Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan

Samankaltaiset tiedostot
SIGNAALITEORIAN JATKOKURSSI 2003

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

Ilkka Mellin (2008) 1/5

spektri taajuus f c f c W f c f c + W

Tarkastellaan sitten tilastollisesti riippumattomien identtisesti kuten X edellä jakautuneiden muuttujien summaa Y = X i. 1 p p. Muuttujan X PDF.

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Moniulotteisia todennäköisyysjakaumia

Matemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

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

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

TIEDONSIIRRON MATEMAATTISET MENETELMÄT S. Harri Saarnisaari. Centre for Wireless Communications (CWC) University of Oulu, Finland

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

30A02000 Tilastotieteen perusteet

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Niitä merkitään yleensä X(s, t) = X(t), jossa s kuuluu todennäköisyysavaruuteen

FyMM IIb Kertausta kurssin asioista

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1

Normaalijakaumasta johdettuja jakaumia

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

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

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

Moniulotteiset satunnaismuuttujat ja jakaumat

TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1

A! Modulaatioiden luokittelu. Luento 4: Digitaaliset modulaatiokonstellaatiot, symbolijonolähetteet. ELEC-C7230 Tietoliikenteen siirtomenetelmät

Todennäköisyyslaskenta. β versio. Todennäköisyyslaskenta. Ilkka Mellin. Teknillinen korkeakoulu, Matematiikan laboratorio. Ilkka Mellin (2006) I

Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo.

Luku 10. Bayesläiset estimaattorit Bayesläiset piste-estimaatit. Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

Kertausluento. Tilastollinen päättely II - 2. kurssikoe

Yleistä tietoa kokeesta

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

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

Sovellettu todennäköisyyslaskenta B

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia

Satunnaismuuttujien summa ja keskiarvo

Signaalimallit: sisältö

Yleistä tietoa kokeesta

Sovellettu todennäköisyyslaskenta B

Tilastomatematiikka Kevät 2008

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

Harjoitus 2: Matlab - Statistical Toolbox

JATKUVAN AWGN-KANAVAN KAPASITEETTI SHANNON-HARTLEY -LAKI

031021P Tilastomatematiikka (5 op) viikko 7

Jatkuvat satunnaismuuttujat

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

3. laskuharjoituskierros, vko 6, ratkaisut

Suodatus ja näytteistys, kertaus

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Johdatus tn-laskentaan perjantai

6. laskuharjoitusten vastaukset (viikot 10 11)

Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot

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

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

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

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

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

4.0.2 Kuinka hyvä ennuste on?

Kertausluento. Tilastollinen päättely II - 1. kurssikoe

Tilastotieteen aihehakemisto

Matemaattinen Analyysi, k2012, L1

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

Todennäköisyyslaskenta

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

Kurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten

Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.

Opiskelijanumero Yleisarvio Työläys Hyödyllisyys 12345A K K B U 3 3 3

Todennäköisyyslaskun kertaus. Heliövaara 1

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

Kopulafunktiot. Joonas Ollila 12. lokakuuta 2011

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

Mat Sovellettu todennäköisyyslasku A

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Insinöörimatematiikka D

tilastotieteen kertaus

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo

Osa 2: Otokset, otosjakaumat ja estimointi

Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Gaussiset prosessit derivaattahavainnoilla regressio-ongelmassa (valmiin työn esittely)

Keskihajonta ja korrelaatio

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

Identifiointiprosessi

Sovellettu todennäköisyyslaskenta B

Tilastollisen päättelyn perusteet

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

8.1 Ehdolliset jakaumat

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

MONITILAISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS A Tietoliikennetekniikka II Osa 18 Kari Kärkkäinen Syksy 2015

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Todennäköisyyden ominaisuuksia

Transkriptio:

Mitä pitäisi vähintään osata Tässäkäydään läpi asiat jotka olisi hyvä osata Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan osattavan 333

Kurssin sisältö Todennäköisyyden, satunnaismuuttujien ja satunnaissignaalien perusteiden kertaus Kaistanpäästösignaalien esittäminen Lineaaristen, muistittomien digitaalisten modulaatioiden esittely Sisältää perustietoa jota tarvitaan liki kaikilla digitaalista tietoliikennettäkäsittelevillä ja tukevilla kursseilla 334

Todennäköisyys Tapahtumien unioni ja leikkaus ja niiden todennäköisyydet Yhteistodennäköisyys Keskenään poissulkevien tapahtumien merkitys ja todennäköisyys (todennäköisyys poissulkevien tapahtumien todennäköisyyksien summa) Ehdollinen todennäköisyys Bayesin teoreema Tilastollinen riippumattomuus (yhteistodennäköisyys todennäköisyyksien tulo) 335

Satunnaismuuttujat Mikä on satunnaismuuttuja? Funktio joka kuvaa kokeen tuloksen reaaliakselille Millaisia muuttujia: diskreetti ja jatkuva Tapahtuman {X x} merkitys ja todennäköisyys Kertymäfunktio: mitä sekuvaa Tiheysfunktio: mitä se kuvaa Jakauma Tapahtuman {x 1 <X x 2 } todennäköisyys Yhteisjakauma Marginaalinen jakauma Ehdollinen jakauma 336

Tilastollisesti riippumattomat satunnaismuuttujat: yhteis-cdf ja -PDf erillisten CDF:ien ja PDF:ien tulo + mitä tarkoittaa Satunnaismuuttujien funktioiden jakauman määräämisen perusteet: miten temppu tehdään Tilastolliset keskiarvot: momentit ja keskeismomentit Odotusarvo ja varianssi Yhteismomentit: korrelaatio ja kovarianssi Korrelaatio- ja kovarianssimatriisi Korreloimattomuus: kovarianssi on nolla Ortogonaalisuus: korrelaatio on nolla Karakteristinen funktio: mikä seon,mihin sitä voikäyttää (muuttujien momentit, riippumattomien muuttujien summan PDF:n määrääminen) 337

Jakaumat: millaisissa tilanteissa saadaan binomi, tasa-, normaalijakaumat, miten Chi-neliö (keskinen ja epäkeskinen)jakaumat liittyvät normaalijakaumaan, miten Rayleigh ja Rice jakaumat liittyvät chi-neliö jakaumiin, missä ko. jakaumiin törmää Normaalijakauman hännän määrääminen: erfc- ja Q-funktiot Gaussin jakauman ominaisuuksia: lineeaarimuunnos on Gaussinen, korreloimattomat ovat riippumattomia Häntätodennäköisyyden ylärajat: on olemassa Chebyshev ja Chernoff rajat, kumpi on parempi Keskeinen raja-arvo lause: mitä se meinaa? Milloin voi käyttää? 338

Satunnaissignaalit Mikä on satunnaissignaali? Aikamuuttuva signaali jota kuvataan tilastollisin ominaisuuksin Millaisia satunnaissignaaleja on olemassa? Miten satunnaisprosessien tilastollisia ominaisuuksia kuvataan Stationaarisuus: vahva ja heikko Heikon stationaarisuuden määritelmä Satunnaissignaalin keskiarvo, auto- ja ristikorrelaatiot, auto- ja ristikovarianssit Autokorrelaatio ja -kovarianssi aikaerolla 0: mitä neesittävät Riippumattomat prosessit: yhteisjakauma eri prosesien jakaumien tulo Korreloimattomat prosessit: ristikovarianssi nolla 339

Ortogonaaliset prosessit: ristikorrelaatio nolla Kompleksinen prosessi: kahden reaalisen prosessin muodostama kompleksinen prosessi Stationaarisen prosessin tehotiheysspektri: mitäsekuvaajamikä on määritelmä LTI-systeemin vasteen ominaisuudet kun syöte on sationaarinen prosessi: vaste on stationaarinen, sen PSD saadaan syötteen ja systeemin PSD:n avulla Näytteenottoteoreema: mitä se sanoo, Nyquist taajuus Aikadiskreetit signaalit: mitä neon Syklostationaariset signaalit: mitä neon, mikäonpsd 340

Kaistanpäästösignaalit Kapeakaistaiset kaistanpäästösignaalit: mitä neovat? Kompleksinen verhokäyrä: mikä seon?,mitähyötyä siitä on? Kvadratuurikomponentit (I ja Q) Kaistanpäästösignaalin spektri ja energia Kaistanpäästösysteemin vaste kaistanpäästösignaalille Stokastiset kaistanpäästösignaalit: stationaarisen kaistanpäästösignaalin ominaisuudet Tietoliikenteessäkäytetty valkoinen kohina 341

Signaaliavaruus Mitä käsite tarkoittaa? Signaalien esittäminen signaaliavaruudessa Sisätulo, normi, projektio Cauchy-Schwartz epäyhtäkö Ortonormaali kantajoukko Gram-Schmidt proseduuri Projektioteoreema: mitä se tarkoittaa, missä sitäkäytetään Kaistanpäästösignaalin kanta: kosini ja sini kantasignaalit Signaalien samankaltaisuus: normalisoitu ristikorrelaatio, Euclidinen etäisyys 342

Tietoliikennesignaalit Bitti ja symboli, bitti- ja symbolinopeus, modulaatio, kaistankäytön tehokkuus PAM PSK QAM FSK 343