Mat Sovellettu todennäköisyyslasku A
|
|
- Riitta Manninen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 5 (vko 4/003) (Aihe: jatkuvia satunnaismuuttujia ja jakaumia, sekamalli, Laininen luvut , ) 1. Erään projektin arvioidaan tuottavan voittoa parhaimmillaan 3 miljoonaa euroa ja pahimmassa tapauksessa miljoonaa euroa tappiota. Projektin tuotto on satunnaismuuttuja X, jonka jakaumalla on seuraavat ominaisuudet: (i) Tiheysfunktio on kuvion mukaista 'kolmio'-tyyppiä. Kolmion kanta on jana [-, 3] x [milj. euroa] (ii) Projekti on tappiollinen todennäköisyydellä 0.0. Määritä näiden tietojen pohjalta X:n tiheysfunktio ja vastaa kysymyksiin: a) Millä todennäköisyydellä projekti tuottaa voittoa vähintään 1.8 miljoonaa euroa? b) Määritä projektin tuoton odotusarvo ja keskihajonta. Mikä on odotusarvon tulkinta? c) Määritä projektin tuoton mediaani. Mikä on mediaanin tulkinta? d) Jos yritetään arvata projektin tuotto etukäteen (esim euron tarkkuudella), mikä on paras arvaus? Kolmion pinta-ala on 1 (tiheysfunktio!), kannan pituus 5, P(X < 0) = 0.0 ja P(X > 0) = Merkitään kolmion huipun y-koordinaattia kirjaimella h. Korkeus saadaan yhtälöstä: 5 h = 1 h = 0.4 y-akselin vasemmalla puolella olevan kolmion osan pinta-ala on 0.0 ja kannan pituus. Tästä saadaan ratkaistua korkeus k, jolla kolmio leikkaa y-akselin: k = 0. k = 0. Tästä nähdään, että kolmion vasemman kyljen kulmakerroin on 0.1 ja huipun x-koordinaatti on. Tiheysfunktioksi saadaan:
2 0 kun x 0.1x + 0. kun x f ( x) = 0.4x + 1. kun x 3 0 kun x 3 ( 1.8 ( ) )( ) a) P( X 1.8) = 1 P( X < 1.8) = 1 = 0.78 Tämä ratkaisu perustuu geometriaan (kolmion ala on kanta kertaa korkeus jaettuna kahdella). Todennäköisyyden voi laskea myös integroimalla tai tarkastelemalla yhdenmuotoisia kolmioita (alojen suhde on sama kuin janojen pituuksien suhteen neliö) b) E( X) = x( 0.1x + 0.) dx + x( 0.4x + 1.) dx = + = Tulkinta: Jos vastaavia projekteja on paljon, toistokertojen kasvaessa rajatta projektien keskimääräinen tuotto on 1 miljoona euroa E( X ) = x ( 0.1x + 0.) dx + x ( 0.4x + 1.) dx = = = = =, D( X ) = ( X) ( X ) [ ( X) ] Var E E c) Mediaani m d jakaa jakauman kahteen yhtä suureen osaan siten, että P(X < m d ) = P(X > m d ) = 0.5. Selvästi mediaani on positiivinen, koska projektit ovat tappiollisia todennäköisyydellä 0.. Koska jakauma on vasemmalle vino, on syytä olettaa, että mediaani sijaitsee tiheysfunktion huipun vasemmalla puolella. Integroidaan kolmion vasenta puolta: m d ( 0.1x + 0.) dx = 0.05m + 0.m + 0. d d Saadaan yhtälö 0.05md + 0.md + 0. = 0.5, jonka (positiivinen) ratkaisu on m d = Tulkinta: Puolet vastaavista projekteista tuottaa alle 1.16 miljoonaa euroa. d) Paras arvaus on jakauman moodi eli tiheysfunktion maksimi ( miljoonaa euroa).. (satunnaismuuttujan funktion tiheysfunktio, Laininen 5.7) Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta paikasta (katkaisukohta on tasajakautunut) ja muodostetaan suorakulmainen kolmio, jonka kateetteina ovat syntyneet kepin palaset. Kolmion pinta-ala on satunnaismuuttuja A. a) Määritä A:n tiheysfunktio. b) Määritä A:n odotusarvo A:n tiheysfunktion avulla. c) Määritä A:n odotusarvo helpommalla tavalla. d) Keppi katkeaa keskimäärin keskeltä (tasajakauman odotusarvo). Mitä käy, jos lasketaan kolmion pinta-ala olettaen, että keppi katkeaa keskeltä?
3 Merkitään katkaisukohtaa satunnaismuuttujalla X: X ~ Tas(0, ) (usein jatkuvasta tasaisesta jakaumasta käytetään myös merkintää X ~ Uniform(0, )). Toisen kateetin pituudeksi tulee X ja toisen pituudeksi X. Tällöin kolmion ala on A = 0.5 X ( X). a) A:n kertymäfunktio saadaan tarkastelemalla paraabelia y = 0.5 x ( x) ja tutkimalla millä x:n arvoilla paraabelin pisteet ovat vaakasuoran y = a alapuolella, missä kiinnostavat arvot ovat 0 < a < 0.5 (paraabelin huippu on korkeudella 0.5). Tarkastellaan vain paraabelin vasenta puolta eli arvoja 0 < x < 1 (näillä arvoilla funktio A on kasvava). 0.5x( x) a 0.5x + x a 0 Merkitään epäyhtälön arvo nollaksi ja ratkaistaan x:n suhteen: x = 1± 1 a Tarkastellaan vain paraabelin vasenta puolta ja saadaan epäyhtälö: x 1 1 a Näin saatiin pinta-alalle kertymäfunktio: F ( a) = 1 1 a, kun 0 < a < 0.5 A Pinta-alan tiheysfunktio: f a = F a =, kun 0 < a < a ' 1 ( ) ( ) A A Toinen muotoilu: Merkitään lyhyemmän kepin palan pituutta satunnaismuuttujalla X: X ~Tas(0, 1). Tällöin pidemmän kepin palan pituus on X. 0, x 0 f ( x) = 1, 0 < x < 1 0, x 1 0, x 0 F( x) = P( X x) = x, 0 < x < 1 1, x 1 Tällöin muodostuvan kolmion alan kertymäfunktio F A (a) voidaan kirjoittaa muotoon: ( ) ( ) F ( ) A a = P( A a) = P 0.5X( X) a = P 0.5X + X a 0 Asetetaan epäyhtälön arvo nollaksi ja hylätään toinen juuri (koska 0 < x < 1). Saadaan: F a = P X 1 1 a = F 1 1 a = 1 1 a, 0< a < 0.5 A ( ) ( ) X ( ) b) E( A) = a da 1 a
4 Luntataan laiskuuden vuoksi kirjasta valmis integrointikaava, joka sanoo: x dx = ( kx l ) kx + l + C, missä k, l ja C ovat vakioita. Saadaan: kx + l 3k a ( ) ( ) ( ) 1 E A = da a a 1 = + = 1 a c) E(A) voidaan määrittää suoraan E( A) = E 0.5X( X) = 0.5 E X X [ ] [ ( )] 1 = 0.5 ( ) ( ) x x fx x dx = 0.5 x ( x) 0.5dx = (tasajakauman tiheysfunktion f X (x) arvo välillä [0, ] on 0.5. d) Kun keppi katkeaa keskeltä, X saa arvon 1. Tällöin kolmion pinta-alaksi tulee 0.5 1( 1) = 0.5, joka on pinta-alan maksimi. Yleensä E[H(X)] H[E(X)], missä H(x) on satunnaismuuttujan muunnokseen käytettävä funktio. 3. Vertaillaan tasajakauma- ja eksponenttijakaumamalleja: Säähavaintojärjestelmään kuuluva mittalaite toimii ilman huoltoa moitteettomasti ajan, joka on satunnaismuuttuja Y. Oletetaan, että (i) Y:n jakauma on tasajakauma välillä (1, ) (aikayksikkönä vuosi) (ii) Y:n jakauma on eksponenttijakauma parametrilla λ = /3 (yksikkönä vuosi). Tarkastele molempien mallien kohdalla seuraavia kysymyksiä: a) Kuinka kauan laite keskimäärin toimii ilman huoltoa? b) Mikä on Y:n jakauman mediaani m d? (Mediaani jakaa jakauman kahteen yhtä suureen osaan siten, että tapahtumat Y < m d ja Y > m d ovat yhtä todennäköiset) c) Jos laite on asennettu tasan vuosi sitten, millä todennäköisyydellä se toimii vielä nyt? Jos laite toimii nyt, millä todennäköisyydellä se toimii vielä kuukauden kuluttua? d) Samat kysymykset kuin c-kohdassa, mutta oletetaan, että laite on asennettu 0 kk sitten. e) Samat kysymykset kuin c-kohdassa, mutta oletetaan, että laite on asennettu 4 kk sitten. f) Mittalaitteita hankitaan 10 kappaletta ja kaikkia käytetään yhtä paljon samoissa olosuhteissa. Mikä on ensimmäisen 1.5 vuoden aikana hajonneiden mittalaitteiden lukumäärän X odotusarvo? Eksponenttijakauman tiheysfunktio: f ( x) = λe λx, x 0 Eksponenttijakauman kertymäfunktio: x λt λt λx F( x) = P( X x) = λe dt = e = 1 e, x Eksponenttijakauman häntätodennäköisyydet saadaan laskettua helposti: λx P( X > x) = 1 P ( X x) = e, x 0 x
5 (1, ) tasajakauman tiheysfunktio: f(x) = 1, kun 1 < x <, ja 0 muualla (1, ) tasajakauman kertymäfunktio: x F( x) = P( X x) = 1dt = x 1, kun 1 < x <, ja 0, kun x 1, ja 1, kun x 1 (1, ) tasajakauman häntätodennäköisyydet: P( X > x) = 1 P( X x) = x, kun 1 < x <, ja 1, kun x 1, ja 0, kun x a) Molemmissa tapauksissa E(Y) = 1.5 (vuotta). b) Tasajak: m d = 1.5 m d ln( 0.5) 3 Eksp: F( md) = 1 e = 0.5 md = (Mediaania kutsutaan ajan yhteydessä usein puoliintumisajaksi: kun aikaa on kulunut mediaanin verran, puolet samaan aikaan käyttöönotetuista mittalaitteista on hajonnut) c) Tasajak: P(Y > 1) = 1 P(Y > 13/1 Y > 1) = P(Y > 13/1) = 11/ Eksp: P(Y > 1) = e λ λ 1 λ λ e 1 P(Y > 13/1 Y > 1) = = e e d) Tasajak: P(Y > 0/1) = 1/ P(Y > 1/1 Y > 0/1) = 3/4 = Eksp: P(Y > 0/1) = e 0.39 P(Y > 1/1 Y > 0/1) e) Tasajak: P(Y > 4/1) = 0 P(Y > 5/1 Y > 4/1) ei ole määritelty (0/0) 4 Eksp: 3 1 P(Y > 4/1) = e 0.64 P(Y > 5/1 Y > 4/1) f) Tasajak: Hajonneiden mittalaitteiden lukumäärä on binomijakautunut. E(X) = n P("yksi laite kestää alle 1.5 vuotta") = = 5. Eksp: Hajonneiden mittalaitteiden lukumäärä on binomijakautunut. E(X) = n P("yksi laite kestää alle 1.5 vuotta") = 10 (1 3 3 e ) 6.3. Eksponenttijakaumaan liittyy unohtamisominaisuus, jonka vuoksi laite toimii vielä yhden kuukauden lisää todennäköisyydellä riippumatta siitä, miten kauan laite on jo toiminut. Eksponenttijakauma liittyy kiinteästi Poisson-jakaumaan: jos tapahtumien aikavälit (tässä tapauksessa mittalaitteiden hajoamisten välit) ovat riippumattomia, eksponenttijakautuneita ja tapahtumia on äärettömän paljon, aikavälillä t tapahtuvien tapahtumien (tässä hajonneiden laitteiden lukumäärä) on Poisson-jakautunut. Vastaavasti jos tapahtumien lukumäärä aikavälillä on Poisson-jakautunut, tapahtumien väliajat ovat eksponenttijakautuneita.
6 4. a) Olkoon satunnaismuuttujan X momentit generoiva funktio m X (t). Määritä lineaarisen muunnoksen Y = a + bx (missä a ja b ovat vakioita ja b > 0) momentit generoiva funktio m Y (t). t b) Standardoidun normaalijakauman N(0, 1) momentit generoiva funktio on m Z (t) = / e. Määritä tämän ja a-kohdan tuloksen perusteella N(µ, σ )-jakautuneen satunnaismuuttujan W momentit generoiva funktio m W (t). a) () ( ) ty ta ( + bx) ( ) ( at btx ) at X ( ) m t = E e = E e = E e e = e m bt Y b) Jos W ~ N(µ, σ ), voidaan kirjoittaa W = µ +σz, missä Z ~N(0, 1). Tästä seuraa: tw µ t σ tz µ t µ t σ t / µ t+ σ t / Z m () t E( e ) E( e e ) e m ( σt) e e e W = = = = =. 5. Varastossa on 8 kpl 0 litran ja 1 kpl 45 litran viinitynnyreitä, joissa kussakin on satunnainen määrä viiniä (tässä tapauksessa "satunnainen" tarkoittaa välille 0 % 100 % tasajakautunut osa tynnyrin tilavuudesta). Varastosta satunnaisesti valittu tynnyri sisältää Y litraa viiniä. Määritä Y:n kertymäfunktio, tiheysfunktio ja odotusarvo. Lasketaan ensin esim. kertymäfunktion arvo F(18). Tämä ratkeaa helpoiten puumallin avulla: 18/0 Y < Y > / /45 45 Y < /45 Y > Puumallin avulla on helppo määrätä todennäköisyys, että satunnaisesti valitussa viinikanisterissa on korkeintaan 18 litraa viiniä: F(18) = P(Y 18) = / /45 = = 0.6 Tämän jälkeen määrätään kertymäfunktio yleisessä tapauksessa samaan tapaan. Merkitään: A = "valitaan 0 l tynnyri", B = "valitaan 45 l tynnyri" (jolloin B = A C ). Y:n kertymäfunktio on F(Y) = P(Y y) = P(A)P(Y y A) + P(B) P(Y y B). y y Arvoilla 0 y 0 saadaan P(Y y) = ja 0 45 y arvoilla 0 < y 45 saadaan P(Y y) = Siis 45
7 0, kun y < 0 y, kun 0 y 0 30 F( y) = y, kun 0 < y , kun y > 45 Tiheysfunktio saadaan derivoimalla kertymäfunktio: 0, kun y < 0 1, kun 0 y 0 30 f ( y) = 0.4, kun 0 < y , kun y > 45 Odotusarvon saa laskettua tiheysfunktion avulla integroimalla paloittain: E( Y) = ydy + ydy = Tai suoraan viinien määrän odotusarvoista (ks. puumalli): 0 45 E( Y ) = = 17.5 HUOM! Laskuharjoituspaperissa luki "esimerkki sekamallista". Tämä on painovirhe, kyseessä ei ole sekajakauma vaan kahden tiheysfunktion lineaarikombinaatio, josta käytetään termiä "sekoitettu jakauma" (sekamallissa on mukana diskreetti komponentti eikä sillä ole siten tiheysfunktiota). 6. Suuressa kalansaaliissa kalojen paino X on normaalijakautunut odotusarvona 600 g ja keskihajontana 160 g. Kaikki alle 400 g painavat kalat syötetään kissoille. Määritä jäljelle jäävien kalojen painojakauman mediaani ja odotusarvo. Arvoa x = 400 vastaavan standardoidun muuttujan arvo on z = (x µ) / σ = 1.5. Siis P(X < 400) = Φ( 1.5) = = (eli % kaloista heitetään pois). Jäljelle jäävän jakauman mediaani x Med toteuttaa ehdon P(X > x Med ) = / = (piirrä kuvio!). Vastaava arvo z Med toteuttaa ehdon Φ(z Med ) = = 0.558, joten z Med 0.13 (taulukosta luettava tarkkuus, Φ(z) on standardoidun normaalijakauman kertymäfunktio). Kysytty mediaani on x Med = µ σ = 60.8 g. 1 Katkaistun N(0, 1)-jakauman tiheysfunktio on e, z > 1.5. Huomaa, että π termi nimittäjässä skaalaa katkaistun tiheysfunktion, jotta pinta-alaksi tulee 1. z
8 Odotusarvo saadaan integroimalla: + + z z ( 1.5) ze dz e e π = π = π Yli 400 g painavien kalojen painon odotusarvo on µ σ 63.7 g. 7. Tätä tehtävää ei käydä laskuharjoituksissa läpi, vaan kaikkien on tarkoitus tehdä se itsenäisesti kaavakokoelman taulukon avulla. Kysy tuntiopettajaltasi, jos et osaa jotakin kohtaa. Olkoon satunnaismuuttuja Z ~ N(0, 1). a) Määrää P(Z > 1) (vastaus: ) b) Määrää P(Z 1.5) (vastaus: ) c) Määrää z siten, että P(Z z) = 0.95 (vastaus: z = 1.64) d) Määrää z siten, että P(Z z) = 0.01 (vastaus: z =.33) e) Määrää P( Z ). (vastaus: ) f) Määrää z siten, että P( Z z) = 0.05 (vastaus: z = 1.96) Olkoon satunnaismuuttuja X ~N(1, 9). g) Määrää P(X 1) (vastaus: 0.514) h) Määrää x siten, että P(X x) = 0.05 (vastaus: x = 5.9) Kannattaa hahmottaa paperille kuva, johon on varjostettu kysytty todennäköisyys (joka siis vastaa tiheysfunktion pinta-alaa). Standardoidun normaalijakauman (odotusarvo 0, varianssi 1) kertymäfunktiota P(Z z) merkitään tyypillisesti Φ(z). a) P(Z > 1) = 1 P(Z 1) = = b) P(Z 1.5) = P(Z 1.5) = 1 P(Z < 1.5) = = c) P(Z z) = 0.95 z = 1.64 d) P(Z z) = 0.01 P(Z < z) = 0.99 z =.33 e) P( Z ) = P( Z ) = P(Z ) P(Z < ) = 1 P(Z < ) = 1 (1 P(Z )) = P(Z ) 1 = = f) P( Z z) = 0.05 P(Z z) = 0.05 P(Z z) = 0.05 P(Z < z) = z = 1.96 Olkoon satunnaismuuttuja X ~N(1, 9). Standardoitu satunnaismuuttuja Z noudattaa standardoitua normaalijakaumaa: Z = (X µ X ) / σ X = (X 1) / 3 ~ N(0, 1) Vastaavasti standardoidusta satunnaismuuttujasta Z saadaan N(1, 9)-normaalijakaumaa noudattava satunnaismuuttuja X seuraavasti: X = σ X Z + µ X = 3 Z + 1 ~ N(1, 9)
9 g) P(X 1) = P(Z ( 1 1)/3) = P(Z /3) = 1 P(Z < /3) = = h) P(Z z) = 0.05 P(Z < z) = 0.95 z = 1.64 x = 3 z + 1 = 5.9 Pistetehtävä 1. Kahvilan päivittäinen myynti on satunnaismuuttuja, joka oletetaan normaalijakautuneeksi. Jos oletetaan, että kuukaudessa (30 päivää) on pitkällä ajalla keskimäärin.7 päivää, jolloin myynti alittaa 1000 mk, ja keskimäärin 6 päivää, jolloin myynti ylittää 000 mk, niin kuinka usein sattuu päivä, jolloin myynti ylittää 3000 mk? Merkitään X = "kahvilan päivittäinen myynti", x 1 = 1000 ja x = 000. Näitä vastaavat standardoidun muuttujan arvot z i = (x i µ)/σ, (i = 1, ), jotka toteuttavat ehdot: P(X x 1 ) = P(Z z 1 ) = Φ(z 1 ) =.7/30 = 0.09 z 1 = 1.34 (taulukosta) P(X x ) = P(Z z ) = Φ(z ) = 1 6/30 = 0.80 z = 0.84 (taulukosta) Saadaan yhtälöpari (x i = z i σ + µ, i = 1, ): 1.34σ + µ = σ + µ = 000 Ratkaistaan σ 458.7, µ Tällöin arvoa x 3 = 3000 vastaa z 3 = (x 3 µ)/σ 3.0. P(X > 3000) = 1 P(X 3000) = 1 Φ(( )/458.7) = 1 Φ(3.0) = = , joten päivämyynti ylittää 3000 mk keskimäärin päivän eli 5.6 kuukauden välein.
10 Pistetehtävä. (Kirjan tehtävä , ks. luku 5.7) Satunnaismuuttuja X on Tas(0, 1)-jakautunut. Määritä satunnaismuuttujien a) X b) X c) e X tiheys- ja kertymäfunktiot. Muista myös mainita, millä väleillä (eli millä y:n arvoilla) funktiot on määritelty. Merkitään X:n kertymäfunktiota F X (x) = x, 0 < x < 1. a) Y = X : F Y (y) = P(Y y) = P( X y) = P(X y ) = F X ( y ) = y, 0 < y < 1 ' 1 f Y (y) = FY ( y ) = y, 0 < y < 1 b) Y = X : F Y (y) = P(Y y) = P( X y) = P(X y ) = F X (y ) = y, 0 < y < 1 ' f Y (y) = FY ( y ) = y, 0 < y < 1 X c) Y = e : F Y (y) = P(Y y) = P(e X y) = P(X ln(y)) = F X (ln(y)) = ln(y), ' f Y (y) = F ( y ) = 1 y, 1 < y < e Y 1 < y < e
Mat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,
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.
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
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
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
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
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
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
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
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
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
Lisätiedot2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 2 Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden
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
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
LisätiedotDiplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2018 Insinöörivalinnan matematiikan koe, , Ratkaisut (Sarja A)
Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2018 Insinöörivalinnan matematiikan koe, 2952018, Ratkaisut (Sarja A) 1 Anna kaikissa kohdissa vastaukset tarkkoina arvoina Kohdassa d), anna kulmat
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,
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
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
LisätiedotHelsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo 10 13
Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 2 x 2 3 2 3 x 1 4, (b) (x + 1)(x 2)
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
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
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
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
LisätiedotVastaus: 10. Kertausharjoituksia. 1. Lukujonot lim = lim n + = = n n. Vastaus: suppenee raja-arvona Vastaus:
. Koska F( ) on jokin funktion f ( ) integraalifunktio, niin a+ a f() t dt F( a+ t) F( a) ( a+ ) b( a b) Vastaus: Kertausharjoituksia. Lukujonot 87. + n + lim lim n n n n Vastaus: suppenee raja-arvona
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
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.
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
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
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
Lisätiedot6. laskuharjoitusten vastaukset (viikot 10 11)
6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
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.
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.
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
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..
LisätiedotHelsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet
Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.01 klo 10 13 t ja pisteytysohjeet 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 x 3 3 x 1 4, (b)
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
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
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
LisätiedotTekijä Pitkä matematiikka
K1 Tekijä Pitkä matematiikka 5 7..017 a) 1 1 + 1 = 4 + 1 = 3 = 3 4 4 4 4 4 4 b) 1 1 1 = 4 6 3 = 5 = 5 3 4 1 1 1 1 1 K a) Koska 3 = 9 < 10, niin 3 10 < 0. 3 10 = (3 10 ) = 10 3 b) Koska π 3,14, niin π
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
LisätiedotTalousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa
Talousmatematiikan perusteet: Luento 17 Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa Motivointi Kahdella edellisellä luennolla olemme oppineet integrointisääntöjä
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
LisätiedotDiplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2017 Insinöörivalinnan matematiikan koe , Ratkaisut (Sarja A)
Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 017 Insinöörivalinnan matematiikan koe 30..017, Ratkaisut (Sarja A) 1. a) Lukujen 9, 0, 3 ja x keskiarvo on. Määritä x. (1 p.) b) Mitkä reaaliluvut
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
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
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
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
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
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
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
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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
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
LisätiedotA-osa. Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein 0-6. Taulukkokirjaa saa käyttää apuna, laskinta ei.
PITKÄ MATEMATIIKKA PRELIMINÄÄRIKOE 7..07 NIMI: A-osa. Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein 0-. Taulukkokirjaa saa käyttää apuna, laskinta ei.. Valitse oikea vaihtoehto ja
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
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
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
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
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,
Lisätiedotriippumattomia ja noudattavat samaa jakaumaa.
12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta
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
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
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
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
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
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
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,
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
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
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
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)
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
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
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.
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.
Lisätiedota) Sievennä lauseke 1+x , kun x 0jax 1. b) Aseta luvut 2, 5 suuruusjärjestykseen ja perustele vastauksesi. 3 3 ja
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 1.10.2018 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
Lisätiedot3 TOISEN ASTEEN POLYNOMIFUNKTIO
3 TOISEN ASTEEN POLYNOMIFUNKTIO POHDITTAVAA 1. Kuvasta voidaan arvioida, että frisbeegolfkiekko käy noin 9 metrin korkeudella ja se lentää noin 40 metrin päähän. Vastaus: Frisbeegolfkiekko käy n. 9 m:n
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotTKK @ Ilkka Mellin (2008) 1/5
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 3, 6, 7 Pistetehtävät: 2, 4, 5, 9 Ylimääräiset tehtävät: 8, 10, 11 Aiheet: Moniulotteiset jakaumat Avainsanat: Diskreetti jakauma,
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,
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
LisätiedotYhtälön oikealla puolella on säteen neliö, joten r. = 5 eli r = ± 5. Koska säde on positiivinen, niin r = 5.
Tekijä Pitkä matematiikka 5 7..017 31 Kirjoitetaan yhtälö keskipistemuotoon ( x x ) + ( y y ) = r. 0 0 a) ( x 4) + ( y 1) = 49 Yhtälön vasemmalta puolelta nähdään, että x 0 = 4 ja y 0 = 1, joten ympyrän
LisätiedotEstimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio
17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla
LisätiedotMATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 25.9.2017 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
Lisätiedot/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla
17.11.2016/1 MTTTP5, luento 17.11.2016 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla likimain Jos X ~ Bin(n, p), niin X ~ N(np, np(1 p)), kun n suuri. 17.11.2016/2
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,
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
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.9 Sovellettu todennäköisyyslasku A Harjoitus 3 (vko 4/3) (Aihe: tasainen todennäköisyysmalli, pistetodennäköisyysfunktio, tiheysfunktio, kertymäfunktio,
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut
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
Lisätiedoty=-3x+2 y=2x-3 y=3x+2 x = = 6
MAA Koe, Arto Hekkanen ja Jussi Tyni 5.5.015 Loppukoe LASKE ILMAN LASKINTA. 1. Yhdistä kuvaaja ja sen yhtälö a) 3 b) 1 c) 5 d) Suoran yhtälö 1) y=3x ) 3x+y =0 3) x y 3=0 ) y= 3x 3 5) y= 3x 6) 3x y+=0 y=-3x+
LisätiedotKERTAUS KERTAUSTEHTÄVIÄ K1. P( 1) = 3 ( 1) + 2 ( 1) ( 1) 3 = = 4
KERTAUS KERTAUSTEHTÄVIÄ K1. P( 1) = 3 ( 1) + ( 1) + 3 ( 1) 3 = 3 + 3 = 4 K. a) x 3x + 7x 5x = 4x + 4x b) 5x 3 (1 x ) = 5x 3 1 + x = 6x 4 c) (x + 3)(x 4) = x 3 4x + 3x 1 = x 3 + 3x 4x 1 Vastaus: a) 4x +
Lisätiedot