Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Samankaltaiset tiedostot
Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet

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

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

Mat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat:

Satunnaismuuttujien muunnokset ja niiden jakaumat

Mat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia

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

Osa 2: Otokset, otosjakaumat ja estimointi

Todennäköisyyslaskenta: Todennäköisyysjakaumia

6.1 Riippumattomat satunnaismuuttujat

Johdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1

Osa 2: Otokset, otosjakaumat ja estimointi

4. Todennäköisyyslaskennan kertausta

EX1 EX 2 EX =

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1

Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut

Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:

8. laskuharjoituskierros, vko 11, ratkaisut

Diskreettejä jakaumia. Diskreettejä jakaumia. Diskreettejä jakaumia Mitä opimme? 2/3. Diskreettejä jakaumia Mitä opimme? 1/3

Mat Sovellettu todennäköisyyslasku A

1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

5. laskuharjoituskierros, vko 8, ratkaisut

Jatkuvia jakaumia. Jatkuvia jakaumia. Jatkuvia jakaumia Mitä opimme? 2/3. Jatkuvia jakaumia Mitä opimme? 1/3. Jatkuvia jakaumia Mitä opimme?

Sovellettu todennäköisyyslaskenta B

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

Stokastiikan perusteet Harjoitukset 1 (Todennäköisyysavaruus, -mitta ja -funktio)

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Mat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit

Tilastomatematiikka Kevät 2008

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

Todennäköisyyslaskun kertaus. Heliövaara 1

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia

Sovellettu todennäköisyyslaskenta B

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

Sovellettu todennäköisyyslaskenta B

Tilastolliset luottamusvälit

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia

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

Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot

S Laskennallinen systeemibiologia

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin yliopisto Harjoitus 3, ratkaisuehdotuksia

Todennäköisyyslaskenta: Todennäköisyysjakaumia

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

Ilkka Mellin (2008) 1/5

Todennäköisyyden ominaisuuksia

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

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

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Yhden selittäjän lineaarinen regressiomalli

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

D ( ) E( ) E( ) 2.917

4 KORKEAMMAN KERTALUVUN LINEAARISET DIFFERENTIAALIYHTÄLÖT. Kertaluvun n lineaarinen differentiaaliyhtälö ns. standardimuodossa on

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Väliestimointi (jatkoa) Heliövaara 1

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

Mat Sovellettu todennäköisyyslasku A

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

Sovellettu todennäköisyyslaskenta B

Olkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat

Tilastollinen päättömyys, kevät 2017 Harjoitus 6A

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia

Ilkka Mellin Todennäköisyyslaskenta. Osa 3: Todennäköisyysjakaumia. Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2007) 1

Osittaisdifferentiaaliyhtälöt

lim + 3 = lim = lim (1p.) (3p.) b) Lausekkeen täytyy supistua (x-2):lla, joten osoittajan nollakohta on 2.

MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta

Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat

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,

3. Teoriaharjoitukset

Johdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1

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

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Projektin arvon aleneminen

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

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n

MS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset

1. osa, ks. Solmu 2/ Kahden positiivisen luvun harmoninen, geometrinen, aritmeettinen ja + 1 u v 2 1

Kurssin alkuosan sisältö. Tilastotieteen jatkokurssi. Kurssin loppuosan sisältö. 1. Todennäköisyyslaskenta. Heikki Hyhkö. 1. Todennäköisyyslaskenta

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

MATA172 Sami Yrjänheikki Harjoitus Totta vai Tarua? Lyhyt perustelu tai vastaesimerkki!

Luku 7. Parametrien estimointi. 7.1 Parametriset jakaumat. Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017

13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle

Transkriptio:

Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet ja raja-arvolauseet Biomijakauma, Ekspoettijakauma, Geometrie jakauma, Jakaumakovergessi, Jatkuva tasaie jakauma, Kolmiojakauma, Kovergessikäsitteet, Maksimi, Miimi, Mometit, Momettiemäfuktio, Muuos, Odotusarvo, Poisso-jakauma, Stokastie kovergessi, Summa jakauma, Variassi 6.. Geometrise jakauma Geom(p) pistetodeäköisyysfuktio o x f( x) = Pr( = x) = q p,0< p<, q= p, x=,2,3, Johda jakauma momettiemäfuktio ja se avulla jakauma odotusarvo ja variassi. 6.2. Poisso-jakauma Poisso(λ) pistetodeäköisyysfuktio o x e λ λ f( x) = Pr( = x) =, λ > 0, x= 0,,2, x! Johda jakauma momettiemäfuktio ja se avulla jakauma odotusarvo ja variassi. 6.3. Jatkuva tasaise jakauma Uiform(a, b) tiheysfuktio o f ( x) =, a b a x b Johda jakauma momettiemäfuktio ja se avulla jakauma odotusarvo ja variassi. 6.4. Ekspoettijakauma Exp(λ) tiheysfuktio o λx f( x) = λe, λ > 0, x 0 Johda jakauma momettiemäfuktio ja se avulla jakauma odotusarvo ja variassi. TKK/SAL @ Ilkka Melli (2004) /6

Mat-2.090 Sovellettu todeäköisyyslasku A 6.5. Jatkuva tasaise jakauma Uiform(0,) tiheysfuktio o f ( x) =,0 x Oletetaa, että satuaismuuttujat ja Y ovat riippumattomia ja ~ Uiform(0,) Y ~ Uiform(0,) Määrää satuaismuuttuja U = + Y tiheysfuktio. 6.6. Biomijakauma Bi(, p) pistetodeäköisyysfuktio o x x f ( x) = Pr( = x) = p q, 0 < p<, q= p, x= 0,, 2,, x ja se momettiemäfuktio o m () t = ( q+ pe t ) Oletetaa, että satuaismuuttujat ja 2 ovat riippumattomia ja ~ Bi(, p) 2 ~ Bi( 2, p) Määrää satuaismuuttuja jakauma. = + 2 6.7. Jatkuva tasaise jakauma Uiform(0,) tiheysfuktio o f ( x) =,0 x Oletetaa, että satuaismuuttujat ja 2 ovat riippumattomia ja ~ Uiform(0,) Y ~ Uiform(0,) Olkoot () = mi{, 2 } Määrää satuaismuuttuja () tiheysfuktio. TKK/SAL @ Ilkka Melli (2004) 2/6

Mat-2.090 Sovellettu todeäköisyyslasku A 6.8. Jatkuva tasaise jakauma Uiform(0,) tiheysfuktio o f ( x) =,0 x Oletetaa, että satuaismuuttujat ja 2 ovat riippumattomia ja ~ Uiform(0,) Y ~ Uiform(0,) Olkoot (2) = max{, 2 } Määrää satuaismuuttuja (2) tiheysfuktio. 6.9. Olkoo, 2, 3, joo riippumattomia satuaismuuttujia, joilla o kaikilla sama tiheysfuktio Olkoo,0 < x < θ f( x) = θ 0, muulloi () = max{, 2,, } Todista, että satuaismuuttujie (), (2), (3), muodostama joo kovergoi jakaumaltaa kohti satuaismuuttujaa, joka kertymäfuktio o 0, x < θ Gx ( ) =, x θ 6.0. Olkoo, 2, 3, joo riippumattomia satuaismuuttujia, joide pistetodeäköisyysfuktiot ovat muotoa, x = f( x) = Pr( = x) =, x = 0 Todista, että satuaismuuttujie, 2, 3, muodostama joo kovergoi stokastisesti kohti vakiota 0: 0 P TKK/SAL @ Ilkka Melli (2004) 3/6

Mat-2.090 Sovellettu todeäköisyyslasku A Momettiemäfuktio Satuaismuuttuja momettiemäfuktio o t m () t = E( e ) Satuaismuuttuja k. origomometti α E( k k = ), k =, 2,3, saadaa määräämällä momettiemäfuktio m (t) k. derivaatta pisteessä t = 0: k k dm() t αk = E( ) =, k =, 2,3, k dt Satuaismuuttuja odotusarvo ja variassi saadaa kaavoista µ = E( ) = α t= 0 = Var( ) = E[( ) ] = E( ) = α 2 2 2 2 2 σ µ µ α2 Olkoo satuaismuuttuja diskreetti ja se pistetodeäköisyysfuktio f ( x) = Pr( = x ) Tällöi satuaismuuttuja momettiemäfuktio saadaa kaavasta t tx m () t E( e ) e f( x) = = Olkoo satuaismuuttuja jatkuva ja se tiheysfuktio f ( x ) x Tällöi satuaismuuttuja momettiemäfuktio saadaa kaavasta Olkoot + t tx m () t = E( e ) = e f( x) dx, 2,, riippumattomia satuaismuuttujia, joide momettiemäfuktiot ovat Tällöi summa m (t), m 2 (t),, m (t) = + 2 + + momettiemäfuktio o satuaismuuttujie, 2,, momettiemäfuktioide tulo: m (t) = m (t)m 2 (t) m (t) TKK/SAL @ Ilkka Melli (2004) 4/6

Mat-2.090 Sovellettu todeäköisyyslasku A Kaksiulotteiste satuaismuuttujie muuoste jakaumat Olkoo satuaismuuttujie ja Y yhteisjakauma tiheysfuktio f Y (x, y) Määritellää satuaismuuttujat U = g(, Y) V = h(, Y) Oletetaa, että muuoksella u = g( x, y) ( ) v = h( x, y) o seuraavat omiaisuudet: (i) Muuttujat x ja y voidaa ratkaista yhtälöryhmästä ( ). (ii) Fuktioilla g ja h o jatkuvat osittaisderivaatat muuttujie x ja y suhtee. (iii) Muuokse ( ) Jacobi determiatti ( uv, ) u v u v = + 0 ( xy, ) x y y x kaikille x ja y, joille f Y (x, y) 0 Tällöi satuaismuuttujie U ja V yhteisjakauma tiheysfuktio o f ( u, v) = f ( x, y) UV Y ( uv, ) ( x, y) jossa x ja y ratkaistaa yhtälöryhmästä ( ). Satuaismuuttujie summa jakauma Olkoot ja Y riippumattomia satuaismuuttujia, joide tiheysfuktiot ovat f (x), f Y (y) Tällöi summa U = + Y tiheysfuktio o + f ( u) = f ( u x) f ( x) dx U Y TKK/SAL @ Ilkka Melli (2004) 5/6

Mat-2.090 Sovellettu todeäköisyyslasku A Satuaismuuttujie miimi ja maksimi jakaumat Olkoot satuaismuuttujat, 2,, riippumattomia ja samaa jakaumaa oudattavia satuaismuuttujia. Olkoo satuaismuuttujie, 2,, yhteie tiheysfuktio f ( x ) ja yhteie kertymäfuktio F( x) Tällöi satuaismuuttuja tiheysfuktio o ja satuaismuuttuja tiheysfuktio o () = mi{, 2,, } f x F x f x ()( ) = [ ( )] ( ) () = max{, 2,, } f x F x f x ( ) [ ( )] ( ) ( ) = Stokastie kovergessi Satuaismuuttujie, 2, 3, muodostama joo kovergoi stokastisesti kohti satuaismuuttujaa, jos kaikille ε > 0 pätee lim Pr( > 0) = 0 Merkitää tätä P Jakaumakovergessi Olkoo, 2, 3, joo satuaismuuttujia, joide kertymäfuktiot ovat F (x), F 2 (x), F 3 (x), Satuaismuuttujie, 2, 3, muodostama joo kovergoi jakaumaltaa kohti satuaismuuttujaa, joka kertymäfuktio o F (x), jos lim F ( x) = F ( x) jokaisessa pisteessä x, jossa F (x) o jatkuva. Merkitää tätä L TKK/SAL @ Ilkka Melli (2004) 6/6