TODENNÄKÖISYYSLASKENNASTA 1

Samankaltaiset tiedostot
3.5 Generoivat funktiot ja momentit

Reaaliarvoinen funktio f : on differentioituva pisteessä x, jos f:lle on siinä voimassa kehitelmä. h h. eli. Silloin

Mat Tilastollisen analyysin perusteet, kevät 2007

11. Vektorifunktion derivaatta. Ketjusääntö

AB TEKNILLINEN KORKEAKOULU

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

FYSA220/2 (FYS222/2) VALON POLARISAATIO

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Monte Carlo -menetelmä

3. Datan käsittely lyhyt katsaus

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Painotetun metriikan ja NBI menetelmä

Kokonaislukuoptimointi

3D-mallintaminen konvergenttikuvilta

Esitä koherentin QAM-ilmaisimen lohkokaavio, ja osoita matemaattisesti, että ilmaisimen lähdöstä saadaan kantataajuiset I- ja Q-signaalit ulos.

Mittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa

Kuluttajahintojen muutokset

Mat Sovellettu todennäköisyyslasku A

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

Leikkijunan kunto toimiva ei-toimiva Työvuoro aamuvuoro päivävuoro iltavuoro

W Hz. kohinageneraattori. H(f) W Hz. W Hz. ELEC-A7200 Signaalit ja järjestelmät Laskuharjoitukset. LASKUHARJOITUS 5 Sivu 1/7

Uuden eläkelaitoslain vaikutus allokaatiovalintaan

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

Ilmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen

6. Stokastiset prosessit (2)

5. Datan käsittely lyhyt katsaus

ABTEKNILLINEN KORKEAKOULU

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT

Moderni portfolioteoria

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

Mat Lineaarinen ohjelmointi

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat Sovelletun matematiikan erikoistyö. Ei-normaalisten tuottojakaumien mallintaminen

Luento 6 Luotettavuus Koherentit järjestelmät

Jaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen

3 Tilayhtälöiden numeerinen integrointi

r i m i v i = L i = vakio, (2)

Usean muuttujan funktioiden integraalilaskentaa

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:

Tilastollisen fysiikan luennot

Tchebycheff-menetelmä ja STEM

Mittaustulosten käsittely

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

A250A0100 Finanssi-investoinnit Harjoitukset

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

Jaksolliset ja toistuvat suoritukset

3.3 Hajontaluvuista. MAB5: Tunnusluvut

1, x < 0 tai x > 2a.

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi

Kuntoilijan juoksumalli

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto

4. A priori menetelmät

Työssä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa

Suoran sovittaminen pistejoukkoon

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

Taustaa KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT. Jukka Talvitie, Toni Levanen & Mikko Valkama TTY / Tietoliikennetekniikka

Ilkka Mellin (2008) 1/24

Mat Lineaarinen ohjelmointi

Johdatus tekoälyn taustalla olevaan matematiikkaan

Hanna-Kaisa Hurme Teräksen tilastollinen rakenneanalyysi Diplomityö

JYVÄSKYLÄN YLIOPISTO Taloustieteiden tiedekunta

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0.

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon

Yksikköoperaatiot ja teolliset prosessit

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ

Sähköstaattinen energia

6. Stokastiset prosessit

Satunnaismuuttujat ja todennäköisyysjakaumat

Lähdemateriaalina käytetty Pertti Louneston kirjaa Clifford Algebras and spinors [1]

FYSIIKAN LABORATORIOTYÖT P

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Mat Sovelletun matematiikan erikoistyöt Spatiaalinen autokorrelaatio viljelykokeiden havainnoissa

Geneettiset algoritmit ja luonnossa tapahtuva mikroevoluutio

Työllistääkö aktivointi?

HASSEN-WEILIN LAUSE. Kertausta

Maanhintojen vikasietoisesta mallintamisesta

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Paperikoneiden tuotannonohjauksen optimointi ja tuotefokusointi

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät

JOHDANNAISTEN KÄYTTÖ JOUKKOVELKAKIRJALAINASALKUN RISKIENHALLINNASSA: empiirinen tutkimus kotimaisista pitkän koron rahastoista vuosilta

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

Galerkin in menetelmä

Epälineaaristen pienimmän neliösumman tehtävien ratkaiseminen numeerisilla optimointimenetelmillä (valmiin työn esittely)

AquaPro Bedienungsanleitung Operating instructions Gebruiksaanwijzing Käyttöohje FIN Rev.0607

Eräs Vaikutuskaavioiden ratkaisumenetelmä

Mekaniikan jatkokurssi Fys102

JYVÄSKYLÄN YLIOPISTO JULKISEN JA YKSITYISEN SEKTORIN VÄLISET PALKKAEROT SUOMESSA 2000-LUVULLA

7. Modulit Modulit ja lineaarikuvaukset.

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

Transkriptio:

Mka Haapanen mphaapan@ccju Matemaattnen taloustede II Jväsklän lopsto TODNNÄKÖISSLASKNNASTA Satunnasmuuttuja Satunnasmuuttuja on unkto jonka arvo perustuu todennäkösksn todennäkössjakaumaan Satunnasmuuttujaa kutsutaan dskreetks jos sen mahdollsten arvojen joukko on äärellnen ta numerotuva Vastaavast jatkuva satunnasmuuttuja vo saada mtä tahansa reaallukuarvoja tetllä välllä Satunnasmuuttujalla vodaan mallntaa lmötä joka muodostuu ta anakn peraatteessa vos muodostua satunnastetun kokeen tuloksena Satunnasmuuttujn vodaan tlastollsest mallntamaan hvn monnasa lmötä Satunnasmuuttujan parametrsonnlla el tlastollsen jakauman määrttelllä prtään shen että havattu lmö ja satunnasmuuttuja vastasvat mahdollsmman hvn tosaan Satunnasmuuttuja kannattaakn kättää kun taloudellsen lmön mallntamseen ltt jonknlasta epävarmuutta joka vodaan rttää melekkääst hallta todennäkössjakauman avulla Satunnasmuuttujlla on sten kättöä sekä teoreettsessa että emprsessä mallntamsessa esmerkks epävarmuuden valltessa tapahtuva päätöksenteon teoreettnen mallntamnen ta arvopapern tuoton emprnen mallntamnen Todennäkösslaskennan perusteden tuntemnen on tlastomenetelmen kätön ehdoton edellts koska kakk ksnkertasta kuvalua monmutkasemmat tlastoteteellset menetelmät perustuvat satunnasmuuttujen jakaumen omnasuuksn Satunnasmuuttujan jakauma Satunnasmuuttujan jakauma kertoo mten muuttujan mahdollset arvot jakautuvat sen arvoalueelle Dskreetn satunnasmuuttujan thesunkto määrtellään todennäkössjakaumana P mssä P on todennäköss että satunnasmuuttuja saa arvon Todennäkösden aksoomat vaatvat että P ja P Jatkuvan satunnasmuuttujan tapauksessa todennäkösdet määrtellään thesunkton avulla välnä Sopvaa taustamateraala lukuun ovat mm Lndgren 976 Greene 997 ja Salvatore Musta mös määrtelmät determnstnen el määrätnt ja stokastnen el satunnasuutta ssältävä

Pr a a d mssä ja thesunkton ntegraal l kakken :n arvojen on oltava ks el d Satunnasmuuttujan kertmäunkto määrtellään thesunkton avulla seuraavast: F P t dt jos on jatkuva jos on dskreett Kertmäunkto kertoo mllä todennäkösdellä satunnasmuuttuja on penemp ta htä suur kun Jatkuvan muuttujan thesunkto vodaan laskea mös kertmäunkton dervaattana F Vastaavast dskreetn satunnasmuuttujan thesunkton arvo kohdassa saadaan erotuksena F F mkäl :t on järjestett kasvavaan järjestkseen Sekä jatkuva että dskreetn muuttujan tapauksessa kertmäunktolle tulee päteä seuraavat omnasuudet: F Jos > F F F lm F ja v F lm F Nän ollen jatkuvalle satunnasmuuttujalle pätee Pr a Pr a < Pr a < Pr a < < F F a a t dt sllä jatkuvalla muuttujalla hden psteen todennäköss on nolla Dskreetlle muuttujalle vodaan kättää kaavaa Pr a < F F a smerkk Todennäkösksen laskemnen thesunktolla Oletetaan että kuluttajaneuvontaan sotettujen puheluden lukumäärä tunnssa on Posson jakautunut satunnasmuuttuja el sen thesunkto on muotoa λ e λ! mssä λ on neuvontaan sotettujen puhelujen määrä keskmäärn tunnssa λ > Akasempen havantojen perusteella on päätelt että λ 6 Lasketaan todennäköss että neuvontaan tulee kolme puhelua alle kaks puhelua ja kaks puhelua ta enemmän tunnn akana

Ratkasu: 6 6 e 6 6 e P 9! 6 6 e 6 e 6 6 P < 6 e 75!! P P < 75 965 smerkk Normaaljakauman thes ja kertmäunkto Normaaljakauman thesunkto on muotoa µ N µ µ ep R π mssä µ on jakauman keskarvo ja on varanss ks ltteessä oleva kuvo Mkäl µ ja jakaumaa kutsutaan standardoduks normaaljakaumaks ja merkntään usen φ ta N Integromalla thesunktota saadaan normaaljakauman kertmäunkto t µ F µ ep dt R π Standardodun normaaljakauman kertmäunktota merktään leensä Φ Tunnuslukuja Satunnasmuuttujen unktona tunnusluvut ovat tsessään satunnasmuuttuja Nden tarkotuksena on antaa tvstett kuvaus satunnasmuuttujan ta sen jakauman omnasuukssta Lokaato el sjanttunnuslukuja ovat mm odotusarvo keskarvo medaan ja mood Dsperso el hajontatunnuslukuja ovat mm varanss keskhajonta ja keskvrhe Satunnasmuuttujan odotusarvo lasketaan seuraavast: d jos on jatkuva jos on dskreett Huomaa että dskreetn satunnasmuuttujan odotusarvo on ss p mssä p on todennäköss P Lstataan odotusarvojen laskusääntöjä: [ c] c [ c ] c[ ] [ cg ] c[ g ] c g c g ] c [ g ] c [ g [ ]

[ g ] g d g jos on jatkuva jos on dskreett mssä c c ja c ovat vakota on satunnasmuuttuja ja g g ja g ovat reaalarvosa unktota Lsäks on huomattava että leensä [ ]! Medaanlla tarkotetaan muuttujan keskmmäsntä havantoa Se on ertsen kättökelponen sjanttunnusluku vnost jakautunelle muuttujlle Mood on muuttujan lesn arvo Satunnasmuuttujan varanss var lasketaan var [ µ ] µ µ µ d jos on jatkuva jos on dskreett mssä satunnasmuuttujan odotusarvoa on merktt µ :lla Keskesä varanssn laskusääntöjä ovat var a var a a var var a a var var a cov mssä a ja ovat vakota ja ja ovat satunnasmuuttuja Kovaranss cov tulee määrtellks heman möhemmn Keskhajonta on varanssn nelöjuur joten keskhajonnalla on sama mttakskkö kun muuttujaa tseään Keskhajonnalle laskettua emprstä estmaatta kutsutaan usen keskvrheeks smerkk Tasajakauman odotusarvo ja varanss Jatkuva satunnasmuuttuja on tasajakautunut mkäl sen thesunkto on a ; a - jos a muullon mssä parametrvakot a ja vovat saada arvoja varanssks saadaan tällön < a < < Odotusarvoks ja [ ] d a a var[ ] [ a ] [ ] a a a a a a d a a a a a a a a

smerkk Bernoull jakauman odotusarvo ja varanss Dskreett satunnasmuuttuja on Bernoull jakautunut mkäl sen thesunkto on p p jos ta ; p muullon mssä parametrvako p vo saada arvoja p Odotusarvoks ja varanssks saadaan tällön [ ] p p p var[ ] [ ] [ ] p p p p p smerkks kolkkoa hetettäessä tulema kruuna ta klaava on Bernoull jakautunut satunnasmuuttuja p 5 Huom! Tunnusluvut perustuvat satunnasmuuttujasta tehthn jakaumaoletuksn Nhn pohjautuvat päätelmät tarkasteltavasta reaalmaalman lmöstä ovat sten tulkntoja jota e pdä esttää eksaktena matemaattsna tuloksna hdollssta jakaumsta hdollnen jakauma määrtellään ehdollsa todennäkösksä kättäen smerkks satunnasmuuttujan :n ehdollnen jakauma ehdolla määrtellään mssä d jos on jatkuva jos on dskreett htälössä on satunnasmuuttujen ja htesthesunkto ja on :n reunajakauma Vastaavast satunnasmuuttujan :n ehdollnen jakauma ehdolla määrtellään mssä d jos on jatkuva jos on dskreett Muuttujat ovat rppumattoma jos ja van jos htesjakauma on sama kun nden reunajakaumen tulo el kaklla Tällön ehdollset jakaumat ovat samoja kun reunajakaumat el ja Mkäl ja ovat dskreettejä satunnasmuuttuja 5 P

6 smerkk 5 htesthesunkto reunajakaumat ja rppumattomuus Oletetaan että jatkuven satunnasmuuttujen ja htesthesunkto on muullon ja jos tstään ja :n reunajakaumat ja tutktaan rppumattomuutta Reunajakaumat lasketaan ntegromalla d d Määrtelmällsest ja ovat rppumattoma jos ja van jos kaklla ja :n arvolla Nt ja evät ole rppumattoma koska ta koska esmerkks Reunajakaumsta vomme laskea mös esmerkks todennäkösdet d P ta 5 d P Muuttujen välstä suhdetta htesvahtelua mtataan kovaransslla [ ] cov Mttaksköden vahtelun elmnomseks kovaranss skaalataan usen tulomomenttkorrelaatokertomeks Pearsonn korrelaatokerron: ρ cov Tonen usen kätett korrelaatokäste on Spearmann järjestskorrelaatokerron jolla tutktaan er muuttujen havantokskötten järjestksen samuutta Huom! Vodaan osottaa että rppumattomen muuttujen kovaranss on nolla mutta kovaranssn ta korrelaaton puuttumnen kovaranss nolla e välttämättä merktse rppumattomuutta

7 Musta mös että korrelaaton perusteella vodaan tehdä päätelmä samansuuntasesta lkkumsesta lneaarsessa melessä mutta stä e vo mssään tapauksessa ptää osotuksena kausaalsuhteesta klassnen esm on hakarat ja sntvs Tanskassa smerkk 6 Kovaranssn laskemnen jatkuvat muuttujat Tarkastellaan kovaranssn laskemsta edellsen esmerkn avulla Lasketaan ensn ja :n odotusarvo nden reunajakauma kättäen ja stten :n odotusarvo: 7 d d d 6 7 d d d 5 d d dd dd dd Saatujen tulosten perusteella kovaranssks saadaan 7 7 7 9 7 6 7 7 5 cov Huomaa että ja :n välnen korrelaatokerron ρ cov saatasn laskettua jakamalla kovaranss keskhajonnolla: [ ] d µ [ ] d µ Laskutomtusten suorttamnen jätetään harjotustehtäväks smerkk 7 Kovaranssn laskemnen dskreett muuttujat Oletetaan että satunnasmuuttujen ja htesthesunkto on - - /6 /9 /9 /9 /6 / /9 /6 Nt :n reunajakauma el P on / / 9 / 6 / 9 / 9 / 9 /

/ 9 / 6 / 6 ja :n reunajakauma el P on 7 / 5 / / joten ja :n odotusarvot ovat / 9 / / 9 / 9 / 9 7 / 5 / / / / 9 / 9 / 9 / 6 / 6 / 6 Nän ollen kovaranssks saadaan / 6 / 9 / cov / 6 / 9 / / Lte Normaaljakauma er keskarvolla ja varanssella 5 6 7 N- N N 6 Krjallsuutta - - - - Greene W H 997 conometrc Analss rd edton Prentce Hall New Jerse Lndgren BW 976 Statstcal Theor rd edton New ork Salvatore D Schaum s Outlnes Statstcs and conometrcs nd edton McGraw Hll: Blacklck OH