4. Todennäköisyyslaskennan kertausta
|
|
- Susanna Kouki
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Sisältö Peruskäsitteet Diskreetit satuaismuuttujat Diskreetit jakaumat (lkm-jakaumat) Jatkuvat satuaismuuttujat Jatkuvat jakaumat (aikajakaumat) Muut satuaismuuttujat lueto04.ppt S Liikeeteoria perusteet - Kevät 006 Otosavaruus, alkeistapaus, tapahtuma Tapahtumie yhdistely Otosavaruus Ω (sample space) o kaikkie mahdolliste alkeistapauste ω (sample) muodostama joukko, ω Ω Esim. 0. Rahaheitto: Ω = {H,T} Esim.. Nopaheitto: Ω = {,,3,4,5,6} Esim.. Asiakkaide lkm joossa: Ω = {0,,,...} Esim. 3. Asiakkaa palveluaika (esim. miuutteia): Ω = { R > 0} Tapahtumat A,B,C,... (evets) ovat otosavaruude Ω mitallisia osajoukkoja, A,B,C,... Ω Esim.. Nopaheitossa parillie luku : A = {,4,6} Esim.. Joo tyhjä : A = {0} Esim. 3. Asiakkaa palvelu kestää yli 3 miuuttia : A = { R > 3.0} Merkitää :llä kaikkie tapahtumie A joukkoa, A Varma tapahtuma: otosavaruus Ω itse Mahdoto tapahtuma: tyhjä joukko 3 Yhdiste (uio) A tai B : A B = {ω Ω ω A tai ω B} Leikkaus (itersectio) A ja B : A B = {ω Ω ω A ja ω B} Komplemetti (complemet) ei A : A c = {ω Ω ω A} Tapahtumat A ja B ovat toistesa poissulkevia (disjoit), jos A B = Kokoelma tapahtumia {B, B, } muodostaa tapahtuma A ositukse (partitio), jos (i) B i B j = kaikilla i j (ii) i B i = A Esim.. Nopaheitossa parittomat ja parilliset luvut osittavat koko otosavaruude: B = {,3,5} ja B = {,4,6} B B B 3 A 4
2 Todeäköisyys Ehdollie todeäköisyys Tapahtuma A todeäköisyyttä (t, probability) merkitää :lla, [0,] Todeäköisyysmitta P o siis s. joukkofuktio, P: [0,] Omiaisuuksia: (i) 0 A (ii) ) = 0 (iii) Ω) = (iv) A c ) = (v) A = + A (vi) A B = A = + (vii) kokoelma {B i } o tapahtuma A ositus = Σ i B i ) (viii) A B B Oletetaa, että tapahtumalle B: > 0 Määr. Tapahtuma A ehdollie todeäköisyys (coditioal probability) ehdolla B o Seuraus: A A = P ( A = A = B 5 6 Kokoaistodeäköisyyde kaava Bayesi kaava Olkoo kokoelma {B i } otosavaruude Ω ositus Tällöi kokoelma {A B i } o tapahtuma A ositus, jote (kts. kalvo 5) ( vii) = i i P ( A B ) Olkoo kokoelma {B i } otosavaruude Ω ositus Oletetaa, että > 0 ja B i ) > 0 kaikilla i. Tällöi (kts. kalvo 6) A B ) B ) A B ) P ( Bi = i = i i Oletaa lisäksi, että B i ) > 0 kaikilla i. Tällöi (kts. kalvo 6) Näi olle, kokoaistodeäköisyyde kaava ojalla (kts. kalvo 7), P ( B ) A B ) = i i i B = i ) A Bi ) B i B ) A B j j j ) Tätä kutsutaa kokoaistodeäköisyyde kaavaksi B B A B 3 B4 Ω 7 Tätä kutsutaa Bayesi kaavaksi t:iäb i ) kutsutaa tapahtumie B i a priori todeäköisyyksiksi t:iäb i taas saotaa tapahtumie B i a posteriori todeäköisyyksiksi (ehdolla, että tapahtuma A tapahtui) 8
3 Tilastollie riippumattomuus Satuaismuuttujat Määr. Tapahtumat A ja B ovat riippumattomia (idepedet), jos P ( A = Seuraus: Vastaavasti: A A = = = A B = = = Määr. Reaaliarvoie satuaismuuttuja (sm, radom variable) o mitallie kuvaus otosavaruudesta Ω reaalilukuje joukkoo R, : Ω R jokaisee alkeistapauksee ω Ω liitetää reaaliluku (ω) Mitallisuus (measurability) tarkoittaa, että kaikki tyyppiä { }: = { ω Ω ( ω) } Ω olevat otosavaruude joukot kuuluvat tapahtumie joukkoo, ts. { } Tapahtuma todeäköisyys o site } 9 0 Esimerkki Tapahtuma idikaattori Rahaa heitetää kolme kertaa peräkkäi Otosavaruus: Ω = {( ω, ω, ω3) ω i {H,T}, i =,,3} Olkoo satuaismuuttuja, joka kertoo klaavoje (T = tails) lkm: äissä kolmessa heitossa: ω HHH HHT HTH THH HTT THT TTH TTT (ω) 0 3 Olkoo A mielivaltaie tapahtuma Määr. Satuaismuuttujaa A, joka määritellää kaavalla, ω A A( ω) = 0, ω A saotaa tapahtuma A idikaattoriksi (idicator) Selvästiki: A = } = c A = 0} = A ) =
4 Kertymäfuktio Satuaismuuttujie tilastollie riippumattomuus Määr. Sm: kertymäfuktio (kf, cumulative distributio fuctio) o kuvaus F : R [0,], joka määritellää kaavalla Kf määrää täydellisesti ko. sm: jakauma (distributio) so. t:t B}, missä B Rja { B} Omiaisuuksia: (i) F o kasvava (ii) F o oikealta jatkuva (iii) F ( ) = 0 (iv) F ( ) = F ( ) } 0 F () Määr. Sm:t ja Y ovat riippumattomia, jos kaikilla ja y, Y y} } Y y} Määr. Sm:t,, ovat täydellisesti riippumattomia, jos kaikilla i ja i,..., } } L } 3 4 Riippumattomie satuaismuuttujie maksimi ja miimi Sisältö Olkoot sm:t,, täydellisesti riippumattomia Merkitää ma := ma{,, }. Tällöi ma }, K, } } L } Merkitää mi := mi{,, }. Tällöi mi > } >, K, > } > } L > } Peruskäsitteet Diskreetit satuaismuuttujat Diskreetit jakaumat (lkm-jakaumat) Jatkuvat satuaismuuttujat Jatkuvat jakaumat (aikajakaumat) Muut satuaismuuttujat 5 6
5 Diskreetit satuaismuuttujat Pistetodeäköisyysfuktio Määr. Joukkoa A R saotaa diskreetiksi (discrete), jos se o äärellie, A = {,, }, tai umeroituvasti ääretö, A = {,, }. Määr. Sm o diskreetti, jos o olemassa sellaie diskreetti joukko S R, että Seuraus: = } 0 kaikilla S S } = = } = 0 kaikilla S Joukkoa S saotaa sm: arvojoukoksi 7 Olkoo sm diskreetti Sm: jakauma määräävät pistetodeäköisyydet p i, pi : = i}, i S Määr. Sm: pistetodeäköisyysfuktio (ptf, probability mass fuctio) p : R [0,] määritellää kaavalla p, = i i p ( ) : = } = 0, S Kf o tässä tapauksessa seuraava porrasfuktio: p F ( ) } = i i: i S 8 Esimerkki Diskreettie satuaismuuttujie riippumattomuus p () F () Diskreetit sm:t ja Y ovat riippumattomia, jos ja vai jos kaikilla i S ja y j S Y P { = i, Y = y j} = i} Y = y j} pistetodeäköisyysfuktio (ptf) kertymäfuktio (kf) S = {,, 3, 4 } 9 0
6 Odotusarvo Variassi Määr. Sm: odotusarvo (mea, epectatio) määritellää kaavalla µ : = E[ ]: = = } = p ( ) = pi i S S i Huom.. Odotusarvo o (hyvi) määritelty vai, jos Σ i p i i < Huom.. Jos i 0 ja Σ i p i i =, ii voidaa merkitä E[] = Määr. Sm: variassi (variace) määritellää kaavalla σ : = D [ ]: = Var[ ]: = E[( E[ ]) ] Kätevä kaava (todista!): D [ ] = E[ ] E[ ] Omiaisuuksia: (i) c R E[c] = ce[] (ii) E[ + Y] = E[] + E[Y] (iii) ja Y riippumattomia E[Y] = E[]E[Y] Omiaisuuksia: (i) c R D [c] = c D [] (ii) ja Y riippumattomia D [ + Y] = D [] + D [Y] Kovariassi Muita jakaumaa liittyviä tuuslukuja Määr. Sm:ie ja Y välie kovariassi (covariace) määr. kaavalla Määr. Sm: hajota (stadard deviatio): σ Y : = Cov[, Y ]: = E[( E[ ])( Y E[ Y ])] σ : = D [ ]: = D [ ] Kätevä kaava (todista!): Määr. Sm: variaatiokerroi (coefficiet of variatio): Cov[, Y ] = E[ Y ] E[ ] E[ Y ] D[ ] c : = C[ ]: = E[ ] Omiaisuuksia: (i) Cov[,] = Var[] (ii) Cov[,Y] = Cov[Y,] (iii) Cov[+Y,Z] = Cov[,Z] + Cov[Y,Z] (iv) ja Y riippumattomia Cov[,Y] = 0 3 Määr. Sm: k:s mometti (momet), k =,,...: ( k) k µ : = E[ ] 4
7 Riippumattomie satuaismuuttujie keskiarvo Suurte lukuje laki (SLL) Olkoot sm:t,, riippumattomia ja samoi jakautueita (IID) odotusarvoaa µ ja variassiaa σ Merkitää äide sm:ie keskiarvoa (sample mea) seuraavasti: : = i i= Tällöi (todista!) E[ ] = µ D σ [ ] = D[ σ ] = 5 Olkoot sm:t,, riippumattomia ja samoi jakautueita (IID) odotusarvoaa µ ja variassiaa σ Heikko suurte lukuje laki: kaikilla ε > 0 Vahva suurte lukuje laki: todeäköisyydellä Seuraus: Suurilla : arvoilla µ > ε} 0 µ µ 6 Sisältö Beroulli-jakauma Peruskäsitteet Diskreetit satuaismuuttujat Diskreetit jakaumat (lkm-jakaumat) Jatkuvat satuaismuuttujat Jatkuvat jakaumat (aikajakaumat) Muut satuaismuuttujat kuvaa yksittäistä satuaiskoetta, joka tuloksea joko oistumie () tai epäoistumie (0); vrt. rahaheitto oistumie t:llä p (ja epäoistumie t:llä p) Arvojoukko: S = {0,} Pistetodeöisyydet: Beroulli( p), p (0,) P { = 0} = p, = } = p Odotusarvo: E[] = ( p) 0 + p = p Toie mometti: E[ ] = ( p) 0 + p = p Variassi: D [] = E[ ] E[] = p p = p( p) 7 8
8 Biomijakauma Geometrie jakauma Bi(, p), {,,...}, p (0,) Geom( p), p (0,) oistumiste lkm :ssä perättäisessä ja toisistaa riippumattomassa satuaiskokeessa; = + + (missä i Beroulli(p)) = satuaiskokeide lkm p = oistumise t yksittäisessä satuaiskokeessa ( ) =! i i!( i)! Arvojoukko: S = {0,,,}! = ( ) L Pistetodeäköisyydet: i i ( ) p ( p = i} = i ) Odotusarvo: E[] = E[ ] + + E[ ] = p Variassi: D [] = D [ ] + + D [ ] = p( p) riippumattomuus! peräkkäiste oistumiste lkm ee esimmäistä epäoistumista (sarjassa peräkkäisiä ja toisistaa riippumattomia satuaiskokeita) p = oistumise t yksittäisessä satuaiskokeessa Arvojoukko: S = {0,, } Pistetodeäköisyydet: i = i} = p ( p) Odotusarvo: E[] = i ip i ( p) = p/( p) Toie mometti: E[ ] = i i p i ( p) = (p/( p)) + p/( p) Variassi: D [] = E[ ] E[] = p/( p) 9 30 Geometrise jakauma uohtavaisuusomiaisuus Geometrisesti jakautueide satuaismuuttujie miimi Geometrisella jakaumalla o s. uohtavaisuusomiaisuus (memoryless property): kaikilla i,j {0,,...} Todista! i + j i} j} Ohje: Todista esi, että i} = p i Olkoot sm:t Geom(p ) ja Geom(p ) riippumattomia Tällöi ja Todista! Ohje: Kts. kalvo 5 mi : = mi{, } Geom( p p) mi p = } = i i p p, i {,} 3 3
9 Poisso-jakauma Esimerkki biomijakauma rajatapaus, ku ja p 0 site, että p a Arvojoukko: S = {0,, } Pistetodeäköisyydet: a i a = i} = e i! Odotusarvo: E[] = a Poisso ( a), a > 0 Toie mometti: E[( )] = a E[ ] = a + a Variassi: D [] = E[ ] E[] = a Oletetaa, että paikalliskeskuksee o kytkettyä 00 tilaajaa yksittäise tilaaja omiaisliikee o 0.0 erlagia tilaajat toimivat toisistaa riippumattomasti Tällöi käyissäolevie puheluje lkm Bi(00,0.0) Vastaava Poisso-approksimaatio: Poisso(.0) Pistetodeäköisyyksie vertailua: Bi(00,0.0) Poisso(.0) Poisso-jakauma omiaisuuksia Sisältö (i) Summa: Olkoot sm:t Poisso(a ) ja Poisso(a ) riippumattomia. Tällöi + Poisso( a + a) (ii) Satuaisotata: Olkoo Poisso(a) alkioide lkm (jossaki satuaise kokoisessa joukossa). Valitaa äistä alkioista satuaie osajoukko (jokaie yksittäie alkio otetaa mukaa t:llä p), joka kokoa merkitää Y:llä. Tällöi Peruskäsitteet Diskreetit satuaismuuttujat Diskreetit jakaumat (lkm-jakaumat) Jatkuvat satuaismuuttujat Jatkuvat jakaumat (aikajakaumat) Muut satuaismuuttujat Y Poisso( pa) (iii) Satuaislajittelu: Olkoot sm:t ja Y kute yllä (ii). Merk. Z = Y. Tällöi Y ja Z ovat riippumattomia (ehdolla, että :ä ei tueta), Z Poisso(( p) a) 35 36
10 Jatkuvat satuaismuutujat Esimerkki Määr. Sm o jatkuva (cotiuous), jos o olemassa sellaie itegroituva fuktio f : R R +, että kaikilla Rpätee F ( ) : } = f ( y) dy Fuktiota f saotaa sm: tiheysfuktioksi (tf, probability desity fuctio) Joukkoa S, missä f > 0, saotaa sm: arvojoukoksi Omiaisuuksia: (i) = } = 0 kaikilla R (ii) a < < b} a b} = a b f () d (iii) A} = A f () d (iv) R} = - f () d = S f () d = 37 f () F () 3 3 tiheysfuktio (tf) kertymäfuktio (kf) S = (, 3 ) 38 Odotusarvo ja muita jakaumaa liittyviä tuuslukuja Sisältö Määr. Sm: odotusarvo (mea) määritellää kaavalla µ : = E[ ]: = f ( ) d Huom.. Odotusarvo o (hyvi) määritelty vai, jos - f () d < Huom.. Jos S =R + ja 0 f () =, ii voidaa merkitä E[] = Jatkuva sm: odotusarvolla o samat omiaisuudet kui diskreeti sm: odotusarvolla (kts. kalvo ) Muut jakaumaa liittyvät tuusluvut (variassi, kovariassi,...) määritellää odotusarvo avulla täsmällee samoi kui diskreeti sm: tapauksessa Näi olle myös äide tuuslukuje omiaisuudet säilyvät (kts. kalvot -4) 39 Peruskäsitteet Diskreetit satuaismuuttujat Diskreetit jakaumat (lkm-jakaumat) Jatkuvat satuaismuuttujat Jatkuvat jakaumat (aikajakaumat) Muut satuaismuuttujat 40
11 Tasajakauma Ekspoettijakauma U( a, b), a < b Ep ( λ), λ > 0 jatkuva vastie opaheitolle (kaikki arvot yhtä todeäköisiä ) Arvojoukko: S = (a,b) Tiheysfuktio (tf): Kertymäfuktio (kf): f ( ) =, ( a, b) b a F ( ) : } a = =, ( a, b) b a Odotusarvo: E[] = a b /(b a) d = (a + b)/ Toie mometti: E[ ] = a b /(b a) d = (a + ab + b )/3 Variassi: D [] = E[ ] E[] = (b a) / 4 geometrise jakauma jatkuva vastie ( epäoistumie t:llä λdt) (t,t+h] > t} = λh + o(h), missä o(h)/h 0, ku h 0 Arvojoukko: S = (0, ) Tiheysfuktio (tf): λ f ( ) = λe, > 0 Kertymäfuktio (kf): λ F ( ) : } = e, > 0 Odotusarvo: E[] = 0 λ ep( λ) d = /λ Toie mometti: E[ ] = 0 λ ep( λ) d = /λ Variassi: D [] = E[ ] E[] = /λ 4 Ekspoettijakauma uohtavaisuusomiaisuus Ekspoetiaalisesti jakautueide satuaismuuttujie miimi Ekspoettijakaumalla o s. uohtavaisuusomiaisuus (memoryless property): kaikilla,y (0, ) Todista! P { > + y > } > y} Ohje: Todista esi, että > } = e λ Sovellus: Oletetaa, että puheluje pitoajat ovat ekspoetiaalisesti jakautueita odotusarvoaa h miuuttia. Tarkastellaa puhelua, joka o jo kestäyt aja miuuttia. Uohtavaisuusomiaisuude ojalla tällä ei ole mitää merkitystä puhelu jäljellä oleva kesto kaalta: keskimääri tällaie puhelu kestää vielä h miuuttia (siis + h miuuttia kaikekaikkiaa)! 43 Olkoot sm:t Ep(λ ) ja Ep(λ ) riippumattomia. Tällöi ja Todista! Ohje: Kts. kalvo 5 mi : = mi{, } Ep( λ + λ) mi λ = } = i i λ + λ, i {,} 44
12 Normeerattu ormaalijakauma Normaalijakauma N(0,) N( µ, σ ), µ R, σ > 0 riippumattomie ja samoi jakautueide (odotusarvoa 0 ja variassia ) sm:ie ormeeratu summa rajatapaus (kts. kalvo 48) Arvojoukko: S = (, ) Tiheysfuktio (tf): f ( ) ( ) : = ϕ = e π Kertymäfuktio (kf): F ( ) : } = Φ( ) : = ϕ( y) dy Odotusarvo: E[] = 0 (tf symmetrie!) Variassi: D [] = 45 jos( µ)/σ N(0,) Arvojoukko: S = (, ) Tiheysfuktio (tf): ( ) f ( ) : = F '( ) = σ ϕ µ σ Kertymäfuktio (kf): µ µ µ F ( ) : } = P = Φ σ σ σ { } ( ) Odotusarvo: E[] = µ+σe[( µ)/σ] = µ (tf symmetr. µ: suhtee) Variassi: D [] =σ D [( µ)/σ] =σ 46 Normaalijakauma omiaisuuksia Keskeie raja-arvolause (KRL) (i) Lieaarimuuos: Olk. N(µ,σ ) ja α,β R. Tällöi Y : = α + β N( αµ + β, α σ ) (ii) Summa: Olkoot sm:t N(µ,σ ) ja N(µ,σ ) riippumattomia. Tällöi + N( µ + µ, σ + σ ) Olkoot sm:t,, riippumattomia ja samoi jakautueita (IID) odotusarvoaa µ ja variassiaa σ (ja lisäksi kolmas mometti olemassa) Keskeie raja-arvolause: i.d. ( µ ) N(0,) σ / (iii) Otoskeskiarvo: Olkoot sm:t i N(µ,σ ), i =,, riippumattomia ja samoi jakautueita (IID) oudattae ormaalijakaumaa. Tällöi iide keskiarvolle (vrt. kalvo 5) pätee : N(, = i µ σ ) i= Seuraus: Suurilla : arvoilla N( µ, σ ) 47 48
13 Sisältö Muita satuaismuuttujia Peruskäsitteet Diskreetit satuaismuuttujat Diskreetit jakaumat (lkm-jakaumat) Jatkuvat satuaismuuttujat Jatkuvat jakaumat (aikajakaumat) Muut satuaismuuttujat Puhtaasti diskreettie ja jatkuvie sm:ie lisäksi o olemassa äide sekamuotoja Esimerkki: Merk. W:llä asiakkaa odotusaikaa M/M/ joossa. Sm: W jakaumalla o s. atomi ollassa (ts. W = 0} = ρ>0), mutta muute jakauma o jatkuva F W () ρ Saastoa otosavaruus = sample space tapahtuma = evet todeäköisyys = probability ehdollie t = coditioal probability riippumattomuus = idepedece satuaismuuttuja = radom variable idikaattori = idicator jakauma = distributio kertymäfuktio = cumulative distributio fuctio diskreetti = discrete pistetodeäköisyysfuktio = probability mass fuctio odotusarvo = mea (value) = epectatio variassi = variace kovariassi = covariace hajota = stadard deviatio variaatiokerroi = coefficiet of variatio suurte lukuje laki = law of large umbers jatkuva = cotiuous tiheysfuktio = probability desity fuctio uohtavaisuusomiaisuus = memoryless property keskeie raja-arvolause = cetral limit theorem 5
4. 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
LisätiedotJohda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.
Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet
LisätiedotJohdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1
Johdatus todeäköisyyslasketaa Kovergessikäsitteet ja raja-arvolauseet TKK (c) Ilkka Melli (2004) 1 Kovergessikäsitteet ja raja-arvolauseet Kovergessikäsitteitä Suurte lukuje lait Keskeie raja-arvolause
LisätiedotOsa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet
Ilkka Melli Todeäköisyyslasketa Osa 2: Satuaismuuttujat ja todeäköisyysjakaumat Kovergessikäsitteet ja raja arvolauseet TKK (c) Ilkka Melli (2006) 1 Kovergessikäsitteet ja raja arvolauseet >> Kovergessikäsitteitä
LisätiedotAB TEKNILLINEN KORKEAKOULU
B TEKNILLINEN KORKEKOULU Tetoverkkolaboratoro luento05.ppt S-38.45 - Lkenneteoran perusteet - Kevät 00 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat
LisätiedotTodennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin yliopisto Harjoitus 3, ratkaisuehdotuksia
Todeäköisyyslasketa I, kesä 207 Helsigi yliopisto/avoi yliopisto Harjoitus 3, ratkaisuehdotuksia. Aikaisemma viiko teemaa. Edessäsi o kaksi laatikkoa A ja B. Laatikossa A o 8 palloa, joista puolet valkoisia.
LisätiedotTodennäköisyyslaskenta: Todennäköisyysjakaumia
Todeäköisyysjakaumia Todeäköisyyslasketa: Todeäköisyysjakaumia 6. Diskreettejä jakaumia 7. Jatkuvia jakaumia 8. Normaalijakaumasta johdettuja jakaumia 9. Moiulotteisia jakaumia Ilkka Melli 35 Todeäköisyysjakaumia
LisätiedotNormaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
LisätiedotTilastollinen todennäköisyys
Tilastollie todeäköisyys TOD.NÄK JA TILASTOT, MAA10 Klassisessa todeäköisyydessä oli ehdot: äärellisyys ja symmetrisyys. Tämä tilae o usei mahdoto ts. alkeistapauksia o usei ääretö määrä tai e eivät ole
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat
TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Ssteemiaalsi laboratorio Mat-2.9 Sovellettu todeäköisslasku A Nordlud Harjoitus 6 (vko 43/23) (Aihe: sekamalli, hteisjakaumia, Laiie luvut 6. 6.3, 8. 8.9). Tässä o edellise viiko laskareissa luvattu
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut
LisätiedotMat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia
Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Jatkuvia jakaumia Avaisaat: Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Kertymäfuktio, Keskeie raja-arvolause, Mediaai, Normaaliapproksimaatio,
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 3B
Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todeäköisyyslaskea ja tilastotietee peruskurssi 4A Satuaisotata ja parametrie estimoiti Lasse Leskelä Matematiika ja systeemiaalyysi laitos Perustieteide korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotMat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat:
Mat-2.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Diskeetit jakaumat Jatkuvat jakaumat Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Ketymäfuktio, Mediaai, Negatiivie biomijakauma,
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2
Todeäköisyyslaskea ja tilastotietee peruskurssi Esimerkkikokoelma 2 Aiheet: Satuaismuuttujat ja todeäköisyysjakaumat Kertymäfuktio, pistetodeäköisyysfuktio ja tiheysfuktio Jakaumie tuusluvut Tärkeimmät
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat
Lisätiedot1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).
Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 2. lokakuuta 2017 7.1 Tilastollie päättely Tähä meessä o opittu eustamaa tapahtumie todeäköisyyksiä aetu stokastise malli pohjalta. Eusteide laskemiseksi
LisätiedotTilastolliset luottamusvälit
Luku 8 Tilastolliset luottamusvälit Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017 8.1 Piste-estimaatti ja väliestimaatti Edellisessä luvussa opittii määrittämää parametreille estimaatteja suurimma uskottavuude
Lisätiedot6.1 Riippumattomat satunnaismuuttujat
Luku 6 Otatajakaumie teoria 6.1 Riippumattomat satuaismuuttujat Muistamme edellisistä luvuista, että satuaismuuttujat X 1 ja X 2 ovat riippumattomat (määritelmät 4.6 ja 5.5), jos f(x 1, x 2 ) f 1 (x 1
Lisätiedot1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 5b
Tilastollie päättömyys, kevät 07 Harjoitus b Heikki Korpela 3. helmikuuta 07 Tehtävä. a Olkoot Y,..., Y Bθ. Johda uskottavuusosamäärä testisuuree ry, Waldi testisuuree wy ja Rao pistemäärätestisuuree uy
LisätiedotStokastiikan perusteet Harjoitukset 1 (Todennäköisyysavaruus, -mitta ja -funktio) 2.11.2015
Stokastiika perusteet Harjoitukset (Todeäköisyysavaruus, -mitta ja -fuktio) 2..205. Määritä potessijoukko 2,ku (a) {0, } (b) {(0, ]} ja ku (c) (0, ]. Ratkaisu: (a) 2 {;, {0}, {}, {0, }} (b) 2 {;, {(0,
Lisätiedot8. laskuharjoituskierros, vko 11, ratkaisut
Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy 08 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var
Lisätiedot( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.
Kombiatoriikka, kesä 2010 Harjoitus 2 Ratkaisuehdotuksia (RT) (5 sivua) Käytä tehtävissä 1-3 kombiatorista päättelyä. 1. Osoita, että kaikilla 0 b a pätee ( ) a a ( ) k 1 b b 1 kb Biomikertoime määritelmä
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa 2: Otokset, otosjakaumat ja estimoiti Estimoitimeetelmät TKK (c) Ilkka Melli (2007) Estimoitimeetelmät >> Todeäköisyysjakaumie parametrie estimoiti Suurimma uskottavuude
LisätiedotEX1 EX 2 EX =
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var X,
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
LisätiedotEhdollinen todennäköisyys
Ehdollie todeäköisyys Kerrataa muutama todeäköisyyslaskea laskusäätö. Tapahtuma E komplemettitapahtuma E o "E ei tapahdu". Koska todeäköisyyksie summa o 1, P ( E = 1 P (E. Joskus o helpompi laskea komplemettitapahtuma
LisätiedotEstimaattori, Estimointi, Mediaani, Moodi, Odotusarvo, Parametri, Posteriorijakauma, Tunnusluku
Tilastollie päättely 6.1. Johdato Bayesi kaava, Bayeslaie lähestymistapa, Eakkotieto, Estimoiti, Frekvetistie lähestymistapa, Frekvessitulkita, Klassie lähestymistapa, Luottamustaso, Luottamusväli, Merkitsevyystaso,
LisätiedotTodennäköisyyslaskenta I. Heikki Ruskeepää
Todeäköisyyslasketa I Heikki Ruskeepää 2012 Sisällys 2 1 Todeäköisyys 3 1.1 Klassie todeäköisyys 3 1.2 Kombiatoriikkaa 4 1.3 Aksiomaattie todeäköisyys 8 1.4 Ehdollie todeäköisyys 13 1.5 Riippumattomuus
Lisätiedot((12345A, 5, 1, 5), (98759K, 1, 5, 2), (33312K, 4, 4, 3), (23453B, 4, 4, 3), (21453U, 3, 3, 3)),
Luku 6 Datajoukkoje jakaumat, tuusluvut ja kuvaajat Lasse Leskelä Aalto-yliopisto 28. marraskuuta 207 6. Datajoukko ja datakehikko Tässä moisteessa datajoukko tarkoittaa järjestettyä listaa keskeää samatyyppisiä
LisätiedotEstimaattori, Estimointi, Mediaani, Moodi, Odotusarvo, Parametri, Posteriorijakauma, Tunnusluku
Tilastollie päättely 6.1. Johdato Bayesi kaava, Bayeslaie lähestymistapa, Eakkotieto, Estimoiti, Frekvetistie lähestymistapa, Frekvessitulkita, Klassie lähestymistapa, Luottamustaso, Luottamusväli, Merkitsevyystaso,
LisätiedotJohdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Estimoitimeetelmät TKK (c) Ilkka Melli (2005) 1 Estimoitimeetelmät Todeäköisyysjakaumie parametrie estimoiti Momettimeetelmä Normaalijakauma parametrie estimoiti Ekspoettijakauma
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
LisätiedotMat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:
Mat-.090 Sovellettu todeäköisyyslasku A Mat-.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Otos- ja otosjakaumat Estimoiti Estimoitimeetelmät Väliestimoiti Aritmeettie keskiarvo, Beroulli-jakauma,
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
LisätiedotDiskreettejä jakaumia. Diskreettejä jakaumia. Diskreettejä jakaumia Mitä opimme? 2/3. Diskreettejä jakaumia Mitä opimme? 1/3
TKK (c) Ilkka Melli (4) Diskeettejä jakaumia Johdatus todeäköisyyslasketaa Diskeettejä jakaumia Diskeetti tasaie jakauma Beoulli-jakauma Biomijakauma Geometie jakauma Negatiivie biomijakauma Hyegeometie
LisätiedotRyhmän osajoukon generoima aliryhmä ja vapaat ryhmät
Ryhmä osajouko geeroima aliryhmä ja vapaat ryhmät LuK-tutkielma Joose Heioe Matemaattiste tieteide tutkito-ohjelma Oulu yliopisto Kevät 2017 Sisältö Johdato 2 1 Ryhmät ja aliryhmät 2 1.1 Ryhmä.................................
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6A
Tilastollie päättömyys, kevät 07 Harjoitus 6A Heikki Korpela 8. helmikuuta 07 Tehtävä. Moistee teht. 5.. Olkoo Y,..., Y riippumato otos ekspoettiperhee jakaumasta, joka ptf/tf o muotoa fy i ; θ cθhye φθtyi
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 2018 Harjoitus 6A Rataisuehdotusia Tehtäväsarja I 1. (Moistee tehtävä 5.4) Kauppias myy mäysiemeiä, joide itävyyde väitetää oleva
LisätiedotTodennäköisyyslaskenta sivuaineopiskelijoille. Heikki Ruskeepää
Todeäköisyyslasketa sivuaieopiskelijoille Heikki Ruskeepää 2012 Sisällys 2 1 Todeäköisyys 3 1.1 Klassie todeäköisyys 3 1.2 Kombiatoriikkaa 5 1.3 Aksiomaattie todeäköisyys 7 1.4 Ehdollie todeäköisyys 12
LisätiedotKaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut
Mat-2.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Kaksiulotteie ormaalijakauma Mitta-asteikot Havaitoaieisto kuvaamie ja otostuusluvut Avaisaat: Ehdollie jakauma, Ehdollie odotusarvo, Ehdollie variassi,
LisätiedotÄärettämän sarjan (tai vain sarjan) sanotaan suppenevan eli konvergoivan, jos raja-arvo lims
75 4 POTENSSISARJOJA 4.1 ÄÄRETTÖMÄT SARJAT Lukujoo { a k } summaa S a a a a a k 0 1 k k0 saotaa äärettömäksi sarjaksi. Summa o s. osasumma. S a a a a a k 0 1 k0 Äärettämä sarja (tai vai sarja) saotaa suppeeva
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
LisätiedotTodennäköisyyslaskenta: Todennäköisyysjakaumia
Todeäköisyysjakaumia Todeäköisyyslasketa: Todeäköisyysjakaumia 6. Diskreettejä jakaumia 7. Jatkuvia jakaumia 8. Normaalijakaumasta johdettuja jakaumia 9. Moiulotteisia jakaumia TKK @ Ilkka Melli (6) 33
LisätiedotKurssin alkuosan sisältö. Tilastotieteen jatkokurssi. Kurssin loppuosan sisältö. 1. Todennäköisyyslaskenta. Heikki Hyhkö. 1. Todennäköisyyslaskenta
Tilastotietee jatkokurssi Heikki Hyhkö kesä 03. Todeäköisyyslasketa Kurssi alkuosa sisältö Klassie todeäköisyys Kombiatoriikka Kokoaistodeäköisyys. Todeäköisyysjakaumat Satuaismuuttuja Odotusarvo& variassi
LisätiedotSeuraavat peruslauseet 1-8 voidaan helposti todistaa integraalin määritelmästä. Integroimisjoukko R oletetaan rajoitetuksi Jordanmitalliseksi
Laaja matematiikka 5 Kevät 200 2. Itegraali omiaisuuksia Seuraavat peruslauseet -8 voidaa helposti todistaa itegraali määritelmästä. Itegroimisjoukko oletetaa rajoitetuksi Jordamitalliseksi joukoksi. Lause
LisätiedotAlgebra I Matematiikan ja tilastotieteen laitos Ratkaisuehdotuksia harjoituksiin 5 (6 sivua)
Algebra I Matematiika ja tilastotietee laitos Ratkaisuehdotuksia harjoituksii 5 (6 sivua) 14.2. 17.2.2011 1. Määritellää kuvaus f : S 3 S 3, f(α) = (123) α. Osoita, että f o bijektio. Mikä o se kääteiskuvaukse
LisätiedotHarjoitukset 1 : Tilastokertaus
31C99904, Capstoe: Ekoometria ja data-aalyysi TA : markku.siikae(a)aalto.fi & tuuli.vahapelto(a)aalto.fi Harjoitukset 1 : Tilastokertaus (Palautus 10.1.2017) Palautellaa mielii hiema tilasto-oppia ja todeäköisyyslasketaa.
LisätiedotLuento 7 Luotettavuus Koherentit järjestelmät
Lueto 7 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio Aalto-yliopisto perustieteide korkeakoulu PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi Määritelmä Tarkasteltava
Lisätiedot****************************************************************** ****************************************************************** 7 Esim.
8.3. Kombiaatiot MÄÄRITELMÄ 6 Merkitä k, joka luetaa yli k:, tarkoittaa lause- ketta k = k! ( k)! 6 3 2 1 6 Esim. 1 3 3! = = = = 3! ( 3)! 3 2 1 3 2 1 3 2 1 Laskimesta löydät äppäime, jolla kertomia voi
Lisätiedotn = 100 x = 0.6 99%:n luottamusväli µ:lle Vastaus:
1. Tietyllä koeella valmistettavie tiivisterekaide halkaisija keskihajoa tiedetää oleva 0.04 tuumaa. Kyseisellä koeella valmistettuje 100 rekaa halkaisijoide keskiarvo oli 0.60 tuumaa. Määrää 95%: ja 99%:
LisätiedotLuento 6 Luotettavuus Koherentit järjestelmät
Lueto 6 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi ja-erik.holmberg@aalto.fi Määritelmä Tarkasteltava yksikö luotettavuus
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II
Otokset MS-A050 Todeäköisyyslaskea ja tilastotietee peruskurssi Lueot, osa II Kaksi hyödyllista jakaumaa 3 Estimoiti G. Gripeberg 4 Luottamusvälit Aalto-yliopisto. helmikuuta 05 5 Hypoteesie testaus 6
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotTilastomatematiikka Kevät 2008
Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.340 Lieaarie ohjelmoiti 20.9.2007 Lueto 2 Lieaarialgebraa ja geometriaa (kirja.5, 2.) S ysteemiaalyysi Tekillie korkeakoulu Lieaarie ohjelmoiti - Syksy 2007 / Lieaarialgebraa Notaatiota Kääteismatriisi
LisätiedotSuurten poikkeamien teoriasta sovelluksena satunnaiskulku satunnaisessa ympäristössä. Kirjoittanut: Juha-Antti Isojärvi Ohjaaja: Jaakko Lehtomaa
Suurte poikkeamie teoriasta sovelluksea satuaiskulku satuaisessa ympäristössä Kirjoittaut: Juha-Atti Isojärvi Ohjaaja: Jaakko Lehtomaa 20. lokakuuta 204 Tiivistelmä Pitkissä kolikoheittosarjoissa kruuie
LisätiedotOlkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:
Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti
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
LisätiedotKokonaisvahinkomäärän normaaliapproksimointi vinoille jakaumille
Tiedekuta/Osasto Fakultet/Sektio Faculty Matemaattis-luootieteellie Tekijä Författare Author Ja-Erik Lausala Työ imi Arbetets titel Title Oppiaie Läroäme Subject Työ laji Arbetets art Level Tiivistelmä
LisätiedotTeoria. Tilastotietojen keruu
S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Teoria Johdato simuloitii Simuloii kulku -- prosessi realisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tuloste keruu ja aalyysi
LisätiedotMat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:
Mat-.60 Sovellettu todeäköisyyslasketa B Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Estimoiti Estimoitimeetelmät Väliestimoiti Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Beroulli-koe,
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
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
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mitä tilastotiede o? Mat-.04 Tilastollise aalyysi perusteet, kevät 007. lueto: Johdato Tilastotiede kehittää ja soveltaa meetelmiä: reaalimaailma ilmiöistä johtopäätökset ilmiöitä kuvaavie tietoje perusteella
LisätiedotTilastolliset menetelmät
Tilastolliset meetelmät tilastolliste meetelmie tarkoitus o: estimoida eliaika- (vikaatumisaika, korjausaika- jakaumie ja -mallie parametreja eliaikakokeide, laitteide käyttökokemustiedo yms. perusteella
LisätiedotTodennäköisyyslaskennan peruskäsitteet. Todennäköisyyslaskennan peruskäsitteet. Todennäköisyyslaskennan peruskäsitteet: Mitä opimme?
TKK (c) Ilkka Melli (2004) 1 Todeäköisyyslaskea peruskäsitteet Johdatus todeäköisyyslasketaa Todeäköisyyslaskea peruskäsitteet TKK (c) Ilkka Melli (2004) 2 Todeäköisyyslaskea peruskäsitteet: Mitä opimme?
LisätiedotLIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3
LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi
LisätiedotT Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen
T-1.1 Datasta tietoo, syksy 5 Laskuharjoitus.1., ratkaisuja Joui Seppäe 1. Simuloidaa tasoittaista algoritmia. Esimmäisessä vaiheessa ehdokkaia ovat kaikki yhde muuttuja joukot {a}, {b}, {c} ja {d}. Aaltosulkeide
Lisätiedot3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
LisätiedotOtantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä
Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria
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
LisätiedotTestit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot
TKK (c) Ilkka Melli (4) Testit suhdeasteikollisille muuttujille Johdatus tilastotieteesee Testit suhdeasteikollisille muuttujille Testit ormaalikauma parametreille Yhde otokse t-testi Kahde otokse t-testi
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
LisätiedotTodennäköisyyslaskenta: Todennäköisyys ja sen laskusäännöt
Todeäköisyys ja se laskusääöt Todeäköisyyslasketa: Todeäköisyys ja se laskusääöt 1. Johdato 2. Joukko opi peruskäsitteet 3. Todeäköisyyslaskea peruskäsitteet 4. Todeäköisyyslaskea peruslaskusääöt 5. Klassie
LisätiedotMATEMATIIKAN JA TILASTOTIETEEN LAITOS
f ( ) JYVÄSKYLÄN YLIOPISTO Harjoituste 3 ratkaisut MATEMATIIKAN JA TILASTOTIETEEN LAITOS Topologiset vektoriavaruudet 3.1. Jokaie kompakti joukko K R määrää fuktioavaruudessa E = C(R ) = {f : R R f o jatkuva}
Lisätiedot10 Kertolaskusääntö. Kahta tapahtumaa tai satunnaisilmiötä sanotaan riippumattomiksi, jos toisen tulos ei millään tavalla vaikuta toiseen.
10 Kertolaskusäätö Kahta tapahtumaa tai satuaisilmiötä saotaa riippumattomiksi, jos toise tulos ei millää tavalla vaikuta toisee. Esim. 1 A = (Heitetää oppaa kerra) ja B = (vedetää yksi kortti pakasta).
LisätiedotTodennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa.
Testimuuttuja kriittie arvo 5 %: merkitsevyystasolla katsotaa taulukosta. Kriittie arvo o 9,488. Koska laskettu arvo 4,35 o pieempi kui taulukosta saatu kriittie arvo 9,488, ii ollahypoteesi jää voimaa.
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-suuntainen vaihtoehtoinen hypoteesi
Mat-.6 Sovellettu todeäköisyyslasketa. harjoitukset Mat-.6 Sovellettu todeäköisyyslasketa B. harjoitukset / Ratkaisut Aiheet: Tilastolliset testit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, F-jakauma,
Lisätiedot1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 019 Harjoitus 5B Rataisuehdotusia Tehtäväsarja I 1. (Jatoa Harjoitus 5A tehtävää 4). Moistee esimeri 3.3.3. muaa momettimeetelmä
LisätiedotAntti Majaniemi Matematiikka IV Tilastot ja todennäköisyys
Atti Majaiemi Matematiikka IV Tilastot ja todeäköisyys ( x) ( x) -x x 06 ISBN 978-95-93-87-5 Tämä teos o lisesoitu Creative Commos Nimeä-EiKaupallie 4.0 Kasaivälie -lisessillä. Tarkastele lisessiä osoitteessa
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
LisätiedotTestit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot
TKK (c Ilkka Melli (004 Johdatus tilastotieteesee TKK (c Ilkka Melli (004 : Mitä opimme? Tarkastelemme tässä luvussa seuraavia järjestysasteikolliste muuttujie testejä: ja merkkitesti parivertailuille
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
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
LisätiedotTehtävä 1. Voidaanko seuraavat luvut esittää kahden neliön summina? Jos voidaan, niin kuinka monella eri tavalla? (i) n = 145 (ii) n = 770.
JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 0, MALLIRATKAISUT Tehtävä. Voidaako seuraavat luvut esittää kahde eliö summia? Jos voidaa, ii kuika moella eri tavalla? (i) = 45 (ii) = 770. Ratkaisu. (i) Jaetaa
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
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
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
Lisätiedot811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2016-2017 4. Joukot, relaatiot ja funktiot Osa 1: Joukot 4.1 Joukot Matemaattisesti joukko on mikä tahansa hyvin määritelty kokoelma objekteja, joita kutsutaan joukon alkioiksi
Lisätiedot= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1
35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
Lisätiedot