Yleistä tietoa kokeesta

Samankaltaiset tiedostot
Yleistä tietoa kokeesta

Yleistä tietoa kokeesta

Kertausluento. Tilastollinen päättely II - 2. kurssikoe

Kertausluento. Tilastollinen päättely II - 1. kurssikoe

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,

Matemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto

Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa

Matemaattisten tieteiden kandiohjelma / MTL Todennäköisyyslaskenta IIb Kurssikoe (kesto 2h 30 min)

1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

10 Moniulotteinen normaalijakauma

Moniulotteisia todennäköisyysjakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

2 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

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

k S P[ X µ kσ] 1 k 2.

30A02000 Tilastotieteen perusteet

Tilastomatematiikka Kevät 2008

1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet

TN-IIa (MAT22001), syksy 2017

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.

Otosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko

8.1 Ehdolliset jakaumat

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

10 Moniulotteinen normaalijakauma

0 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,

Tilastollinen päättely II, kevät 2017 Harjoitus 1A

Harjoitus 4 Tehtävä 1

Johdatus tn-laskentaan torstai

Sovellettu todennäköisyyslaskenta B

Todennäköisyyden ominaisuuksia

9 Moniulotteinen jakauma

5 Tärkeitä yksiulotteisia jakaumia

Moniulotteiset satunnaismuuttujat ja jakaumat

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.

3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin

HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

TN-IIa (MAT22001), syksy 2018

Satunnaismuuttujien muunnokset ja niiden jakaumat

8.1 Ehdolliset jakaumat

3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin

Todennäköisyyslaskenta, syksy Petri Koistinen Matematiikan ja tilastotieteen laitos Helsingin yliopisto

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Ilkka Mellin (2008) 1/5

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

Todennäköisyyslaskenta. β versio. Todennäköisyyslaskenta. Ilkka Mellin. Teknillinen korkeakoulu, Matematiikan laboratorio. Ilkka Mellin (2006) I

7 Kaksiulotteinen jakauma

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

Kopulafunktiot. Joonas Ollila 12. lokakuuta 2011

4.0.2 Kuinka hyvä ennuste on?

3.1 Kaksiulotteinen satunnaisvektori ja sen jakauma

Jatkuvat satunnaismuuttujat

031021P Tilastomatematiikka (5 op) viikko 7

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Mat Sovellettu todennäköisyyslasku A

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia

Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan

Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

Todennäköisyyslaskun kertaus. Heliövaara 1

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2007) 1

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

11 Raja-arvolauseita ja approksimaatioita

Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1

Tilastollinen päättely II (MAT22003), kevät 2019

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

Todennäköisyyslaskenta

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

P (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.

6. laskuharjoitusten vastaukset (viikot 10 11)

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat

Mat Sovellettu todennäköisyyslasku A

OPETUSSUUNNITELMALOMAKE

4. Todennäköisyyslaskennan kertausta

Sovellettu todennäköisyyslaskenta B

Normaalijakaumasta johdettuja jakaumia

MAY1 Luvut ja lukujonot, opintokortti

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

OPETUSSUUNNITELMALOMAKE

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)

Tilastollinen päättely II (MAT22003), kevät 2018

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B

Sovellettu todennäköisyyslaskenta B

a) Sievennä lauseke 1+x , kun x 0jax 1. b) Aseta luvut 2, 5 suuruusjärjestykseen ja perustele vastauksesi. 3 3 ja

Martingaalit ja informaatioprosessit

3.6 Su-estimaattorien asymptotiikka

o Ohjeet annetaan kurssin aikana. MAY1 Luvut ja lukujonot, Opintokortti

Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset

Transkriptio:

Yleistä tietoa kokeesta Kurssikoe on ma 18.12. klo 12.00-14.30 (jossakin auditorioista). Huomaa tasatunti! Seuraava erilliskoe on ke 10.1.2018 klo 10-14, johon ilmoittaudutaan Oodissa (ilmoittautumisaika erilliskokeeseen päättyy 31.12.2017 klo 23:59). Arvostelu valmistuu siis ennen vuoden vaihdetta, ja erilliskokeeseen ennättää silloin vielä ilmoittautua. Uusien ohjeitten mukaan korvaava kurssikoe järjestettäisiin juuri tuon erilliskokeen kanssa samaan aikaan, eli tuo erilliskoe korvaa korvaavan kurssikokeen Kurssikokeessa sallitut apuvälineet ovat 1) laskin sekä 2) lunttilappu. (MAOLtaulukoita ei sallita.) Lunttilapun pitää olla itse laadittu ja käsinkirijoitettu (eli ei tietokoneella tulostettu), eikä sillä ole muita rajoituksia kuin sen koko: yksi A4- kokoinen arkki (molemmat puolet saa käyttää). TN-laskennan erilliskokeessa (korvaa nyt siis korvaavan) saa käyttää laskinta (tässäkin on tullut uusia ohjeita ja näistä on luvattu tarkempia tietoja tänään). Korvaavassa kokeessa sallitut apuvälineet ovat samat kuin erilliskokeessa (ja samoin säädöksin kuin erilliskokeista) johtuen käytännön rajoitteista. Erilliskokeen tehtäväpaperin ohessa on kuitenkin minun (Petteri) laatima käsinkirjoitettu luntti. Tämän laitan ensi viikolla kurssisivulle nähtäväksi. Tämä hieman tasaa tilannetta. Koealue: 1. monisteen luvut 6-10. (kalvot ja/tai moniste). 2. Harjoitukset 1-6. 3. Kertaustehtäviäkin kannattaa laskea. Niiden ratkaisuehdotuksiin kannattaa myös perehtyä, mutta huom. kaikki ratkaisutavat käyvät. Ei ole yhtä malliratkaisua.

Kokeitten arvostelusta Arvostelusta: käytän arvionnissa perusperiaatetta "palkitse onnistumisista, älä rankaise virheistä". Tämä tarkoittaa käytännössä, että 1. vaikka tehtävän ns. lopputulos olisi näennäisesti varsin "etäällä" optimisuorituksen lopputuloksesta, voi pisteitä tulla silti paljon. 2. Vastaavasti vaikka lopputulos olisikin oikea, niin onnistumisia voi olla vähänkin (esim. laskin antaa suoraan vastauksen). 3. Eli: kerro aina mitä olet tekemässä tai mitä mielestäsi tulisi tehdä :-) tämä kannattaa vaikka tehtävää et osaisikaan loppuun asti. Arvostelusta: tämä tosin hidastaa arvostelua ja arvostelen kaikki kokeet, joten aikaa menee muutama viikko arvosteluun. Laitan Presemoon väliaikatietoja, kuinka pitkällä tarkastus on milloinkin (prosentteina).

Kokeessa ei kysytä seuraavia asioita: Monisteen kaavaa 9.16 Moniulotteisen jakauman (yhteis-)momenttien laskeminen momenttiemäfunktion avulla (asia selostetaan jaksossa 9.7) Jaksoja 6.5 ja 10.5 Todistuksia, joita ei ole kirjoitettu kalvoille.. Opettele seuraavat jakaumat: Tasajakauma tasoalueessa (tf) Moniulotteinen normaalijakauma (määrittely kaavalla X = μ + A U, jossa U:lla moniulotteinen standardinormaalijakauma ja μ ja A ovat vakiovektori ja vakiomatriisi, eli on syytä tuntea milloin tf on olemassa, milloin ei, mikä on MEF ja mitä ominaisuuksia multinormaalijakaumalla on) HUOM! myös samat 1-ulotteiset jakaumat kuin ensimmäisessä kurssikokeessa (Bernoulli-jakauma, binomijakauma, geometrinen jakauma, Poissonin jakauma, eksponenttijakauma, tasajakauma, normaalijakauma), eli nämä tulisi kirjoittaa lunttiin mukaan :) Seuraavat aiheet ovat esiintyneet usein toisessa kurssikokeessa kaksiulotteisen jakauman ominaisuuksien selvittäminen, kun sen tiheysfunktio (tai ptnf) annetaan (ehkä vakiota vaille) tiheysfunktion muuntokaava (jacobiaani) käytännössä kaksiulotteisessa tapauksessa odotusarvon laskukaavat satunnaisvektorille ja -matriisille odotusarvojen laskeminen käyttämällä 2-ulotteista TTL:ää, kun ytf (tai ptnf) on annettu tai johdettu aiemmin epäyhtälön (Markovin, Tsebysevin tai Jensenin epäyhtälön) soveltaminen helpossa tilanteessa, joten varmista että tiedät, mitä tarkoittaa konveksi funktio yhteisjakauman käsittely kertolaskukaavan avulla hierarkiset mallit (katso esimerkkejä kappaleesta 8.5)

ehdollistaminen (esim. odotusarvon laskeminen iteroituna odotusarvona, ehdollisen odotusarvon, ehdollisen varianssin laskeminen, käsitteet,...) esimerkiksi liittyen edelliseen moniulotteinen normaalijakauma ja sen erityiset ominaisuudet (korreloimattomuus => riippumattomuus, kun yhteisjakauma multinormaalijakauma, säilyy affiineissa muunnoksissa,...) jne. eri käsitteiden määritelmät lauseiden muotoilu (ja joidenkin esim. kovarianssimatriisin ominaisuuksien osoittamista kuten lauseessa 9.2)...

Muuta lisätietoa kokeeseen valmistautumisesssa: Opettele seuraavat jakaumat niin, että osaat kirjoittaa niiden ptnf:n tai tf:n ja osaat johtaa sujuvasti niiden ominaisuuksia (kuten odotusarvon ja varianssin). Eli nämä olisi hyvää lunttimateriaalia Bernoullin jakauma ja binomijakauma. Poissonin jakauma välin (a,b) tasajakauma eksponenttijakauma normaalijakauma Myös muita jakaumia saattaa tehtävissä esiintyä, mutta silloin ne karakterisoidaan tehtävänannossa Jakaumille käytetään materiaalissa merkintöjä (esimerkiksi X ~ U(a,b)), joten varmista että tunnistat jakaumat näiden merkintöjen avulla Kannattaa kerrata harjoitustehtäviä ja kysyä esimerkiksi Presemossa, jos jokin kohta tehtävissä on jäänyt epäselväksi

Kokeen aikana Tee laskuissa järkevyystarkistuksia: onko laskemani tn p välillä 0 p 1? (Tiedämme, että tapahtuman todennäköisyys toteuttaa tuon aina) onko laskemani varianssi varmasti 0? (Varianssi on sm:n (X-EX)^2 odotusarvo, joten se on aina ei-negatiivinen) onko kovarianssimatriisi varmasti symmetrinen ja positiivisesti semidefiniitti onko laskemani ei-negatiivisen satunnaismuuttujan odotusarvo varmasti 0? (edellisen kohdan yleistys :) onko laskemallani kertymäfunktiolla kertymäfunktion ominaisuudet? onko johtamani tiheysfunktio varmasti 0? Jos törmäät laskussa hankalaan kohtaan ja joudut aikapulaan, niin selosta koepaperissa, millä strategialla olet laskua laskemassa. Hyvästä strategiasta voi saada suuren osan jaossa olevista pisteistä. kysymyksiä voi (ja kannattaa tehdä) presemon kautta. Pidempiäkin vastauksia voin antaa (mitkä kirjoitan käsin (tai LaTeXilla), laitan kuvan Flingaan, tai laitan tiedoston sivulle ja kerron siitä presemossa)