Todennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali

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

funktiojono. Funktiosarja f k a k (x x 0 ) k

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

V. POTENSSISARJAT. V.1. Abelin lause ja potenssisarjan suppenemisväli. a k (x x 0 ) k M

[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k.

2 Taylor-polynomit ja -sarjat

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

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

3. Markovin prosessit ja vahva Markovin ominaisuus

termit on luontevaa kirjoittaa summamuodossa. Tällöin päädymme lukusarjojen teoriaan: a k = s.

Matematiikan tukikurssi

4.7 Todennäköisyysjakaumia

Sattuman matematiikkaa III

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

MS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I

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

Heilurin differentiaaliyhtälö

5. Potenssisarjat 5.1. Määritelmä ja suppeneminen

Luku 11. Jatkuvuus ja kompaktisuus

(1 + i) + JA. t=1. t=1. (1 + i) n (1 + i) n. = H + k (1 + i)n 1 i(1 + i) n + JA

Tehtävä 3. Määrää seuraavien jonojen raja-arvot 1.

STOKASTISET DIFFERENTIAALIYHTÄLÖT 7

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Sovellettu todennäköisyyslaskenta B

Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely.

Ylioppilastutkintolautakunta S tudentexamensnämnden

MS-A0402 Diskreetin matematiikan perusteet

Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset

Riemannin sarjateoreema

2.8 Mallintaminen ensimmäisen asteen polynomifunktion avulla

z z 0 (m 1)! g(m 1) (z0) k=0 Siksi kun funktioon f(z) sovelletaan Cauchyn integraalilausetta, on voimassa: sin(z 2 dz = (z i) n+1 k=0

riippumattomia ja noudattavat samaa jakaumaa.

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

Vakuutusmatematiikan sovellukset klo 9-15

2.1. Bijektio. Funktion kasvaminen ja väheneminen ********************************************************

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT

4.3 Erillisten joukkojen yhdisteet

Mat Sovellettu todennäköisyyslasku A

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

Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /

Luku 2. Jatkuvuus ja kompaktisuus

HARMONINEN VÄRÄHTELIJÄ

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

M y. u w r zi. M x. F z. F x. M z. F y

Ennen kuin mennään varsinaisesti tämän harjoituksen asioihin, otetaan aluksi yksi merkintätekninen juttu. Tarkastellaan differenssiyhtälöä

DEE Lineaariset järjestelmät Harjoitus 2, ratkaisuehdotukset. Johdanto differenssiyhtälöiden ratkaisemiseen

EETU OJANEN SIGNAALIN ENNUSTAMINEN KALMAN-SUOTIMELLA. Kandidaatintyö

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

Eksponentti- ja logaritmiyhtälö

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

Miehitysluvuille voidaan kirjoittaa Maxwell Boltzmann jakauman mukaan. saamme miehityslukujen summan muodossa

6 Lineaarisen ennustuksen sovelluksia

Johdatus lukuteoriaan Harjoitus 1 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma

S , Fysiikka III (ES) Tentti Tentti / välikoeuusinta. Laaditaan taulukko monisteen esimerkin 3.1. tapaan ( nj njk Pk

TAMPEREEN YLIOPISTO Pro gradu -tutkielma. Hannu Pajula. Stirlingin luvuista

Perustehtäviä. Sarjateorian tehtävät 10. syyskuuta 2005 sivu 1 / 24

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

JOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 1, MALLIRATKAISUT

Eksponenttifunktio. Johdanto. Määritelmä. Pekka Alestalo Matematiikan ja systeemianalyysin laitos Aalto-yliopisto

ELEMENTTIMENETELMÄN PERUSTEET SESSIO 12: Tasokehän palkkielementti, osa 2.

DISKREETIN MATEMATIIKAN SOVELLUKSIA: KANAVA-EKVALISOINTI TIEDONSIIRROSSA. Taustaa

KJR-C2002 Kontinuumimekaniikan perusteet, viikko 45/2017

Tämä merkitsee geometrisesti, että funktioiden f

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

Joulukuun vaativammat valmennustehtävät ratkaisut

6. laskuharjoitusten vastaukset (viikot 10 11)

2 b 1 + b 1 x. = b 1 (x 4) (x 2) b 1 (x 2)

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

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

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

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

Harjoitus 2: Matlab - Statistical Toolbox

9 Lukumäärien laskemisesta

Estimointi Laajennettu Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät Laskuharjoitus 4

BLY. Paalulaattojen suunnittelu kuitubetonista. Petri Manninen

Sovellettu todennäköisyyslaskenta B

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

Todennäköisyyslaskun kertaus. Heliövaara 1

Hanoin tornit. Merkitään a n :llä pienintä tarvittavaa määrää siirtoja n:lle kiekolle. Tietysti a 1 = 1. Helposti nähdään myös, että a 2 = 3:

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

V ar(m n ) = V ar(x i ).

Järjestelmän kuvaus aikatasossa

VALIKOITUJA KOHTIA LUKUTEORIASTA

dx=5&uilang=fi&lang=fi&lvv=2014

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

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Eulerin φ-funktion ominaisuuksia

Luku kahden alkuluvun summana

DEE Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset

Talousmatematiikan verkkokurssi. Koronkorkolaskut

Pyramidi 3 Analyyttinen geometria tehtävien ratkaisut sivu 139 Päivitetty a) 402 Suplementtikulmille on voimassa

ESIM. ESIM.

Matemaattinen Analyysi

Tilastomatematiikka Kevät 2008

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

1974 N:o 622. Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely. Liite 1.

Transkriptio:

Todennäöissjaaumat /5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia P (X = )=p. Nämä ovat 0 ja niiden summa on p =. Pistetodennäöisdet voidaan graafisesti esittää pstsuorien janojen avulla. Esimerisi ahta noppaa heitettäessä pisteluujen summa on stoastinen, joa saa arvot 2, 3,..., 2. Näiden jaauma ilmenee seuraavasta graafisesta esitsestä: p 6/36 5/36 4/36 3/36 2/36 /36 2 3 4 5 6 7 8 9 0 2 Usein esiintvä disreetti jaauma on binomijaauma. Tämä uvaa saman oeen toistamista, missä toistot ovat toisistaan riippumattomia ja ussain toistossa tulosena on joo A tai tämän omplementtitapahtuma Ā. Jos näiden todennäöisdet ovat P (A) =pja P (Ā) = p, niin toistettaessa oe n ertaa saadaan tulos A täsmälleen ertaa todennäöisdellä ( ) n p = p ( p) n, =0,,...,n. stoastinen Disreetit jaaumat Oloon X disreetti stoastinen, joa saa erilliset arvot, 2,..., n. (Näitä voi olla mös ääretön määrä:, missä saa arvoiseen aii luonnolliset luvut.) Disreetin stoastisen n jaauma, disreetti jaauma, so. n saamiin arvoihin liittvät todennäöisdet voidaan määritellä antamalla pistetodennäöisdet p joaiselle indesille : summamerintä riippumattomuus (lasennassa) omplementtitapahtuma Disreettejä jaaumia on paljon muitain. Kivelä, M niinuin matematiia, versio.

Todennäöissjaaumat 2/5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia Jatuvat jaaumat Jatuva stoastinen X saa reaaliarvoja joltain reaaliaselin väliltä [a, b] (tai mahdollisesti aii reaaliarvot). Tällöin sittäisen reaaliarvon on =0, vaia arvo ei oleaan mahdoton. Sen sijaan, että arvo osuu jollein osavälille [c, d], on leensä positiivinen. Jatuvan n X jaauma, ns. jatuva jaauma määritellään leensä tihesfuntion f() avulla. Tämä on aiialla 0 ja, että n X arvo on välillä [c, d], saadaan sta: P (c X d) = d c f()d. Jos integroidaan satunnaisn aiien mahdollisten arvojen muodostaman välin li (voidaan ajatella oo reaaliaselin li), on seessä varma tapahtuma ja siis tapahtuma f() d =. Ysinertainen esimeri jatuvasta jaaumasta on tasainen jaauma välillä [a, b]. Tämän tihesfuntio on f() = b a, un [a, b], 0 muulloin. stoastinen väli (reaaliaselin) määrätt (lasennassa) b a a b Jatuvia jaaumia on paljon muitain; eritisen täreä on normaalijaauma,jota äsitellään edempänä. Kivelä, M niinuin matematiia, versio.

Todennäöissjaaumat 3/5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia Kertmäfuntio Disreetin tai jatuvan stoastisen n X ertmäfuntiosi utsutaan funtiota F () = P(X ). Kosa seessä on, on 0 F () aiilla. Funtio on aiialla asvava (so. jos < 2, niin F ( ) F ( 2 ); funtio voi siis olla paloittain vaio). Disreetin satunnaisn ertmäfuntio on porrasfuntio; esimerinä oloon ahta noppaa heitettäessä saatavan pistesumman ertmäfuntio: 0.5 2 3 4 5 6 7 8 9 0 2 Jatuvan jaauman ertmäfuntiolle F () ja tihesfuntiolle f() pätee F () =P(X )= Jos tihesfuntio on jatuva, pätee mös F () =f(). f() d. Esimerinä jatuvan satunnaisn ertmäfuntiosta oloon väliä [a, b] vastaavan tasaisen jaauman ertmäfuntio: 0, un a, a F () =, un a b, b a, un b. stoastinen stoastinen asvava asvava määrätt jatuvuus derivoituvuus funtio a b Kivelä, M niinuin matematiia, versio.

Todennäöissjaaumat 4/5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia Jaauman tunnusluvut Erilaisia jaaumia pritään luonnehtimaan sopivilla tunnusluvuilla. Tärein näistä on odotusarvo, jota voidaan luonnehtia stoastisen n saamien arvojen painotetusi esiarvosi, jossa painoina ovat todennäöisdet. Jos disreetti satunnais X saa arvot todennäöissillä p, odotusarvo on E(X) = p. Jos jatuvan satunnaisn tihesfuntio on f(), on odotusarvo E(X) = f() d. Tämäin on todennäöissillä painotettu esiarvo, uten nähdään tarastelemalla a vastaavaa Riemannin summaa. Esimerisi hden nopan heitossa odotusarvo on +2 +3 +4 +5 +6 6 6 6 6 6 6 =3.5; seessä on silmäluujen suora esiarvo, osa aii pistetodennäöisdet ovat samoja. Binomijaauman ja väliä [a, b] vastaavan tasaisen jaauman odotusarvoisi saadaan n ( ) n p ( p) n = np =0 ja b a b a d = a + b 2. stoastinen stoastinen esiarvo (painotettu) summamerintä määrätt Riemannin summa Jaauman laajuutta hajontaa odotusarvon E(X) =µmpärillä voidaan mitata tarastelemalla etäisttä X µ (joa itse on stoastinen ). Tämän neliön odotusarvo on jaauman varianssi: σ 2 = E((X µ) 2 ). Varianssin neliöjuuri σ = E((X µ) 2 ) on jaauman esihajonta. Disreetin ja jatuvan jaauman tapausessa varianssille voidaan johtaa lauseeet σ 2 = ( µ) 2 p ja σ 2 = ( µ) 2 f() d. esihajonta Näiden avulla saadaan esimerisi binomijaauman varianssisi np( p) ja tasaisen jaauman varianssisi (b a) 2 /2. Kivelä, M niinuin matematiia, versio.

Todennäöissjaaumat 5/5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia Normaalijaauma Jatuvista jaaumista tärein on normaalijaauma. Sitä tarvitaan seä monissa sovellusissa että teoreettisissa tarasteluissa uvaamaan ilmiöitä, joissa esialueen arvot ovat tietllä tavalla todennäöisempiä uin ummanin ääripään arvot. Standardinormaalijaauman tihesfuntio on ϕ() = 2π e 2 /2, R. Tämän uvaajaa utsutaan Gaussin elloäräsi. Gauss 0.5 Standardinormaalijaauman ertmäfuntio on Φ() = 2π e t2 /2 dt, missä a ei voida lasea tavallisten aleisfuntioiden avulla. Useat tietooneohjelmat uitenin enevät lasemaan funtiolle Φ() numeerisia arvoja. Näitä on mös tauluoituina. funtio aleisfuntio Standardinormaalijaauman odotusarvo on 0 ja esihajonta. Normaalijaaumasta ätetään usein mös leistä muotoa, jossa odotusarvo on = µ ja esihajonta = σ. Tihesfuntio ja ertmäfuntio ovat tällöin f() = e ( µ)2 /(2σ 2) = ( ) µ 2πσ σ ϕ σ F () = ( ) e (t µ)2 /(2σ 2) µ dt =Φ. 2πσ σ Kivelä, M niinuin matematiia, versio.