031021P Tilastomatematiikka (5 op)
|
|
- Esa-Pekka Hyttinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division
2 Yleinen todennäköisyys Kertausmateriaalissa esiteltiin koulusta tuttuja todennäköisyysmalleja. Tällä kurssilla todennäköisyys on (abstrakti) funktio P, joka on määritelty tapahtumasysteemissä E ja joka toteuttaa todennäköisyyden perusominaisuudet kuten esimerkiksi P(A) = 1 P(A) tai P(A B) = P(A)+P(B) P(A B). Tapahtumasysteemiltä vaaditaan riittävästi rakennetta, jotta todennäköisyys on hyvin määritelty. Esitetään seuraavassa venäläisen matemaatikon Andrei Kolmogorovin ( ) esittämä todennäköisyyden matemaattinen malli. On ehkä hämmästyttävää, että matemaattisen mallin määrittelyyn riittää kolme ehtoa. Jukka Kemppainen Mathematics Division 2 / 32
3 Yleinen todennäköisyys Tapahtumasysteemiltä vaaditaan σ-algebran rakenne. Määr. 1 Tapahtumasysteemi E on σ-algebra, jos 1.,S E 2. A E = A E 3. A,B E = A B E 4. A,B E = A B E 5. A i E kaikilla i N i=1 A i E. Nyt voidaan esitellä Kolmogorovin todennäköisyyden aksioomat, jotka antavat todennäköisyyden matemaattisen mallin. Jukka Kemppainen Mathematics Division 3 / 32
4 Todennäköisyyden aksioomat Määr. 2 Todennäköisyysavaruus on kolmikko {S, E, P}, missä S on epätyhjä joukko, E on σ-algebra ja kuvaus P : E R toteuttaa ehdot 1. 0 P(A) 1 2. P(S) = 1 3. Jos A i E ja A i A j = aina, kun i j ja i,j = 1,2,..., niin P ( ) A i = P(A i ). i=1 Ehtoja 1 3 sanotaan todennäköisyyslaskennan aksioomiksi ja kuvausta P, joka toteuttaa ehdot 1 3, sanotaan todennäköisyydeksi. i=1 Jukka Kemppainen Mathematics Division 4 / 32
5 Todennäköisyydestä Huomautus 1 Todennäköisyys voi siis olla periaatteessa mikä tahansa funktio, kunhan se toteuttaa Määritelmän 2 ehdot. Todennäköisyys riippuu mm. otosavaruuden S valinnasta. Huomautus 2 Todennäköisyys voi olla subjektiivinen eli riippua siitä, kuka sen määrittelee. Eri henkilöillä voi olla erilainen näkemys samasta satunnaiskokeesta. Tapahtuman todennäköisyys voi olla vaikkapa 90%, mutta jos kysytään Stubbilta, saman tapahtuman tn. voi olla 10%. Myös eri rahapelitoimistot voivat antaa erilaisia voittokertoimia (so. erilaisia voittotodennäköisyyksiä) samoille kohteille. Jukka Kemppainen Mathematics Division 5 / 32
6 Todennäköisyyden perusominaisuudet Lause 1 Todennäköisyydelle on voimassa: (i) P( ) = 0; (ii) P(A) = 1 P(A); (iii) Jos tapahtumat {A 1,A 2,...,A n } ovat erillisiä, ts. A i A j =, kun i j, niin P(A 1 A 2 A n ) = P(A 1 )+ +P(A n ); (iv) P(A) P(B) aina, kun A B; (v) P(A B) = P(A) P(A B); (vi) P(A B) = P(A)+P(B) P(A B). Jukka Kemppainen Mathematics Division 6 / 32
7 Esimerkkejä Todennäköisyyksien laskemisessa voidaan (ja on suotavaa) käyttää Lauseen 1 tuloksia. Lisäksi joukko-opista tutut De Morganin kaavat A B A B = A B = A B voivat olla hyödyksi. Esim. 1 Olkoon P(A) = 3 5, P(B) = 1 2 ja P(A B) = 1 5. Laske todennäköisyydet P(A B), P(A), P(B), P(A B), P(A B) ja P(A B). Jukka Kemppainen Mathematics Division 7 / 32
8 Ehdollinen todennäköisyys Todennäköisyys riippuu vähintäänkin otosavaruuden valinnasta. Esimerkiksi eri sairauksen esiintyvyys voi poiketa hyvinkin paljon eri alueilla. Jos vaikkapa analysoidaan tuberkuloositartuntaa, on eri asia tutkitaanko sitä Suomessa tai esimerkiksi Venäjällä. Käytännöllisesti katsoen kaikki todennäköisyydet ovat ehdollisia. Ehdollisen todennäköisyyden käsite on eräs todennäköisyysteorian tärkeimmistä käsitteistä. Esitetään seuraavaksi ehdollisen todennäköisyyden määritelmä. Jukka Kemppainen Mathematics Division 8 / 32
9 Ehdollinen todennäköisyys Määr. 3 Olkoon S otosavaruus, A, B S tapahtumia ja P todennäköisyys. Tapahtuman A ehdollinen todennäköisyys ehdolla B on jos P(B) > 0. P(A B) = P(A B), P(B) Ehdollista todennäköisyyttä ei ole määritelty, kun P(B) = 0. Tilastollisessa päättelyssä ehdollinen tn. P(A B) on tapahtuman A tn:n P(A) päivitys, kun on havaittu informaatio B. Tapahtuma B voidaan ottaa uudeksi otosavaruudeksi, jolloin funktio P : A P(A B) kaikilla tapahtumilla A on todennäköisyys B:ssä. Jukka Kemppainen Mathematics Division 9 / 32
10 Ehdolllisen todennäköisyyden ominaisuudet Ehdollinen tn. P on siis tn. B:ssä ja P on tn. S:ssä sekä P voidaan laskea alkuperäisen tn:n P avulla. Ehdollinen tn. P täyttää kaikki todennäköisyydeltä vaadittavat ominaisuudet. Esimerkiksi 1. 0 P(A) = P(A B) 1 kaikilla tapahtumilla A 2. P(B) = P(B B) = 1; 3. P(A 1 A 2 ) = P(A 1 A 2 B) = P(A 1 B)+P(A 2 B) aina, kun A 1 A 2 =. = P(A 1 )+ P(A 2 ). Jukka Kemppainen Mathematics Division 10 / 32
11 Huomioita Esitetään joitakin tärkeitä huomioita ehdolliseen todennäköisyyteen liittyen. Todennäköisyydessä P(A B) A on tapahtuma, jonka tn. halutaan laskea, ja B on ehto, jonka suhteen tn. lasketaan. Yleisesti P(A B) P(B A). Todennäköisyyden tulkinnassa täytyy olla varovainen. Yleisesti P(A B) P(A). Käsitellään näitä tarkemmin esimerkeissä. Jukka Kemppainen Mathematics Division 11 / 32
12 Kertolaskusääntö Ehdollisen todennäköisyyden määritelmä voidaan esittää kahtena kertosääntönä P(A B) = P(B)P(A B),jos P(B) > 0 P(A B) = P(A)P(B A),jos P(A) > 0 Samaa periaatetta voidaan soveltaa myös useammalle tapahtumalle. Jos esimerkiksi tapahtumia on kolme ja P(B C) > 0, saadaan P(A B C) = P(A (B C)) = P(A B C)P(B C) = P(A B C)P(B C)P(C). Jukka Kemppainen Mathematics Division 12 / 32
13 Kertolaskusääntö Samaa kertolaskusääntöä voidaan käyttää kuinka monelle tapahtumalle hyvänsä. Täydellisellä induktiolla voidaan todistaa: Lause 2 Olkoot A 1,A 2,...,A n E siten, että P(A 1 A n 1 ) > 0. Tällöin on voimassa P(A 1 A 2 A n ) =P(A 1 )P(A 2 A 1 )P(A 3 A 2 A 1 ) P(A n A 1 A n 1 ). Jukka Kemppainen Mathematics Division 13 / 32
14 Esimerkkejä Esim. 2 Tuotteessa voi olla materiaalivika (tapahtuma A) tai käsittelyvika (tapahtuma B). Tuote on susi, jos siinä on molemmat viat. Olkoot P(A) = 0,1, P(B) = 0,06 ja P(A B) = 0,005. Mikä on todennäköisyys, että (a) tuote on susi ehdolla, että siinä on ainakin yksi vika? (b) tuotteessa on materiaalivika ehdolla, että siinä on tarkalleen yksi vika? Esim. 3 Pokerissa kullekin pelaajalle jaetaan viisi korttia. Jos pelaajia on 2, niin millä todennäköisyydellä molemmat saavat 2 ässää? Jukka Kemppainen Mathematics Division 14 / 32
15 Kokonaistodennäköisyys Olkoon {A 1,A 2 } on otosavaruuden S ositus eli A 1 A 2 = ja A 1 A 2 = S. Oletetaan, että P(A i ) > 0, i = 1,2. Olkoon B tapahtuma, jolle P(B) > 0. Tällöin (A 1 B) (A 2 B) = B (A 1 B) (A 2 B) = ja P(B) = P(A 1 B)+P(A 2 B). Toisaalta kertolaskusäännön nojalla i = 1, 2: P(A i B) = P(B A i )P(A i ). (1) Jukka Kemppainen Mathematics Division 15 / 32
16 Kokonaistodennäköisyys Edellä osituksen {A 1,A 2 } tapauksessa saadaan kokonaistodennäköisyydeksi P(B) = P(A 1 )P(B A 1 )+P(A 2 )P(B A 2 ) Yleisesti, jos {A 1,A 2,...,A n } on ositus, saadaan Lause 3 (Kokonaistodennäköisyyden kaava) n P(B) = P(A k )P(B A k ). k=1 Jukka Kemppainen Mathematics Division 16 / 32
17 Puukaavio (1/3) Kokonaistodennäköisyyttä kannattaa usein hahmotella puukaavion avulla. Useinkaan emme tiedä jonkin tapahtuman B todennäköisyyttä suoraan, jolloin B kannattaa ehdollistaa sellaisilla tapahtumilla A k, jotka muodostavat osituksen ja ehdolliset todennäköisyydet P(B A k ) voidaan laskea. Erityisesti {A,A} muodostaa S:n osituksen, jolloin tapahtuman B todennäköisyyttä voidaan hahmottaa seuraavan puukaavion avulla. Jukka Kemppainen Mathematics Division 17 / 32
18 Puukaavio (2/3) p 1 p 2 A A q 1 q 2 q 1 q 2 B B B B Jukka Kemppainen Mathematics Division 18 / 32
19 Puukaavio (3/3) Puukaaviossa kustakin lehdestä (ympyrästä) lähtevien oksien todennäköisyyksien summa on yksi eli p 1 + p 2 = q 1 + q 2 = q 1 + q 2 = 1. Todennäköisyys voidaan laskea tuloperiaatteella. Esimerkiksi punaista reittiä pitkin laskettu todennäköisyys on P(B A)P(A) = q 1 p 1, ja tapahtuman B kokonaistodennäköisyydeksi saadaan P(B) = P(B A)P(A)+P(B A)P(A) = p 1 q 1 + p 2 q 1. Jukka Kemppainen Mathematics Division 19 / 32
20 Esimerkki Esim. 4 Korttipakan 52 kortista nostetaan umpimähkään takaisinpanematta kaksi korttia. Mikä on todennäköisyys, että toinen kortti on pata? Jukka Kemppainen Mathematics Division 20 / 32
21 Bayesin kaava Käyttämällä kaavaa (1) saadaan ehdolliselle todennäköisyydelle Bayesin kaava P(A k B) = P(A k B) P(B) = P(B A k)p(a k ), P(B) joka kokonaistodennäköisyyden kaavaan mukaan voidaan kirjoittaa muodossa Lause 4 (Bayesin kaava) P(A k B) = P(B A k )P(A k ) n k=1 P(A k)p(b A k ). Jukka Kemppainen Mathematics Division 21 / 32
22 Bayesin kaava (2/2) Todennäköisyyttä P(A k ) sanotaan priori-todennäköisyydeksi. - prior (lat.) (edeltävä, aikaisempi) - Käsityksemme tapahtuman A k tn:stä ennen kuin tiedetään, onko B sattunut vai ei. P(A k B) sanotaan posteriori-todennäköisyydeksi - posterior (lat.) (jälkeen tuleva, myöhempi) - Päivitetään tapahtuman A k tn., kun tiedetään, että B on sattunut. P(B A k ) sanotaan uskottavuudeksi (likelihood) - Mikä on tapahtuman B tn., kun havaitaan A k, eli B:n uskottavuus ehdolla A k ). Jukka Kemppainen Mathematics Division 22 / 32
23 Esimerkkejä Esim. 5 Neljä teknikkoa tekee säännöllisesti korjauksia, kun eräällä automaatiolinjalla ilmenee vika. Teknikko 1 tekee 20% korjauksista, mutta tekee virheen keskimäärin yhdessä korjauksessa suorittamissaan 20 korjauksessa, teknikko 2 tekee 60% korjauksista ja tekee yhden virheen 10 korjauksessa, teknikko 3 tekee 15% korjauksista ja tekee virheen 1 tapauksessa 10:stä ja teknikko 4 tekee 5% korjauksista ja virheen 1 tapauksessa 20:sta. Automaatiolinjalla ilmenee vika ja sen diagnosoidaan johtuvan virheellisestä korjauksesta. Millä todennäköisyydellä korjauksen on tehnyt teknikko 1? Jukka Kemppainen Mathematics Division 23 / 32
24 Esimerkkejä Esim. 6 Tutkimusten mukaan HIV esiintyy väestössä todennäköisyydellä 0,0004. Sairautta tutkitaan verikokeella, jossa on seuraavat virhemahdollisuudet: (i) sairaan henkilön testitulos on negatiivinen todennäköisyydellä 0,001; (ii) terveen henkilön testitulos on positiivinen todennäköisyydellä 0,002. Millä todennäköisyydellä satunnaisesti valitulla, positiivisen testituloksen saaneella henkilöllä todella on HIV? Jukka Kemppainen Mathematics Division 24 / 32
25 Esimerkkejä Esim. 7 Tenttitehtävässä on väittämiä, joista kuhunkin tenttijän pitää vastata valitsemalla toinen kahdesta vaihtoehdosta (kyllä tai ei). Turo Teekkarin asiat ovat niin kehnosti, että hän tietää vastauksen vain 60 % väittämistä ja loput hän veikkaa täysin umpimähkään. (a) Millä todennäköisyydellä Turo vastaa oikein (tietämällä tai veikkaamalla) satunnaisesti valittuun väittämään? (b) Jos Turo vastasi oikein satunnaisesti valittuun väittämään, niin mikä on todennäköisyys, että hän päätyi oikeaan vastaukseen tietämällä eikä veikkaamalla? Jukka Kemppainen Mathematics Division 25 / 32
26 Riippumattomuus Määr. 4 Tapahtumat A ja B ovat riippumattomia, jos Huomautus 3 P(A B) = P(A)P(B). (2) Tulosääntöä (2) voidaan käyttää vain riippumattomille tapahtumille! Tilastollinen riippumattomuus on todennäköisyysfunktion ominaisuus ja on eri asia kuin joukko-opillinen erillisyys. Jukka Kemppainen Mathematics Division 26 / 32
27 Esimerkki Esim. 8 Valitaan korttipakasta satunnaisesti yksi kortti. Olkoot A = kortti on pata ; B = kortti on ässä ; C = kortti on hertta. tapahtumia. Tutki, ovatko (a) A ja B riippumattomia. (b) A ja C riippumattomia. (c) B ja C riippumattomia. Jukka Kemppainen Mathematics Division 27 / 32
28 Riippumattomien tapahtumien ominaisuuksia Jos P(B) = 0, niin B on riippumaton mistä tahansa tapahtumasta A. Jos P(B) > 0, niin Lause 5 A ja B ovat riippumattomia P(A B) = P(A). eli B:n esiintyminen ei vaikuta tapahtuman A todennäköisyyteen. Tapahtumat A ja B ovat riippumattomia, jos ja vain jos mikä tahansa seuraavista ominaisuuksista on voimassa (a) A ja B ovat riippumattomia. (b) A ja B ovat riippumattomia. (c) A ja B ovat riippumattomia. Jukka Kemppainen Mathematics Division 28 / 32
29 Usean tapahtuman riippumattomuus Määr. 5 Tapahtumat A 1,...,A n ovat (keskinäisesti) riippumattomia, jos kaikille indeksijoukoille {i 1,...,i k } {1,...,n} P(A i1 A ik ) = P(A i1 )P(A i2 )...P(A in ). Tulosääntö pätee kaikille osajoukoille. Ei riitä, että tulosääntö pätee pareittain P(A i A j ) = P(A i )P(A j ) kaikillai j. Jukka Kemppainen Mathematics Division 29 / 32
30 Riippumattomien tapahtumien yhdiste ja leikkaus Usean tapahtuman leikkauksen ja yhdisteen todennäköisyyden laskeminen helpottuu huomattavasti riippumattomien tapahtumien tapauksessa. Olkoot tapahtumat A 1,A 2,...,A n riippumattomia. Todennäköisyys tapahtumalle kaikki tapahtumat A i sattuvat on (vrt. Lause 2) P(A 1 A 2 A n ) = P(A 1 )P(A 2 ) P(A n ) Todennäköisyys tapahtumalle "ainakin yksi tapahtumista A i sattuu" P(A 1 A 2 A n ) =1 P(A 1 A 2 A n ) ( ) ( ) =1 1 P(A 1 ) 1 P(A n ). Jukka Kemppainen Mathematics Division 30 / 32
31 Esimerkki Edellä olevia ominaisuuksia tarvitaan esimerkiksi komponenttien luotettavuuden arvioinnissa. Esim. 9 Systeemi koostuu kolmesta rinnankytketystä identtisestä komponentista. Systeemi toimii, jos ainakin yksi kolmesta rinnakkaisesta komponentista on toimiva. Jokaisen komponentin kestoikä on yli 10 viikkoa todennäköisyydellä 0.2. Millä todennäköisyydellä kokonaissysteemin virheetön toiminta-aika on yli 10 viikkoa? Jukka Kemppainen Mathematics Division 31 / 32
32 Riippumattomuus käytännössä Usein riippumattomuus on käytännössä oletus, joka on ilmiselvästi voimassa. Esimerkiksi kolikon tai nopan heitto. Heittojen tulokset eivät riipu toisistaan. ottelukierroksen tulokset (vakioveikkauksessa). Pelien lopputulokset ovat riippumattomia toisistaan. Näin oletamme, ellei toisin mainita. Joskus oletukset on syytä asettaa kyseenalaiseksi. Esimerkiksi havaitaan epätavalliset vetosuhteet ottelukierroksella (sopupeli). Riippumattomuus helpottaa laskentaa, mutta oletus riippumattomuudesta on syytä asettaa kyseenalaiseksi. Jukka Kemppainen Mathematics Division 32 / 32
031021P Tilastomatematiikka (5 op)
031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division Käytännön asioita Luennot (yht. 11 4 h) ti 12-14 ja to 8-10 (ks. tarkempi opetusohjelma Oodista tms.) Harjoitukset (yht. 11 2 h)
LisätiedotOsa 1: Todennäköisyys ja sen laskusäännöt. Kokonaistodennäköisyyden ja Bayesin kaavat
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Kokonaistodennäköisyyden ja Bayesin kaavat TKK (c) Ilkka Mellin (2007) 1 Kokonaistodennäköisyys ja Bayesin kaava >> Kokonaistodennäköisyys
LisätiedotJohdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava TKK (c) Ilkka Mellin (2005) 1 Kokonaistodennäköisyys ja Bayesin kaava Kokonaistodennäköisyys ja Bayesin kaava: Johdanto Kokonaistodennäköisyyden
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
M-0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 1: Todennäköisyyslaskennan peruskäsitteet; Todennäköisyyden aksioomat; Todennäköisyyslaskennan peruslaskusäännöt; Kokonaistodennäköisyyden
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
LisätiedotOsa 1: Todennäköisyys ja sen laskusäännöt
Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt - Satunnaiskokeet, otosavaruudet ja tapahtumat - Todennäköisyyden määritteleminen KE (2014) 1 Satunnaiskokeet, otosavaruudet ja tapahtumat
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 14. syyskuuta 2007 Antti Rasila () TodB 14. syyskuuta 2007 1 / 21 1 Kokonaistodennäköisyys ja Bayesin kaava Otosavaruuden ositus Kokonaistodennäköisyyden
LisätiedotKurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten
Todennäköisyys Kurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten tietoliikennejärjestelmien ymmärtämisessä
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Todennäköisyyslaskennan käsitteitä Satunnaisuus ja deterministisyys Deterministisessä ilmiössä alkutila määrää lopputilan yksikäsitteisesti. Satunnaisilmiö puolestaan arpoo - yhdestä alkutilasta voi päätyä
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
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?
LisätiedotOsa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden peruslaskusäännöt
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Todennäköisyyden peruslaskusäännöt TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyden peruslaskusäännöt >> Uusien tapahtumien muodostaminen
LisätiedotLiite 2: Verkot ja todennäköisyyslaskenta. Todennäköisyyslaskenta ja puudiagrammit
Ilkka Mellin Todennäköisyyslaskenta Liite 2: Verkot ja todennäköisyyslaskenta Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyslaskenta ja puudiagrammit >> Puutodennäköisyydet
LisätiedotTodennäköisyys (englanniksi probability)
Todennäköisyys (englanniksi probability) Todennäköisyyslaskenta sai alkunsa 1600-luvulla uhkapeleistä Ranskassa (Pascal, Fermat). Nykyisin todennäköisyyslaskentaa käytetään hyväksi mm. vakuutustoiminnassa,
LisätiedotJohdatus todennäköisyyslaskentaan Todennäköisyyslaskenta ja puudiagrammit. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2005) 1 Todennäköisyyslaskenta ja puudiagrammit Puutodennäköisyydet Todennäköisyyslaskennan laskusääntöjen
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
LisätiedotTodennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit: Esitiedot
TKK (c) Ilkka Mellin (2004) 1 Todennäköisyyslaskenta ja puudiagrammit iite: Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2004) 2 Todennäköisyyslaskenta ja puudiagrammit: Mitä opimme? Verkkoteoria
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7
Inversio-ongelmien laskennallinen peruskurssi Luento 7 Kevät 2012 1 Tilastolliset inversio-ongelmat Tilastollinen ionversio perustuu seuraaviin periaatteisiin: 1. Kaikki mallissa olevat muuttujat mallinnetaan
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
LisätiedotTodennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syyslokakuu 019 / Hytönen. laskuharjoitus, ratkaisuehdotukset 1. Kurssilla on 0 opiskelijaa, näiden joukossa Jutta, Jyrki, Ilkka ja Alex. Opettaja aikoo valita umpimähkään opiskelijan
LisätiedotTODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä
J. Virtamo 38.3143 Jonoteoria / Todennäköisyyslaskenta 1 TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä Otosavaruus S S on satunnaiskokeen E kaikkien mahdollisten alkeistapahtumien e joukko. Esim. 1. Noppaa
Lisätiedot1. Matkalla todennäköisyyteen
1. Matkalla todennäköisyyteen Wovon man nicht sprechen kann, darüber muss man schweigen (Ludwig Wittgenstein, Tractatus Logico-Philosophicus 1921) Miten ihmeessä tämä liittyy tähän kurssiin????!?? 1.1
LisätiedotVarma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Unioni, Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Alkeistapahtuma, Ehdollinen todennäköisyys,
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
LisätiedotMat Sovellettu todennäköisyyslasku A
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Klassinen todennäköisyys ja kombinatoriikka Todennäköisyyden aksioomat Kokonaistodennäköisyys ja Bayesin kaava Bayesin kaava,
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-2.090 Sovellettu todennäköisyyslasku Harjoitus 2 (vko 39/2003) (ihe: tapahtumien todennäköisyys, Laininen luvut 1.6 2.4) 1. Tarkastellaan rinnan- ja sarjaankytketyistä
LisätiedotLause 5. (s. 50). Olkoot A ja B joukkoja. Tällöin seuraavat ehdot ovat
jen Kahden joukon A ja B samuutta todistettaessa kannattaa usein osoittaa, että A on B:n osajoukko ja että B on A:n osajoukko. Tällöin sovelletaan implikaation ja ekvivalenssin yhteyttä. Lause 5. (s. 50).
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
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
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
LisätiedotTodennäköisyyslaskenta 1/7 Sisältö ESITIEDOT: joukko-oppi, lukumäärän laskeminen, funktiokäsite Hakemisto
Todennäköisyyslaskenta /7 Sisältö ESITIEDOT: joukko-oppi, n laskeminen, käsite Hakemisto Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennassa tarkastelun kohteena ovat satunnaisilmiöt.esimerkkejä
LisätiedotTodennäköisyyslaskenta I
Todennäköisyyslaskenta I Ville Hyvönen, Topias Tolonen 1 Kesä 2017 1 Luentomateriaali alun perin Villen käsialaa kesältä 2016, materiaalia muokataan kesän 2017 luentojen mukana ajan tapaa ja luennoitsijan
LisätiedotTodennäköisyyslaskenta I. Ville Hyvönen
Todennäköisyyslaskenta I Ville Hyvönen Kesä 2016 Sisältö 1 Todennäköisyys 3 1.1 Klassinen todennäköisyys............................ 3 1.2 Kombinatoriikkaa................................ 6 1.2.1 Tuloperiaate...............................
LisätiedotJOHDATUS TEKOÄLYYN LUENTO 4.
2009 CBS INTERACTIVE JOHDATUS TEKOÄLYYN LUENTO 4. TODENNÄKÖISYYSMALLINNUS II: BAYESIN KAAVA TEEMU ROOS Marvin Minsky Father of Artificial Intelligence, 1927 2016 PINGVIINI(tweety) :- true. Wulffmorgenthaler
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
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
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
LisätiedotJohdatus todennäköisyyslaskentaan Todennäköisyyden peruslaskusäännöt. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Todennäköisyyden peruslaskusäännöt TKK (c) Ilkka Mellin (2005) 1 Todennäköisyyden peruslaskusäännöt Tapahtumat Peruslaskusäännöt todennäköisyydelle Ehdollinen todennäköisyys
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
LisätiedotJohdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat TKK (c) Ilkka Mellin (2005) 1 Todennäköisyyden aksioomat Todennäköisyyden määritteleminen Todennäköisyyden aksioomat äärellisissä otosavaruuksissa
LisätiedotTodennäköisyyslaskennan peruslaskusäännöt. Todennäköisyyslaskennan peruslaskusäännöt. Todennäköisyyslaskennan peruslaskusäännöt: Esitiedot
TKK (c) Ilkka Mellin (2004) 1 Todennäköisyyslaskennan peruslaskusäännöt Johdatus todennäköisyyslaskentaan Todennäköisyyslaskennan peruslaskusäännöt TKK (c) Ilkka Mellin (2004) 2 Todennäköisyyslaskennan
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Verkot ja todennäköisyyslaskenta
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Verkot ja todennäköisyyslaskenta TKK (c) Ilkka Mellin (2005) 1 Verkot ja todennäköisyyslaskenta >> Puudiagrammit todennäköisyyslaskennassa:
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
LisätiedotT Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1
T-61.281 Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti 10.2.2004, 8:30-10:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
Lisätiedot1. Matkalla todennäköisyyteen (kertausta TN I)
1. Matkalla todennäköisyyteen (kertausta TN I) Wovon man nicht sprechen kann, darüber muss man schweigen (Ludwig Wittgenstein, Tractatus Logico-Philosophicus 1921) Miten ihmeessä tämä liittyy tähän kurssiin????!??
LisätiedotB. Siten A B, jos ja vain jos x A x
Mat-1.2600 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Johdanto Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma,
LisätiedotTodennäköisyyden käsite ja laskusäännöt
Luku 1 Todennäköisyyden käsite ja laskusäännöt Lasse Leskelä Aalto-yliopisto 12. syyskuuta 2017 1.1 Todennäköisyyden käsite Todennäköisyys on tapa kuvailla kvantitatiivisesti jonkin tapahtuman uskottavuutta,
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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 1
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 1 Aiheet: Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Klassinen
LisätiedotValitsemalla sopivat alkiot joudutaan tämän määritelmän kanssa vaikeuksiin, jotka voidaan välttää rakentamalla joukko oppi aksiomaattisesti.
Joukon määritelmä Joukko on alkioidensa kokoelma. Valitsemalla sopivat alkiot joudutaan tämän määritelmän kanssa vaikeuksiin, jotka voidaan välttää rakentamalla joukko oppi aksiomaattisesti. Näin ei tässä
LisätiedotTodennäköisyys. Antoine Gombaud, eli chevalier de Méré?.? Kirjailija ja matemaatikko
Todennäköisyys TOD.NÄK JA TILASTOT, MAA10 Todennäköisyyslaskennan juuret ovat ~1650-luvun uhkapeleissä. Kreivi de Mérén noppapelit: Jos noppaa heitetään 4 kertaa, niin kannattaako lyödä vetoa sen puolesta,
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotMallintamisesta. Mallintamisesta
Laajasti ymmärtäen jonkin tarkasteltavan ilmiön kuvaamista (esim. matemaattista) kuhunkin tarkoitukseen (ennustaminen, analysointi, visualisointi) parhaiten sopivalla tavalla. Ilmiön pukemista helposti
LisätiedotNollasummapelit ja bayesilaiset pelit
Nollasummapelit ja bayesilaiset pelit Kristian Ovaska HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Seminaari: Peliteoria Helsinki 18. syyskuuta 2006 Sisältö 1 Johdanto 1 2 Nollasummapelit 1 2.1
LisätiedotMat Sovellettu todennäköisyyslasku. Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat:
Mat-2.091 Sovellettu todennäköisyyslasku Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma, Ehdollinen todennäköisyys, Erotustapahtuma,
LisätiedotJohdatus diskreettiin matematiikkaan Harjoitus 2, Osoita että A on hyvin määritelty. Tee tämä osoittamalla
Johdatus diskreettiin matematiikkaan Harjoitus 2, 23.9.2015 1. Osoita että A on hyvin määritelty. Tee tämä osoittamalla a) että ei ole olemassa surjektiota f : {1,, n} {1,, m}, kun n < m. b) että a) kohdasta
LisätiedotT Luonnollisten kielten tilastollinen käsittely
T-61.281 Luonnollisten kielten tilastollinen käsittely Vastaukset 3, ti 11.2.2003, 16:15-18:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
LisätiedotJohdatus todennäköisyyslaskentaan Verkot ja todennäköisyyslaskenta. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Verkot ja todennäköisyyslaskenta TKK (c) Ilkka Mellin (2004) 1 Verkot ja todennäköisyyslaskenta Puudiagrammit todennäköisyyslaskennassa: Johdatteleva esimerkki Todennäköisyyslaskenta
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
LisätiedotEnsimmäinen induktioperiaate
Ensimmäinen induktioperiaate Olkoon P(n) luonnollisilla luvuilla määritelty predikaatti. (P(n) voidaan lukea luvulla n on ominaisuus P.) Todistettava, että P(n) on tosi jokaisella n N. ( Kaikilla luonnollisilla
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-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
LisätiedotTodennäköisyyslaskenta
Todennäköisyyslaskenta Syksy 2017 Kerkko Luosto 14. syyskuuta 2017 Kerkko Luosto Todennäköisyyslaskenta 14. syyskuuta 2017 1 / 26 Johdanto Johdantoesimerkki Esimerkki Hannu Huijari ostaa Keijo Kelmiltä
LisätiedotORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta:
RMS22 Päätöksenteko epävarmuuden vallitessa Syksy 28 Harjoitus 8 Ratkaisuehdotuksia Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta: Pankki harkitsee myöntääkö 5. euron lainan asiakkaalle 12%
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
LisätiedotSalausmenetelmät LUKUTEORIAA JA ALGORITMEJA. Veikko Keränen, Jouko Teeriaho (RAMK, 2006) 3. Kongruenssit. à 3.4 Kongruenssien laskusääntöjä
Salausmenetelmät Veikko Keränen, Jouko Teeriaho (RAMK, 2006) LUKUTEORIAA JA ALGORITMEJA 3. Kongruenssit à 3.4 Kongruenssien laskusääntöjä Seuraavassa lauseessa saamme kongruensseille mukavia laskusääntöjä.
Lisätiedot1. Logiikan ja joukko-opin alkeet
1. Logiikan ja joukko-opin alkeet 1.1. Logiikkaa 1. Osoita totuusarvotauluja käyttäen, että implikaatio p q voidaan kirjoittaa muotoon p q, ts. että propositio (p q) ( p q) on identtisesti tosi. 2. Todista
LisätiedotKaikki kurssin laskuharjoitukset pidetään Exactumin salissa C123. Malliratkaisut tulevat nettiin kurssisivulle.
Kombinatoriikka, kesä 2010 Harjoitus 1 Ratkaisuehdotuksia (RT (5 sivua Kaikki kurssin laskuharjoitukset pidetään Exactumin salissa C123. Malliratkaisut tulevat nettiin kurssisivulle. 1. Osoita, että vuoden
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
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
LisätiedotMatemaattisen analyysin tukikurssi
Matemaattisen analyysin tukikurssi 5. Kurssikerta Petrus Mikkola 10.10.2016 Tämän kerran asiat Raja-arvo ja toispuolinen raja-arvo Funktion suurin ja pienin arvo Lukujono Lukujonon suppeneminen Kasvava
LisätiedotRatkaisu: a) Kahden joukon yhdisteseen poimitaan kaikki alkiot jotka ovat jommassakummassa joukossa (eikä mitään muuta).
Matematiikan laitos Johdatus Diskreettiin Matematiikaan Harjoitus 1 03.11.2010 Ratkaisuehdotuksia Aleksandr Nuija 1. Tarkastellaan joukkoja A = {1,3,4}, B = {2,3,7,9} ja C = {2, 5, 7}. Määritä joukot (a)
LisätiedotMartingaalit ja informaatioprosessit
4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu
LisätiedotEnsimmäinen induktioperiaate
1 Ensimmäinen induktioperiaate Olkoon P(n) luonnollisilla luvuilla määritelty predikaatti. (P(n) voidaan lukea luvulla n on ominaisuus P.) Todistettava, että P(n) on tosi jokaisella n N. ( Kaikilla luonnollisilla
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)
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
LisätiedotTilastomatematiikka Kevät 2008
Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/73 Johdanto Moderni yhteiskunta: Todellisuuden tilastollinen malli Kolme
LisätiedotMiten osoitetaan joukot samoiksi?
Miten osoitetaan joukot samoiksi? Määritelmä 1 Joukot A ja B ovat samat, jos A B ja B A. Tällöin merkitään A = B. Kun todistetaan, että A = B, on päättelyssä kaksi vaihetta: (i) osoitetaan, että A B, ts.
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 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
LisätiedotTilastomatematiikka. Jukka Kemppainen Oulun yliopisto Tekniikan matematiikka
Tilastomatematiikka Jukka Kemppainen Oulun yliopisto Tekniikan matematiikka 20. tammikuuta 2017 2 3 2.5 Deterministinen Stokastinen 2 1.5 1 0.5 0 0 0.2 0.4 0.6 0.8 1 Tämä luentomoniste on tehty professori
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
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
LisätiedotJoukot. Georg Cantor ( )
Joukot Matematiikassa on pyrkimys määritellä monimutkaiset asiat täsmällisesti yksinkertaisempien asioiden avulla. Tarvitaan jokin lähtökohta, muutama yleisesti hyväksytty ja ymmärretty käsite, joista
Lisätiedot2.1. Tehtävänä on osoittaa induktiolla, että kaikille n N pätee n = 1 n(n + 1). (1)
Approbatur 3, demo, ratkaisut Sovitaan, että 0 ei ole luonnollinen luku. Tällöin oletusta n 0 ei tarvitse toistaa alla olevissa ratkaisuissa. Se, pidetäänkö nollaa luonnollisena lukuna vai ei, vaihtelee
Lisätiedot52746 Geneettinen analyysi
52746 Geneettinen analyysi Kaikille yhteiset luennot (3 kpl) Maanantai 3.2. Klo 10.15-12 Biokeskus 2 auditorio 1041 Todennäköisyyslaskennan kertaus, merkitys perinnöllisyystieteessä! Keskiviikko 5.2. Tilastotiede
LisätiedotA. Jos A on niiden perusjoukon S alkioiden x joukko, jotka toteuttavat ehdon P(x) eli joille lause P(x) on tosi, niin merkitsemme
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 1 Aiheet: Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Klassinen todennäköisyys
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS PINGVIINI(tweety) :- true. Wulffmorgenthaler HS 14.9.2012 TODENNÄKÖISYYS (TN) EHDOLLINEN TN: P(B A) B:N TODENNÄKÖISYYS, KUN TIEDETÄÄN, ETTÄ A B:N EHDOLLINEN TN ANNETTUNA A
Lisätiedot1 Lineaariavaruus eli Vektoriavaruus
1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
LisätiedotYhteistyötä sisältämätön peliteoria jatkuu
Yhteistyötä sisältämätön peliteoria jatkuu Tommi Lehtonen Optimointiopin seminaari - Syksy 2000 / 1 Bayesilainen tasapaino Täysi informaatio Vajaa informaatio Staattinen Nash Bayes Dynaaminen Täydellinen
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.
Lisätiedot4 Matemaattinen induktio
4 Matemaattinen induktio Joidenkin väitteiden todistamiseksi pitää näyttää, että kaikilla luonnollisilla luvuilla on jokin ominaisuus P. Esimerkkejä tällaisista väitteistä ovat vaikkapa seuraavat: kaikilla
Lisätiedot1. TILASTOLLINEN HAHMONTUNNISTUS
1. TILASTOLLINEN HAHMONTUNNISTUS Tilastollisissa hahmontunnistusmenetelmissä piirteitä tarkastellaan tilastollisina muuttujina Luokittelussa käytetään hyväksi seuraavia tietoja: luokkien a priori tn:iä,
LisätiedotLuku 1. Johdanto. 1.1 Todennäköisyys ja tilastotiede. 1.2 Havaitut frekvenssit ja empiiriset jakaumat
Luku 1 Johdanto 1.1 Todennäköisyys ja tilastotiede Tämä kurssi käsittelee sekä todennäköisyyslaskentaa että tilastotiedettä. Uhkapelurien ongelmat inspiroivat todennäköisyyslaskennan uranuurtajien ajattelua,
LisätiedotT Syksy 2004 Logiikka tietotekniikassa: perusteet Laskuharjoitus 12 (opetusmoniste, kappaleet )
T-79.144 Syksy 2004 Logiikka tietotekniikassa: perusteet Laskuharjoitus 12 (opetusmoniste, kappaleet 9.1 9.5) 30.11. 3.12.2004 1. Osoita lauselogiikan avulla oheisten ehtolausekkeiden ekvivalenssi. (a)!(a
LisätiedotLuonnollisten lukujen ja kokonaislukujen määritteleminen
Luonnollisten lukujen ja kokonaislukujen määritteleminen LuK-tutkielma Jussi Piippo Matemaattisten tieteiden yksikkö Oulun yliopisto Kevät 2017 Sisältö 1 Johdanto 2 2 Esitietoja 3 2.1 Joukko-opin perusaksioomat...................
Lisätiedot