÔÖÙ ØØ Naiiveja määritelmiä Suhteellinen frekvenssi kun ilmiö toistuu Jos tehdas on valmistanut 1000000 kpl erästä tuotetta, joista 5013 ovat viallisia, niin todennäköisyys, että tuote on viallinen
LisätiedotJuuri 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
Lisätiedot4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotTilastotieteen kertaus. Kuusinen/Heliövaara 1
Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa
Lisätiedot4. laskuharjoituskierros, vko 7, ratkaisut
4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.
LisätiedotMiten hyvin mallit kuvaavat todellisuutta? Tarvitaan havaintoja.
Luku 1 Johdanto 1.1 Todennäköisyys ja tilastotiede Kurssi käsittelee todennäköisyyslaskentaa ja tilastotiedettä. Laaditaan satunnaisilmiöille todennäköisyysmalleja. Miten hyvin mallit kuvaavat todellisuutta?
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotTeema 8: Parametrien estimointi ja luottamusvälit
Teema 8: Parametrien estimointi ja luottamusvälit Todennäköisyyslaskennan perusteet (Teemat 6 ja 7) antavat hyvän pohjan siirtyä kurssin viimeiseen laajempaan kokonaisuuteen, nimittäin tilastolliseen päättelyyn.
LisätiedotMatemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto
Matemaattinen tilastotiede Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto Alkusanat Tämä moniste perustuu vuosina 2002-2004 pitämiini matemaattisen tilastotieteen luentoihin
Lisätiedot5. laskuharjoituskierros, vko 8, ratkaisut
Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 2 Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden
LisätiedotTodennäköisyyslaskenta 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
LisätiedotD ( ) E( ) E( ) 2.917
Mat-2.091 Sovellettu todennäköisyyslasku 4. harjoitukset/ratkaisut Aiheet: Diskreetit jakaumat Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen jakauma, Kertymäfunktio,
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotTODENNÄKÖISYYS JA TILASTOT MAA6 KERTAUS
TODENNÄKÖISYYS JA TILASTOT MAA6 KERTAUS Klassinen todennäköisyys P suotuisten alkeistapausten lkm kaikkien alkeistapausten lkm P( mahdoton tapahtuma ) = 0 P( varma tapahtuma ) = 1 0 P(A) 1 Todennäköisyys
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 3
031021P Tilastomatematiikka (5 op) viikko 3 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan
LisätiedotTodennäköisyyslaskenta - tehtävät
Todennäköisyyslaskenta - tehtävät Todennäköisyyslaskentaa käsitellään Pitkän matematiikan kertauskirjan sivuilla 253 276. Klassinen todennäköisyys Kombinatoriikka Binomitodennäköisyys Satunnaismuuttuja,
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
Lisätiedottilastotieteen kertaus
tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla
LisätiedotSovellettu 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
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-5 Todennäköisyyslaskenta Tentti.. / Kimmo Vattulainen Vastaa jokainen tehtävä eri paperille. Funktiolaskin sallittu.. a) P A). ja P A B).6. Mitä on P A B), kun A ja B ovat riippumattomia b) Satunnaismuuttujan
Lisätiedot3.7 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
LisätiedotMAT 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
LisätiedotKäytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:
8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)
Lisätiedot031021P Tilastomatematiikka (5 op) viikot 5 6
031021P Tilastomatematiikka (5 op) viikot 5 6 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan
LisätiedotVALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170
VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 4.6.2013 Ratkaisut ja arvostelu 1.1 Satunnaismuuttuja X noudattaa normaalijakaumaa a) b) c) d) N(170, 10 2 ). Tällöin P (165 < X < 175) on likimain
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila Kalvoissa käytetään materiaalia P. Palon vuoden 2005 kurssista. 07.09.2007 Antti Rasila () SovTodB 07.09.2007 07.09.2007 1 / 24 1 Todennäköisyyslaskennan
LisätiedotVarma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Unioni, Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Alkeistapahtuma, Ehdollinen todennäköisyys,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 13. syyskuuta 2007 Antti Rasila () TodB 13. syyskuuta 2007 1 / 21 1 Klassinen todennäköisyys 2 Kombinatoriikkaa Kombinatoriikan perusongelmat Permutaatiot
Lisätiedot(x, y) 2. heiton tulos y
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 2, 4, 6, 8, 11 Pistetehtävät: 3, 5, 9, 12 Ylimääräiset tehtävät: 7, 10, 13 Aiheet: Joukko-oppi Todennäköisyys ja sen määritteleminen
Lisätiedot6. laskuharjoitusten vastaukset (viikot 10 11)
6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotLuento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja
1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma
LisätiedotD ( ) Var( ) ( ) E( ) [E( )]
Mat-.2620 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Diskreettejä jakaumia Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Eksponenttijakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotJohdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2004) 1 Testit laatueroasteikollisille muuttujille Laatueroasteikollisten muuttujien testit Testi suhteelliselle
LisätiedotV ar(m n ) = V ar(x i ).
Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
M-0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 1: Todennäköisyyslaskennan peruskäsitteet; Todennäköisyyden aksioomat; Todennäköisyyslaskennan peruslaskusäännöt; Kokonaistodennäköisyyden
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 3: Todennäköisyysjakaumia. Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Diskreettejä jakaumia TKK (c) Ilkka Mellin (2007) 1 Diskreettejä jakaumia >> Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotGripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta
MS-A00 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta 7.. Gripenberg Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot ja minkä kokeen suoritat! Laskin,
Lisätiedot/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla
16.11.2017/1 MTTTP5, luento 16.11.2017 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla ~,, ~,,. 16.11.2017/2 Esim. Tutkittiin uuden menetelmän käyttökelpoisuutta
LisätiedotJohdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
LisätiedotMat Sovellettu todennäköisyyslasku. Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat:
Mat-2.091 Sovellettu todennäköisyyslasku Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma, Ehdollinen todennäköisyys, Erotustapahtuma,
Lisätiedot2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
Lisätiedot/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla
17.11.2016/1 MTTTP5, luento 17.11.2016 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla likimain Jos X ~ Bin(n, p), niin X ~ N(np, np(1 p)), kun n suuri. 17.11.2016/2
LisätiedotJohdatus tn-laskentaan torstai 16.2.2012
Johdatus tn-laskentaan torstai 16.2.2012 Muunnoksen jakauma (ei pelkkä odotusarvo ja hajonta) Satunnaismuuttujien summa; Tas ja N Vakiokerroin (ax) ja vakiolisäys (X+b) Yleinen muunnos: neulanheittoesimerkki
LisätiedotTestit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 27. syyskuuta 2007 Antti Rasila () TodB 27. syyskuuta 2007 1 / 15 1 Diskreetit jakaumat Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen
LisätiedotP(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu
1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Todennäköisyyslaskennan käsitteitä Satunnaisuus ja deterministisyys Deterministisessä ilmiössä alkutila määrää lopputilan yksikäsitteisesti. Satunnaisilmiö puolestaan arpoo - yhdestä alkutilasta voi päätyä
LisätiedotTuloperiaate. Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta
Tuloperiaate Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta ja 1. vaiheessa valinta voidaan tehdä n 1 tavalla,. vaiheessa valinta voidaan tehdä n tavalla,
LisätiedotOsa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden aksioomat
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Todennäköisyyden aksioomat TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyden aksioomat >> Todennäköisyyden määritteleminen Todennäköisyyden
Lisätiedot031021P Tilastomatematiikka (5 op) Kurssi-info ja lukion kertausta
031021P Tilastomatematiikka (5 op) Kurssi-info ja lukion kertausta Jukka Kemppainen Mathematics Division Käytännön asioita Luennot (yht. 7 4 h) ke 12-14 ja pe 8-10 (ks. tarkemmin Oodista tai Nopasta) Harjoitukset
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
Lisätiedotriippumattomia ja noudattavat samaa jakaumaa.
12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta
Lisätiedot1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 206 Kurssikoe 28.0.206 Ratkaisuehdotuksia. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden
Lisätiedot(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?
6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotTilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo.
Kertaus Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Luokiteltu aineisto. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo. Hajontaluvut luokittelemattomalle
LisätiedotTilastollinen 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
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
Lisätiedot