0 3 y4 dy = 3 y. 15x 2 ydx = 15. f Y (y) = 5y 4 1{0 y 1}.

Samankaltaiset tiedostot
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

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

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

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

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

k S P[ X µ kσ] 1 k 2.

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

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

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

9 Moniulotteinen jakauma

Tilastomatematiikka Kevät 2008

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

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,

TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

7 Kaksiulotteinen jakauma

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

4.3 Moniulotteinen Riemannin integraali

Ilkka Mellin (2008) 1/5

031021P Tilastomatematiikka (5 op) viikko 7

Sovellettu todennäköisyyslaskenta B

y = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2

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

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

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

Määritelmä 17. Olkoon Ω joukko ja Σ sen jokin σ-algebra. Kuvaus P : Σ [0, 1] on todennäköisyysmitta (eng. probability measure), jos

7 Kaksiulotteinen jakauma

EX1 EX 2 EX =

8.1 Ehdolliset jakaumat

Todennäköisyyslaskenta, syksy Petri Koistinen Matematiikan ja tilastotieteen laitos Helsingin yliopisto

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

10 Moniulotteinen normaalijakauma

Sovellettu todennäköisyyslaskenta B

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

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

Keskihajonta ja korrelaatio

, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.

4.0.2 Kuinka hyvä ennuste on?

MATEMATIIKAN JA TILASTOTIETEEN LAITOS Analyysi I Harjoitus alkavalle viikolle Ratkaisuehdotuksia (7 sivua) (S.M)

Johdatus tn-laskentaan perjantai

Todennäköisyyslaskun kertaus. Heliövaara 1

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

Inversio-ongelmien laskennallinen peruskurssi Luento 7

Harjoitus 4 Tehtävä 1

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Matemaattinen Analyysi

MATP153 Approbatur 1B Harjoitus 5 Maanantai

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

Satunnaisluvut, satunnaisvektorit ja niiden jakaumat

4.3.6 Eräitä diskreettejä Markov-kenttiä

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

8.1 Ehdolliset jakaumat

r > y x z x = z y + y x z y + y x = r y x + y x = r

Mat Sovellettu todennäköisyyslasku A

Derivaatan sovellukset (ääriarvotehtävät ym.)

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Kuva 1: Funktion f tasa-arvokäyriä. Ratkaisu. Suurin kasvunopeus on gradientin suuntaan. 6x 0,2

Satunnaismuuttujat ja jakaumat

1. Olkoon f :, Ratkaisu. Funktion f kuvaaja välillä [ 1, 3]. (b) Olkoonε>0. Valitaanδ=ε. Kun x 1 <δ, niin. = x+3 2 = x+1, 1< x<1+δ

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

Insinöörimatematiikka D

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een

Galton Watson prosessi

Matematiikan peruskurssi 2

4.1 Diskreetin satunnaismuuttujan odotusarvo

Tehtävä 1. Näytä, että tason avoimessa yksikköpallossa

3. laskuharjoituskierros, vko 6, ratkaisut

Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo 10 13

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi

a) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki = 16 3 =

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

Matematiikka B3 - Avoin yliopisto

Satunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s

10 Moniulotteinen normaalijakauma

Differentiaaliyhtälöt I, kevät 2017 Harjoitus 3

Insinöörimatematiikka D

sin(x2 + y 2 ) x 2 + y 2

Differentiaali- ja integraalilaskenta 1 Ratkaisut 2. viikolle /

Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t

MATP153 Approbatur 1B Ohjaus 2 Keskiviikko torstai

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

3.1 Kaksiulotteinen satunnaisvektori ja sen jakauma

Tilavuus puolestaan voidaan esittää funktiona V : (0, ) (0, ) R,

Tilastollinen päättely II, kevät 2017 Harjoitus 2A

Satunnaismuuttujien muunnokset ja niiden jakaumat

Numeerinen analyysi Harjoitus 3 / Kevät 2017

Osittaisdifferentiaaliyhtälöt

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

Transkriptio:

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 18 Harjoitus Ratkaisuehdotuksia Tehtäväsar I 1. Satunnaismuuttujilla X Y on tkuva yhteiskauma yhteistiheysfunktiolla f X,Y x, y cx y 1{ x < y 1 } a Määrää vakio c b Määrää reunatiheysfunktio f X c Määrää reunatiheysfunktio f Y Ratkaisu: a Koska 1 PX, Y R f X,Y x, ydx, y R 1 / y c 3 x3 y dy 1 c 3 y4 dy 1 y c 1 y c 1 cx ydx dy Saadaan siis ratkaistua c 1. b Lauseen 7. nolla f X x f X,Y x, ydy 1 x 1x ydy 1 x x y 1 x 1 x 1 x x 4. Kun x 1 f x x R f X,Y x, ydy R muuten. Siis reunatiheysfunktio on f X x 1 x x 4 1{ x 1} c Samoin kuin b kohdassa, f Y y f X,Y x, ydx y 1x ydx 1 3 y / y x 3 yy 3 y 4 kun y 1 f Y y muulloin. Siis Y :n reunatiheysfunktio on f Y y y 4 1{ y 1}.. Tutki, ovatko satunnaismuuttut X Y riippumattomia, kun niiden yhteistiheysfunktio on

a fx, y 4x 4y, kun 4 < x < < y < 1 nolla muuten b fx, y 8x 1y 1, kun 1 < y < x < nolla muuten Ratkaisu: a Lauseen 7.b nolla satunnaismuuttut X Y ovat riippumattomia, sillä niiden yhteistiheysfunktio f X,Y x, y voidaan esittää epänegatiivisten funktioiden tulona f X,Y x, y gxhy missä gx 4x 4 1{4 < x < } hy y 1{1 < y < }. b Olkoon väli A 1, 3 B 3,. Nyt PX A, Y B Tapahtuma {X A, Y B} on mahdottoman tapahtuma {X < Y } osajoukko, mutta PX A > PY B >, siten PX A, Y B PX APY B > Siis satunnaismuuttut X Y eivät ole riippumattomia. Tehtävät 3 ovat klassikko. 3. Olkoon parilla X, Y tasakauma ympyrässä, jonka keskipiste on 1, jonka halkaisi on yksi. Laske satunnaismuuttun X reunakauman tiheysfunktio. Mikä Todennäköisyyslaskenta IIa -kurssin luvussa olleista kaumista X :llä on? Ratkaisu: Satunnaisvektorilla X, Y on siis tasakauma joukossa A {x, y R : x 1 + y 1 } {x, y R : x 1 y 1 x 1 4 } {x, y R : x 1 y x x }. Kyseisen joukon eli 1 -säteisen ympyrän pinta-ala on π 1 π, joten satunnaisvektorin X, Y yhteistiheysfunktio on 4 f X,Y x, y 4 } { π 1 x 1, x 1 x y x1 x Satunnaismuuttun X reunakauman tiheysfunktio f X x x1 x f X,Y x, ydy 1 B 3, 3 x3 1 x 1 3 1 x1 x 4 π dy 8 x1 x 8 π π x 1 1 1 x kun x 1 muutoin eli X noudattaa beetakaumaa Be 3, 3. Tehtävä 4 käsittelee monisteen lukua 7.4. 4. Olkoon satunnaismuuttujilla X Y tkuva yhteiskauma yhteistiheysfunktiolla a Laske EX EY b Laske covx, Y c Laske EX Y 3. f X,Y x, y x + 1 1{ x 1, y x }

Ratkaisu: Lasketaan ensin satunnaismuuttujien X Y reunatiheysfunktiot f X x f Y y. f X x kun x 1 f Y y kun y 1. f X,Y x, ydy x x + 1dy 1 x + 1dx y x + dx a Nyt odotusarvot saadaan laskettua EX EY 1 x f X xdx 1 1 y / x x x + xdx x + 1y x + x 3 x + x 3 y + y 3 x4 + 1 x3 7 1 3 y f Y ydy yy + y 3dy 3 y3 y + 9 y dy 3 y4 y3 + 9 1 y 7. b Satunnaismuuttujien kovarianssi voidaan esittää covx, Y EXY EXEY lauseen 7.7 nolla EXY xyf X,Y x, ydx, y R 1 1 x + x x 1 x ydy dx 1 x4 + 1 x3 dx 1 xy x + 1dy dx / x 1 x + x y dx 3 x + 3 x4 7 1. Kovarianssiksi saadaan siis covx, Y EXY EXEY 7 1 7 1 7 1 4 c Jälleen käyttämällä lausetta 7.7 Fubinin lausetta saamme 1 EX Y 3 x y 3 x f X,Y x, ydx, y R x x + 1 y 3 dy dx 1 / x x3 + x 1 1 3 4 y4 dx 1 x7 + x dx 3 1 1 8 x8 + 1 7 x7 3 1 1 8 18 + 1 7 17 9 11. Tehtävä käsittelee monisteen lukua 7.7.

. Jatkoa tehtävään 1. Satunnaismuuttujilla X Y on tkuva yhteiskauma tehtävän 1. yhteistiheysfunktiolla. Laske satunnaisvektorin X, Y odotusarvovektori kovarianssimatriisi. Ratkaisu: Hyödyntämällä tehtävässä 1 laskettu reunatiheysfunktioita, saadaam EX 1 EY x f X xdx 1 1 4 x4 1 x y f Y ydy 1 1 1 x x x 4 dx 1 1 4 1 8 y y 4 dy 1 y dy 1 x 3 x dx y. Odotusarvot voi myös laskea myös lausetta 7.7 käyttäen. Satunnaisvektorin V X, Y odotusarvovektori on siis EV EX, Y [ ] EX EY Satunnaisvektorin V X, Y kovarianssimatriisi on [ ] /8 / CovV E [ V EVV EV ] {[ ] X EX [X ] } T E EX Y EY Y EY [ X EX E ] X EXY EY X EXY EY Y EY [ E[X /8 ] E[X /8Y /] E[X /8Y /] E[Y / ] missä tiedostamattoman tilastotieteilijän lailla saadaan laskettua E[X /8 ] 1 1 1 1 x /8 f X xdx 1 x + 4 x + 39 4 x4 4 x3 1 7 + 4 + 39 3 1 + 19 ] x /8 x x 4 dx 4 x dx 17 448.37 E[Y / ] 1 y / f Y ydy y 3 y + 1 3 y4 1 y / y 4 dy dy 7 18 + 3.

E[X /8Y /] x /8y /f X,Y x, ydx, y R 1 y x /8y /1x ydx dy 1 y 1x 3 y x3 y 7 8 x y + 1 1 x y 1 4 x4 y 8 x4 y 8 x3 y + 1 48 x3 y 1 / y 1 1 4 y 8 y + 1 48 y4 dy dx dy dy 1 8 4 + 48 33.14 Siis kovarianssimatriisi CovV E [ V EVV EV ] [ T E[X /8 ] ] E[X /8Y /] E[X /8Y /] E[Y / ] [ ] [ ] 17/448 /33.37.14. /33 /.14.. Näytä että luentojen kaava 7.7 EAZB + C AEZB + C on voimassa, kun Z on satunnaismatriisi A, B C ovat vakiomatriise, joiden dimensiot ovat sellaiset, että lauseke AZB + C on määritelty. Opastus: Näytä, että kaikilla indekseillä i, j on voimassa EAZB + C ij AEZB + C ij jossa alaindekseillä ij merkitään matriisiarvoisen lausekkeen kohdassa i, j olevaa alkiota. Tarviset siten matriisikertolaskun määritelmää, odotusarvon lineaarisuutta sekä satunnaismatriisin odotusarvon määritelmää tehtävään vastaamiseen. Ratkaisu: Olkoon A m n-vakiomatriisi, Z n p-satunnaismatriisi, B p q.vakiomatriisi Cm q-vakiomatriisi. Nyt kaikilla i {1,..., m} j {1,..., q} pätee n EAZB + C ij E AZB + C ij E AZB ij + C ij E ZB kj + C ij k1 n E Z kl B lj + C ij E Z kl B lj + EC ij Saadaan siis k1 l1 E k1 l1 k1 l1 k1 l1 Z kl B lj + C ij EZ kl Blj EZ kl Blj + C ij + C ij k1 k1 E l1 k1 AEZB ij + C ij AEZB + C E AZB + C A EZ B + C. l1 l1 Z kl B lj + C ij EZ kl Blj + C ij Aik EZB kj + Cij