Tilastomatematiikka Kevät 2008
|
|
- Pirjo Saarinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/73
2 Johdanto Moderni yhteiskunta: Todellisuuden tilastollinen malli Kolme matemaattista ideaa: Satunnaisuus (umpimähkäisyys) Tilastomatematiikka p.2/73
3 Johdanto Moderni yhteiskunta: Todellisuuden tilastollinen malli Kolme matemaattista ideaa: Satunnaisuus (umpimähkäisyys) todennäköisyys Tilastomatematiikka p.2/73
4 Johdanto Moderni yhteiskunta: Todellisuuden tilastollinen malli Kolme matemaattista ideaa: Satunnaisuus (umpimähkäisyys) todennäköisyys tilastot (tilastolliset jakaumat) Tilastomatematiikka p.2/73
5 Todennäköisyys Satunnaiskoe: Kokeen tulos satunnainen, havainnoitava alkeistapahtuma Tilastomatematiikka p.3/73
6 Todennäköisyys Satunnaiskoe: Kokeen tulos satunnainen, havainnoitava alkeistapahtuma Otosavaruus S: satunnaiskokeen tulosten joukko Tilastomatematiikka p.3/73
7 Todennäköisyys Satunnaiskoe: Kokeen tulos satunnainen, havainnoitava alkeistapahtuma Otosavaruus S: satunnaiskokeen tulosten joukko Tapahtuma A S on otosavaruuden osajoukko. Tilastomatematiikka p.3/73
8 Todennäköisyys Satunnaiskoe: Kokeen tulos satunnainen, havainnoitava alkeistapahtuma Otosavaruus S: satunnaiskokeen tulosten joukko Tapahtuma A S on otosavaruuden osajoukko. Tapahtumasysteemi E on otosavaruuden osajoukkojen joukko. Tilastomatematiikka p.3/73
9 Esimerkkejä Esim 1. Heitetään kolikkoa kunnes saadaan ensimmäisen kerran "klaava". Tällöin otosavaruus S = N. Esim 2. Heitetään kolikkoa n kertaa. Tarkastellaan satunnaiskoetta, jossa lasketaan "klaavojen lukumäärä". Tällöin otosavaruus S = {0, 1, 2, 3,...,n} Esim 3. Heitetään noppaa kaksi kertaa. Tällöin otosavaruus S = {(i,j) 1 i,j 6} Tilastomatematiikka p.4/73
10 Joukko-oppia Perusjoukko S Joukon komplementti A = S \ A = {x S x / A}. Tilastomatematiikka p.5/73
11 Joukko-oppia Perusjoukko S Joukon komplementti A = S \ A = {x S x / A}. Yhdiste A B = {x S x A tai x B} Tilastomatematiikka p.5/73
12 Joukko-oppia Perusjoukko S Joukon komplementti A = S \ A = {x S x / A}. Yhdiste A B = {x S x A tai x B} Leikkaus A B = {x S x A ja x B} Tilastomatematiikka p.5/73
13 Joukko-oppia Perusjoukko S Joukon komplementti A = S \ A = {x S x / A}. Yhdiste A B = {x S x A tai x B} Leikkaus A B = {x S x A ja x B} de Morganin kaavat: A B = A B A B = A B Tilastomatematiikka p.5/73
14 Lisää joukko-oppia Tapahtumasysteemi E on Boolen algebra: 1.,S E 2. A E = A E 3. A,B E = A B E 4. A,B E = A B E Tilastomatematiikka p.6/73
15 Klassinen todennäköisyys Otosavaruus on äärellinen S = {e 1,e 2,...,e N } Tilastomatematiikka p.7/73
16 Klassinen todennäköisyys Otosavaruus on äärellinen S = {e 1,e 2,...,e N } Alkeistapahtuman todennäköisyys: P(e i ) = 1 N Tilastomatematiikka p.7/73
17 Klassinen todennäköisyys Otosavaruus on äärellinen S = {e 1,e 2,...,e N } Alkeistapahtuman todennäköisyys: P(e i ) = 1 N Satunnaiskokeen tapahtuman A esiintymistodennäköisyys P(A) = m N, missä m = #(A) on joukon A alkioiden lukumäärä. Tilastomatematiikka p.7/73
18 Klassinen todennäköisyys Otosavaruus on äärellinen S = {e 1,e 2,...,e N } Alkeistapahtuman todennäköisyys: P(e i ) = 1 N Satunnaiskokeen tapahtuman A esiintymistodennäköisyys P(A) = m N, missä m = #(A) on joukon A alkioiden lukumäärä. Ilmeisesti P(S) = 1. Tilastomatematiikka p.7/73
19 Kombinatoriikkaa Permutaatio Äärellisen joukon alkioiden jono, jossa jokainen alkio esiintyy täsmälleen kerran. Permutaatioiden lukumäärä n! = (n 1) n Tilastomatematiikka p.8/73
20 Kombinatoriikkaa Permutaatio Äärellisen joukon alkioiden jono, jossa jokainen alkio esiintyy täsmälleen kerran. Permutaatioiden lukumäärä n! = (n 1) n k-permutaatio on äärellisen joukon k:n eri alkion jono, joiden lukumäärä on n! (n k)!. Tilastomatematiikka p.8/73
21 Kombinatoriikkaa Permutaatio Äärellisen joukon alkioiden jono, jossa jokainen alkio esiintyy täsmälleen kerran. Permutaatioiden lukumäärä n! = (n 1) n k-permutaatio on äärellisen joukon k:n eri alkion jono, joiden lukumäärä on n! (n k)!. k-kombinaatio on äärellisen joukon k-alkioinen ( osajoukko. Tässä joukossa on n ) k = n! (n k)!k! alkiota. Tilastomatematiikka p.8/73
22 Geometrinen todennäköisyys Otosavaruus S on jana, alue tai 3-ulotteinen tila. Tilastomatematiikka p.9/73
23 Geometrinen todennäköisyys Otosavaruus S on jana, alue tai 3-ulotteinen tila. Tapahtuma A on S:n osajoukko. Tilastomatematiikka p.9/73
24 Geometrinen todennäköisyys Otosavaruus S on jana, alue tai 3-ulotteinen tila. Tapahtuma A on S:n osajoukko. Tapahtuman A todennäköisyys on P(A) = m(a) m(s) missä m(a) joukon pituus, pinta-ala tai tilavuus. Tilastomatematiikka p.9/73
25 Todennäköisyyden aksiomat Todennäköisyysavaruus on {S, E, P } 1. 0 P(A) 1 2. P(S) = 1 3. P(A B) = P(A) + P(B), kun A B = Lause 1. P(A B) = P(A) + P(B) P(A B) Tilastomatematiikka p.10/73
26 Todennäköisyyden perusominaisuudet Lause 2. Todennäköisyydelle on voimassa: (i) P(A) = 1 P(A), P( ) = 0; (ii) Jos tapahtumat {A i,a 2,...,A n } ovat toisensa poissulkevia, ts. A i A j =, kun i j, niin P(A 1 A 2 A n ) = P(A 1 )+P(A 2 )+ +P(A n ); (iii) Aina kun A B, niin P(A) P(B); (iv) P(A B) = P(A) P(A B). Tilastomatematiikka p.11/73
27 Todennäköisyyden tulkinta satunnaiskokeen N-kertainen toisto "riippumattomasti"; Tilastomatematiikka p.12/73
28 Todennäköisyyden tulkinta satunnaiskokeen N-kertainen toisto "riippumattomasti"; Tarkasteltava tapahtuma A esiintyy n(a) kertaa Tilastomatematiikka p.12/73
29 Todennäköisyyden tulkinta satunnaiskokeen N-kertainen toisto "riippumattomasti"; Tarkasteltava tapahtuma A esiintyy n(a) kertaa Tällöin P(A) = lim N n(a) N Tilastomatematiikka p.12/73
30 2. Ehdollinen todennäköisyys ja riippum Satunnaiskokeen otosavaruus S, E sen tapahtumasysteemi ja P todennäköisyys. Määr 1. Tapahtuman A ehdollinen todennäköisyys ehdolla B on kun P(B) > 0. P(A B) = P(A B), P(B) Tilastomatematiikka p.13/73
31 Ehdollisen todennäköisyyden ominaisu 1. 0 P(A B) 1; 2. P(B B) = 1; 3. P(A 1 A 2 B) = P(A 1 B) + P(A 2 B), kun A 1 A 2 B =. Tilastomatematiikka p.14/73
32 Kertolaskusääntö Todennäköisyyslaskennan kertosääntö: P(A B) = P(B)P(A B), kun P(B) > 0 P(A B) = P(A)P(B A), kun P(A) > 0 Täydellisellä induktiolla voidaan todistaa: Lause 3. Olkoot A 1,A 2,...,A n E siten, että P(A 1 A n ) > 0. Tällöin on voimassa P(A 1 A 2 A n ) = P(A 1 )P(A 2 A 1 )P(A 3 A 2 A 1 ) P(A n A 1 A n 1 ). Tilastomatematiikka p.15/73
33 Esimerkki Esim 4. Laatikossa on 5 punaista ja 3 sinistä sukkaa. Poimitaan umpimähkään kaksi sukkaa. Millä todennäköisyydellä saadaan sininen pari. Ratk.: Tapahtumat: B= 1. sukka sininen, A= saadaan sininen pari. P(A B) = 2 7, sillä 7:stä sukasta 2 sinistä. Koska A = A B, niin P(A) = P(A B) = P(A B)P(B) = = Tilastomatematiikka p.16/73
34 Kokonaistodennäköisyys Pari {A 1,A 2 } on otosavaruuden S ositus, jos A 1 A 2 = ja A 1 A 2 = S. Tilastomatematiikka p.17/73
35 Kokonaistodennäköisyys Pari {A 1,A 2 } on otosavaruuden S ositus, jos A 1 A 2 = ja A 1 A 2 = S. Oletetaan, että P(A i ) > 0, i = 1, 2. Tilastomatematiikka p.17/73
36 Kokonaistodennäköisyys Pari {A 1,A 2 } on otosavaruuden S ositus, jos A 1 A 2 = ja A 1 A 2 = S. Oletetaan, että P(A i ) > 0, i = 1, 2. Tapahtumalle B (P(B) > 0): (A 1 B) (A 2 B) = B (A 1 B) (A 2 B) = Tilastomatematiikka p.17/73
37 Kok.todennäk. P(B) = P(A 1 B) + P(A 2 B). Tilastomatematiikka p.18/73
38 Kok.todennäk. P(B) = P(A 1 B) + P(A 2 B). Toisaalta kertolaskusäännön nojalla i = 1, 2: P(A i B) = P(B A i )P(A i ). Tilastomatematiikka p.18/73
39 Kok.todennäk. P(B) = P(A 1 B) + P(A 2 B). Toisaalta kertolaskusäännön nojalla i = 1, 2: P(A i B) = P(B A i )P(A i ). Kokonaistodennäköisyyden kaava P(B) = P(B A 1 )P(A 1 ) + P(B A 2 )P(A 2 ). Tilastomatematiikka p.18/73
40 Bayesin kaava Kertolaskusäännön ja kokonaistodennäköisyyden perusteella Lause 4 (Bayes n kaava). P(A 1 B) = P(B A 1 )P(A 1 ) 2 k=1 P(A k)p(b A k ). Tilastomatematiikka p.19/73
41 Esimerkki Esim 5. Pumpun venttiilin toimintaa valvotaan automaattisella hälytysjärjestelmällä. Tiedetään, että järjestelmä hälyttää, kun venttiili ei toimi, todennäköisyydellä Todennäköisyydellä järjestelmä ei hälytä, kun venttiili toimii. Venttiili toimii todennäköisyydellä Määrää todennäköisyys sille, että venttiili ei toimi, kun järjestelmä hälyttää. Tilastomatematiikka p.20/73
42 Esimerkki Esim 6. Mikäli piirilevy tehtaan tuotantolinja on oikein säädetty, niin keskimäärin 75 % piirilevyistä on laadultaan hyviä ja keskimäärin 25 % keskinkertaisia. Oletetaan, että 10 %:a ajasta tuotantolinjan säädöt pielessä, ja tällöin vain 25 % piirilevyistä on laadultaan hyviä ja keskimäärin 75 % on keskinkertaisia. Valmistuslinjalta otetaan piirilevy tarkastukseen. Millä todennäköisyydellä linja oli näytteenottohetkellä oikein säädetty, kun piirilevy osoittautui laadultaan hyväksi? Tilastomatematiikka p.21/73
43 Riippumattomuus Määr 2. Tapahtumat A ja B ovat riippumattomia, jos P(A B) = P(A)P(B). Siis; B:n esiintyminen ei vaikuta tapahtuman A todennäköisyyteen: P(A B) = P(A). Lause 5. Tapahtumat A ja B ovat riippumattomia, jos ja vain jos A ja B ovat riippumattomia. Statistinen riippumattomuus on todennäköisyysfunktion ominaisuus. Tilastomatematiikka p.22/73
44 Riippumattomien tapahtumien yhdiste Olkoon tapahtumat A 1,A 2,...,A n riippumattomia. Tilastomatematiikka p.23/73
45 Riippumattomien tapahtumien yhdiste Olkoon tapahtumat A 1,A 2,...,A n riippumattomia. Todennäköisyys tapahtumalle "ainakin yksi tapahtumista A i sattuu" P(A 1 A 2 A n ) = [ ] 1 1 P(A 1 ) [ ] 1 P(A n ). Tilastomatematiikka p.23/73
46 Esimerkki Esim 7. Systeemi koostuu kolmesta rinnankytketystä identtisestä komponentista. Systeemi toimii, jos ainakin yksi kolmesta rinnakkaisesta komponentista on toimiva. Jokaisen komponentin kestoikä on yli 10 viikkoa todennäköisyydellä 0.2. Millä todennäköisyydellä kokonaissysteemin virheetön toiminta-aika on yli 10 viikkoa? Tilastomatematiikka p.24/73
47 Riippumattomien kokeiden yhdistämin E 1, E 2,...,E n riippumattomia satunnaiskokeita Satunnaiskokeiden otosavaruudet S 1,S 2,...,S n, P 1,P 2,...,P n satunnaiskokeiden todennäköisyysfunktiot Yhdistetyn kokeen otosavaruus S = S 1 S 2 S n ( on karteesinen tulo). Tilastomatematiikka p.25/73
48 kokeiden yhdist. Osajoukot ovat muotoa A 1 A 2 A n, jotka tulkitaan tapahtumaksi "A 1 sattuu kokeessa E 1 ja A 2 sattuu kokeessa E 2 jne...". Yhdistetyn tapahtuman todennäköisyys P(A 1 A 2 A n ) = P 1 (A 1 )P 2 (A 2 )...P n (A n ). Satunnaiskokeiden riippumattomuuden päättely: Käytetään ensisijaisesti yleistä tietoa ja tervettä maalaisjärkeä; vasta toissijaisesti laskennallisia menetelmiä. Tilastomatematiikka p.26/73
49 3. Satunnaismuuttuja Luonnon- tai teknistieteellisissä sovellutuksissa satunnaiskokeen lopputulos on numeerinen lukuarvo. Virtapiireissä mitataan jännitteitä ja virranvoimakkuuksia Törmäyskokeissa lasketaan esiintyvien hiukkasten lukumääriä Sähkömagneettisissa sovellutuksissa arvioidaan kentän intensiteettiä Tietoliikennetekniikassa oikein koodattujen bittien lukumäärä Tilastomatematiikka p.27/73
50 Satunnaismuuttuja Satunnaiskokeeseen liitettävää lukua kutsutaan satunnaismuuttujaksi. Matemaattisesti: Satunnaismuuttuja on kuvaus X : S R todennäköisyysavaruudesta {S; E, P } reaalilukujen joukkoon. Satunnaismuuttujan arvojoukko S X tulkitaan satunnaiskokeen otosavaruudeksi. Tilastomatematiikka p.28/73
51 Satunnaismuuttuja Satunnaismuuttujan valinta ei ole yksikäsitteinen; Esim. Nopanheitossa silmäluku on satunnaismuuttuja; mutta yhtä hyvin voitaisiin valita satunnaismuuttujaksi X( silmäluku on i ) = i, i = 1, 2, 3, 4, 5, 6. Kuvaus X on satunnaismuuttuja, jos tapahtuma {X x} on tapahtumasysteemin E joukko: {X x} = {e S X(e) x} E. Tilastomatematiikka p.29/73
52 Kertymäfunktio Realisaatio: Satunnaismuuttujan arvo x satunnaiskokeessa; Tarkasteltavat tapahtumat A = {a X b}, tai {X I I R}; Satunnaismuuttujaan liittyvä todennäköisyysmitta P X ({X x}) = P({e S X(e) x}). kertymäfunktio: F X (x) = P X (X x). Tilastomatematiikka p.30/73
53 Kertymäfunktion ominaisuuksia 1. F(x 1 ) F(x 2 ), kun x 1 x 2 ; 2. F(x) 0; 3. F( ) = 0, F( ) = 1 4. P(x 1 < X x 2 ) = F(x 2 ) F(x 1 ). Tapahtuma {X } on tietysti tyhjä joukko, ja {X < } täytyy sisältää kaikki satunnaiskokeen tapahtumat. Tilastomatematiikka p.31/73
54 3.1 Diskreetti satunnaismuuttuja Diskreetin satunnaismuuttujan X arvojoukko S X on äärellinen tai numeroituvasti ääretön: S X = {x k ; k = 1, 2, 3,... }. Pistetodennäköisyysfunktio: { P(X = x k ), x = x k f(x) = 0, x x k, k Diskreetin satunnaismuuttujan kertymäfunktio on porrasfunktio F(x) = x k xp(x = x k ). Tilastomatematiikka p.32/73
55 Binomijakauma Toistokoe: n riippumattomatonta toistoa. Tapahtuman B todennäköisyys P(B) = p, ja komplementtitapahtuma B, P(B) = 1 p. Satunnaismuuttuja X ilmoittaa tapahtuman B esiintymisten lukumäärän n-kertaisessa toistossa. Satunnaismuuttujan arvojoukko S X = {0,...,n}. Tilastomatematiikka p.33/73
56 Binomijakauma Tapahtumien B sattuu täsmälleen k kertaa lukumäärä on ( n k). Yksittäisen kertaotoksen todennäköisyys on p k (1 p) n k. Binomi-jakautuneen satunnaismuuttujan pistetodennäköisyysfunktio on ( ) n P(X = k) = p k (1 p) n k. k Merkintäsopimus: X Bin(p). Tilastomatematiikka p.34/73
57 Esim.1 Tietoliikennekanava lähettää bittejä 0 ja 1. Kanavan häiriöiden takia esiintyy satunnainen dekoodausvirhe, jonka todennäköisyys on p (kts. kuva) 0 1 p 0 p p p Millä todennäköisyydellä 10-bittisen viestin dekoodauksessa esiintyy täsmälleen 3 virheellisesti dekoodattua bittiä? Tilastomatematiikka p.35/73
58 Esim.2 Satunnaislukugeneraattori tuottaa numeroa joukosta {0, 1, 2,..., 9}. Millä todennäköisyydellä 4 peräkkäistä numeroa ovat samat? Jaetaan saatu numerosarja 2500:aan 4:n numeron blokkiin. Satunnaismuuttuja X ilmoittaa lukumäärän blokeille, joissa kaikki 4 numeroa ovat samat. Määrää X:n tn-jakauma. Millä todennäköisyydellä numerosarja sisältää enemmän kuin 2 neljä samaa numeroa sisältävää blokkia? Tilastomatematiikka p.36/73
59 Geometrinen jakauma Satunnaiskokeen n-kertainen toisto; Tarkasteltava tapahtuma B Millä todennäköisyydellä B tapahtuu ensimmäisen kerran k:nnella toistolla? Tapahtuman A = B B }{{} k 1 kertaa B. todennäköisyys on P(A) = (1 p) k 1 p. Tilastomatematiikka p.37/73
60 Geometrinen jakauma Satunnaismuuttuja X ilmoittaa monennella kerralla B sattuu ensimmäisen kerran. Pistetodennäköisyysfunktio on Merkintä: X Geo(p) P(X = k) = p(1 p) k 1. Tilastomatematiikka p.38/73
61 Esim.3 T. Teekkari saapuu laskiaisriehasta kotiin. Avainnipussa on n = 10 avainta. Hän kokeilee satunnaisesti avaimia lukkoon. Jokaisen kokeilun jälkeen avaimella on yhtä suuri todennäköisyys tulla valituksi seuravilla kerroilla. Millä todennäköisyydellä hän saa oven auki 4:nnellä yrittämällä? Millä tn:llä yrityksiä tarvitaan enemmän kuin kolme kappaletta? Tilastomatematiikka p.39/73
62 Poisson-jakauma Kun n-kertaisessa toistokokeessa Toistojen lukumäärä n on hyvin suuri; Tapahtuman B todennäköisyys on pieni (P(B) << 1) P(A k ) = ( ) n p k (1 p) n k = k P k = ak e a, k! missä a = np ja 0 k <. n! k!(n k)! pk (1 p) n k Tilastomatematiikka p.40/73
63 Poisson-jakauma Eksponenttifunktio: e a = k=0 ak k! Poisson-jakautuneen satunnaismuuttujan X : S N pistetodennäköisyys sillä k=0 P(X = k) = ak e a, k! P(X = k) = e a k=0 a k k! = e a e a = 1. Tilastomatematiikka p.41/73
64 Poisson-jakauma Luku a on keskimääräinen lukumäärä tapahtumalle B X Poi(a) Klassinen esimerkki: valosähköinen ilmiö: Valonsäde irroittaa valosähköisesti herkän materiaalin pinnasta elektroneja. Vetämällä ne positiivisella jännitteellä varattuun anodiin ulkoisen virtapiirin virran voimakkuus kasvaa. Virran voimakkuudesta voidaan päätellä irronneiden elektronien lukumäärä. Tilastomatematiikka p.42/73
65 Hurraa, Einstein! Irronneiden elektronien lukumäärä on satunnaismuuttuja. Keskimääräinen emittoituneiden elektronien lukumäärä a on suoraan verrannollinen säteilyn kokonaisenergiaan W aikavälillä [0, T]: a = ηw hν, (HURRAA, EINSTEIN!), missä h on Planck n vakio, η on ns. materiaalin kvanttitehokkuus ja ν aallonpituus. Tilastomatematiikka p.43/73
66 Valosähk. ilmiö Fotoni irroittaa elektronin tn:llä η << 1; W hν on pintaan osuvien fotonien lukumäärä; Todennäköisyys, että k elektronia rekisteröidään mittalaitteessa noudattaa binomijakaumaa Mutta; elektronien lukumäärä n >> 1 ja irtoamistodennäköisyys η << 1, niin satunnaismuuttuja X (emittoituneiden elektronien lukumäärä) noudattaa Poissonin jakaumaa Poi(a). Tilastomatematiikka p.44/73
67 Esim.4 Asiakaspalveluun saapuu keskimäärin soittoa vuorokaudessa. Asiakaspalvelun ylikuormitustila on pienin kokonaisluku N siten, että asiakaspalveluun saapuu tn:llä enemmän kuin N puhelua sekunnisssa. Olettaen, että puhelujen lukumäärä on Poisson-jakautunut, määrää systeemin ylikuormitustila. Tilastomatematiikka p.45/73
68 Esimerkkejä Painovirheiden lukumäärä kirjan sivulla; Yli 100-vuotiaaksi elävien lukumäärä kunnassa; Vääriin numeroihin soitettujen puhelujen lukumäärä vuorokaudessa; Asiakkaiden saapuminen aikayksikössä Galaksien lukumäärä alueessa R Tilastomatematiikka p.46/73
69 Ominaisuuksia Jos X 1 Bin(n 1,p) ja X 2 Bin(n 2,p), niin X 1 + X 2 Bin(n 1 + n 2,p) Jos X 1 Poi(a 1 ) ja X 2 Poi(a 2 ), niin X 1 + X 2 Poi(a 1 + a 2 ) Tilastomatematiikka p.47/73
70 Hypergeometrinen jakauma Tarkastellaan numeroita {1, 2,...,N} Numeroista on merkitty m kappaletta Valitaan joukosta umpimähkäisesti n numeroa Millä todennäköisyydellä kokeensuorittaja valitsi täsmälleen k kappaletta ennakolta merkittyä numeroa? Tilastomatematiikka p.48/73
71 Hypergeometrinen jakauma Satunnaiskoe määrittelee satunnaismuuttujan X, joka noudattaa hypergeometrista jakaumaa: ( m N m ) P(X = k) = k)( n k ( N. n) Esim.: Millä todennäköisyydellä lotossa saadaan täsmälleen 4 oikein? Tilastomatematiikka p.49/73
72 3.2 Jatkuva satunnaismuuttuja Satunnaismuuttuja X on jatkuva, jos kertymäfunktio on jatkuva kaikilla x:n arvoilla Lisäoletus: kertymäfunktio on paloittain derivoituva Tällöin kertymäfunktion derivaatta on tiheysfunktio f X (x) = df X(x) dx Tilastomatematiikka p.50/73
73 Tiheysfunktio Kertymäfunktio tiheysfunktion f X (t) integraali F X (x) = x f X (t)dt. Jos ei ole suurta erehtymisen riskiä, niin usein merkitään f(x) = f X (x). Jatkuvalle jakaumalle F(a + h) F(a h) 0, kun h 0. Näin ollen P(X = a) = 0. Diskreetille jakaumalle tämä ei välttämättä päde. Tilastomatematiikka p.51/73
74 Tiheysfunktion ominaisuuksia 1. f X(x)dx = 1; 2. P(a < X b) = b a f X(x)dx = F X (b) F X (a); 3. f X (x) = df X(x) dx. Koska P(x = b) = 0, niin jatkuvalle jakaumalle: P(a < X < b) = P(a X < b) = P(a X b) = P(a < X b). Tilastomatematiikka p.52/73
75 Eksponenttijakauma Eksponenttijakauman, X exp(a), tiheysfunktio f X (x) = 0, x < 0, ae ax, x 0. kertymäfunktio F X (x) = x f X(x)dx = 0, x < 0 1 e ax, x 0. Parametri a > 0: Käänteisluku 1 a ilmoittaa satunnaismuuttujan keskimääräisen arvon. Mallinnetaan tapahtuman odotusaikaa (diodin elinaika) Tilastomatematiikka p.53/73
76 Tasajakauma Tasajakauman, X Tas(a, b), 0, x < a Tiheysfunktio f X (x) = 1 b a, a x b. 0, x > b 0, x < a Kertymäfunktio F X (x) = x a b a, a x b 1, x > b. Tilastomatematiikka p.54/73
77 Normaalijakauma 2-parametrinen jakauma: X N(µ,σ 2 ). Tiheysfunktio on ns. Gaussin kellokäyrä: f X (x) = 1 2πσ 2 e (x µ)2 2σ 2. Parametri µ on satunnaismuuttujan X keskimääräinen arvo; Parametri σ 2 sen varianssi (tunnusluvut tarkemmin myöhemmillä luennoilla), ja σ on hajonta. Tilastomatematiikka p.55/73
78 Normaalijakauman kertymäfunktio Arvoja F X (x) = 1 2πσ 2 x 2 e (z µ) 2σ 2 dz ei osata laskea tarkasti. (0, 1)-jakautuneen l. standardisoidun normaalijakauman kertymäfunktion Φ(x) arvot taulukosta Tilastomatematiikka p.56/73
79 Standardisoitu normaalijakauma tiheysfunktio kertymäfunktio f X (x) = 1 e x2 2 2π Φ(x) = 1 2π x e t2 2 dt. Kertymäfunktion arvot Φ(x):n taulukosta Tilastomatematiikka p.57/73
80 Φ(x):n ominaisuuksia Symmetriaominaisuus: Φ( x) = 1 Φ(x). Todennäköisyys, että Z [a,b] on P(a < Z < b) = Φ(b) Φ(a). Lause 6. Jos Z N(0, 1), niin satunnaismuuttuja X = σz + µ N(µ,σ 2 ). Tilastomatematiikka p.58/73
81 Taulukon käyttö Olkoon X N(µ,σ 2 ) =. Satunnaismuuttuja Z = X µ σ N(0, 1). Todennäköisyys sille, että X a on P(X a) = P(Z a µ σ ) = Φ(a µ σ ). Tilastomatematiikka p.59/73
82 Vikaantumisjakaumat Laitteiston ehdollinen vikaantumistodennäköisyys hasardifunktio β(t); satunnaismuuttuja X = rikkoontumisajankohta ; Ehdollinen todennäköisyys laitteiston vikaantumiselle aikavälillä [t, t + dt] P(t < X t + dt X t) = β(t)dt. Tilastomatematiikka p.60/73
83 Hasardifunktio Satunnaismuuttujan X tiheysfunktio f(t) ja kertymäfunktio F(t). P(t < X t + dt X t) = F(t + dt X t) F(t X t) = F(t + dt) F(t) 1 F(t) = f(t)dt 1 F(t). = hasardifunktio β(t) = f(t) 1 F(t) Tilastomatematiikka p.61/73
84 Hasardifunktio Tiheysfunktio on kertymäfunktion derivaatta = β(t) = F (t) 1 F(t) = d dt ln[1 F(t)]. Integroimalla puolittain saadaan: { 0, t < 0 F(t) = 1 e t 0 β(s)ds, t 0. Tiheysfunktio: f(t) = { 0, t < 0 β(t)e t 0 β(s)ds, t 0. Tilastomatematiikka p.62/73
85 Weibull n jakauma Weibullin jakauman hasardifunktio β(t) = abt b 1, t > 0, a,b > 0. Weibullin jakauman tiheys- ja kertymäfunktio ovat F(t) = 1 e atb, t > 0 f(t) = abt b 1 e atb, t > 0. Weibullin jakauma on odotusajan jakauma, jonka avulla mallinnetaan jonkun suotuisan tapahtuman ajankohtaa Tilastomatematiikka p.63/73
86 4. Jakauman tunnusluvut Odotusarvo = satunnaismuuttujan keskimääräinen arvo Varianssi (hajonta) mittaa poikkeamaa keskimääräisestä arvosta Vinous Kurtosis Tilastomatematiikka p.64/73
87 4.1 Odotusarvo Diskreetin jakauman odotusarvo Odotusarvo ilmoittaa jakauman keskimääräisen arvon E(X) = k I x kp(x = x k ), jos summa on suppeneva. Tilastomatematiikka p.65/73
88 Esimerkkejä Geometrisen jakauman odotusarvo E(X) = 1 p, missä jakauman parametri on 0 < p < 1. Binomijakauman Bin(n, p) odotusarvo E(X) = np. Poissonin jakauman P oi(a) odotusarvo on E(X) = a. Tilastomatematiikka p.66/73
89 Mutta, jos Satunnaismuuttujan X pistetodennäköisyysfunktio on Tällöin E(X) = P(X = k) = 6 π 2 k 2, k=1 k 6 π 2 k 2 = 6 π 2 k=1 1 k =. Satunnaismuuttujalla X ei ole odotusarvoa. Tilastomatematiikka p.67/73
90 Jatkuvan jakauman odotusarvo Satunnaismuuttujan X tiheysfunktio f X (x) kertymäfunktio F X (x) Satunnaismuuttujan odotusarvo E(X) = mikäli integraali on olemassa. xf X (x)dx, Tilastomatematiikka p.68/73
91 Cauchy-jakauma Cauchy-jakauman tiheysfunktio f(x) = 2 π x 2u(x). Tilastomatematiikka p.69/73
92 Cauchy-jakauma Cauchy-jakauman tiheysfunktio Kun a > 0 2 π a 0 f(x) = 2 π x 1 + x 2dx = 2 π / a x 2u(x). 1 2 log(1+x2 ) = 1 2π log(1+a2 ). Tilastomatematiikka p.69/73
93 Cauchy-jakauma Cauchy-jakauman tiheysfunktio Kun a > 0 2 π a 0 f(x) = 2 π x 1 + x 2dx = 2 π / a x 2u(x). Odotusarvoa ei ole olemassa, sillä 0 2 dx = lim π(1 + x 2 ) a 1 2 log(1+x2 ) = 1 2π log(1+a2 ). 1 2π log(1 + a2 ) = Tilastomatematiikka p.69/73
94 Tärkeiden jakaumien odotusarvoja: X Tas(a,b), E(X) = a + b 2 X Exp(λ), E(X) = 1 λ X N(µ,σ 2 ), E(X) = µ Tilastomatematiikka p.70/73
95 4.2 Odotusarvon ominaisuuksia X on diskreetti satunnaismuuttuja h(x) reaaliarvoinen differentioituva funktio Satunnaismuuttujan Y = h(x) arvojoukko S Y = {y j = h(x j ) x j S X } pistetodennäköisyysfunktio P(Y = y j ) = x i y j =h(x i ) P(X = x i). Oletus: x i h(x i ) P(X = x i ) <. Tilastomatematiikka p.71/73
96 Lauseita Lause 7. Satunnaismuuttujan Y = h(x) odotusarvo E(Y ) = E(h(X)) = x i h(x i )P(X = x i ). Lause 8. Olkoon h(x) siten, että h(x) f X(x)dx <. Tällöin satunnaismuuttujan Y = h(x) odotusarvo E(Y ) = h(x)f X(x)dx. Tilastomatematiikka p.72/73
97 Lineaarisuus Satunnaismuuttujan odotusarvo on lineaarinen, ts. on voimassa: Lause 9. Olkoon X ja Y reaalisia satunnaismuuttujia, ja a, b R. Tällöin E(aX + by ) = ae(x) + be(y ). Huom! Vakion odotusarvo on vakio: E(a) = a. Tilastomatematiikka p.73/73
Tilastomatematiikka 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
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 2
031021P Tilastomatematiikka (5 op) viikko 2 Jukka Kemppainen Mathematics Division Satunnaismuuttuja Useissa luonnon- tai teknistieteellisissä sovellutuksissa satunnaiskokeen lopputulos on numeerinen lukuarvo.
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
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
LisätiedotTilastomatematiikka. Jukka Kemppainen Oulun yliopisto Tekniikan matematiikka
Tilastomatematiikka Jukka Kemppainen Oulun yliopisto Tekniikan matematiikka 20. tammikuuta 2017 2 3 2.5 Deterministinen Stokastinen 2 1.5 1 0.5 0 0 0.2 0.4 0.6 0.8 1 Tämä luentomoniste on tehty professori
LisätiedotTilastomatematiikka. Jukka Kemppainen Oulun yliopisto Tekniikan matematiikka
Tilastomatematiikka Jukka Kemppainen Oulun yliopisto Tekniikan matematiikka 18. helmikuuta 2016 2 Tämä luentomoniste on tehty professori Keijo Ruotsalaisen luentojen pohjalta. Alkuperäisestä kirjoitustyöstä
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
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
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
LisätiedotTilastomatematiikka. Keijo Ruotsalainen University of Oulu, Faculty of Technology Division of Mathematics
Tilastomatematiikka Keijo Ruotsalainen University of Oulu, Faculty of Technology Division of Mathematics 20. maaliskuuta 2013 2 Tämä luentomoniste on tehty professori Keijo Ruotsalaisen luentojen pohjalta.
Lisätiedot30A02000 Tilastotieteen perusteet
30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi
Lisätiedot(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.
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
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
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
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
Lisätiedot031021P Tilastomatematiikka (5 op)
031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division Yleinen todennäköisyys Kertausmateriaalissa esiteltiin koulusta tuttuja todennäköisyysmalleja. Tällä kurssilla todennäköisyys on
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
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
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,
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)
LisätiedotSuotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä
Todennäköisyys 1 Klassinen todennäköisyys: p = Suotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä Esimerkkejä: Nopan heitto, kolikon heitto Satunnaismuuttuja Tilastollisesti vaihtelevaa
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
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
LisätiedotMS-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
Lisätiedot031021P Tilastomatematiikka (5 op)
031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division Käytännön asioita Luennot (yht. 11 4 h) ti 12-14 ja to 8-10 (ks. tarkempi opetusohjelma Oodista tms.) Harjoitukset (yht. 11 2 h)
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
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015
12.1.2016/1 MTTTP5, luento 12.1.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
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
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
LisätiedotD ( ) Var( ) ( ) E( ) [E( )]
Mat-.2620 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Diskreettejä jakaumia Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Eksponenttijakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
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
Lisätiedot4. Todennäköisyyslaskennan kertausta
luento04.ppt S-38.1145 - Liikenneteorian perusteet - Kevät 2006 1 Sisältö eruskäsitteet Diskreetit satunnaismuuttujat Diskreetit jakaumat lkm-jakaumat Jatkuvat satunnaismuuttujat Jatkuvat jakaumat aikajakaumat
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
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
Lisätiedot&idx=2&uilang=fi&lang=fi&lvv=2015
20.10.2015/1 MTTTP5, luento 20.10.2015 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
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.
LisätiedotMiten hyvin mallit kuvaavat todellisuutta? Tarvitaan havaintoja.
Luku 1 Johdanto 1.1 Todennäköisyys ja tilastotiede Kurssi käsittelee todennäköisyyslaskentaa ja tilastotiedettä. Laaditaan satunnaisilmiöille todennäköisyysmalleja. Miten hyvin mallit kuvaavat todellisuutta?
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,
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
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..
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 1A
Tilastollinen päättely II, kevät 207 Harjoitus A Heikki Korpela 23. tammikuuta 207 Tehtävä. Kertausta todennäköisyyslaskennasta. Ilmoita satunnaismuuttujan Y jakauman nimi ja pistetodennäköisyys- tai tiheysfunktio
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
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.
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.
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,
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
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
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotTodennäköisyyslaskenta sivuaineopiskelijoille
Todennäköisyyslaskenta sivuaineopiskelijoille Tentit: 4.11.2013 ja 2.12.2013. Loput kaksi tenttiä (vuonna 2014) ilmoitetaan myöhemmin. Tentissä on 4 tehtävää á 8 pistettä, aikaa 4 tuntia. Arvostelu 0 5.
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
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
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
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-2.090 Sovellettu todennäköisyyslasku A Harjoitus 4 (vko 41/2003) (Aihe: diskreettejä satunnaismuuttujia ja jakaumia, Laininen luvut 4.1 4.7) 1. Kone tekee
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
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,
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
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
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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila Kalvoissa käytetään materiaalia P. Palon vuoden 2005 kurssista. 07.09.2007 Antti Rasila () SovTodB 07.09.2007 07.09.2007 1 / 24 1 Todennäköisyyslaskennan
LisätiedotHY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I
HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I Tehtävä 1 on klassikko. 1. Tässä tehtävässä tapahtumat A ja B eivät välttämättä
LisätiedotTodennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syyslokakuu 019 / Hytönen. laskuharjoitus, ratkaisuehdotukset 1. Kurssilla on 0 opiskelijaa, näiden joukossa Jutta, Jyrki, Ilkka ja Alex. Opettaja aikoo valita umpimähkään opiskelijan
LisätiedotSatunnaismuuttujan odotusarvo ja laskusäännöt
Luku 3 Satunnaismuuttujan odotusarvo ja laskusäännöt Lasse Leskelä Aalto-yliopisto 16. syyskuuta 2017 3.1 Odotusarvon käsite ja suurten lukujen laki Lukuarvoisen satunnaismuuttujan X odotusarvo määritellään
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa I
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa I G. Gripenberg 1 Todennäköisyys Satunnaismuuttujat Keskeinen raja-arvolause Aalto-yliopisto. tammikuuta 015 Kaksiulotteiset satunnaismuuttujat
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa I
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa I G. Gripenberg Aalto-yliopisto 2. tammikuuta 2015 G. Gripenberg (Aalto-yliopisto) MS-A0502 Todennäköisyyslaskennan ja tilastotieteen
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
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
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.
LisätiedotSatunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio KE (2014) 1 Satunnaismuuttujat ja niiden todennäköisyysjakaumat Satunnaismuuttujat
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
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
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015
25.10.2016/1 MTTTP5, luento 25.10.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
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
LisätiedotTodennäköisyysjakaumia
8.9.26 Kimmo Vattulainen Todennäköisyysjakaumia Seuraavassa esitellään kurssilla MAT-25 Todennäköisyyslaskenta esille tulleita diskreettejä todennäköisyysjakaumia Diskreetti tasajakauma Bernoullijakauma
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
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)
LisätiedotMatemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto
Matemaattinen tilastotiede Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto Alkusanat Tämä moniste perustuu vuosina 2002-2004 pitämiini matemaattisen tilastotieteen luentoihin
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Todennäköisyyslaskennan käsitteitä Satunnaisuus ja deterministisyys Deterministisessä ilmiössä alkutila määrää lopputilan yksikäsitteisesti. Satunnaisilmiö puolestaan arpoo - yhdestä alkutilasta voi päätyä
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
Lisätiedot031021P Tilastomatematiikka (5 op) Kurssi-info ja lukion kertausta
031021P Tilastomatematiikka (5 op) Kurssi-info ja lukion kertausta Jukka Kemppainen Mathematics Division Käytännön asioita Luennot (yht. 7 4 h) ke 12-14 ja pe 8-10 (ks. tarkemmin Oodista tai Nopasta) Harjoitukset
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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
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)
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.
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
LisätiedotTilastomatematiikka TUDI
Miika Tolonen http://www.mafy.lut.fi/tilmattudi Laboratory of Applied Mathematics Lappeenranta University of Technology 10. syyskuuta 2014 Sisältö I Johdanto 1 Johdanto 2 Satunnaiskokeet ja satunnaismuuttujat
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
Lisätiedot0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä niistä
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
LisätiedotMääritelmä 3.1 (Ehdollinen todennäköisyys) Olkoot A ja B otosavaruuden Ω tapahtumia. Jos P(A) > 0, niin tapahtuman B ehdollinen todennäköisyys
Luku 3 Satunnaismuuttujat, ehdollistaminen ja riippumattomuus Tässä luvussa käsitellään satunnaismuuttujien ominaisuuksia ja täydennetään todennäköisyyslaskennan tietoja. Erityisesti satunnaismuuttujien
LisätiedotTodennäköisyyslaskenta I. Ville Hyvönen
Todennäköisyyslaskenta I Ville Hyvönen Kesä 2016 Sisältö 1 Todennäköisyys 3 1.1 Klassinen todennäköisyys............................ 3 1.2 Kombinatoriikkaa................................ 6 1.2.1 Tuloperiaate...............................
LisätiedotSatunnaismuuttujien tunnusluvut
Sisältö 1 Johdanto 1 1.1 Todennäköisyys ja tilastotiede.................. 1 1.2 Havaitut frekvenssit ja empiiriset jakaumat........... 1 1.3 Todennäköisyysmallit....................... 4 1.3.1 Satunnaiskoe.......................
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä
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
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
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa I
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa I G. Gripenberg Aalto-yliopisto 2. tammikuuta 2015 G. Gripenberg (Aalto-yliopisto) MS-A0502 Todennäköisyyslaskennan ja tilastotieteen
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
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
Lisätiedot