Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Samankaltaiset tiedostot
Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Momenttiemäfunktio ja karakteristinen funktio. Momenttiemäfunktio ja karakteristinen funktio

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Juuri 13 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus. K1. A: III, B: I, C: II ja IV.

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

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

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

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

Luento 11. Stationaariset prosessit

Yhden selittäjän lineaarinen regressiomalli

Satunnaismuuttujien muunnokset ja niiden jakaumat

( ) 5 t. ( ) 20 dt ( ) ( ) ( ) ( + ) ( ) ( ) ( + ) / ( ) du ( t ) dt

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

7.1. Suurimman uskottavuuden estimointimenetelmä: Johdanto

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

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

Luento 11. Stationaariset prosessit

VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia

11. Jatkuva-aikainen optiohinnoittelu

Systeemimallit: sisältö

5. Vakiokertoiminen lineaarinen normaaliryhmä

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

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet

9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A.

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

M 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon

Todennäköisyyslaskun kertaus. Heliövaara 1

Lineaaristen järjestelmien teoriaa II

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia

5 YHDEN VAPAUSASTEEN YLEINEN PAKOTETTU LIIKE

5. laskuharjoituskierros, vko 8, ratkaisut

6 JÄYKÄN KAPPALEEN TASOKINETIIKKA

Tilastomatematiikka Kevät 2008

9 Lukumäärien laskemisesta

Projektin arvon aleneminen

Mallivastaukset KA5-kurssin laskareihin, kevät 2009

Todennäköisyyden ominaisuuksia

q =, r = a b a = bq + r, b/2 <r b/2.

Tehtävä 11 : 1. Tehtävä 11 : 2

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

Todennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali

JOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 1, MALLIRATKAISUT

Dynaaminen optimointi ja ehdollisten vaateiden menetelmä

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

Sovellettu todennäköisyyslaskenta B

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

J1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6

Todennäköisyyslaskenta: Todennäköisyysjakaumia

Tehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1

Kojemeteorologia. Sami Haapanala syksy Fysiikan laitos, Ilmakehätieteiden osasto

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

Osa 2: Otokset, otosjakaumat ja estimointi

b) Ei ole. Todistus samaan tyyliin kuin edellinen. Olkoon C > 0 ja valitaan x = 2C sekä y = 0. Tällöin pätee f(x) f(y)

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

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

JLP:n käyttämättömät mahdollisuudet. Juha Lappi

Tilastolliset menetelmät: Varianssianalyysi

C (4) 1 x + C (4) 2 x 2 + C (4)

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

1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT

III. SARJATEORIAN ALKEITA. III.1. Sarjan suppeneminen. x k = x 1 + x 2 + x ,

Luento Otosavaruus, tapahtuma. Otosavaruus (sample space) on kaikkien mahdollisten alkeistapahtumien (sample) ω joukko.

9.7 Matriisinormit. Vaasan yliopiston julkaisuja 225. Ei siis lainkaan ongelmia defektiivisyydestä.

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

Luento Otosavaruus, tapahtuma. Otosavaruus (sample space) on kaikkien mahdollisten alkeistapahtumien (sample) ω joukko.

2. Suoraviivainen liike

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

4. Todennäköisyyslaskennan kertausta

Joulukuun vaativammat valmennustehtävät ratkaisut

Osa 2: Otokset, otosjakaumat ja estimointi

Tämä merkitsee geometrisesti, että funktioiden f

Tehtävä 3. Määrää seuraavien jonojen raja-arvot 1.

Riemannin sarjateoreema

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

8 USEAN VAPAUSASTEEN SYSTEEMIN VAIMENEMATON PAKKOVÄRÄHTELY

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

Yleinen lineaarinen malli. Yleinen lineaarinen malli. Yleinen lineaarinen malli: Mitä opimme? 2/4. Yleinen lineaarinen malli: Mitä opimme?

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

3. Markovin prosessit ja vahva Markovin ominaisuus

8. laskuharjoituskierros, vko 11, ratkaisut

järjestelmät Luento 4

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

Ylioppilastutkintolautakunta S tudentexamensnämnden

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

6.1 Riippumattomat satunnaismuuttujat

Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /

Luoki?elua: tavallinen vs osi?ais. Osa 11. Differen0aaliyhtälöt. Luoki?elua: kertaluku. Luoki?elua: lineaarisuus 4/13/13

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

4.7 Todennäköisyysjakaumia

S Signaalit ja järjestelmät Tentti

a. Varsinainen prosessi on tuttua tilaesitysmuotoa:

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

i ni 9 = 84. Todennäköisin partitio on partitio k = 6, k k

Sovellettu todennäköisyyslaskenta B

f x dx y dy t dt f x y t dx dy dt O , (4b) . (4c) f f x = ja x (4d)

1. Todista/Prove (b) Lause 2.4. käyttäen Lausetta 2.3./by using Theorem b 1 ; 1 b + 1 ; 1 b 1 1

Osittaisdifferentiaaliyhtälöt

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

Sattuman matematiikkaa III

Transkriptio:

/ Raaisu Aihee: Avaisaa: Momeiemäfuio Sauaismuuujie muuose ja iide jaauma Kovergessiäsiee ja raja-arvolausee Biomijaauma, Espoeijaauma, Geomerie jaauma, Jaaumaovergessi, Jauva asaie jaauma, Kolmiojaauma, Kovergessiäsiee, Masimi, Miimi, Momei, Momeiemäfuio, Muuos, Odousarvo, Poisso-jaauma, Soasie overgessi, Summa jaauma, Variassi 6.. Geomerise jaauma Geom(p) piseodeäöisyysfuio o x f( x) Pr( x) q p,< p<, q p, x,,3, Johda jaauma momeiemäfuio ja se avulla jaauma odousarvo ja variassi. Sauaismuuuja oudaaa geomerisa jaaumaa Geom(p), jos se piseodeäöisyysfuio o muooa x f( x) Pr( x) q p,< p<, q p, x,,3, Sauaismuuuja momeiemäfuio o x m () E( e ) e f( x) x x x e pq x x x pe e q pe x x pe qe ( qe ) x Sauaismuuuja. origomomei α E( ) saadaa määräämällä momeiemäfuio m (). derivaaa piseessä : dm() α E( ),,,3, d TKK/SAL @ Ila Melli (4) /8

Geomerise jaauma asi esimmäisä origomomeia ova dm () α E( ) d p ja α pe ( qe ) pe ( qe ) ( qe ) pe ( qe ) dm E( ) () d pe qe pe qe qe 4 ( qe ) ( ) ( )( ) pe ( + qe ) 3 ( qe ) + q p Sie geomerise jaauma odousarvo o µ E( ) α p ja variassi o σ Var( ) E[( µ ) ] E( ) µ α α + q p p q p TKK/SAL @ Ila Melli (4) /8

6.. Poisso-jaauma Poisso(λ) piseodeäöisyysfuio o x e λ λ f( x) Pr( x), λ >, x,,, x! Johda jaauma momeiemäfuio ja se avulla jaauma odousarvo ja variassi. Sauaismuuuja oudaaa Poisso-jaaumaa Poisso(λ), jos se piseodeäöisyysfuio o muooa x e λ λ f( x) Pr( x), λ >, x,,, x! Sauaismuuuja momeiemäfuio o x m () E( e ) e f( x) x x e e e e x λ x e λ λ λ ( e ) λ x e λ x! e ( λe ) x! x Sauaismuuuja. origomomei α E( ) saadaa määräämällä momeiemäfuio m (). derivaaa piseessä : dm() α E( ),,,3, d Poisso-jaauma asi esimmäisä origomomeia ova ja dm () α E( ) d α e λ e λ λ ( e ) λe + λ ( e ) dm E( ) () d + λ ( e ) λe ( + λe ) λ + λ TKK/SAL @ Ila Melli (4) 3/8

Sie Poisso-jaauma odousarvo o µ E( ) α λ ja variassi o σ Var( ) E[( µ ) ] E( ) µ α α λ + λ λ λ 6.3. Jauva asaise jaauma Uiform(a, b) iheysfuio o f ( x), a b a x b Johda jaauma momeiemäfuio ja se avulla jaauma odousarvo ja variassi. Sauaismuuuja oudaaa jauvaa asaisa jaaumaa Uiform(a, b), jos se iheysfuio o muooa f ( x), a b a x b Sauaismuuuja momeiemäfuio o x m () E( e ) e f( x) + b a e x b a x e b a b a e e b ( a) b a Sauaismuuuja. origomomei α E( ) saadaa määräämällä momeiemäfuio m (). derivaaa piseessä : dm() α E( ),,,3, d TKK/SAL @ Ila Melli (4) 4/8

Jauva asaise jaauma asi esimmäisä origomomeia ova ja dm () α E( ) d b a b a ( be ae ) ( b a) ( e e )( b a) ( b a) b a b a ( be ae ) ( e e ) ( b a) a+ b α dm E( ) () d + 4 ( b a) b a b a b a [( b e a e ) ( be ae ) ( be ae )] ( b a) b a b a b a ( be ae ) ( be ae ) ( e e ) 3 ( b a) a + ab+ b 3 Sie jauva asaise jaauma odousarvo o a+ b µ E( ) α ja variassi o σ Var( ) E[( µ ) ] E( ) µ α α b a b a [( be ae ) ( e e )] ( b a) 4 ( b a) + a ab b a b + + + 3 ( b a) TKK/SAL @ Ila Melli (4) 5/8

6.4. Espoeijaauma Exp(λ) iheysfuio o λx f( x) λe, λ >, x Johda jaauma momeiemäfuio ja se avulla jaauma odousarvo ja variassi. Sauaismuuuja oudaaa espoeijaaumaa Exp(λ), jos se iheysfuio o muooa λx f( x) λe, λ >, x Sauaismuuuja momeiemäfuio o () E( x m e ) e f( x) + x λx e e λ e λ ( λ ) x ( λ ) x e λ λ λ λ Sauaismuuuja. origomomei α E( ) saadaa määräämällä momeiemäfuio m (). derivaaa piseessä : dm() α E( ),,,3, d Espoeijaauma asi esimmäisä origomomeia ova ja dm () α E( ) d λ ( λ ) λ TKK/SAL @ Ila Melli (4) 6/8

α dm E( ) () d λ ( λ ) 3 λ Sie jauva asaise jaauma odousarvo o a+ b µ E( ) α ja variassi o σ Var( ) E[( µ ) ] E( ) µ α α λ λ λ 6.5. Jauva asaise jaauma Uiform(,) iheysfuio o f ( x), x Oleeaa, eä sauaismuuuja ja Y ova riippumaomia ja ~ Uiform(,) Y ~ Uiform(,) Määrää sauaismuuuja U + Y iheysfuio. Oloo, Y riippumaomia sauaismuuujia, joide iheysfuio ova f (x), f Y (y) TKK/SAL @ Ila Melli (4) 7/8

Tällöi summa iheysfuio o U + Y + f ( u) f ( u x) f ( x) U Y Tämä ähdää seuraavalla avalla: Kosa sauaismuuuja ja Y ova riippumaomia, iide yheisjaauma iheysfuio f Y (x, y) voidaa esiää sauaismuuujie ja Y iheysfuioide uloa: Oloo f ( xy, ) f ( xf ) ( y) Y Y U + Y V Muodoseaa sauaismuuujie U ja V yheisjaauma. Tarasellaa sisi muuosa ( ) u x+ y v x joa ääeismuuos o y u v x v Muuose ( ) Jacobi deermiai o ( uv, ) u v u v ( x, y) x y y x Sie sauaismuuujie U ja V yheisjaauma iheysfuio o ( uv, ) fuv ( u, v) fy ( x, y) ( x, y) f ( x) f ( y) f () v f ( u v) Y Y TKK/SAL @ Ila Melli (4) 8/8

Summamuuuja U + Y iheysfuio saadaa sauaismuuujie U ja V yheisjaauma iheysfuio lauseeesa sauaismuuuja U reuajaauma iheysfuioa: + + f ( u) f ( u, v) dv f ( v) f ( u v) dv U UV Y + f ( x) f ( u x) Y Ny joe Oloo ~ Uiform(,) Y ~ Uiform(,) f ( x), x f ( y), y Y U + Y V O selvää, eä summa U + Y voi saada arvoja vai välillä [, ]. Sauaismuuujie U ja V yheisjaauma iheysfuio o f ( uv, ) f ( v) f ( u v), v x, u x+ y, x, y UV Y u Sauaismuuujie U ja V yheisjaauma iheysfuio saa siis arvo ysi yo. uvio vioeliössä ja arvo olla muualla. Summa U + Y iheysfuio o v + f ( u) f ( u x) f ( x) U Y u u Tämä seuraa siiä, eä f f ( u x) Y ( x) u < u x< miä o yhäpiävää se assa, eä u < x< u TKK/SAL @ Ila Melli (4) 9/8

Tiheysfuio lauseeesi saadaa välillä < u < : u u f ( u) f ( x) x U u [ ] u u Tiheysfuio lauseeesi saadaa välillä < u < : Sie summamuuuja u [ ] f ( u) f ( x) x u + U u u u U + Y iheysfuio o muooa f U u, u ( u) u +, u Sauaismuuuja U + Y jaauma o eräs olmiojaaumisa. Se iheysfuio uvaaja o oiealla. f (x) x 6.6. Biomijaauma Bi(, p) piseodeäöisyysfuio o x x f ( x) Pr( x) p q, < p<, q p, x,,,, x ja se momeiemäfuio o m () ( q+ pe ) Oleeaa, eä sauaismuuuja ja ova riippumaomia ja ~ Bi(, p) ~ Bi(, p) Määrää sauaismuuuja jaauma. + Oloo, riippumaomia sauaismuuujia, joide momeiemäfuio ova m (), m () TKK/SAL @ Ila Melli (4) /8

Tällöi summa + momeiemäfuio o sauaismuuujie ja momeiemäfuioide ulo: m () m ()m () Kosa ~ Bi(, p) ~ Bi(, p) ii m () ( q+ pe ) m () ( q+ pe ) Sie summa + momeiemäfuio o m () m () m () ( q+ pe ) ( q+ pe ) ( q+ pe ) + Kosa m () o biomijaauma Bi( +, p) momeiemäfuio, voimme pääellä, eä + ~ Bi( +, p) 6.7. Jauva asaise jaauma Uiform(,) iheysfuio o f ( x), x Oleeaa, eä sauaismuuuja ja ova riippumaomia ja ~ Uiform(,) Y ~ Uiform(,) Oloo () mi{, } Määrää sauaismuuuja () iheysfuio. Oloo sauaismuuuja ja riippumaomia ja i ~ Uiform(,), i, Tällöi iide yheie iheysfuio o muooa, x f( x), muulloi TKK/SAL @ Ila Melli (4) /8

ja yheie erymäfuio o muooa, x < F( x) x, x, x > Sauaismuuuja () mi{, } iheysfuio o f ( x ) [ F ( x )] f ( x ) ( x ), x () 6.8. Jauva asaise jaauma Uiform(,) iheysfuio o f ( x), x Oleeaa, eä sauaismuuuja ja ova riippumaomia ja ~ Uiform(,) Y ~ Uiform(,) Oloo () max{, } Määrää sauaismuuuja () iheysfuio. Oloo sauaismuuuja ja riippumaomia ja i ~ Uiform(,), i, Tällöi iide yheie iheysfuio o muooa, x f( x), muulloi ja yheie erymäfuio o muooa, x < F( x) x, x, x > Sauaismuuuja () max{, } iheysfuio o f ( x ) [ F ( x )] f ( x ) x, x () f () (x) f () (x) TKK/SAL @ Ila Melli (4) /8

6.9. Oloo,, 3, joo riippumaomia sauaismuuujia, joilla o aiilla sama iheysfuio Oloo, < x < θ f( x) θ, muulloi () max{,,, } Todisa, eä sauaismuuujie (), (), (3), muodosama joo overgoi jaaumalaa ohi sauaismuuujaa, joa erymäfuio o, x < θ Gx ( ), x θ Riippumaomie sauaismuuujie,, 3, yheie iheysfuio o muooa, < x < θ f( x) θ, muulloi Kosa välillä < x < θ päee x x d [] x θ θ θ sauaismuuujie,, 3, yheie erymäfuio o muooa, x F( x) x,< x< θ θ, θ x Oloo () max{,,, } TKK/SAL @ Ila Melli (4) 3/8

Sauaismuuuja () iheysfuio o u < x < θ ja muulloi. f x F x f x ( ) ( ) [ ( )] ( ) x θ x θ f ( ) ( ) x θ Sauaismuuuja () erymäfuio o Jos ii, x < x F( ) ( x), x< θ θ, θ x, x < θ F( ) ( x) G( x), θ x jossa G(x) o disreei jaauma erymäfuio., x θ gx ( ) Pr( x), muulloi Sie sauaismuuujie (), (), (3), muodosama joo overgoi jaaumalaa ohi sauaismuuujaa : ( ) L TKK/SAL @ Ila Melli (4) 4/8

6.. Oloo,, 3, joo riippumaomia sauaismuuujia, joide piseodeäöisyysfuio ova muooa, x f( x) Pr( x), x Todisa, eä sauaismuuujie,, 3, muodosama joo overgoi soasisesi ohi vaioa : P Riippumaomie sauaismuuujie,, 3, piseodeäöisyysfuio ova muooa Sie Selväsi u., x f( x) Pr( x), x Pr( ), < ε < Pr( > ε ), ε Pr( > ε ) Soasise overgessi määrielmä muaa sauaismuuujie,, 3, muodosama joo overgoi soasisesi ohi vaioa : P TKK/SAL @ Ila Melli (4) 5/8

Momeiemäfuio Sauaismuuuja momeiemäfuio o m () E( e ) Sauaismuuuja. origomomei α E( ),,,3, saadaa määräämällä momeiemäfuio m (). derivaaa piseessä : dm() α E( ),,,3, d Sauaismuuuja odousarvo ja variassi saadaa aavoisa µ E( ) α Var( ) E[( ) ] E( ) α σ µ µ α Oloo sauaismuuuja disreei ja se piseodeäöisyysfuio f ( x) Pr( x ) Tällöi sauaismuuuja momeiemäfuio saadaa aavasa x m () E( e ) e f( x) Oloo sauaismuuuja jauva ja se iheysfuio f ( x ) x Tällöi sauaismuuuja momeiemäfuio saadaa aavasa Oloo + x m () E( e ) e f( x),,, riippumaomia sauaismuuujia, joide momeiemäfuio ova Tällöi summa m (), m (),, m () + + + momeiemäfuio o sauaismuuujie,,, momeiemäfuioide ulo: m () m ()m () m () TKK/SAL @ Ila Melli (4) 6/8

Kasiuloeise sauaismuuujie muuose jaauma Oloo sauaismuuujie ja Y yheisjaauma iheysfuio f Y (x, y) Määriellää sauaismuuuja U g(, Y) V h(, Y) Oleeaa, eä muuosella u g( x, y) ( ) v h( x, y) o seuraava omiaisuude: (i) Muuuja x ja y voidaa raaisa yhälöryhmäsä ( ). (ii) Fuioilla g ja h o jauva osiaisderivaaa muuujie x ja y suhee. (iii) Muuose ( ) Jacobi deermiai ( uv, ) u v u v + ( xy, ) x y y x aiille x ja y, joille f Y (x, y) Tällöi sauaismuuujie U ja V yheisjaauma iheysfuio o f ( u, v) f ( x, y) UV Y ( uv, ) ( x, y) jossa x ja y raaisaa yhälöryhmäsä ( ). Sauaismuuujie summa jaauma Oloo ja Y riippumaomia sauaismuuujia, joide iheysfuio ova f (x), f Y (y) Tällöi summa U + Y iheysfuio o + f ( u) f ( u x) f ( x) U Y TKK/SAL @ Ila Melli (4) 7/8

Sauaismuuujie miimi ja masimi jaauma Oloo sauaismuuuja,,, riippumaomia ja samaa jaaumaa oudaavia sauaismuuujia. Oloo sauaismuuujie,,, yheie iheysfuio f ( x ) ja yheie erymäfuio F( x) Tällöi sauaismuuuja iheysfuio o ja sauaismuuuja iheysfuio o () mi{,,, } f x F x f x ()( ) [ ( )] ( ) () max{,,, } f x F x f x ( ) [ ( )] ( ) ( ) Soasie overgessi Sauaismuuujie,, 3, muodosama joo overgoi soasisesi ohi sauaismuuujaa, jos aiille ε > päee lim Pr( > ) Meriää ää P Jaaumaovergessi Oloo,, 3, joo sauaismuuujia, joide erymäfuio ova F (x), F (x), F 3 (x), Sauaismuuujie,, 3, muodosama joo overgoi jaaumalaa ohi sauaismuuujaa, joa erymäfuio o F (x), jos lim F ( x) F ( x) joaisessa piseessä x, jossa F (x) o jauva. Meriää ää L TKK/SAL @ Ila Melli (4) 8/8