Talousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa
|
|
- Joonas Jääskeläinen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Talousmatematiikan perusteet: Luento 17 Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa
2 Motivointi Kahdella edellisellä luennolla olemme oppineet integrointisääntöjä Tällä luennolla tarkastelemme integroinnin tyypillisiä kauppatieteellisiä sovelluksia keskittyen erityisesti Kassavirta-analyysiin Todennäköisyyslaskentaan 2
3 Sovelluksia kassavirta-analyysiin Luennolla 2 käsittelimme sarjoja Sarjojen teoriaa sovellettiin diskreettiaikaiseen kassavirtaanalyysiin Esim. korkojen ja lainasummien laskemiseen, kun lainaa otetaan tai maksetaan diskreetteinä ajanhetkinä Integrointia voidaan vastaavasti soveltaa jatkuva-aikaiseen kassavirta-analyysiin Esim. korkojen ja lainasummien laskemiseen, kun lainaa otetaan tai maksetaan jatkuvasti 3
4 Sovelluksia kassavirta-analyysiin Esim. Opiskelija lainaa kunkin opiskeluvuoden alussa % vuosikorolla ja maksaa koko summan korkoineen takaisin seitsemän vuoden opintojen päätyttyä. Kuinka paljon maksettavaa kertyy kaiken kaikkiaan? Pylvään pinta-ala t 1 : kertynyt summa t vuotta ennen opintojen päättymistä otetulle 6000 lainasummalle Maksettava summa eli kassavirtojen tuleva arvo FV (future value) on geometrisen sarjan osasumma: s 7 = σ7 t= t = σ7 t= t1 = ( )
5 Sovelluksia kassavirta-analyysiin Esim. Opiskelija lainaa rahaa jatkuvasti 6000 vuosivauhdilla. Nimellinen vuosikorko on 4% ja sitä kerrytetään jatkuvasti. Opiskelija maksaa koko summan korkoineen takaisin seitsemän vuoden opintojen päätyttyä. Kuinka paljon maksettavaa kertyy kaiken kaikkiaan? Äärettömän kapean pylvään pinta-ala 6000 e 0.04t dt : kertynyt summa t vuotta ennen opintojen päättymistä otetulle 6000dt :n lainasummalle Lainattava summa infitesimaalisen pienellä aikavälillä dt: 6000dt Korkokerroin hetkellä t lainattavalle summalle: e 0.04t Maksettava summa FV on määrätty integraali: 5
6 Sovelluksia kassavirta-analyysiin Terttu on ottanut 10 vuoden annuiteettilainan, jota hän maksaa takaisin :n vuosierillä aina vuoden lopussa. Korkokanta on 5%, ja sitä kerrytetään vuosittain. Kuinka suuri on Tertun ottama laina (eli lainan nykyarvo)? Pylvään pinta-ala t 1: t vuoden kuluttua maksettavan :n erän nykyarvo. Kassavirtojen nykyarvo PV (present value) on geometrisen sarjan osasumma: s 10 = σ 10 t= = σ 10 t= t t1 =
7 Sovelluksia kassavirta-analyysiin Terttu päättääkin maksaa 10 vuoden annuiteettilainaansa takaisin jatkuvasti :n vuosivauhtia. Korkokanta on 5%, ja sitä kerrytetään niin ikään jatkuvasti. Kuinka suuren lainan Terttu tällöin saa? Äärettömän kapean pylvään pinta-ala e 0.05t dt : t vuoden kuluttua maksettavan dt :n erän nykyarvo. Maksuerä infitesimaalisen pienellä välillä: 10000dt Diskonttotekijä hetkellä t (vuosissa) = e 0.05t Nykyarvo: 7
8 Sovelluksia todennäköisyyslaskentaan Integrointia käytetään jatkuva-arvoisten satunnaismuuttujien todennäköisyysjakaumien yhteydessä Tapahtumatodennäköisyyksien määrittämiseen Erilaisten jakaumatunnuslukujen laskemiseen (odotusarvo, varianssi, vinous, huipukkuus, ehdolliset odotusarvot jne) Tällä kurssilla tarkastelemme lyhyesti tasajakaumaan ja eksponenttijakaumaan liittyvien todennäköisyyksien ja tunnuslukujen määrittämistä 8
9 Tasajakauman tiheysfunktio Esim. Bussin vuoroväli on 10 min ja pysäkille mennään ilman aikataulua. Kuinka todennäköistä on, että odotusaika on yli 6 min? Kuinka suuri on keskimäärin odotettavissa oleva odotusaika? Odotusaika on jatkuva satunnaismuuttuja X, jonka arvo x on yhtä todennäköisesti mitä tahansa 0 min ja 10 min välillä X noudattaa tasajakaumaa: X~Uni 0,10 Mallina tasajakaumalle Uni 0,10 on tiheysfunktio f X : R R + 0.1, kun x [0,10] fx x = ቊ 0, muualla = Todennäköisyyttä P(a X b), että satunnainen odotusaika X on välillä [a, b] vastaa tiheysfunktion f X x ja x-akselin väliin jäävä pinta-ala eli määrätty integraali P a X b = න a b f X x dx P X > 6 = න 6 f X x dx = 10 න 0.1dx = =
10 Tasajakauman kertymäfunktio Todennäköisyyttä, että satunnaismuuttuja X saa enintään arvon x kutsutaan X:n kertymäfunktioksi: f X x = ቊ 0.1, kun x [0,10] 0, muualla x F X x = P X x = fx t dt, missä f X t on satunnaismuuttujan X tiheysfunktio. P X 6 = 6 න 0 f X (x)dx = 0.6 Kertymäfunktion yleiset ominaisuudet 1. F X x on ei-vähenevä 2. lim F X x = 1 ja lim X x = 0 x x 3. P X > x = 1 F X x 4. P a X b = F X b F X a 0, kun x < 0 F X x = ቐ0.1x, kun x [0,10] 1, kun x > 10 P X 6 = F 6 = 0.6 Edellä laskettu P X > 6 saadaan siis myös P X > 6 = 1 F X 6 = =
11 Tasajakauman odotusarvo Keskimäärin odotettavissa olevaa satunnaismuuttujan X arvoa sanotaan odotusarvoksi E[X] Määritelmä: E X = න xf X x dx Odotusarvo satunnaismuuttujan arvojen todennäköisyyksillään painotettu keskiarvo Huomaa kuitenkin, että f X x ei kuvaa todennäköisyyttä P(X = x) Edellä 11
12 Tasajakauman yleiset ominaisuudet Tasajakaumaa käytetään mallina tilanteissa, joissa jatkuva-arvoisesta satunnaismuuttujasta tiedetään vain sen vaihteluväli [a, b] Tällöin on perusteltua olettaa, että kaikilla välin pisteillä on sama todennäköisyys Tasajakautuneen satunnaismuuttujan X~Uni(a, b ) yleiset ominaisuudet: Tiheysfunktio f X : R R +, f X x = ቐ 1, ba Kertymäfunktio F X : R R +, F X x = Odotusarvo E X = a+b 2 kun x [a, b] 0, muualla xa, ba 0, kun x < a kun x [a, b] 1, kun x > b Kokeile itse johtaa kertymäfunktio ja odotusarvo tiheysfunktiosta! 12
13 Eksponenttijakauman tiheysfunktio Esim. Tutkimusten perusteella mutusäilykkeen säilyvyys (vrk) on eksponenttijakautunut satunnaismuuttuja parametrilla : X~Exp(0.0019) Tällaisen jakauman tiheysfunktio on määritelmän mukaan f X x = ቊ e0.0019x, kun x 0 0, kun x < 0 13
14 Eksponenttijakauman kertymäfunktio Kertymäfunktion saa integroimalla: F X x = x fx t dt x F X x = e t dt = e t + 1, kun x 0 x F X x = 0dt = 0, kun x < 0 F X x = ቊ 1 e0.0019x, kun x 0 0, kun x < 0 14
15 Eksponenttijakauman kertymäfunktio Mikä on todennäköisyys, että mutusäilyke säilyy yli vuoden? Ratkaisu saadaan joko integroimalla tiheysfunktiota: 1 F X 365 Tai suoraan kertymäfunktiosta: P X > 365 = 1 F X F X 365 = 1 1 e = e F X 365 Siispä odotettavissa on, että n. 50% säilykkeistä säilyy yli vuoden 15
16 Eksponenttijakauman odotusarvo Mikä on keskimäärin odotettavissa oleva säilyvyys eli säilyvyyden odotusarvo? E X = න xf X x dx = න 0 x e x dx Valitaan osittaisintegrointiin f x = x ja g (x) = e x f x = 1 ja g x = e x Tällöin 16
17 Eksponenttijakauman käyttö Eksponenttijakaumaa Exp λ käytetään mallintamaan kahden tapahtuman välissä kuluvaa aikaa, kun tapahtuma tapahtuu keskimäärin λ kertaa aikayksikössä Esim. Mutusäilyke pilaantuu keskimäärin kertaa vuorokaudessa. Tällöin (ensimmäiseen) pilaantumiseen kuluva aika X~Exp(0.0019). Esim. Asiakaspalvelija käsittelee keskimäärin 10 asiakasta tunnissa. Tällöin yhden asiakkaan palvelemiseen kulunut aika X~Exp(10). Esim. Teknisen systeemin komponentti vikaantuu keskimäärin 2 kertaa vuodessa. Tällöin vikaantumisten välinen aika X~Exp(2). 17
18 Eksponenttijakauman yleiset ominaisuudet Eksponenttijakautuneen satunnaismuuttujan X~Exp(λ) yleiset ominaisuudet: Tiheysfunktio f X : R R +, f X x = ቊ λeλx, kun x 0 0, kun x < 0 Kertymäfunktio F X : R R +, F X x = ቊ 1 eλx, kun x 0 0, kun x < 0 Odotusarvo E X = 1 λ 18
19 Eksponenttijakauma Esim. Mikä on asiakaspalveluajan X (h) odotusarvo, kun X~Exp 10? Entä todennäköisyys sille, että asiakkaan palveleminen kestää yli 20 min? Entä alle 2 min? 6 min, 3.6%, 28%. Esim. Kuinka pitkään komponentti keskimäärin kestää vikaantumatta, kun vikaantumisten väliaika X~Exp 2 (vuotta)? Mikä on todennäköisyys sille, että komponentti kestää vikaantumatta yli vuoden? Entä alle kuukauden? 0.5 vuotta, 13.5%, 15.4% 19
20 Eksponenttijakauma Excelissä Eksponenttijakauman Exp(λ) tiheys- ja kertymäfunktion arvoja voi laskea Excelissä funktiolla EXPON.DIST(x;lambda;cumulative) Kohta, jossa funktion arvo lasketaan Jakauman parametri λ 0, jos tiheysfunktio; 1, jos kertymäfunktio Esim. Satunnaismuuttujan X~Exp 2 Tiheysfunktion arvo f X 1.5 : =EXPON.DIST(1.5;2;0) Kertymäfunktion arvo F X 0.5 : =EXPON.DIST(0.5;2;1) F X 0.5 = P(X 0.5) f X 1.5 ; arvolla ei ole todennäköisyystulkintaa 20
21 Muita tyypillisiä sovelluksia (ei tarvitse osata tentissä) CVaR α -riskimitta (Conditional Value-at-Risk) riskitasolla α (esim. α = 5%): CVaR α = E X X < VaR α VaR α = xf X x dx VaR α f X x dx CVaR 0.05 = VaR 0.05 = CVaR α on siis satunnaismuuttujan X odotusarvo sillä ehdolla, että X realisoituu jakaumansa huonoimmassa α-hännässä Esim. Tuotto noudattaa normaalijakaumaa odotusarvolla ja keskihajonnalla Tällöin on 5% todennäköisyys, että tuotto on pienempi kuin (eli VaR 0.05 = F X = 0.05). Tuoton odotusarvo sillä ehdolla, että se jää alle :n on (eli CVaR 0.05 = E X X < = 3 136) 21
22 Muita tyypillisiä sovelluksia (ei tarvitse osata tentissä) Optioiden hinnoittelu Black-Scholes-mallilla: Esim. eurooppalaisen osto-option nykyarvo C 0 Kohde-etuuden nykyhinnan S 0 ja volatiliteetin σ, Option lunastushinnan K, Riskittömän korkokannan r ja Option voimassaoloajan T funktiona: C 0 = S 0 2π d 1 e x2 2 dx KerT 2π d 2 e x2 2 dx, missä d 1 = ln S 0 K + r+σ2 2 σ T T, d 2 = ln S 0 K + r+σ2 2 σ T T σ T. Stokastinen optimointi: max E g X, u = u g x, u fx x dx + rajoitukset Kohdefunktio g (esim. tuotteen myynnistä saatava voitto) riippuu valittavissa olevasta ohjausmuuttujasta u (esim. tilausmäärästä) sekä stokastisesta suureesta X (esim. tuotteen kysynnästä) Valitaan ohjaus u siten, että kohdefunktion g X, u odotusarvo maksimoituu 22
23 Yhteenveto Integrointia sovelletaan tilanteissa, joissa tarkastellaan jatkuvamuuttujaisten funktioiden kertyneitä arvoja, esim. Kertynyt tuotto, kun tuottonopeus muuttuu jatkuvasti Lainan tuleva arvo, kun lainaa otetaan (ja korkoa kerrytetään) jatkuvasti Monet tärkeät integroinnin sovellukset liittyvät jatkuviin satunnaismuuttujiin, esim. Tasajakautunut satunnaismuuttuja X~Uni(a, b), tiheysfunktio f X x = ቐ 1, ba kun x [a, b] 0, muualla Eksponenttijakautunut satunnaismuuttuja X~Exp(λ), tiheysfunktio f X x = ቊ λeλx, kun x 0 0, kun x < 0 Tiheysfunktion avulla voidaan määrittää Satunnaismuuttujaan liittyviä todennäköisyyksiä: P a X b = a b fx x dx = F X b F X a, x missä F X (x) = fx t dt on satunnaismuuttujan kertymäfunktio Satunnaismuuttujan odotusarvo: E X = xfx x dx 23
Talousmatematiikan perusteet: Luento 19
Talousmatematiikan perusteet: Luento 19 Integraalin sovelluksia kassavirtaanalyysiin Differentiaaliyhtälöt Motivointi Edellisillä luennolla olemme oppineet integrointisääntöjä Tällä luennolla tarkastelemme
LisätiedotTalousmatematiikan perusteet: Luento 18. Kertaus luennoista 11-17
Talousmatematiikan perusteet: Luento 18 Kertaus luennoista 11-17 Luennon sisältö Kertausluennolla käydään lyhyesti läpi kunkin 2. välikoealueeseen kuuluvan luennon ydinsisältö Täydellinen valmistautuminen
LisätiedotTalousmatematiikan perusteet: Luento 18. Määrätty integraali Epäoleellinen integraali
Talousmatematiikan perusteet: Luento 18 Määrätty integraali Epäoleellinen integraali Motivointi Viime luennoilla opimme integrointisääntöjä: Tavalliset funktiotyypit (potenssi-, polynomi- ja eksponenttifunktiot)
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
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
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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
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
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
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
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.
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
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
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
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,
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
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
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
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)
LisätiedotTalousmatematiikan perusteet: Luento 16. Integraalin käsite Integraalifunktio Integrointisääntöjä
Talousmatematiikan perusteet: Luento 16 Integraalin käsite Integraalifunktio Integrointisääntöjä Integraalin käsite Tarkastellaan auton nopeusmittarilukemaa v(t) ajan t funktiona aikavälillä klo 12.00-17.00
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
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) 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
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.
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
LisätiedotTalousmatematiikan perusteet: Luento 2. Sarjat Sovelluksia korkolaskentaan
Talousmatematiikan perusteet: Luento 2 Sarjat Sovelluksia korkolaskentaan Viime luennolla Lukujono on päättyvä tai päättymätön jono reaalilukuja a 1, a 2,, a n, joita sanotaan jonon termeiksi. Erikoistapauksia
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)
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
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,
LisätiedotTalousmatematiikan perusteet: Luento 17. Osittaisintegrointi Sijoitusmenettely
Talousmatematiikan perusteet: Luento 17 Osittaisintegrointi Sijoitusmenettely Motivointi Viime luennolla käsittelimme integroinnin perussääntöjä: Vakiolla kerrotun funktion integrointi: af x dx = a f x
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
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
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)
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
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
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.
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..
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
Lisätiedot2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
LisätiedotWiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia
Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että
LisätiedotV ar(m n ) = V ar(x i ).
Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia
LisätiedotSallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,
Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on
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
LisätiedotMat-2.091 Sovellettu todennäköisyyslasku 5. harjoitukset/ratkaisut. Jatkuvat jakaumat
Mat-2.09 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Jatkuvat jakaumat Avainsanat: Binomijakauma, Eksponenttijakauma, Jatkuva tasainen jakauma, Kertymäfunktio, Mediaani, Normaaliapproksimaatio, Normaalijakauma,
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
Lisätiedotb) Jos Ville kaataisikin karkit samaan pussiin ja valitsisi sieltä sattumanvaraisen karkin, niin millä todennäköisyydellä hän saisi merkkarin?
MAA1-harjoituskoe RATKAISUT 1. Villellä on kaksi karkkipussia. Ensimmäisessä pussissa on 3 salmiakkiufoa, 2 merkkaria ja 5 liitulakua. Toisessa pussissa on 5 merkkaria, 3 liitulakua ja 4 hedelmäkarkkia.
LisätiedotTalousmatematiikan perusteet: Luento 4. Potenssifunktio Eksponenttifunktio Logaritmifunktio
Talousmatematiikan perusteet: Luento 4 Potenssifunktio Eksponenttifunktio Logaritmifunktio Viime luennolla Funktiolla f: A B kuvataan muuttujan y B riippuvuutta muuttujasta x A A on lähtö- tai määrittelyjoukko
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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
LisätiedotTalousmatematiikan perusteet: Luento 2. Lukujonot Sarjat Sovelluksia korkolaskentaan
Talousmatematiikan perusteet: Luento 2 Lukujonot Sarjat Sovelluksia korkolaskentaan Lukujonoista Miten jatkaisit seuraavia lukujonoja? 1, 3, 5, 7, 1, 2, 4, 8, 1, 3, 9, 27, 1, 1, 2, 3, 5, 8, 8.1.2018 2
Lisätiedot7. laskuharjoituskierros, vko 10, ratkaisut
7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,
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
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
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
LisätiedotJohdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
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
LisätiedotDiskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi
TOD.NÄK JA TILASTOT, MAA0 Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi Kuten tilastojakaumia voitiin esittää tunnuslukujen (keskiarvo, moodi, mediaani, jne.) avulla, niin vastaavasti
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
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
LisätiedotTilastolliset jakaumat, niiden esittäminen ja tunnusluvut
TILASTO-OPPIA Tilastolliset jakaumat, niiden esittäminen ja tunnusluvut Diskreetit jakaumat ja niiden esittäminen frekvenssitauluna ja kaaviona Jakauma on diskreetti jos tilastomuuttuja voi saada vain
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
Lisätiedot, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä
Pitkä matematiikka 8.9.0, ratkaisut:. a) ( x + x ) = ( + x + x ) 6x + 6x = + 6x + 6x x = x =. b) Jos x > 0, on x = + x x = + x. Tällä ei ole ratkaisua. Jos x 0, on x = + x x = + x x =. c) x = x ( x) =
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
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
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotJuuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
Juuri 0 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 9..08 Kertaus K. a) Alapaineiden pienin arvo on ja suurin arvo 74, joten vaihteluväli on [, 74]. b) Alapaineiden keskiarvo on 6676870774
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,
LisätiedotKohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.
25.2.215 1. Autossa on 4 rengasta ja 1 vararengas (T i Exp(λ), [λ] = 1/km, i=1,...,5). Kulkeakseen auto tarvitsee 4 ehjää rengasta. Aluksi auto käyttää neljää alkuperäistä rengasta. Kun yksi näistä vikaantuu,
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
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu
5.3.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 5.3.2018, osa 1 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017
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
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut TKK (c) Ilkka Mellin (2007) 1 Jakaumien tunnusluvut >> Odotusarvo Varianssi Markovin ja Tshebyshevin
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-200 Todennäköisyyslaskenta Tentti 29.04.20 / Kimmo Vattulainen Funktiolaskin sallittu.. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi kuutosen. A aloittaa
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
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
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotJohdatus todennäköisyyslaskentaan Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Jakaumien tunnusluvut TKK (c) Ilkka Mellin (2005) 1 Jakaumien tunnusluvut Odotusarvo Varianssi Markovin ja Tshebyshevin epäyhtälöt Momentit Vinous ja huipukkuus Kvantiilit
LisätiedotTalousmatematiikan perusteet
kevät 219 / orms.1 Talousmatematiikan perusteet 1. Laske integraalit a 6x 2 + 4x + dx, b 5. harjoitus, viikko 6 x + 1x 1dx, c xx 2 1 2 dx a termi kerrallaan kaavalla ax n dx a n+1 xn+1 +C. 6x 2 + 4x +
LisätiedotTalousmatematiikan perusteet: Luento 1. Prosenttilaskentaa Korkolaskentaa
Talousmatematiikan perusteet: Luento 1 Prosenttilaskentaa Korkolaskentaa Luennon sisältö Prosenttilaskennan kertausta Korkolaskentaa Käsitteitä Koron lisäys kerran / m kertaa vuodessa / jatkuvasti Diskonttaus
Lisätiedot5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3
Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
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
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.
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
LisätiedotNormaalijakaumasta johdettuja jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2007) 1 Normaalijakaumasta johdettuja jakaumia >> Johdanto χ 2 -jakauma F-jakauma
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
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotTalousmatematiikan perusteet: Luento 5. Käänteisfunktio Yhdistetty funktio Raja-arvot ja jatkuvuus
Talousmatematiikan perusteet: Luento 5 Käänteisfunktio Yhdistetty funktio Raja-arvot ja jatkuvuus Tähän mennessä Funktiolla f: A B, y = f x kuvataan muuttujan y B riippuvuutta muuttujasta x A Jotta funktio
LisätiedotTodennäköisyysjakaumia
8.9.26 Kimmo Vattulainen Todennäköisyysjakaumia Seuraavassa esitellään kurssilla MAT-25 Todennäköisyyslaskenta esille tulleita diskreettejä todennäköisyysjakaumia Diskreetti tasajakauma Bernoullijakauma
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset
LisätiedotSatunnaismuuttujat ja jakaumat
Luku 2 Satunnaismuuttujat ja jakaumat Lasse Leskelä Aalto-yliopisto 2. syyskuuta 207 2. Satunnaismuuttujan käsite Käytännön tilanteissa ei yleensä olla kiinnostuneita satunnaisilmiön kaikista yksityiskohdista,
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
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
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
Lisätiedot