Johdatus todennäköisyyslaskentaan Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2005) 1
|
|
- Harri Saarinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Johdatus todennäköisyyslaskentaan Jakaumien tunnusluvut TKK (c) Ilkka Mellin (2005) 1
2 Jakaumien tunnusluvut Odotusarvo Varianssi Markovin ja Tshebyshevin epäyhtälöt Momentit Vinous ja huipukkuus Kvantiilit Moodi Suurten lukujen laki TKK (c) Ilkka Mellin (2005) 2
3 Jakaumien tunnusluvut: Mitä opimme? 1/2 Tarkastelemme tässä luvussa todennäköisyysjakaumien kuvaamista erilaisten tunnuslukujen avulla. Tunnusluvuista tärkein on todennäköisyysjakauman todennäköisyysmassan painopistettä kuvaava ja siksi jakauman sijaintiparametrina käytettävä odotusarvo. Jakauman todennäköisyysmassan hajaantuneisuutta (tai keskittyneisyyttä) sen painopisteen suhteen kuvataan varianssilla tai standardipoikkeamalla. Odotusarvo ja varianssi voidaan määritellä todennäköisyysjakauman 1. ja 2. momentin avulla. Jakauman vinouden tai huipukkuuden tarkastelu vaatii korkeampien momenttien määrittelemistä. Tarkastelemme lisäksi jakauman kvantiileja sekä moodia. TKK (c) Ilkka Mellin (2005) 3
4 Jakaumien tunnusluvut: Mitä opimme? 2/2 Esitämme tässä luvussa myös monikäyttöiset Markovin ja Tshebyshevin epäyhtälöt. Markovin ja Tshebyshevin epäyhtälöiden avulla voidaan arvioida todennäköisyysjakauman todennäköisyysmassan määrää jakauman häntäalueilla. Esitämme tässä luvussa myös usean riippumattoman satunnaismuuttujan aritmeettisen keskiarvon asymptoottista käyttäytymisestä koskevan suurten lukujen lain. TKK (c) Ilkka Mellin (2005) 4
5 Jakaumien tunnusluvut: Esitiedot Esitiedot: ks. seuraavaa lukua: Satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2005) 5
6 Jakaumien tunnusluvut: Lisätiedot Tässä luvussa tarkastellaan myös satunnaismuuttujien summan odotusarvoa ja varianssia. Tarkkaan ottaen tämä vaatii täsmennyksekseen moniulotteisten satunnaismuuttujien tarkastelua; ks. lukua Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2005) 6
7 Jakaumien tunnusluvut >> Odotusarvo Varianssi Markovin ja Tshebyshevin epäyhtälöt Momentit Vinous ja huipukkuus Kvantiilit Moodi Suurten lukujen laki TKK (c) Ilkka Mellin (2005) 7
8 Odotusarvo Avainsanat Diskreetin jakauman odotusarvo Jatkuvan jakauman odotusarvo Odotusarvo Painopiste Sijaintiparametri Satunnaismuuttujien summan odotusarvo Todennäköisyysmassa TKK (c) Ilkka Mellin (2005) 8
9 Odotusarvo Johdatteleva esimerkki: Arpajaiset 1/7 Olkoon arpajaisissa 1000 arpaa. Arpanumerot: 1, 2,, Voitonjako: Voitot (mk) Voittoja (kpl) TKK (c) Ilkka Mellin (2005) 9
10 Odotusarvo Johdatteleva esimerkki: Arpajaiset 2/7 Arvotaan voittonumerot seuraavalla tavalla: (1) Kirjoitetaan arpanumerot lipukkeille. (2) Pannaan lipukkeet uurnaan. (3) Poimitaan uurnasta satunnaisesti 111 arpaa: 100 ensimmäistä saa voittona 20 mk 10 seuraavaa saa voittona 100 mk Viimeinen saa voittona 1000 mk Voitot yhteensä (mk): = 4000 Voitto yhtä ostettua arpaa kohden eli voitto/arpa (mk): 4000/1000 = 4 TKK (c) Ilkka Mellin (2005) 10
11 Odotusarvo Johdatteleva esimerkki: Arpajaiset 3/7 Voitto/arpa voidaan laskea myös toisella tavalla. Arpanumerot: 1, 2,, Voitonjako: Voitot (mk) Voittoja (kpl) Voitto/arpa (mk): = = 4 TKK (c) Ilkka Mellin (2005) 11
12 Odotusarvo Johdatteleva esimerkki: Arpajaiset 4/7 Voitto/arpa saadaan siis laskutoimituksella = jossa voitto/arpa on laskettu voittojen painotettuna summana, jossa painoina on käytetty voittojen todennäköisyyksiä: 1 Pr(Voitto = 1000) = = Pr(Voitto = 100) = = Pr(Voitto = 20) = = Pr(Voitto = 0) = = TKK (c) Ilkka Mellin (2005) 12
13 Odotusarvo Johdatteleva esimerkki: Arpajaiset 5/7 Siten suure voitto/arpa on laskettu kaavalla xipi jossa x i = voitto p i = on voiton x i todennäköisyys Suuretta voitto/arpa kutsutaan todennäköisyyslaskennassa voiton odotusarvoksi. Voiton odotusarvo on odotettavissa oleva voitto, jos ostaa yhden arvan. Voiton odotusarvolle voidaan antaa seuraava tulkinta: Jos ostetaan useita arpoja, voiton odotusarvo kertoo keskimääräisen voiton yhtä arpaa kohden. TKK (c) Ilkka Mellin (2005) 13
14 Odotusarvo Johdatteleva esimerkki: Arpajaiset 6/7 Arpominen on satunnaisilmiö. Määritellään satunnaismuuttuja X = voitto. Satunnaismuuttujan X mahdolliset arvot x i (voitot) ja niiden todennäköisyydet p i : x i Pr(X = x i ) = p i / / / /1000 Huomautus: Huomaa, että tulosvaihtoehto 0 mk ja sen todennäköisyys on otettava mukaan! TKK (c) Ilkka Mellin (2005) 14
15 Odotusarvo Johdatteleva esimerkki: Arpajaiset 7/7 Satunnaismuuttujan Xarvotx i ja niiden todennäköisyydet Pr(X = x i ) = p i määrittelevät diskreetin todennäköisyysjakauman. Lauseke x p = x Pr( X = x ) i i i i määrittelee diskreetin satunnaismuuttujan X odotusarvon. Huomautus: Odotusarvo määritellään seuraavassa erikseen diskreeteille ja jatkuville jakaumille. TKK (c) Ilkka Mellin (2005) 15
16 Odotusarvo Diskreetin jakauman odotusarvo: Määritelmä Olkoon X diskreetti satunnaismuuttuja. Olkoon {x 1, x 2, x 3, } satunnaismuuttujan X tulosvaihtoehtojen eli arvojen joukko. Olkoon satunnaismuuttujan X pistetodennäköisyysfunktio f(x i ) = Pr(X = x i ) = p i, i = 1, 2, 3, Satunnaismuuttujan X odotusarvo on vakio E( X ) = µ = x Pr( X = x ) = x f( x ) X i i i i i i Sanomme, että satunnaismuuttujan X odotusarvo E(X) on sen jakauman odotusarvo, joka kuvaa satunnaismuuttujaan X liittyviä todennäköisyyksiä. TKK (c) Ilkka Mellin (2005) 16
17 Odotusarvo Diskreetin jakauman odotusarvo: Kommentteja Vaikka satunnaismuuttujan saama arvo vaihtelee satunnaisesti koetoistosta toiseen, satunnaismuuttuja saa keskimäärin arvoja, jotka vaihtelevat sen odotusarvon ympärillä. Jos jakaumalla on odotusarvo, se on jakauman todennäköisyysmassan painopiste. Diskreetin jakauman odotusarvon ei tarvitse kuulua ko. satunnaismuuttujan tulosvaihtoehtojen joukkoon. Nopanheiton tuloksen odotusarvo on 3.5 (ks. >), mikä ei esiinny mahdollisten tulosvaihtoehtojen joukossa. TKK (c) Ilkka Mellin (2005) 17
18 Odotusarvo Diskreetin jakauman odotusarvo: Esimerkki nopanheitosta Nopanheittoon liittyvän diskreetin tasaisen jakauman pistetodennäköisyysfunktio on muotoa 1 Pr( X = i) =, i= 1,2,3,4,5,6 6 Satunnaismuuttujan X odotusarvo: E( X ) = ipr( X = i) = i i= 1 i= = = 6 6 = Pistetodennäköisyysfunktio E(X) = 3.5 TKK (c) Ilkka Mellin (2005) 18
19 Odotusarvo Diskreetin jakauman odotusarvo: Esimerkki onnenpyörästä 1/2 Olkoon diskreetin satunnaismuuttujan X pistetodennäköisyysfunktio muotoa Pr(X = 1) = 0.3 Pr(X = 2) = 0.25 Pr(X = 3) = 0.2 Pr(X = 4) = 0.15 Pr(X = 5) = 0.1 Pistetodennäköisyysfunktio liittyy luvussa Satunnaismuuttujat ja todennäköisyysjakaumat käsiteltyyn esimerkkiin onnenpyörästä Pistetodennäköisyysfunktio TKK (c) Ilkka Mellin (2005) 19
20 Odotusarvo Diskreetin jakauman odotusarvo: Esimerkki onnenpyörästä 2/2 Satunnaismuuttujan X odotusarvo: 5 E( X) = ipr( X = i) i= 1 = = Pistetodennäköisyysfunktio E(X) = 2.5 TKK (c) Ilkka Mellin (2005) 20
21 Odotusarvo Jatkuvan jakauman odotusarvo: Määritelmä Olkoon X on jatkuva satunnaismuuttuja. Olkoon satunnaismuuttujan X tiheysfunktio f(x). Satunnaismuuttujan X odotusarvo on vakio + E( X ) = µ X = xf ( x) dx Sanomme, että satunnaismuuttujan X odotusarvo E(X) on sen jakauman odotusarvo, joka kuvaa satunnaismuuttujaan X liittyviä todennäköisyyksiä. TKK (c) Ilkka Mellin (2005) 21
22 Odotusarvo Jatkuvan jakauman odotusarvo: Kommentteja Vaikka satunnaismuuttujan saama arvo vaihtelee satunnaisesti koetoistosta toiseen, satunnaismuuttuja saa keskimäärin arvoja, jotka vaihtelevat sen odotusarvon ympärillä. Jos jakaumalla on odotusarvo, se on jakauman todennäköisyysmassan painopiste. Jatkuvan jakauman odotusarvo kuuluu aina ko. satunnaismuuttujan tulosvaihtoehtojen joukkoon. TKK (c) Ilkka Mellin (2005) 22
23 Odotusarvo Jatkuvan jakauman odotusarvo: Esimerkki tasaisesta jakaumasta Jatkuvan tasaisen jakauman tiheysfunktio on 1, a x b f( x) = b a 0, muulloin Jakauman odotusarvo on + E( X) = xf( x) dx b 1 = x dx b a a b = 2 x b a a = ( b+ a)/2 = a+ ( b a)/2 Jatkuva tasainen jakauma 1/(b-a) a b E(X) = a + (b a)/2 TKK (c) Ilkka Mellin (2005) 23
24 Odotusarvo Jatkuvan jakauman odotusarvo: Esimerkki kolmiojakaumasta Erään kolmiojakauman tiheysfunktio on 1 2 x+ 1, 0 x 2 f( x) = 0, muulloin Jakauman odotusarvo on + E( X) = xf( x) dx ( 1) = x x+ dx x 2x 0 = + = Kolmiojakauma E(X) = 2/3 TKK (c) Ilkka Mellin (2005) 24
25 Odotusarvo Jatkuvan jakauman odotusarvo: Esimerkki normaalijakaumasta Normaalijakauman tiheysfunktio on 1 x µ f( x) = exp σ 2π σ Normaalijakauman tiheysfunktio on symmetrinen suoran x = µ suhteen. Voidaan osoittaa, että normaalijakauman odotusarvo E(x) = µ ks. lukua Jatkuvia jakaumia. 2 Normaalijakauma E(X) = µ TKK (c) Ilkka Mellin (2005) 25
26 Odotusarvo Odotusarvon olemassaolo Jakaumalla ei välttämättä ole odotusarvoa. Odotusarvon olemassaololla tarkoitetaan diskreetin jakauman tapauksessa sitä, että xi f( x i) < i ja jatkuvan jakauman tapauksessa sitä, että + x f( x) dx < TKK (c) Ilkka Mellin (2005) 26
27 Odotusarvo Odotusarvo ja todennäköisyysmassan painopiste Jos jakaumalla on odotusarvo, se yhtyy aina ko. jakauman todennäköisyysmassan painopisteeseen. Olkoon E(X) = µ satunnaismuuttujan X odotusarvo. Jos satunnaismuuttujan X jakauma on symmetrinen suoran x = a suhteen, niin E(X) = µ = a TKK (c) Ilkka Mellin (2005) 27
28 Odotusarvo Vakion odotusarvo Olkoon a ei-satunnainen vakio. Vakion odotusarvo on vakio itse: E( a) = a Kommentti: Vakio ei vaihtele koetoistosta toiseen. TKK (c) Ilkka Mellin (2005) 28
29 Odotusarvo Vakion odotusarvo: Perustelu Väite: Vakiolle a pätee E(a) = a Perustelu jatkuvan jakauman tapauksessa: + + E( a) = af( x) dx = a f( x) dx = a 1 = a TKK (c) Ilkka Mellin (2005) 29
30 Odotusarvo Lineaarimuunnoksen odotusarvo Olkoon satunnaismuuttujan X odotusarvo E(X). Satunnaismuuttujan X lineaarimuunnoksen Y = a + bx (a ja bvakioita) odotusarvo E(Y) saadaan soveltamalla ko. lineaarimuunnosta odotusarvoon E(X): E( Y) = a+ be( X) TKK (c) Ilkka Mellin (2005) 30
31 Odotusarvo Lineaarimuunnoksen odotusarvo: Perustelu Väite: Lineaarimuunnokselle Y = a + bx pätee E(Y) = a + be(x). Perustelu jatkuvan jakauman tapauksessa: E( Y) = E( a+ bx) = ( a+ bx) f( x) dx = a f( xdx ) + b xf( xdx ) = a+ be( X) TKK (c) Ilkka Mellin (2005) 31
32 Odotusarvo Lineaarimuunnoksen odotusarvo: Kommentteja Satunnaismuuttujan X kertominen vakiolla b merkitsee satunnaismuuttujan X saamien arvojen mittakaavan muuttamista. Satunnaismuuttujan X saamien arvojen mittakaavan muuttaminen verrannollisuuskertoimella b muuttaa satunnaismuuttujan X jakauman todennäköisyysmassan painopistettä samalla kertoimella. Vakion a lisääminen satunnaismuuttujaan X merkitsee satunnaismuuttujan X jakauman todennäköisyysmassan siirtoa. Todennäköisyysmassan siirtäminen vakion a verran siirtää todennäköisyysmassan painopistettä saman verran. TKK (c) Ilkka Mellin (2005) 32
33 Odotusarvo Odotusarvo jakauman sijaintiparametrina 1/2 Koska odotusarvolla on fysikaalinen tulkinta todennäköisyysmassan painopisteenä, odotusarvoa voidaan kutsua jakauman sijaintiparametriksi. Oletetaan, että satunnaismuuttujien X ja Y tiheysfunktiot yksihuippuisia ja symmetrisiä painopisteensä suhteen. Tällöin satunnaismuuttujan X todennäköisyysmassan pääosa sijaitsee vasemmalla satunnaismuuttujan Y todennäköisyysmassan pääosasta, jos ja vain jos E(X) < E(Y) ks. havainnollistusta 1 >. TKK (c) Ilkka Mellin (2005) 33
34 Odotusarvo Odotusarvo jakauman sijaintiparametrina 2/2 Myös jos jakauma on yksihuippuinen, mutta vino, odotusarvo kuvaa luontevalla tavalla jakauman todennäköisyysmassan pääosan sijaintia; ks. havainnollistusta 2 >. Sen sijaan, jos jakauma on monihuippuinen, jakauman todennäköisyysmassan pääosien ei tarvitse olla lähellä odotusarvoa; ks. havainnollistusta 3 >. TKK (c) Ilkka Mellin (2005) 34
35 Odotusarvo Odotusarvo jakauman sijaintiparametrina: Havainnollistus 1 Kuva oikealla esittää kolmen normaalijakauman N 1, N 2 ja N 3 tiheysfunktioita f 1, f 2 ja f 3. Tiheysfunktiot f 1, f 2 ja f 3 ovat yksihuippuisia ja symmetrisiä suorien x = µ 1, x = µ 2 ja x = µ 3 suhteen. Jakaumat N 2 ja N 3 on saatu siirtämällä jakauman N 1 todennäköisyysmassaa oikealle. Jakaumien N 1, N 2 ja N 3 odotusarvot µ 1, µ 2 ja µ 3 toteuttavat epäyhtälöt Jakaumien N 1, N 2 ja N 3 tiheysfunktiot f 1 f 2 f 3 µ 1 µ 2 µ 3 µ 1 < µ 2 < µ 3 TKK (c) Ilkka Mellin (2005) 35
36 Odotusarvo Odotusarvo jakauman sijaintiparametrina: Havainnollistus 2 Kuva oikealla esittää kahden eksponenttijakauman E 1 ja E 2 tiheysfunktioita f 1 ja f 2. Tiheysfunktiot f 1 ja f 2 ovat yksihuippuisia ja epäsymmetrisiä. Jakauman E 1 todennäköisyysmassa on keskittynyt jakauman E 2 todennäköisyysmassaa voimakkaammin origon lähelle. Jakaumien E 1 ja E 2 odotusarvot µ 1 ja µ 2 toteuttavat epäyhtälön Jakaumien E 1 ja E 2 tiheysfunktiot f 1 f 2 0 µ 1 µ 2 µ 1 < µ 2 TKK (c) Ilkka Mellin (2005) 36
37 Odotusarvo Odotusarvo jakauman sijaintiparametrina: Havainnollistus 3 Kuva oikealla esittää erään sekoitetun normaalijakauman N tiheysfunktiota f. Tiheysfunktio f on kaksihuippuinen ja symmetrinen suoran x = µ suhteen. Jakauman N todennäköisyysmassalla on vaaka-akselilla kaksi keskittymää. Jakauman N odotusarvo µ on todennäköisyysmassojen keskittymien välissä. Jakauman N tiheysfunktio µ TKK (c) Ilkka Mellin (2005) 37
38 Odotusarvo Summan ja erotuksen odotusarvo Satunnaismuuttujien X ja Y summan X + Y odotusarvo on E( X + Y) = E( X) + E( Y) Satunnaismuuttujien X ja Y erotuksen X Y odotusarvo on E( X Y) = E( X) E( Y) Tämä merkitsee sitä, että odotusarvo on lineaarinen operaattori. Huomautus: Todistus vaatii kaksiulotteisten satunnaismuuttujien määrittelemistä ja esitetään luvussa Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 38
39 Odotusarvo Summan odotusarvo: Yleistys Olkoot X i, i = 1, 2,, n satunnaismuuttujia ja a i, i = 1, 2,, n vakioita. Satunnaismuuttujien X i, i = 1, 2,, n painotetun summan a i X i odotusarvo on n n E ax i i = aie( Xi) i= 1 i= 1 TKK (c) Ilkka Mellin (2005) 39
40 Odotusarvo Diskreetin satunnaismuuttujan funktion odotusarvo: Määritelmä Olkoon X diskreetti satunnaismuuttuja, jonka pistetodennäköisyysfunktio on f(x i ) = Pr(X = x i ) = p i, i = 1, 2, 3, Olkoon g reaaliarvoinen funktio. Satunnaismuuttujan g(x) odotusarvo on vakio E( g( X)) µ g( x ) f( x ) = = g ( X) i i i TKK (c) Ilkka Mellin (2005) 40
41 Odotusarvo Jatkuvan satunnaismuuttujan funktion odotusarvo: Määritelmä Olkoon X jatkuva satunnaismuuttuja, jonka tiheysfunktio on f(x) Olkoon g reaaliarvoinen funktio. Satunnaismuuttujan g(x) odotusarvo on vakio + = µ g( X) = E( g( X)) g( x) f( x) dx TKK (c) Ilkka Mellin (2005) 41
42 Jakaumien tunnusluvut Odotusarvo >> Varianssi Markovin ja Tshebyshevin epäyhtälöt Momentit Vinous ja huipukkuus Kvantiilit Moodi Suurten lukujen laki TKK (c) Ilkka Mellin (2005) 42
43 Varianssi Avainsanat Diskreetin jakauman varianssi Empiirinen jakauma Hajontaparametri Jatkuvan jakauman varianssi Odotusarvo Painopiste Satunnaismuuttujien summan varianssi Sijaintiparametri Standardipoikkeama Todennäköisyysmassan hajaantuneisuus Todennäköisyysmassan keskittyneisyys Varianssi TKK (c) Ilkka Mellin (2005) 43
44 Varianssi Varianssi: Yleinen määritelmä Olkoon satunnaismuuttujan X odotusarvo E( X ) = µ X Satunnaismuuttujan X varianssi on vakio D( X) = Var( X) = σ = E( X µ ) X X Satunnaismuuttujan X varianssi on satunnaismuuttujan X omasta odotusarvostaan µ X määrätyn poikkeaman neliön odotusarvo. TKK (c) Ilkka Mellin (2005) 44
45 Varianssi Diskreetin jakauman varianssi Olkoon X diskreetti satunnaismuuttuja. Olkoon {x 1, x 2, } satunnaismuuttujan Xtulosvaihtoehtojen eli arvojen joukko. Olkoon satunnaismuuttujan X pistetodennäköisyysfunktio f(x i ) = Pr(X = x i ) = p i, i = 1, 2, Tällöin satunnaismuuttujan X varianssi on vakio D( X ) = Var( X) = σ = ( x µ ) p X i X i i TKK (c) Ilkka Mellin (2005) 45
46 Varianssi Jatkuvan jakauman varianssi Olkoon X on jatkuva satunnaismuuttuja. Olkoon satunnaismuuttujan X tiheysfunktio f(x). Tällöin satunnaismuuttujan X varianssi on vakio D( ) = Var( ) = σ X = ( µ X) ( ) X X x f x dx TKK (c) Ilkka Mellin (2005) 46
47 Varianssi Varianssin olemassaolo Jakaumalla ei välttämättä ole varianssia. Varianssin olemassaololla tarkoitetaan sitä, että varianssin määrittelevä summa (diskreetin jakauman tapauksessa) tai integraali (jatkuvan jakauman tapauksessa) on äärellinen. TKK (c) Ilkka Mellin (2005) 47
48 Varianssi Varianssin määritelmä: Kommentteja Varianssi kuvaa todennäköisyysmassan hajaantuneisuutta tai mikä on sama asia keskittyneisyyttä jakauman painopisteen suhteen. Jos Var(X) > Var(Y) niin satunnaismuuttujan X todennäköisyysmassa on hajaantunut voimakkaammin oman painopisteeseensä suhteen kuin satunnaismuuttujan Y todennäköisyysmassa oman painopisteeseensä suhteen. Koska varianssi kuvaa todennäköisyysmassan hajaantuneisuutta, sitä voidaan kutsua hajontaparametriksi. TKK (c) Ilkka Mellin (2005) 48
49 Varianssi Varianssi jakauman hajaantuneisuuden mittana: Esimerkki normaalijakaumista 1/2 Kuva oikealla esittää kolmen normaalijakauman N 1, N 2 ja N 3 tiheysfunktioita f 1, f 2 ja f 3. Kaikilla jakaumilla on sama odotusarvo µ. Tiheysfunktiot f 1, f 2 ja f 3 ovat yksihuippuisia ja symmetrisiä suoran x = µ suhteen. Jakaumien N 1, N 2 ja N 3 tiheysfunktiot f 1 f 2 f 3 µ TKK (c) Ilkka Mellin (2005) 49
50 Varianssi Varianssi jakauman hajaantuneisuuden mittana: Esimerkki normaalijakaumista 2/2 Jakauman N 1 todennäköisyysmassa on keskittynein, kun taas jakauman N 3 todennäköisyysmassa on hajaantunein. Jakaumien varianssit toteuttavat epäyhtälöt: Var(X 1 ) < Var(X 2 ) < Var(X 3 ) Jakaumien N 1, N 2 ja N 3 tiheysfunktiot f 1 f 2 f 3 µ TKK (c) Ilkka Mellin (2005) 50
51 Varianssi Varianssi: Toinen laskukaava Olkoon satunnaismuuttujan X odotusarvo E( X ) = µ Satunnaismuuttujan X varianssi voidaan laskea myös kaavalla 2 Var( X ) = α 2 µ jossa 2 α 2 = E( X ) on satunnaismuuttujan Xtoinen(origo-) momentti. TKK (c) Ilkka Mellin (2005) 51
52 Varianssi Varianssin toinen laskukaava: Perustelu Olkoot satunnaismuuttujan Xodotusarvo E( X ) = µ ja toinen momentti 2 E( X ) = α Satunnaismuuttujan X varianssi on Var( X) = E( X µ ) 2 = X X E( 2 µ µ ) 2 2 = E( X ) 2µ E( X) + E( µ ) 2 = α 2µ µ + µ 2 2 = α µ 2 TKK (c) Ilkka Mellin (2005) 52
53 Varianssi Standardipoikkeama: Määritelmä Olkoon satunnaismuuttujan X odotusarvo E( X ) = µ X Satunnaismuuttujan X standardipoikkeama on vakio D( X) = σ = E( X µ ) X Standardipoikkeamaa käytetään samaan tapaan kuin varianssia todennäköisyysmassan hajaantuneisuuden (keskittyneisyyden) mittana. Standardipoikkeama on toisin kuin varianssi samoissa mittayksiköissä kuin odotusarvo. X 2 TKK (c) Ilkka Mellin (2005) 53
54 Varianssi Diskreetin jakauman varianssi: Esimerkki nopanheitosta 1/2 Nopanheiton tulosta satunnaisilmiönä kuvaavan diskreetin tasaisen jakauman pistetodennäköisyysfunktio: 1 P( X = i) =, i = 1,2,3,4,5,6 6 Satunnaismuuttujan X odotusarvo: E( X) = µ = ipr( X = i) = i = = 3.5 i= 1 i= Satunnaismuuttujan X toinen momentti: E( X ) = α2 = i Pr( X = i) = i i= 1 i= = = 6 6 TKK (c) Ilkka Mellin (2005) 54
55 Varianssi Diskreetin jakauman varianssi: Esimerkki nopanheitosta 2/2 Satunnaismuuttujan X varianssi: Var( X) = D ( X) = σ = α 2 µ = = Satunnaismuuttujan X standardipoikkeama eli keskihajonta: D( X ) = σ = TKK (c) Ilkka Mellin (2005) 55
56 Varianssi Diskreetin jakauman odotusarvo ja varianssi: Laskujen järjestäminen 1/5 Nopanheiton tulosta satunnaisilmiönä kuvaavan diskreetin tasaisen jakauman odotusarvon ja varianssin määräämistä varten tarvittavat laskutoimitukset voidaan järjestää seuraavan taulukon muotoon: Keskiarvo Varianssi 1 Varianssi i x i p i x i p i 2 x i x 2 i p i x i µ (x i µ) 2 (x i µ) 2 p i 1 1 1/6 1/6 1 1/ / /6 2/6 4 4/ / /6 3/6 9 9/ / /6 4/ / / /6 5/ / / /6 6/ / /24 Σ / / /24 TKK (c) Ilkka Mellin (2005) 56
57 Varianssi Diskreetin jakauman odotusarvo ja varianssi: Laskujen järjestäminen 2/5 Taulukon rivillä Σ on sarakesummat riveiltä 1-6: Sarake 2: x = 21 Sarake 3: p = 1 Sarake 4: xp = µ = 21/ 6 = Sarake 5: xi = 91 2 Sarake 6: xi pi = 2 = 91/ 6 = ( xi µ ) ( xi µ ) ( x ) Sarake 7: = 0 Sarake 8: = 17.5 i i i i pi Sarake 9: µ = σ = 70/ 24 = i α TKK (c) Ilkka Mellin (2005) 57
58 Varianssi Diskreetin jakauman odotusarvo ja varianssi: Laskujen järjestäminen 3/5 Satunnaismuuttujan X odotusarvon määräämistä varten tarvittavat laskutoimitukset on suoritettu sarakkeissa 2-4. Odotusarvo saadaan rivin Σ sarakkeesta 4: E( X) = µ = x p = 21/ 6 = 3.5 i i TKK (c) Ilkka Mellin (2005) 58
59 Varianssi Diskreetin jakauman odotusarvo ja varianssi: Laskujen järjestäminen 4/5 Satunnaismuuttujan X varianssi voidaan määrätä kahdella eri tavalla: Kaava 1: jossa Kaava 2: 2 Var( X ) = α µ jossa µ on kuten kaavassa 1. 2 α2 = E( X ) = µ = E( X ) = i x p 2 2 i xp i i ( ) 2 µ σ µ 2 2 Var( X ) = E( X ) = = xi pi TKK (c) Ilkka Mellin (2005) 59
60 Varianssi Diskreetin jakauman odotusarvo ja varianssi: Laskujen järjestäminen 5/5 Kaavan 1 vaatimat laskutoimitukset on tehty sarakkeissa 2-4 ja 5-6: E( X) = µ = x p = 21/ 6 = 3.5 i E( X ) = α = x p = 91/ 6 = i i i Kaavan 1 mukaan Var( X ) = α 2 µ = = = Kaavan 2 vaatimat laskutoimitukset on tehty sarakkeissa 2-4 ja 7-9: Var( X) = E( X µ ) = σ = ( xi µ ) pi = = Kaavan 2 soveltaminen on siinä mielessä monimutkaisempaa kuin kaavan 1 soveltaminen, että kaavassa 2 on erotuksien (x i µ) määräämiseksi ensin määrättävä odotusarvo µ TKK (c) Ilkka Mellin (2005) 60
61 Varianssi Jatkuvan jakauman odotusarvo ja varianssi: Esimerkki tasaisesta jakaumasta 1/2 Erään jatkuvan tasaisen jakauman tiheysfunktio: 1, 0 x b f( x) = b 0, muulloin Satunnaismuuttujan X odotusarvo: b E( X) = µ = xf( x) dx= x dx= x b = 2b Satunnaismuuttujan X toinen momentti: + b + b 3 b x b = α2 = = = b 3b = E( X ) x f( x) dx x dx b TKK (c) Ilkka Mellin (2005) 61
62 Varianssi Jatkuvan jakauman odotusarvo ja varianssi: Esimerkki tasaisesta jakaumasta 2/2 Satunnaismuuttujan X varianssi: Satunnaismuuttujan X standardipoikkeama: b b b Var( X) = D ( X) = σ = α 2 µ = = b b D( X ) = σ = = TKK (c) Ilkka Mellin (2005) 62
63 Varianssi Vakion varianssi Olkoon a ei-satunnainen vakio. Vakion varianssi on nolla: Var( a ) = 0 Tulkinta: Vakio ei vaihtele satunnaiskokeesta toiseen. TKK (c) Ilkka Mellin (2005) 63
64 Varianssi Vakion varianssi: Perustelu Väite: Vakiolle a pätee Var(a) = 0 Perustelu: ( ) 2 2 Var( a) = E a E( a) = E( a a) = E(0) = 0 koska vakiolle a pätee: E(a) = a TKK (c) Ilkka Mellin (2005) 64
65 Varianssi Lineaarimuunnoksen varianssi Olkoon satunnaismuuttujan X varianssi Var(X). Satunnaismuuttujan X lineaarimuunnoksen Y = a + bx (a ja b vakiota) varianssi on 2 Var( Y) = b Var( X) TKK (c) Ilkka Mellin (2005) 65
66 Varianssi Lineaarimuunnoksen varianssi: Perustelu Väite: Lineaarimuunnokselle Y = a + bx pätee Var(Y) = b 2 Var(X). Perustelu: [ a bx a b X ] [ bx b X 2 ] E[ E( 2 )] 2 b X X 2 ( ) Var( Y ) = Var( a + bx ) = E ( a + bx ) E a + bx 2 = E + E( ) = E E( ) = = b Var( X) 2 TKK (c) Ilkka Mellin (2005) 66
67 Varianssi Lineaarimuunnoksen varianssi: Kommentteja Satunnaismuuttujan X kertominen vakiolla b merkitsee satunnaismuuttujan X saamien arvojen mittakaavan muuttamista. Satunnaismuuttujan X saamien arvojen mittakaavan muuttaminen verrannollisuuskertoimella b muuttaa satunnaismuuttujan X varianssia kertoimella b 2. Vakion a lisääminen satunnaismuuttujaan X merkitsee satunnaismuuttujan X jakauman todennäköisyysmassan siirtoa. Todennäköisyysmassan siirtäminen ei muuta todennäköisyysmassan hajaantuneisuutta. TKK (c) Ilkka Mellin (2005) 67
68 Varianssi Standardointi Olkoon X satunnaismuuttuja, jonka odotusarvo E(X) = µ ja varianssi D 2 (X) = σ 2. Tällöin standardoidun satunnaismuuttujan X µ Z = σ odotusarvo E( Z ) = 0 ja varianssi 2 D( Z ) = 1 TKK (c) Ilkka Mellin (2005) 68
69 Varianssi Standardointi: Perustelu Olkoot E(X) = µ ja D 2 (X) = σ 2. Standardoidaan satunnaismuuttuja X: X µ Z = σ Tällöin 1 µ 1 µ 1 µ E( Z) = E X = E( X) = µ = 0 σ σ σ σ σ σ µ D( Z) = D X = D( X) = σ = σ σ σ σ TKK (c) Ilkka Mellin (2005) 69
70 Varianssi Summan ja erotuksen varianssi 1/2 Oletetaan, että satunnaismuuttujat X ja Y ovat riippumattomia. Tarkastellaan satunnaismuuttujien X ja YsummanX+ Y ja erotuksen X Y varianssia. Huomautus: Satunnaismuuttujien X ja Y riippumattomuudella tarkoitetaan seuraavaa: Se, mitä arvoja satunnaismuuttuja X saa, ei saa riippua siitä, mitä arvoja satunnaismuuttuja Y saa ja kääntäen, se, mitä arvoja satunnaismuuttuja Y saa, ei saa riippua siitä, mitä arvoja satunnaismuuttuja X saa; käsite täsmennetään luvussa Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 70
71 Varianssi Summan ja erotuksen varianssi 2/2 Riippumattomien satunnaismuuttujien X ja Y summan X + Y varianssi on Var( X + Y) = Var( X) + Var( Y) Riippumattomien satunnaismuuttujien X ja Y erotuksen X Y varianssi on Var( X Y) = Var( X) + Var( Y) Huomautus: Todistus vaatii kaksiulotteisen satunnaismuuttujan määrittelemistä ja esitetään luvussa Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 71
72 Varianssi Summan ja erotuksen varianssi: Kommentteja Oletetaan, että satunnaismuuttujat X ja Y ovat riippumattomia. Tällöin satunnaismuuttujien X ja Ysummanja erotuksen varianssille pätee Var( X ± Y) = Var( X) + Var( Y) Huomaa: Var( X Y) Var( X) Var( Y) D( X + Y) D( X) + D( Y) D( X Y) D( X) D( Y) TKK (c) Ilkka Mellin (2005) 72
73 Varianssi Summan varianssi: Yleistys Olkoot satunnaismuuttujat X i, i = 1, 2,, n riippumattomia ja a i, i = 1, 2,, n vakioita. Tällöin satunnaismuuttujien X i, i = 1, 2,, n painotetun summan a i X i varianssi on = n n 2 Var ax i i ai Var( Xi) i= 1 i= 1 TKK (c) Ilkka Mellin (2005) 73
74 Varianssi Empiirinen jakauma 1/3 Oletetaan, että diskreetin satunnaismuuttujan X mahdolliset arvot ovat x i, i = 1, 2,, n Liitetään satunnaismuuttujan X arvoihin symmetriset todennäköisyydet 1 Pr( X = xi) = pi =, i= 1,2,, n n Otannan perustyypissä, yksinkertaisessa satunnaisotannassa, havaintoarvot x i noudattavat tätä, ns. empiiristä jakaumaa. TKK (c) Ilkka Mellin (2005) 74
75 Varianssi Empiirinen jakauma 2/3 Suoraan diskreetin satunnaismuuttujan odotusarvon ja varianssin määritelmistä saadaan: n n 1 E( X) = µ = xipi = xi = x i= 1 n i= 1 n n E( X ) = α2 = xi pi = xi i= 1 n i= 1 n n 1 Var( X ) = D ( X) = σ = ( xi µ ) pi = ( xi x) n i= 1 i= 1 TKK (c) Ilkka Mellin (2005) 75
76 Varianssi Empiirinen jakauma 3/3 Huomaa, että odotusarvo n 1 E( X ) = µ = x = xi n i= 1 on lukujen x i aritmeettinen keskiarvo ja n 1 Var( X ) = D ( X) = σ = ( xi x) n i= 1 on lukujen x i ns. otosvarianssi TKK (c) Ilkka Mellin (2005) 76
77 Varianssi Aritmeettisen keskiarvon odotusarvo ja varianssi 1/2 Olkoot X i, i = 1, 2,, n riippumattomia satunnaismuuttujia. Oletetaan lisäksi, että satunnaismuuttujilla X i, i = 1, 2,, n on sama odotusarvo ja varianssi: Olkoon 2 2 E( i) = µ, D ( i) = σ, = 1,2,, X X X i n 1 n X i n i = 1 = satunnaismuuttujien X i, i = 1, 2,, n aritmeettinen keskiarvo. TKK (c) Ilkka Mellin (2005) 77
78 Varianssi Aritmeettisen keskiarvon odotusarvo ja varianssi 2/2 Tällöin E( X ) = X 2 D( ) µ σ = n Huomautuksia: 2 Satunnaismuuttujien X i aritmeettisen keskiarvon odotusarvo on sama kuin yksittäisten muuttujien yhteinen odotusarvo. Satunnaismuuttujien X i aritmeettinen keskiarvo vaihtelee varianssilla mitattuna vähemmän kuin muuttujat itse. TKK (c) Ilkka Mellin (2005) 78
79 Varianssi Aritmeettisen keskiarvon odotusarvo ja varianssi: Perustelu Olkoot X i, i = 1, 2,, n riippumattomia satunnaismuuttujia, joille 2 2 E( i) = µ, D ( i) = σ, = 1,2,, X X i n Tällöin E( X) = E Xi E Xi E( Xi) n = i n = i n i 1 1 = µ = nµ = µ n i n D( X ) = D X = D X = D X ( ) i 2 i 2 i n i n i n i σ = σ nσ 2 = = 2 n i n n TKK (c) Ilkka Mellin (2005) 79
80 Jakaumien tunnusluvut Odotusarvo Varianssi >> Markovin ja Tshebyshevin epäyhtälöt Momentit Vinous ja huipukkuus Kvantiilit Moodi Suurten lukujen laki TKK (c) Ilkka Mellin (2005) 80
81 Markovin ja Tshebyshevin epäyhtälöt Avainsanat Markovin epäyhtälö Odotusarvo Tshebyshevin epäyhtälö Varianssi TKK (c) Ilkka Mellin (2005) 81
82 Markovin ja Tshebyshevin epäyhtälöt Markovin epäyhtälö Olkoon g(x) satunnaismuuttujan X positiivinen reaaliarvoinen funktio, jonka odotusarvo on E(g(X)) Tällöin jokaiselle reaaliselle vakiolle a > 0 pätee Markovin epäyhtälö ( g X a) Pr ( ) E( g( X)) a TKK (c) Ilkka Mellin (2005) 82
83 Markovin ja Tshebyshevin epäyhtälöt Markovin epäyhtälö: Todistus Todistamme Markovin epäyhtälön jatkuvien satunnaismuuttujien tapauksessa. Olkoon g(x) satunnaismuuttujan X positiivinen reaaliarvoinen funktio, jonka odotusarvo on E(g(X)). Olkoon satunnaismuuttujan X tiheysfunktio f(x) ja olkoon a >0 vakio. Markovin epäyhtälö saadaan epäyhtälöketjusta jossa + E( g( X)) = g( x) f( x) dx a S f( x) dx = apr( g( X) a) { ( ) } S = x g x a TKK (c) Ilkka Mellin (2005) 83
84 Markovin ja Tshebyshevin epäyhtälöt Markovin epäyhtälö: Kommentteja 1/2 Markovin epäyhtälön E( g( X)) Pr ( g( X) a) a mukaan todennäköisyys sille, että mielivaltaisen satunnaismuuttujan X (jolle odotusarvo E(g(X)) on olemassa) positiivinen funktio g(x) saa suurempia arvoja kuin a > 0, on korkeintaan E( ( )) g X a TKK (c) Ilkka Mellin (2005) 84
85 Markovin ja Tshebyshevin epäyhtälöt Markovin epäyhtälö: Kommentteja 2/2 Markovin epäyhtälön erikoistapauksena saadaan positiivisille satunnaismuuttujille X epäyhtälö E( X ) Pr( X a) a jossa a > 0. Siten mielivaltaisen positiivisen satunnaismuuttujan (jonka odotusarvo E(X) on olemassa) todennäköisyysjakauman todennäköisyysmassasta korkeintaan E( X ) 100 % a on etäisyyttä a > 0 kauempana origosta. TKK (c) Ilkka Mellin (2005) 85
86 Markovin ja Tshebyshevin epäyhtälöt Tshebyshevin epäyhtälö Olkoon X satunnaismuuttuja, jonka odotusarvo on E(X) = µ ja varianssi on Var(X) = σ 2 Tällöin pätee Tshebyshevin epäyhtälö 1 k ( µ σ) 2 Pr X k TKK (c) Ilkka Mellin (2005) 86
87 Markovin ja Tshebyshevin epäyhtälöt Tshebyshevin epäyhtälö: Todistus Todistamme Tshebyshevin epäyhtälön jatkuvien satunnaismuuttujien tapauksessa. Olkoon X jatkuva satunnaismuuttuja. Olkoon satunnaismuuttujan X tiheysfunktio f(x), sen odotusarvo E(X) = µ ja varianssi Var(X) = σ 2 sekä olkoon k > 0 vakio. Tshebyshevin epäyhtälö seuraa Markovin epäyhtälöstä E( g( X )) Pr ( g( X) a) a valitsemalla 2 gx ( ) = ( x µ ) ; µ = E( X) σ ; σ Var( ) E[ ( )] a= k = X = g X TKK (c) Ilkka Mellin (2005) 87
88 Markovin ja Tshebyshevin epäyhtälöt Tshebyshevin epäyhtälö: Kommentteja 1/3 Tshebyshevin epäyhtälön 1 Pr( X µ kσ) 2 k mukaan mielivaltaisen satunnaismuuttujan X (jonka odotusarvo E(X) = µ ja varianssi Var(X) = σ 2 ovat olemassa) todennäköisyysmassasta korkeintaan % 2 k on etäisyyttä kσ kauempana jakauman painopisteestä µ. TKK (c) Ilkka Mellin (2005) 88
89 Markovin ja Tshebyshevin epäyhtälöt Tshebyshevin epäyhtälö: Kommentteja 2/3 Jos X on mielivaltainen satunnaismuuttuja, jolla on odotusarvo ja varianssi, Tshebyshevin epäyhtälö antaa absoluuttisen ylärajan satunnaismuuttujan X todennäköisyysjakauman häntäalueiden todennäköisyysmassan osuudelle. Jos satunnaismuuttujan X jakauma spesifioidaan tarkemmin, häntäalueiden todennäköisyysmassan osuudesta voidaan antaa tarkempia arvioita. TKK (c) Ilkka Mellin (2005) 89
90 Markovin ja Tshebyshevin epäyhtälöt Tshebyshevin epäyhtälö: Kommentteja 3/3 Esimerkki: Tshebyshevin epäyhtälön mukaan kaikille satunnaismuuttujille X, joilla on odotusarvo E(X) = µ ja varianssi Var(X) = σ 2, pätee 1 Pr( X µ 3σ) 9 Jos tiedämme, että X noudattaa normaalijakaumaa (ks. lukua Jatkuvia jakaumia), saadaan (esimerkiksi normaalijakaumien taulukoiden avulla) tarkempi tulos: ( X µ σ) Pr % TKK (c) Ilkka Mellin (2005) 90
91 Jakaumien tunnusluvut Odotusarvo Varianssi Markovin ja Tshebyshevin epäyhtälöt >> Momentit Vinous ja huipukkuus Kvantiilit Moodi Suurten lukujen laki TKK (c) Ilkka Mellin (2005) 91
92 Momentit Avainsanat Keskusmomentit Momentit Odotusarvo Origomomentit TKK (c) Ilkka Mellin (2005) 92
93 Momentit Origomomentit Olkoon X satunnaismuuttuja. Tällöin satunnaismuuttujan X k odotusarvo k E( X ) = α k on satunnaismuuttujan X k. momentti eli k. momentti origon suhteen. TKK (c) Ilkka Mellin (2005) 93
94 Momentit Origomomentit: Erikoistapauksia Olkoon k E( X ) = α k satunnaismuuttujan X k. momentti Erityisesti: α0 = 1 α 1 = E( X ) = µ Siten satunnaismuuttujan X 1. momentti on satunnaismuuttujan X odotusarvo. TKK (c) Ilkka Mellin (2005) 94
95 Momentit Keskusmomentit Olkoon X satunnaismuuttuja, jonka odotusarvo on E( X ) = µ Tällöin satunnaismuuttujan ( X µ ) k odotusarvo E ( X µ ) k = µ k on satunnaismuuttujan X k. keskusmomentti eli k. momentti painopisteen µ suhteen. TKK (c) Ilkka Mellin (2005) 95
96 Momentit Keskusmomentit: Erikoistapauksia Olkoon E ( X µ ) k = µ k satunnaismuuttujan X k. keskusmomentti eli k. momentti painopisteen µ suhteen. Erityisesti: µ = µ 2 = E ( X µ ) = σ = Var( X) = D ( X) Siten satunnaismuuttujan X 1. keskusmomentti häviää aina ja 2. keskusmomentti on satunnaismuuttujan X varianssi. TKK (c) Ilkka Mellin (2005) 96
97 Momentit Momenttien olemassaolo Satunnaismuuttujan X k. origomomentti on olemassa, jos k E( X ) < Satunnaismuuttujan X k. keskusmomentti on olemassa, jos vastaava origomomentti on olemassa. Voidaan osoittaa, että jos n E( X ) < jollekin n, niin k E( X ) < kaikille k < n Jos siis satunnaismuuttujalla on n. origomomentti, sillä on myös kaikki alempien kertalukujen momentit. TKK (c) Ilkka Mellin (2005) 97
98 Jakaumien tunnusluvut Odotusarvo Varianssi Markovin ja Tshebyshevin epäyhtälöt Momentit >> Vinous ja huipukkuus Kvantiilit Moodi Suurten lukujen laki TKK (c) Ilkka Mellin (2005) 98
99 Vinous ja huipukkuus Avainsanat Huipukkuus Keskusmomentit Odotusarvo Origomomentit Vinous TKK (c) Ilkka Mellin (2005) 99
100 Vinous ja huipukkuus Momentit Olkoon on k α k = E( X ), k = 1,2,3, satunnaismuuttujan X k. origomomentti. Olkoon k µ k = E ( X α1), k = 1,2,3, satunnaismuuttujan X k. keskusmomentti. Huomaa: α = E( X ) = µ 1 µ 2 = X µ = X 2 E ( ) Var( ) TKK (c) Ilkka Mellin (2005) 100
101 Vinous ja huipukkuus Vinous Tunnuslukua µ 3 γ = µ käytetään todennäköisyysjakaumien vinouden mittana. TKK (c) Ilkka Mellin (2005) 101
102 Vinous ja huipukkuus Todennäköisyysjakaumien vinous Jos todennäköisyysjakauman pistetodennäköisyys- tai tiheysfunktio on yksihuippuinen, pätee seuraava: γ 1 < 0: Jakauma on negatiivisesti vino eli vino vasemmalle, jolloin jakauman vasen häntä on pitempi kuin oikea häntä. γ 1 = 0: Jakauma on symmetrinen. γ 1 > 0: Jakauma on positiivisesti vino eli vino oikealle, jolloin jakauman oikea häntä on pitempi kuin vasen häntä. Huomautus: Normaalijakaumalle γ 1 = 0. TKK (c) Ilkka Mellin (2005) 102
103 Vinous ja huipukkuus Todennäköisyysjakaumien vinous: Havainnollistus Alla on kuvattuna kolme yksihuippuista tiheysfunktiota. 10 χ 2 (5) N(0,1) χ 2 (5) γ 1 < 0: Jakauma on negatiivisesti vino eli vino vasemmalle. γ 1 = 0: Jakauma on symmetrinen. γ 1 > 0: Jakauma on positiivisesti vino eli vino oikealle. TKK (c) Ilkka Mellin (2005) 103
104 Vinous ja huipukkuus Huipukkuus Tunnuslukua µ 4 γ 2 = 3 2 µ 2 käytetään todennäköisyysjakaumien huipukkuuden mittana. TKK (c) Ilkka Mellin (2005) 104
105 Vinous ja huipukkuus Todennäköisyysjakaumien huipukkuus Jos todennäköisyysjakauman pistetodennäköisyys- tai tiheysfunktio on yksihuippuinen, pätee seuraava: γ 2 > 0: Jakauma on huipukas (normaalijakaumaan verrattuna). γ 2 < 0: Jakauma on laakea (normaalijakaumaan verrattuna). Huomautus: Normaalijakaumalle γ 2 = 0. TKK (c) Ilkka Mellin (2005) 105
106 Jakaumien tunnusluvut Odotusarvo Varianssi Markovin ja Tshebyshevin epäyhtälöt Momentit Vinous ja huipukkuus >> Kvantiilit Moodi Suurten lukujen laki TKK (c) Ilkka Mellin (2005) 106
107 Kvantiilit Avainsanat Desiili Kertymäfunktio Kvantiili Kvartiili Mediaani Prosenttipiste TKK (c) Ilkka Mellin (2005) 107
108 Kvantiilit Kvantiilin määritelmä Olkoon X satunnaismuuttuja. Olkoon lisäksi 0 < p < 1 Jos luku x p toteuttaa ehdot Pr(X x p ) p Pr(X x p ) 1 p sanomme, että x p on satunnaismuuttujan X ja sen jakauman kvantiili kertalukua p. Kvantiili x p toteuttaa siis epäyhtälöt Pr(X < x p ) p Pr(X x p ) TKK (c) Ilkka Mellin (2005) 108
109 Kvantiilit Kvantiilin määritelmä: Kommentteja Kvantiilit voidaan määrätä myös sellaisille satunnaismuuttujille, joilla ei ole momentteja. Kvantiilit eivät välttämättä ole yksikäsitteisiä: (i) Diskreettien satunnaismuuttujien kvantiilit ovat usein monikäsitteisiä. (ii) Jatkuvien satunnaismuuttujien kvantiilit ovat yksikäsitteisiä; ks. seuraavaa kalvoa. TKK (c) Ilkka Mellin (2005) 109
110 Kvantiilit Jatkuvan satunnaismuuttujan kvantiilit Olkoon F(x) = Pr(X x) jatkuvan satunnaismuuttujan X kertymäfunktio. Tällöin satunnaismuuttujan X kvantiili x p toteuttaa yhtälön F(x p ) = p Kvantiili x p jakaa satunnaismuuttujan X jakauman todennäköisyysmassan kahteen osaan niin, että massasta p 100 % on kvantiilista x p vasemmalla ja (1 p) 100 % on kvantiilista x p oikealla. TKK (c) Ilkka Mellin (2005) 110
111 Kvantiilit Jatkuvan satunnaismuuttujan kvantiilit: Esimerkki 1/2 Kuva oikealla esittää standardoidun normaalijakauman N(0, 1) kertymäfunktiota Φ(z). Standardoidun normaalijakauman N(0, 1) taulukoiden mukaan: Φ (0.52) = Pr( Z 0.52) 0.7 Siten x N(0, 1)-jakauman kertymäfunktio TKK (c) Ilkka Mellin (2005) 111
112 Kvantiilit Jatkuvan satunnaismuuttujan kvantiilit: Esimerkki 2/2 Kuva oikealla esittää standardoidun normaalijakauman N(0, 1) tiheysfunktiota. Standardoidun normaalijakauman N(0, 1) taulukoiden mukaan: Alueen A pinta-ala = Siten x f Z ( z) dz = Pr( Z 0.52) N(0, 1)-jakauman tiheysfunktio A TKK (c) Ilkka Mellin (2005) 112
113 Kvantiilit Kvantiilit ja tilastolliset taulukot Useimmissa todennäköisyyslaskennan ja tilastotieteen oppikirjoissa on taulukoituna keskeisten tilastollisessa päättelyssä käytettävien jatkuvien jakaumien kvantiileja x p ja niitä vastaavia todennäköisyyksiä p. Useimmissa tilastollisissa tietokoneohjelmissa on aliohjelmia, jotka laskevat tavallisimpien jatkuvien jakaumien kvantiileja x p ja niitä vastaavia todennäköisyyksiä p. Lisätietoja: ks. lukua Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 113
114 Kvantiilit Prosenttipisteet Jos p on muotoa p = q/100, q = 1, 2,, 99 kvantiilia x p kutsutaan q. prosenttipisteeksi. Jatkuvan satunnaismuuttujan tapauksessa q. prosenttipiste jakaa jakauman todennäköisyysmassan kahteen osaan niin, että massasta q % on q. prosenttipisteestä vasemmalla ja (100 q)% on q. prosenttipisteestä oikealla. TKK (c) Ilkka Mellin (2005) 114
115 Kvantiilit Desiilit Jos p on muotoa p = 10 q/100, q = 1, 2,, 9 kvantiilia x p kutsutaan q. desiiliksi. Jatkuvan satunnaismuuttujan tapauksessa q. desiili jakaa jakauman todennäköisyysmassan kahteen osaan niin, että massasta 10 q % on q. desiilistä vasemmalla ja ( q) % on q. desiilistä oikealla. TKK (c) Ilkka Mellin (2005) 115
116 Kvantiilit Kvartiilit 1/2 Jos p on muotoa p = 25 q/100, q = 1, 2, 3 kvantiilia x p kutsutaan q. kvartiiliksi. Jatkuvan satunnaismuuttujan tapauksessa q. kvartiili jakaa satunnaismuuttujan X jakauman todennäköisyysmassan kahteen osaan niin, että massasta 25 q % on q. kvartiilista vasemmalla ja ( q) % on q. kvartiilista oikealla. TKK (c) Ilkka Mellin (2005) 116
117 Kvantiilit Kvartiilit 2/2 Kvartiileja merkitään tavallisesti symboleilla Q 1, Q 2, Q 3 ja sanotaan, että Q 1 = alakvartiili Q 2 = keskikvartiili Q 3 = yläkvartiili Jatkuvan satunnaismuuttujan tapauksessa kvartiilit jakavat jakauman todennäköisyysmassan neljään yhtä suureen osaan: 25 % massasta on kvartiilista Q 1 vasemmalle 25 % massasta on kvartiilien Q 1 ja Q 2 välissä 25 % massasta on kvartiilien Q 2 ja Q 3 välissä 25 % massasta on kvartiilista Q 3 oikealle TKK (c) Ilkka Mellin (2005) 117
118 Kvantiilit Mediaani Jos p = 0.5 kvantiilia x p kutsutaan mediaaniksi. Mediaania merkitään tavallisesti symbolilla Me. Jatkuvan satunnaismuuttujan tapauksessa mediaani Me jakaa jakauman todennäköisyysmassan kahteen yhtä suureen osaan niin, että massasta 50 % on mediaanista vasemmalla ja 50 % on mediaanista oikealla. TKK (c) Ilkka Mellin (2005) 118
119 Kvantiilit Mediaani: Kommentteja Jakauman mediaani ei välttämättä ole yksikäsitteinen. Jakauman mediaani yhtyy jakauman 50. prosenttipisteeseen, 5. desiiliin ja keskikvartiiliin Q 2. Mediaani voidaan määrätä myös sellaisille satunnaismuuttujille, joilla ei ole odotusarvoa. Jos satunnaismuuttujan X jakauma on symmetrinen suoran x = a suhteen, niin jakauman mediaani yhtyy pisteeseen a: Me = a Jos symmetrisellä jakaumalla on odotusarvo E(X) = µ, niin jakauman mediaani yhtyy pisteeseen µ: Me = µ TKK (c) Ilkka Mellin (2005) 119
120 Kvantiilit Mediaani: Esimerkki Kuva oikealla esittää eksponenttijakauman Exp(1) tiheysfunktiota x f( x) = e, x 0 välillä [0, 4]. Jakauman mediaani saadaan ratkaisemalla yhtälö x t e dt 0 = e t x = 1 e = 0.5 x:n suhteen. Siten Me = x = log(2) 0.69 x Exp(1)-jakauman tiheysfunktio 50 % 50 % Me TKK (c) Ilkka Mellin (2005) 120
121 Jakaumien tunnusluvut Odotusarvo Varianssi Markovin ja Tshebyshevin epäyhtälöt Momentit Vinous ja huipukkuus Kvantiilit >> Moodi Suurten lukujen laki TKK (c) Ilkka Mellin (2005) 121
122 Moodi Avainsanat Maksimi Moodi TKK (c) Ilkka Mellin (2005) 122
123 Moodi Diskreetin satunnaismuuttujan moodi Olkoon X diskreetti satunnaismuuttuja, jonka pistetodennäköisyysfunktio on f(x) = Pr(X = x) Piste Mo on diskreetin satunnaismuuttujan X ja sen jakauman moodi, jos pistetodennäköisyysfunktio f(x) saavuttaa maksiminsa pisteessä x = Mo: f ( Mo) = max f ( x) x TKK (c) Ilkka Mellin (2005) 123
124 Moodi Diskreetin satunnaismuuttujan moodi: Esimerkki Kuva oikealla esittää binomijakauman Bin(12, 1/3) pistetodennäköisyysfunktiota x 12 x f( x) = x 3 3 Jakauman moodi Mo on pisteessä x= Bin(12,1/3)-jakauman tiheysfunktio Mo TKK (c) Ilkka Mellin (2005) 124
125 Moodi Jatkuvan satunnaismuuttujan moodi Olkoon X jatkuva satunnaismuuttuja, jonka tiheysfunktio on f(x) Piste Mo on jatkuvan satunnaismuuttujan X ja sen jakauman moodi, jos tiheysfunktio f(x) saavuttaa maksiminsa pisteessä x = Mo: f ( Mo) = max f ( x) x TKK (c) Ilkka Mellin (2005) 125
126 Moodi Jatkuvan satunnaismuuttujan moodi: Esimerkki Kuva oikealla esittää erään sekoitetun normaalijakauman N tiheysfunktiota f. Tiheysfunktio f on kaksihuippuinen ja symmetrinen suoran x = µ suhteen. Jakaumalla N on kaksi lokaalia moodia Mo 1 ja Mo 2. Jakauman N tiheysfunktio Mo 1 µ Mo 2 TKK (c) Ilkka Mellin (2005) 126
127 Moodi Satunnaismuuttujan moodi: Kommentteja Jakauman moodi ei välttämättä ole yksikäsitteinen; ks. edellistä kalvoa. Moodi voidaan määrätä myös sellaisille satunnaismuuttujille, joilla ei ole odotusarvoa. TKK (c) Ilkka Mellin (2005) 127
128 Jakaumien tunnusluvut Odotusarvo Varianssi Markovin ja Tshebyshevin epäyhtälöt Momentit Vinous ja huipukkuus Kvantiilit Moodi >> Suurten lukujen laki TKK (c) Ilkka Mellin (2005) 128
129 Suurten lukujen laki Avainsanat Asymptoottinen käyttäytyminen Aritmeettinen keskiarvo Odotusarvo Stokastinen konvergenssi Suurten lukujen laki Tilastollinen stabiliteetti Varianssi TKK (c) Ilkka Mellin (2005) 129
130 Suurten lukujen laki Suurten lukujen laki: Formulointi Olkoon X i, i = 1, 2, 3, jono riippumattomia satunnaismuuttujia, joilla on sama odotusarvo ja varianssi: E(X i ) = µ, D 2 (X i ) = σ 2, i = 1, 2, 3, Määritellään satunnaismuuttujien X i, i = 1, 2,, n aritmeettinen keskiarvo: X n Tällöin pätee (heikko) suurten lukujen laki: ( X µ ε ) lim Pr > = 0 n + 1 n n i = 1 = X n i TKK (c) Ilkka Mellin (2005) 130
131 Suurten lukujen laki Suurten lukujen laki: Kommentteja 1/2 Suurten lukujen laille esitetään todistus luvussa Konvergenssikäsitteet ja raja-arvolauseet. Suurten lukujen laki ilmaistaan usein sanoin seuraavasti: Samoin jakautuneiden satunnaismuuttujien aritmeettinen keskiarvo lähestyy muuttujien lukumäärän kasvaessa muuttujien yhteistä odotusarvoa sellaisella tavalla, että poikkeamien todennäköisyys satunnaismuuttujien yhteisestä odotusarvosta lähestyy lukua nolla eli poikkeamat tulevat yhä harvinaisemmiksi. Suurten lukujen lakia voidaan pitää matemaattisena formulointina tilastollisen stabiliteetin käsitteelle. TKK (c) Ilkka Mellin (2005) 131
132 Suurten lukujen laki Suurten lukujen laki: Kommentteja 2/2 Tässä formuloitua suurten lukujen lakia kutsutaan heikoksi suurten lukujen laiksi. Suurten lukujen laki koskee satunnaismuuttujien asymptoottista käyttäytymistä samaan tapaan kuin luvussa Jatkuvia jakaumia esitettävä keskeinen rajaarvolause. Suurten lukujen laissa esiintyvä rajakäyttäytymisen muoto on esimerkki stokastiikan konvergenssikäsitteistä; ks. lukua Konvergenssikäsitteet ja raja-arvolauseet. Suurten lukujen laista on olemassa yleisempiä muotoja, joissa voidaan lieventää samoinjakautuneisuus-ja riippumattomuusoletuksia. TKK (c) Ilkka Mellin (2005) 132
Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut TKK (c) Ilkka Mellin (2007) 1 Jakaumien tunnusluvut >> Odotusarvo Varianssi Markovin ja Tshebyshevin
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
LisätiedotVerkot ja todennäköisyyslaskenta Verkko Verkko eli graafi muodostuu pisteiden joukosta V, särmien joukosta A ja insidenssikuvauksesta : A V V jossa
Mat-.6 Sovellettu todennäköisyyslaskenta B Mat-.6 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Verkot ja todennäköisyyslaskenta Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio Jakaumien
LisätiedotSatunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio KE (2014) 1 Satunnaismuuttujat ja niiden todennäköisyysjakaumat Satunnaismuuttujat
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)
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotJohdatus todennäköisyyslaskentaan Jatkuvia jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Jatkuvia jakaumia TKK (c) Ilkka Mellin (2005) 1 Jatkuvia jakaumia Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen raja-arvolause TKK (c) Ilkka Mellin
LisätiedotJohdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
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
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
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
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen
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
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
LisätiedotNormaalijakaumasta johdettuja jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2007) 1 Normaalijakaumasta johdettuja jakaumia >> Johdanto χ 2 -jakauma F-jakauma
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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2005) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat Kaksiulotteiset todennäköisyysjakaumat
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat TKK (c) Ilkka Mellin (2006) 1 Moniulotteiset satunnaismuuttujat ja
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
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
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
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
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
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
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
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
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
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
Lisätiedot5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3
Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotMoniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat
TKK (c) Ilkka Mellin (4) todennäköisyysjakaumat Johdatus todennäköisyyslaskentaan todennäköisyysjakaumat TKK (c) Ilkka Mellin (4) todennäköisyysjakaumat: Mitä opimme? /5 hden satunnaismuuttujan todennäköisyysjakaumat
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
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
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
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
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,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 4. lokakuuta 2007 Antti Rasila () TodB 4. lokakuuta 2007 1 / 17 1 Moniulotteiset todennäköisyysjakaumat Johdanto Kaksiulotteiset satunnaismuuttujat Kaksiulotteisen
Lisätiedot3. laskuharjoituskierros, vko 6, ratkaisut
Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa
LisätiedotTodennäköisyyslaskenta. β versio. Todennäköisyyslaskenta. Ilkka Mellin. Teknillinen korkeakoulu, Matematiikan laboratorio. Ilkka Mellin (2006) I
β versio Todennäköisyyslaskenta Ilkka Mellin Teknillinen korkeakoulu, Matematiikan laboratorio TKK @ Ilkka Mellin (2006) I TKK @ Ilkka Mellin (2006) II Esipuhe Tämä moniste antaa perustiedot todennäköisyyslaskennasta.
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,
LisätiedotJohdatus tilastotieteeseen Väliestimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Väliestimointi TKK (c) Ilkka Mellin (2005) 1 Väliestimointi Todennäköisyysjakaumien parametrien estimointi Luottamusväli Normaalijakauman odotusarvon luottamusväli Normaalijakauman
LisätiedotMoniulotteiset satunnaismuuttujat ja jakaumat
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (004) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
Lisätiedot7. laskuharjoituskierros, vko 10, ratkaisut
7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,
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
LisätiedotJohdatus tilastotieteeseen Tilastollisten aineistojen kuvaaminen. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Tilastollisten aineistojen kuvaaminen TKK (c) Ilkka Mellin (2005) 1 Tilastollisten aineistojen kuvaaminen Havaintoarvojen jakauma Tunnusluvut Suhdeasteikollisten muuttujien tunnusluvut
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
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,
LisätiedotJohdatus todennäköisyyslaskentaan Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Diskreettejä jakaumia TKK (c) Ilkka Mellin (2005) 1 Diskreettejä jakaumia Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen jakauma Negatiivinen
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset
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
Lisätiedotx 4 e 2x dx Γ(r) = x r 1 e x dx (1)
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1
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 tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (005) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
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.
LisätiedotTilastollisten aineistojen kuvaaminen
Ilkka Mellin Tilastolliset menetelmät Osa 1: Johdanto Tilastollisten aineistojen kuvaaminen TKK (c) Ilkka Mellin (2007) 1 Tilastollisten aineistojen kuvaaminen >> Havaintoarvojen jakauma Tunnusluvut Suhdeasteikollisten
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
LisätiedotMat-2.091 Sovellettu todennäköisyyslasku 5. harjoitukset/ratkaisut. Jatkuvat jakaumat
Mat-2.09 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Jatkuvat jakaumat Avainsanat: Binomijakauma, Eksponenttijakauma, Jatkuva tasainen jakauma, Kertymäfunktio, Mediaani, Normaaliapproksimaatio, Normaalijakauma,
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..
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
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotTilastomatematiikka Kevät 2008
Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
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
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
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
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)
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
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
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
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
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotDiskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi
TOD.NÄK JA TILASTOT, MAA0 Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi Kuten tilastojakaumia voitiin esittää tunnuslukujen (keskiarvo, moodi, mediaani, jne.) avulla, niin vastaavasti
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
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
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
LisätiedotTKK @ Ilkka Mellin (2008) 1/5
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 3, 6, 7 Pistetehtävät: 2, 4, 5, 9 Ylimääräiset tehtävät: 8, 10, 11 Aiheet: Moniulotteiset jakaumat Avainsanat: Diskreetti jakauma,
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
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,
LisätiedotTodennäköisyyslaskenta
Todennäköisyyslaskenta Ilkka Mellin 1. korjattu painos Ilkka Mellin I Ilkka Mellin II Esipuhe Tämä moniste pyrkii antamaan perustiedot todennäköisyyslaskennasta. Monisteen ensisijaisena tavoitteena on
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
LisätiedotTodennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset 1. Olkoon X satunnaismuuttuja, ja olkoot a R \ {0}, b R ja Y = ax + b. (a) Olkoon X diskreetti ja f sen pistetodennäköisyysfunktio.
LisätiedotTestit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
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.
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
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
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
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
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
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
Lisätiedot11 Raja-arvolauseita ja approksimaatioita
11 Raja-arvolauseita ja approksimaatioita Tässä luvussa esitellään sellaisia kuuluisia todennäköisyysteorian raja-arvolauseita, joita sovelletaan usein tilastollisessa päättelyssä. Näiden raja-arvolauseiden
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.
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
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 5 (vko 4/003) (Aihe: jatkuvia satunnaismuuttujia ja jakaumia, sekamalli, Laininen luvut 5.1 5.7, 6.1 6.3)
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
LisätiedotOlkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:
Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti
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
Lisätiedot