PURSKETASON TARKASTELUT Ylivuototodennäköisyys puskurittomassa systeemissä
|
|
- Ville-Veikko Heikkilä
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 J. Virtamo Teleliikenneteoria / Pursketaso 1 PURSKETASON TARKASTELUT Ylivuototodennäköisyys puskurittomassa systeemissä Tarkastellaan ATM-kytkimen lähtöporttia Oletetaan: puskuri riittää vain solutason puskurointiin lähtöväylän kapasiteetti C Useita VC-yhteyksiä kulkee saman lähtöväylän kautta yhteyksien yhteenlaskettu nopeus X Kapasiteetin C ylittävä osuus vuotaa yli Ylivuotovirta (X C) + missä ( ) + = max(0, ) input rate link rate
2 J. Virtamo Teleliikenneteoria / Pursketaso 2 Ylivuoto- ja saturaatiotodennäköisyys Ylivuototodennäköisyys ylivuotavan virran suhde saapuvaan virtaan P loss = E[(X C)+ ] E[X] Saturaatiotodennäköisyys = C (x C)f(x)dx xf(x)dx 0 P sat = P{X C} todennäköisyys, että kapasiteetti ylittyy usein hiukan helpompi laskea kuin P loss karkea yläraja P loss :lle yleensä pari dekadia suurempi kuin P loss ero ei ratkaiseva mitoituksen kannalta häviöt riippuvat jyrkästi kapasiteetista kapasiteetti muuttuu hitaasti häviötason mukana
3 J. Virtamo Teleliikenneteoria / Pursketaso 3 Alkeellinen tarkastelu normaaliapproksimaatio Linkillä kulkee n virtuaalikanavayhteyttä samanlaiset, riippumattomat liikennevirrat X = X X n Merkitään m = yhden virran keskinopeus, E[X 1 ], σ 2 = yhden virran nopeuden varianssi, V[X 1 ]. Vastaavsti M = n m = koko liikennevirran keskinopeus, E[X], Σ 2 = n σ 2 = koko liikennevirran nopeuden varianssi, V[X] Jos n on suuri, pätee likimain X N(M, Σ 2 ) Saturaatiotodennäköisyys on tällöin missä P sat = Q C M Σ Q(x) = 1 2π x e y2 /2 dy = 1 2 erfc( x 2 ) Σ M Σ C P sat
4 J. Virtamo Teleliikenneteoria / Pursketaso 4 Normaaliapproksimaatio efektiivinen kaista Taso P sat edellyttää vähintään kapasiteettia C C M + Q 1 (P sat ) Σ Merkitään todennäköisyyttä 1 P sat vastaava N(0,1)-jakauman fraktiilipistettä η:lla η = Q 1 (P sat ) M:n ja Σ 2 :n määritelmiä käyttäen C n m + η n σ Tarvittava kaista yhtä virtaa kohti eli efektiivinen kaista B eff = m + η σ n Efektiivinen kaista lähenee keskinopeutta n:n kasvaessa eta lg(psat)
5 J. Virtamo Teleliikenneteoria / Pursketaso 5 Momenttien generoiva funktio Satunnaismuuttujan X momenttien generoiva funktio M(β) = E[e βx ] = e βx f(x)dx Logaritminen momenttien generoiva funktio ϕ(β) = log M(β) Arvot origossa: M(0) = 1 ϕ(0) = 0 Momentit voidaan laskea näiden avulla m = E[X] = M (0) = ϕ (0) E[X 2 ] = M (0) σ 2 = V[X 2 ] = M (0) M (0) 2 = ϕ (0) Additiivisuus: Jos X = X 1 + X X n, missä X 1, X 2,..., X n ovat riippumattomia satunnaismuuttujia, joiden lmgf:t ovat ϕ 1 (β), ϕ 2 (β),..., ϕ n (β), niin ϕ(β) = log E[e βx ] = log E[e β(x 1+X X n ) ] = log E[e βx 1e βx 2 e βx n ] = log(e[e βx 1] E[e βx 2] E[e βx n ]) = log E[e βx 1] + log E[e βx 2] log E[e βx n ] = ϕ 1 (β) + ϕ 2 (β) ϕ n (β)
6 J. Virtamo Teleliikenneteoria / Pursketaso 6 Vinoutettu jakauma Olkoon X:n tiheysfunktio f(x) Vinoutettu l. siirretty jakauma f β (x) f β (x) = eβx f(x) = e βx ϕ(β) f(x) M(β) X:n suuret arvot tulevat todennäköisemmiksi jakauman massa siirtyy kohti suurempia arvoja momenttien generoiva funktio M(β) toimii normitustekijänä Kääntäen f(x) voidaan lausua f β (x):n avulla f(x) = e βx+ϕ(β) f β (x) Vinoutus voidaan määritellä olettamatta jatkuvuutta Todennäköisyysmitan vinoutus dp β (x) = e βx ϕ(β) dp (x) Merkitään E β [ ] = odotusarvo mitan P β suhteen
7 J. Virtamo Teleliikenneteoria / Pursketaso 7 Vinoutettu jakauma jatkoa Vinoutetun jakauman momentit E β [X] = E[XeβX ] M(β) E β [X 2 ] = E[X2 e βx ] M(β) = M (β) M(β) = ϕ (β) = M (β) M(β) V β [X] = = M (β) M(β) M (β) 2 M(β) 2 = ϕ (β) m(β) = ϕ (β) σ 2 (β) = ϕ (β)
8 J. Virtamo Teleliikenneteoria / Pursketaso 8 Vinoutettu jakauma jatkoa Vinoutettujen momenttien additiivisuus: Jos X = X 1 +X X n, missä X 1, X 2,..., X n ovat riippumattomia, niin lmgf-funktioiden additiivisuudesta seuraa m(β) = m 1 (β) + m 2 (β) m n (β) σ1(β) 2 = σ1(β) 2 + σ2(β) σn(β) 2 missä m i (β) ja σ 2 i (β) ovat muuttujan X i odotusarvo ja varianssi vinoutetun jakauman suhteen Pätee enemmänkin: Riippumattomien satunnaismuuttujien summan X vinoutettu jakauma on sama kuin kyseisten muuttujien X i vinoutettuja jakaumia noudattavien riippumattomien satunnaismuuttujien summan jakauma: vinoutus summa = = summa vinoutus
9 J. Virtamo Teleliikenneteoria / Pursketaso 9 Vinoutettu jakauma esimerkki 1 Eksponenttijakauma X Exp(λ) Tiheysfunktio f(x) = λe λx M(β) = E[e βx ] = 0 λ e (λ β)x dx = λ λ β, ϕ(β) = log M(β) = log λ log(λ β) m(β) = ϕ (β) = 1 λ β σ 2 (β) = ϕ (β) = 1 (λ β) 2 Vinoutettu jakauma f β (x) = (λ β)e (λ β)x on myös eksponentiaalinen parametri λ β
10 J. Virtamo Teleliikenneteoria / Pursketaso 10 Vinoutettu jakauma esimerkki 2 X on n:n riippumattoman eksponenttijakautuneen muuttujan summa X Erlang(n, λ) Tiheysfunktio on f(x) = λ (λx)n 1 (n 1)! e (λx) Vinoutettu jakauma: n:n vinoutetun Exp(λ β)-jakautuneen muuttujan summan jakauma Erlang(n, λ β)-jakautuma Keskiarvo ja varianssi m(β) = n λ β σ 2 n (β) = (λ β) Viiden Exp(1)-jakautuneen muuttujan summan jakauma ja vastaava vinoutettu jakauma vinoutusparametrilla β = 2 3.
11 J. Virtamo Teleliikenneteoria / Pursketaso 11 Vinoutettu jakauma Yhteenvetotaulukko Tavallisissa jakaumaperheissä vinoutettu jakauma kuuluu samaan perheeseen Vinoutetun jakauman keskiarvo ja varianssi noudattavat kyseisen perheen tunnettuja kaavoja Jakauma Vinoutettu m(β) σ 2 (β) Bin(n, p) Bin(n, Erlang(n, λ) Erlang(n, λ β) pe β 1 p + pe ) npe β n(1 p)pe β β 1 p + pe β (1 p + pe β ) 2 n λ β n (λ β) 2 Poisson(a) Poisson(ae β ) ae β ae β N(m, σ 2 ) N(m + σ 2 β, σ 2 ) m + σ 2 β σ 2 Taulukko 1: Eräiden jakaumien siirretyt jakaumat ja näiden parametrit. Bernoulli-jakauma on erikoistapaus binomijakaumasta: Bernoulli(p) Bin(1, p) Eksponenttijakauma on erikoistapaus Erlang-jakaumasta: Exp(λ) Erlang(1, λ) χ 2 -jakauma on erikoistapaus Erlang-jakaumasta: χ 2 (n) Erlang( n 2, 1 2 )
12 J. Virtamo Teleliikenneteoria / Pursketaso 12 Chernoffin raja Kaikilla arvoilla β 0 pätee P{X x} = E[1 {X x} ] e β(x-x) E[e β(x x) ] = e βx E[e βx ] = e ϕ(β) βx 1 x 1 {X>x} X sillä e β(x x) 1 {X x}. Tällöin pätee myös P{X x} inf β e βx+ϕ(β) Merkitään β x :llä sitä β:n arvoa, jolla minimi saavutetaan. Chernoffin yläraja P{X x} e β xx+ϕ(β x ) Arvo β x löydetään minimoimalla eksponentti. ϕ (β x ) = x eli m(β x ) = x Vinoutetun jakauman keskiarvo siirretään pisteeseen x.
13 J. Virtamo Teleliikenneteoria / Pursketaso 13 Cramérin teoreema Olkoon X = X 1 + X X n X i :t riippumattomia ja samoinjakautuneita komponenttimuuttujien yhteinen lmgf on ϕ(β) X:n lmgf on n ϕ(β) Tutkitaan keskiarvon 1 X:n ylitystodennäköisyyttä n P{ 1 n (X 1 + X X n ) x} Sovelletaan Chernoffin rajaa P{ 1 n (X 1 + X X n ) x} = P{X n x} e n(β xx ϕ(β x )) β x määräytyy ehdosta n ϕ (β x ) = n x eli ϕ (β x ) = x. Vauhtifunktio I(x) = sup β (βx ϕ(β)) = β x x ϕ(β x ). Keskiarvon ylitystodennäköisyys P{ 1 n (X 1 + X X n ) x} e ni(x) Cramérin teoreema: yläraja on asymptoottisesti tarkka lim n 1 n log P{ 1 n (X 1 + X X n ) x} = I(x)
14 J. Virtamo Teleliikenneteoria / Pursketaso 14 Yhteenvetotaulukko Taulukkoon on valmiiksi laskettu tasoa x vastaava vinoutusparametri vinoutetun jakauman varianssi vinoutuksella β x vauhtifunktio I(x) Jakauma β x σ 2 (β x ) I(x) Bin(n, p) Erlang(n, λ) Poisson(a) N(m, σ 2 ) x (1 p) n log (1 x)p x(1 x x n ) x log (1 p) n (1 x)p + n log 1 x n 1 p n n λ n x x 2 n xλ n n log( xλ n ) log x x x log x a a + a x x m σ 2 1 ( x m) 2 σ 2 2 σ
15 J. Virtamo Teleliikenneteoria / Pursketaso 15 Tarkempi approksimaatio Chernoffin raja vinoutetun jakauman avulla P{X x} = x = x f(y)dy e βy+ϕ(β) f β (y)dy = e βx+ϕ(β) x Integroimisalueessa pätee e β(y x) 1 koko integraali 1 P{X x} e βx+ϕ(β) e β(y x) f β (y)dy Chernoffin raja e β xx+ϕ(β x ) saadaan minimoimalla β:n suhteen Tiukin raja saavutetaan arvolla β x, jolla m(β x ) = x jakauman f βx ( ) keskiarvo sijaitsee pisteeseessä x Keskiarvon lähellä normaalijakauma N(x, σ 2 (β x )) on kohtuullinen approksimaatio f βx (y) e 1 2 (y x)2 /σ 2 (β x ) 2πσ(βx )
16 J. Virtamo Teleliikenneteoria / Pursketaso 16 Tarkempi approksimaatio (jatkoa) Tällöin (olettaen β x σ(β x ) 1) x e β x(y x) f βx (y)dy Saadaan (melko tarkka) likiarvo ei enää yläraja P{X x} e I(x) 2πβx σ(β x ) 1 2πσ(βx ) x e β x(y x) e 1 2 (y x)2 /σ 2 (β x ) dy 1 2πβx σ(β x )
17 J. Virtamo Teleliikenneteoria / Pursketaso 17 Keskiarvon ylitystodennäköisyys ja menetystodennäköisyys Keskiarvolle pätee tarkemman approksimaation mukaisesti P{ 1 n (X 1 + X X n ) x} e ni(x) 2πn βx σ(β x ) I(x) on yhden komponenttimuuttujan vauhtifunktio σ(β x ) on yhden komponentin vinoutettu hajonta summan vinoutetun jakauman hajonta on n-kertainen tästä johtuu nimittäjään ilmestynyt n P loss voidaan arvioida seuraavasti P loss = 1 m E[(X x)+ ] = 1 m e βx+ϕ(β) (y x)e β(y x) f β (y)dy Valitaan β:lle arvo β x x (y x)e β(y x) f β (y)dy josta seuraa P loss = 1 m E[(X x)+ ] x 1 2πσ(βx ) (y x x)e β x(y x) e 1 2 (y x)2 /σ 2 (β x ) dy e I(x) 2πmβ 2 x σ(β x ) 1 2πβ 2 x σ(β x )
18 J. Virtamo Teleliikenneteoria / Pursketaso 18 Esimerkki: Ylitystodennäköisyyden laskeminen Millä todennäköisyydellä viiden Exp(1)-jakautuneen sm:n summa ylittää arvon x = 15? X Erlang(5, 1) Tarkka tulos: P{X 15} = 22403e 15 / Tiedetään E[X] = V[X] = 5 Normaaliapproksimaatio, X N(5, 5): P sat Q( ) Chernoffin raja: P sat e 5I(15/5) missä I(x) = x 1 log x on yhden komponentin vauhtifunktio Tarkennettu approksimaatio: P sat e 5I(15/5) 2π5(2/3)(15/5) missä I(x) = x 1 log x on yhden komponentin vauhtifunktio β x = 1 1/3 = 2/3 σ 2 (β x ) = x 2 normaaliapproksimaatio on liian optimistinen Chernoffin yläraja on hyvin konservatiivinen tarkennettu approksimaatio on kohtuullisen tarkka
19 J. Virtamo Teleliikenneteoria / Pursketaso 19 Kutsujen hyväksyminen efektiivinen kaista K = lähdetyyppien lukumäärä; lähdeindeksi k = 1,..., K ϕ k (β) = lähdetyypin k logaritminen momenttien generoiva funktio (oletetaan tunnetuksi) n k = tyypin k lähteiden lukumäärä c = linkin kapasiteetti Hyväksymisehto ylivuotokriteerin mukaan: P loss ɛ (ɛ on annettu suurin sallittu arvo) Ylivuototodennäköisyys voidaan arvioida edellä esitetyn mukaisesti P loss missä I(c) e I(c) 2πm β2 σ(β) = β c n k ϕ k (β) k σ 2 (β) = n k σk 2 (β) = k k ja β määräytyy ehdosta n k ϕ k (β) m(β) = c eli k n k ϕ k (β) = c Ylivuototodennäköisyyden arvioimiseksi tarvitsee ainoastaan ratkaista tämä yhtälö (numeerisesti) ja sijoittaa saatu β edellisiin lausekkeisiin. Tämä on huomattavan helppoa verrattuna tarkan laskennan edellyttämään jakaumien konvoluointiin ( k n k 1 konvoluutiota).
20 J. Virtamo Teleliikenneteoria / Pursketaso 20 Kutsujen hyväksyminen efektiivinen kaista (jatkoa) Yhteyksien lukumäärävektori n = (n 1,..., n K ) määrää liikennesekoituksen (liikenneprofiili). Annetulla sekoituksella n ja kapasiteetilla c voidaan laskea P loss, P loss = P loss (n, c) Tämän avulla voidaan kääntäen selvittää hyväksymisalue A (yleensä konkaavi) A = {n : P loss (n, c) ɛ} eli kaikki hyväksyttävissä olevat liikennesekoitukset n, joilla P loss ɛ. Järjestelmään voidaan ottaa kuljetettavaksi uusia yhteyksiä niin kauan kuin n pysyy alueessa A. n 2 A n 1
21 J. Virtamo Teleliikenneteoria / Pursketaso 21 Kutsujen hyväksyminen efektiivinen kaista (jatkoa) Jos liikennetyypit eivät eroa toisistaan liian paljon, hyväksymisalueen reuna on likimain suora (hypertaso) k n k B k c, missä efektiivinen kaista B k on B k = c n k (c) ja n k (c) ilmoittaa, kuinka monta tyypin k yhteyttä yksinään linkille c mahtuu siten, että P loss ɛ. Jos liikennetyypit ovat hyvin erilaiset, tasoapproksimaatio ei ole kovin tarkka. Hyväksymisalueen reunan mielivaltainen tangenttitaso määrittelee turvallisen hyväksymisalueen. Efektiivisenä kaistana voidaan pitää arvoa B k = c/n k missä n k on arvo, jossa asetettu tangenttitaso leikkaa n k -akselin. n 2 n * 2 A n * 1 n 1
22 J. Virtamo Teleliikenneteoria / Pursketaso 22 Efektiivisen kaistan karkea likiarvokaava Suuruusluokkalaskelmissa voidaan käyttää Lindbergerin likiarvokaavaa B k = 1.2m k + 60σ 2 k /c Jos lähteestä tunnetaan vain keskinopeus m k ja huippunopeus h k, voidaan vielä tehdä pahimman tapauksen arvio: Lähteen oletetaan olevan on/off -tyyppinen lähde lähde on välillä päällä huippunopeudella h k välillä pois päältä siten, että keskinopeus on m k Tällöin on helppo osoittaa, että σ 2 k = m k(h k m k )
23 J. Virtamo Teleliikenneteoria / Pursketaso 23 Efektiivinen kaista on/off-lähteiden tapauksessa Edellä esitetty suurten poikkeamien teoriaan perustuva menetelmä antaa varsin tarkan keinon ylivuototodennäköisyyden arvioimiseksi mielivaltaisella liikennesekoituksella. Joissakin tapauksissa ylivuototodennäköisyys voidaan laskea eksktisti. Tärkein näistä on keskenään samanlaisten on/off -lähteiden tapaus. n keskenään tilastollisesti identtistä lähdettä. lähteen nopeus on -tilassa h (huippunopeus) on -tilan todennäköisyys α off -tilan todennäköisyys 1 α c lähteen keskinopeus m = α h Huippunopeuden mukaan allokoitaessa, voidaan sallia n 0 lähdettä: n 0 = c/h Kun lähteitä on paljon eikä α ole aivan lähellä ykköstä, on hyvin epätodennäköistä, että kaikki lähteet olisivat yhtäaikaisesti päällä. Lähteet limittyvät tilastollisesti keskenään. Kun sallitaan pieni ylivuodon mahdollisuus, sallittua yhteyksien määrää voidaan merkittävästi kasvattaa (ns. tilastollisen multipleksoinnin hyöty eli limityshyöty G).
24 J. Virtamo Teleliikenneteoria / Pursketaso 24 Efektiivinen kaista on/off-lähteiden tapauksessa (jatkoa) Todennäköisyys p i, että i lähdettä n:stä on samanaikaisesti aktiivitilassa p i = n α i (1 α) n i i Ylivuototodennäköisyys on siten P loss (n, n 0, α) = 1 nm n i= n 0 p i (i n 0 )h = 1 nα n i= n 0 p i (i n 0 ) Suurin hyväksyttävä määrä yhteyksiä n ɛ (n 0, α) määräytyy ehdosta P loss (n ɛ, n 0, α) ɛ Yhden yhteyden efektiivinen kaista B eff (m B eff h) B eff = c n ɛ = n 0 n ɛ h Limityshyöty (multipleksointihyöty) G = n ɛ /n 0 = h/b eff Sallittu kuormitus ρ = n ɛ m/c = n ɛ αh/c = αn ɛ /n 0 = αg
25 J. Virtamo Teleliikenneteoria / Pursketaso 25 Efektiivinen kaista on/off-lähteiden tapauksessa (jatkoa) Tilastollisen multipleksoinnin tehokkuutta voidaan mitata joko limityshyödyn G tai sallitun kuorman ρ = αg avulla (kumpaankin sisältyy sama informaatio). Alla olevissa kuvissa nähdään G ja ρ riippuvuus α:sta arvolla ɛ = Käyräparametrina on n 0 = c/h (alhaalta lukien arvot 10, 15,30,100). Multiplexing gain vs. α Load factor vs. α G ρ 1.01 α α 1 Pienillä arvoilla α (purskeinen liikenne) limityshyöty voi olla suuri. Sallittu kuormitus kuitenkin riippuu lähinnä vain käyräparametrista c/h. Kohtuullisen käyttöasteen saavuttaminen puskurittomassa systeemissä edellyttää, että yksittäisen lähteen huippunopeus on vain pieni osa linkin nopeudesta (1% tai alle).
Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
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
LisätiedotJATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)
J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos
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
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. 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
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
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
LisätiedotDISKREETIT JAKAUMAT Generoiva funktio (z-muunnos)
J. Virtamo 38.3143 Jonoteoria / Diskreetit jakaumat 1 DISKREETIT JAKAUMAT Generoiva funktio (z-muunnos) Määritelmä Olkoon X diskreetti sm, jonka arvot ovat ei-negatiivisia kokonaislukuja, X {0, 1, 2,...}.
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
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
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
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
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
LisätiedotGenerointi yksinkertaisista diskreeteistä jakaumista
S-38.148 Tietoverkkojen simulointi / Satunnaismuuttujien generointi 1(18) Generointi yksinkertaisista diskreeteistä jakaumista Seuraavassa U, U 1,..., U n tarkoittavat riippumattomia U(0,1)-jakautuneita
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-200 Todennäköisyyslaskenta Tentti 29.04.20 / Kimmo Vattulainen Funktiolaskin sallittu.. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi kuutosen. A aloittaa
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
Lisätiedotl (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka
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
LisätiedotLiikenneongelmien aikaskaalahierarkia
J. Virtamo 38.3141 Teleliikenneteoria / HOL-esto 1 Liikenneongelmien aikaskaalahierarkia AIKASKAALAHIERARKIA Kiinnostavat aikaskaalat kattavat laajan alueen, yli 13 dekadia! Eri aikaskaaloissa esiintyvät
LisätiedotSallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,
Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on
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
LisätiedotYlivuoto puskurillisessa systeemissä: nestejonot
J. Virtamo 38.3141 Teleliikenneteoria / Pursketaso 1 Ylivuoto puskurillisessa systeemissä: nestejonot Jos muodostuvat jonot ovat pitkiä (paljon asiakkaita jonossa), jonon yleiskäyttäytymisen kannalta saapuvan
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.
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
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,
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
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.
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
LisätiedotTodennäköisyysjakaumia
8.9.26 Kimmo Vattulainen Todennäköisyysjakaumia Seuraavassa esitellään kurssilla MAT-25 Todennäköisyyslaskenta esille tulleita diskreettejä todennäköisyysjakaumia Diskreetti tasajakauma Bernoullijakauma
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
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
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
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
LisätiedotV ar(m n ) = V ar(x i ).
Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
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
LisätiedotSatunnaismuuttujien summa ja keskiarvo
Luku 5 Satunnaismuuttujien summa ja keskiarvo Lasse Leskelä Aalto-yliopisto 21. syyskuuta 2017 5.1 Satunnaismuuttujien summa Satunnaismuuttujien summa S n = X 1 + +X n ja keskiarvo n 1 S n ovat satunnaismuuttujia,
LisätiedotJohdatus tn-laskentaan torstai 16.2.2012
Johdatus tn-laskentaan torstai 16.2.2012 Muunnoksen jakauma (ei pelkkä odotusarvo ja hajonta) Satunnaismuuttujien summa; Tas ja N Vakiokerroin (ax) ja vakiolisäys (X+b) Yleinen muunnos: neulanheittoesimerkki
LisätiedotPoisson-prosessien ominaisuuksia ja esimerkkilaskuja
4B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Tuntitehtävät 4B1 Eksponentiaalisten odotusaikojen toistuva odottaminen. Satunnaisluvun X sanotaan noudattavan Gamma-jakaumaa parametrein k ja λ,
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
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
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
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
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..
LisätiedotEstojärjestelmä (loss system, menetysjärjestelmä)
J. Virtamo 38.3143 Jonoteoria / Estojärjestelmä 1 Estojärjestelmä (loss system, menetysjärjestelmä) Tarkastellaan perinteistä puhdasta estojärjestelmää, jossa on annettu n = johtojen (varattavien elementtien)
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
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
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
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
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
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
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
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
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)
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.
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 Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
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
LisätiedotP (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.
Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
Lisätiedotriippumattomia ja noudattavat samaa jakaumaa.
12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
Lisätiedotk S P[ X µ kσ] 1 k 2.
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 28 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
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
Lisätiedoty = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 2 mallit Kevät 219 Tehtävä 1. Laske osittaisderivaatat f x = f/x ja f y = f/, kun f = f(x, y) on funktio a) x 2 y 3 + y sin(2x),
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)
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
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
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
Lisätiedot/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla
17.11.2016/1 MTTTP5, luento 17.11.2016 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla likimain Jos X ~ Bin(n, p), niin X ~ N(np, np(1 p)), kun n suuri. 17.11.2016/2
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
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
LisätiedotEstimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio
17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6B
Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen
LisätiedotOletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä
LisätiedotTalousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa
Talousmatematiikan perusteet: Luento 17 Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa Motivointi Kahdella edellisellä luennolla olemme oppineet integrointisääntöjä
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,
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
Lisätiedot5 Tärkeitä yksiulotteisia jakaumia
5 Tärkeitä yksiulotteisia jakaumia Jakaumista löytyy lisätietoja ja kuvaajia Wikipediasta. Kirjallisuudessa käytetään useille näistä jakaumista monia erilaisia parametrointeja. Kussakin lähteessä käytetty
LisätiedotMaximum likelihood-estimointi Alkeet
Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
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-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta 8..206 Gripenberg, Nieminen, Ojanen, Tiilikainen, Weckman Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi
Lisätiedot1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 206 Kurssikoe 28.0.206 Ratkaisuehdotuksia. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden
LisätiedotKohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.
25.2.215 1. Autossa on 4 rengasta ja 1 vararengas (T i Exp(λ), [λ] = 1/km, i=1,...,5). Kulkeakseen auto tarvitsee 4 ehjää rengasta. Aluksi auto käyttää neljää alkuperäistä rengasta. Kun yksi näistä vikaantuu,
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
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
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
Lisätiedot(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?
6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen
MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon
LisätiedotGeneroivat funktiot, Poisson- ja eksponenttijakaumat
4A Generoivat funktiot, Poisson- ja eksponenttijakaumat Tämän harjoituksen tavoitteena on edelleen tutustua generoivien funktioiden sovelluksiin ja lisäksi harjoitella ratkaisemaan Poisson- ja eksponenttijakaumiin
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
Lisätiedot9. laskuharjoituskierros, vko 12-13, ratkaisut
9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t
Lisätiedot8.1 Ehdolliset jakaumat
8 Ehdollinen jakauma Tämän kappaleen tärkeitä käsitteitä: Ehdollinen jakauma; ehdollinen ptnf/tf. Kertolaskusääntö eli ketjusääntö yhteisjakauman esittämiseksi. Ehdollinen odotusarvo ja ehdollinen varianssi.
Lisätiedot