(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

Samankaltaiset tiedostot
Otosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.

,ܾ jaü on annettu niin voidaan hakea funktion

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Jos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan

Mat Sovellettu todennäköisyyslasku A

edellyttää valintaa takaisinpanolla Aritmeettinen keskiarvo Jos, ½ Ò muodostavat satunnaisotoksen :n jakaumasta niin Otosvarianssi Ë ¾

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

Jatkuvat satunnaismuuttujat

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

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

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

6. laskuharjoitusten vastaukset (viikot 10 11)

Näihin harjoitustehtäviin liittyvä teoria löytyy Adamsista: Ad6, Ad5, 4: 12.8, ; Ad3: 13.8,

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

3. laskuharjoituskierros, vko 6, ratkaisut

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

Sovellettu todennäköisyyslaskenta B

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

5. laskuharjoituskierros, vko 8, ratkaisut

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo Ratkaisut ja pisteytysohjeet

Sovellettu todennäköisyyslaskenta B

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

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

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

¼ ¼ joten tulokset ovat muuttuneet ja nimenomaan huontontuneet eivätkä tulleet paremmiksi.

Poisson-prosessien ominaisuuksia ja esimerkkilaskuja

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

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

Sovellettu todennäköisyyslaskenta B

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3

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

Miten osoitetaan joukot samoiksi?

D ( ) E( ) E( ) 2.917

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

Harjoitus 2: Matlab - Statistical Toolbox

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

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

4 Matemaattinen induktio

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

a) Sievennä lauseke 1+x , kun x 0jax 1. b) Aseta luvut 2, 5 suuruusjärjestykseen ja perustele vastauksesi. 3 3 ja

Sovellettu todennäköisyyslaskenta B

Todennäköisyyden ominaisuuksia

4. laskuharjoituskierros, vko 7, ratkaisut

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

joissa on 0 4 oikeata vastausta. Laskimet eivät ole sallittuja.

3.7 Todennäköisyysjakaumia

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi

Mat Sovellettu todennäköisyyslasku A

Väliestimointi (jatkoa) Heliövaara 1

Salausmenetelmät LUKUTEORIAA JA ALGORITMEJA. Veikko Keränen, Jouko Teeriaho (RAMK, 2006) 3. Kongruenssit. à 3.4 Kongruenssien laskusääntöjä

Mat Sovellettu todennäköisyyslasku A

Kohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.

Induktiota käyttäen voidaan todistaa luonnollisia lukuja koskevia väitteitä, jotka ovat muotoa. väite P(n) on totta kaikille n = 0,1,2,...

Tehtävät. 1. Ratkaistava epäyhtälöt. a) 2(4 x) < 12, b) 5(x 2 4x + 3) < 0, c) 3 2x 4 > 6. 1/10. Sukunimi (painokirjaimin)

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä

1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B.

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ

Satunnaismuuttujien muunnokset ja niiden jakaumat

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

Vastaus: 10. Kertausharjoituksia. 1. Lukujonot lim = lim n + = = n n. Vastaus: suppenee raja-arvona Vastaus:

P(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu

Esitetään tehtävälle kaksi hieman erilaista ratkaisua. Ratkaisutapa 1. Lähdetään sieventämään epäyhtälön vasenta puolta:

Suotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

H0: otos peräisin normaalijakaumasta H0: otos peräisin tasajakaumasta

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Vaihtoehtoinen tapa määritellä funktioita f : N R on

Kopulafunktiot. Joonas Ollila 12. lokakuuta 2011

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

Johdatus tn-laskentaan torstai

Rekursio. Funktio f : N R määritellään yleensä antamalla lauseke funktion arvolle f (n). Vaihtoehtoinen tapa määritellä funktioita f : N R on

Kertausluento. Tilastollinen päättely II - 2. kurssikoe

Sovellettu todennäköisyyslaskenta B

33. pohjoismainen matematiikkakilpailu 2019 Ratkaisut

Salausmenetelmät. Veikko Keränen, Jouko Teeriaho (RAMK, 2006)

Todennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset

Tehtävä 1. Päättele resoluutiolla seuraavista klausuulijoukoista. a. 1 {p 3 } oletus. 4 {p 1, p 2, p 3 } oletus. 5 { p 1 } (1, 2) 7 (4, 6)

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Tehtävät 1/10. TAMPEREEN YLIOPISTO Informaatiotieteiden tiedekunta Valintakoe Matematiikka ja tilastotiede. Sukunimi (painokirjaimin)

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I

2 Funktion derivaatta

Ó Ó Ó

Moniulotteisia todennäköisyysjakaumia

Sovellettu todennäköisyyslaskenta B

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Transkriptio:

6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja. (a) Määritä :n odotusarvo. (b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla? Ratkaisu: Jos keppi katkaistaan kohdasta niin ÍÒÓÖÑ µ ja µ. Satunnaismuuttujan tiheysfunktio on tietenkin µ kun ja muuten. (a) Ei ole hyvä idea lähteä laskemaan satunnaismuuttujan kertymäfunktiota tai tieheysfunktiota koska suoraan saadaan µ µ µ µ d (b) Nyt µ ja arvolla saadaan pinta-alaksi µ joka itse asiassa on pinta-alan ääriarvo, joten on erittäin huono idea ottaa katkasukohdaksi odotusarvo. 2. Mallinnetaan säähavaintojärjestelmään kuuluvan mittalaitteen elinaikaa joko satunnaismuuttujalla ÍÒÓÖÑ µ tai satunnaismuuttujalla µ. (a) Laske :n ja :n odotusarvot. (b) Laske :n ja :n mediaanit. (c) Laske ÈÖ µ ja ÈÖ µ sekä ÈÖ µ ja ÈÖ µ. (d) Laske ÈÖ µ ja ÈÖ µ sekä ÈÖ µ ja ÈÖ µ. (e) Laske ÈÖ µ ja ÈÖ µ sekä ÈÖ µ ja ÈÖ µ. Ratkaisu: (a) Määritelmistä seuraa suoraan, että µ µ. (b) :n mediaani on sama kuin odotusarvo eli ja :n mediaani Ý saadaan kaavasta ÈÖ Ý µ e Ý eli Ý ÐÓ µ.

(c) (d) (e) ÈÖ µ ÈÖ µ e ÈÖ µ Ê d ÈÖ µ ÈÖ µ ÈÖ µ e d ÈÖ ÈÖ µ ÈÖ e e ÈÖ µ e d ÈÖ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ Ê d ÈÖ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ e d ÈÖ ÈÖ µ ÈÖ µ ÈÖ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ e ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ e 3. Osoita, että jos ovat riippumattomia µ jakautuneita satunnaismuuttujia ja niin satunnaismuuttuja Ñ noudattaa ÈÓ ÓÒ µ-jakaumaa.

Ratkaisu: Tässä käytetään hyväksi tulosta, joka sanoo, että jos ja ovat satunnaismuuttujia joiden jakaumilla on tiheysfunktiot ja niin satunnaismuuttujan tiheysfunktio on Ê Øµ ص dø. Tehdään nyt induktio-oletus, jonka mukaan satunnaismuuttujan Ò tiheysfunktio on Ò e Ò Ò µ kun ja kun. Näin on ainakin jos Ò. Silloin satunnaismuuttujan Ò tiheysfunktio on e ص Ò e Ø Ø Ò Ò µ ja induktioaskel toimii. Olkoon ja Ò e Ò µ ØÒ dø Ò e Ò e Ò Ò ØÒ Ò ja on laskettava ÈÖ µ. Koska niin ja pätee µ µ µ josta seuraa, että ÈÖ µ ÈÖ µ ÈÖ µ joten ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ e e d µ e d Kun niin tulos seuraa siitä, että ÈÖ µ e e µ. e d µ e d e µ µ 4. Kalasaalissa kalojen paino on normaalijakautunut odotusarvona g ja keskihajontana g. Kaikki alle g painavat kalat syötetään kissoille. Määritä jäljelle jäävien kalojen painojakauman mediaani ja odotusarvo. Ratkaisu: Olkoon kalan paino jolloin siis Æ µ ja että ÈÖ µ ÈÖ ÈÖ Æ µ. Tästä seuraa, eli noin % kaloista annetaan kissoille ja jäljelle jää noin % kaloista. Puolet tästä on % eli jäljelle jääneiden kalojen mediaani on sellainen, että % kaikista kaloista ovat sitä suurempia. On hyvä todeta, että kun kaikki g pienemmät kalat annetaan kissoille, niin se merkitsee sitä, että satunnaismuuttujan kaikki pienemmät arvot jätetään pois. Koska nyt Æ µ-jakautuneen satunnaismuuttuja kertymäfunktiolle päteen µ niin todetaan että jäljelle jäävien kalojen mediaani on noin. Katkaistun muuttujan tiheysfunktio on µ e

missä vakio tulee siitä, että Ê µ d. Tämän jakauman odotusarvo on e d e µ e Tästä seuraa, että jäljelle jäävien kalojen painon odotusarvo on. 5. On väitetty, että kolikko on virheellinen sillä tavalla, että todennäköisyys saada klaava on korkeintaan. Heität kolikkoa kertaa ja saat klaavaa ja kruunaa. Arvoi voiko väite oli tosi laskemalla todennäköisyys, että heitolla saadaan vähintään klaavaa jos todennäköisyys saada klaava on. Käytä normaaliapproksimaatiota! Ratkaisu: Olkoon klaavojen lukumäärä jolloin siis Ò Ò µ. Tällöin µ ja ÎÖ µ µ. Normaaliapproksimaatio tarkoittaa, että µ ÎÖ µ Æ µ Jolloin saadaan ÈÖ µ ÈÖ µ ÈÖ ÎÖ µ µ ÎÖ µ µ ÎÖ µ ÈÖ ÈÖ µ ÎÖ µ µ ÎÖ µ Näin ollen ei ole epätodennäköistä että näillä oletuksilla saadaan vähintään klaavaa joten ei voida väittää että väite ei olisi tosi. 6. A matkustaa Tukholmaan ja aikoo palata vasta kun siellä on ollut aurinkoista päivää. Oletetaan, että päivä on aurinkoinen Tukholmassa todennäköisyydellä (ja lisäksi, että tapahtumat Päivä on aurinkoinen ovat riippumattomia). Millä todennäköisyydellä A on Tukholmassa ainakin päivää. Käytä normaaliapproksimaatiota! Ratkaisu: Olkoon paluupäivän järjestysnumero (hän siis lähtee takaisin 150. aurinkoisen päivän illalla) jolloin siis ÆÒ µ. Koska kyseessä on geometrisesti jakautuneen satunnaismuuttujan summasta, normaaliapproksimaatio vaikuttaa järkevältä. Nyt Näin ollen µ ÈÖ µ ÈÖ ÈÖ µ ÎÖ µ µ ÎÖ µ ja ÎÖ µ µ ÎÖ µ ÈÖ ÈÖ ÈÖ µ µ ÎÖ µ µ ÎÖ µ µ ÎÖ µ

(Jos lasketaan negatiivisella binomijakaumalla saadaan vastaukseksi noin mutta on myös huomattava että koska saa vain kokonaislukuarvoja joten ÈÖ µ ÈÖ µ ja jos jälkimmäiseen lausekkeeseen sovelletaan normaaliapproksimaatiota saadaan vastaukseksi.) 7. Oletetaan, että asiakkaita tulee kauppaan µ jakautunein (ja riippumattomin) väliajoin. Jos oletetaan, että tietyllä aikavälillä Ø Ø tulee täsmälleen yksi asiakas, niin miten hänen tuloaikansa on sillä välillä jakautunut? Ratkaisu: Valitaan jokin luku Ø Ø Ø ja lasketaan todennäköisyys sille, että asiakas tulee välillä Ø Ø ehdolla että hän on ainoa asiakas joka tulee välillä Ø Ø. Merkitään jolloin siis Nyt pätee myös Asiakas tulee väillä Ø Ø Välillä Ø Ø tulee täsmälleen yksi asiakas ÈÖ µ ÈÖ µ ÈÖ µ Asiakas tulee väillä Ø Ø ja välillä Ø Ø tulee täsmälleen yksi asiakas Välillä Ø Ø tulee täsmälleen yksi asiakas ja välillä Ø Ø ei tule yhtään asiakasta missä siis Välillä Ø Ø tulee täsmälleen yksi asiakas Välillä Ø Ø ei tule yhtään asiakasta Eksponentiaalijakauman ominaisuuksista seuraa, että tapahtumat ja ovat riippumattomia ja eksponentiaalijakauman ja Poisson-jakauman yhtydestä seuraa, että Tästä seuraa, että ÈÖ µ e ÈÖ µ Ø Ø µe Ø Ø µ ÈÖ µ e Ø Øµ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ Ø Ø µe Ø Ø µ e Ø Øµ e eli tuloaika on tasaisesti jakautunut välillä Ø Ø. Ø Ø 8. Oletetaan, Êettä komponentin elinikä on satunnaismuuttuja, jonka kertymäfunktio on µ e ص dø missä on ei-negatiivinen funktio jolle pätee Ê Øµ dø. (Jos integraali on äärellinen niin komponentti ei mene koskaan rikki positiivisella todennäköisyydellä ja silloin voi myös saada arvon.) Miten voidaan esittää kertymäfunktion ja tiheysfunktion avulla ja mikä on sen tulkinta. (Tavanomainen nimi sille on hasardifunktio.)

Ratkaisu: Määritelmän mukaan µ µ µe Ê Øµ dø josta saadaan ratkaisuksi µ Olkoot ja mielivaltaisia ja olkoot µ µ Komponentti menee rikki aikavälillä µ Komponentti menee rikki aikavälillä µ Komponentti toimii hetkellä Koska täsmälleen silloin kun komponentti menee rikki hetkellä niin Selvästikin joten ÈÖ µ ص dø ÈÖ µ µ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ ÈÖ µ Ê Øµ dø µ Tästä päätellään (ainakin siinä tapauksessa, että on oikealta jatkuva pisteessä ), että µ ÐÑ Ê Øµ dø µ ÐÑ ÈÖ Komponentti menee rikki välillä µ Komponentti toimii hetkellä