AB TEKNILLINEN KORKEAKOULU

Samankaltaiset tiedostot
4. Todennäköisyyslaskennan kertausta

3.5 Generoivat funktiot ja momentit

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

4. Todennäköisyyslaskennan kertausta

6. Stokastiset prosessit (2)

ABTEKNILLINEN KORKEAKOULU

6. Stokastiset prosessit

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

Jaksolliset ja toistuvat suoritukset

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

Mat Tilastollisen analyysin perusteet, kevät 2007

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

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

Mat Sovellettu todennäköisyyslasku A

Mat Lineaarinen ohjelmointi

Kokonaislukuoptimointi

7. Modulit Modulit ja lineaarikuvaukset.

Todennäköisyyden ominaisuuksia

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

TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä

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

3. Teoriaharjoitukset

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

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

Satunnaismuuttujat ja todennäköisyysjakaumat

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

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot

Luento 6 Luotettavuus Koherentit järjestelmät

HASSEN-WEILIN LAUSE. Kertausta

Sovellettu todennäköisyyslaskenta B

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

Painotetun metriikan ja NBI menetelmä

Tilastomatematiikka Kevät 2008

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

= 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

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

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

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

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

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

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

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

811120P Diskreetit rakenteet

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

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

3. Datan käsittely lyhyt katsaus

Projektin arvon aleneminen

Todennäköisyyslaskun kertaus. Heliövaara 1

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Hanna-Kaisa Hurme Teräksen tilastollinen rakenneanalyysi Diplomityö

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

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

4.0.2 Kuinka hyvä ennuste on?

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

8.1 Ehdolliset jakaumat

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

Todennäköisyyden aksioomat. Todennäköisyyden aksioomat. Todennäköisyyden aksioomat: Mitä opimme? 2/2. Todennäköisyyden aksioomat: Mitä opimme?

3.6 Su-estimaattorien asymptotiikka

Johdatus tn-laskentaan torstai

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

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

Talousmatematiikan perusteet, L2 Kertaus Aiheet

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

Inversio-ongelmien laskennallinen peruskurssi Luento 7

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

8.1 Ehdolliset jakaumat

031021P Tilastomatematiikka (5 op) viikko 3

ABTEKNILLINEN KORKEAKOULU

Johdatus tekoälyn taustalla olevaan matematiikkaan

5. Stokastiset prosessit (1)

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

T p = 0. λ n i T i B = Käytetään kohdan (i) identiteetin todistamiseen induktiotodistusta. : Oletetaan, että väite on totta, kun n = k.

Moraalinen uhkapeli: N:n agentin tapaus eli moraalinen uhkapeli tiimeissä

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

MO-teoria ja symmetria

Mat Lineaarinen ohjelmointi

11 Raja-arvolauseita ja approksimaatioita

3 Tilayhtälöiden numeerinen integrointi

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

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

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Johdatus tn-laskentaan perjantai

Leikkijunan kunto toimiva ei-toimiva Työvuoro aamuvuoro päivävuoro iltavuoro

1, x < 0 tai x > 2a.

Tilastollisen fysiikan luennot

Talousmatematiikan perusteet, L2 Kertaus Aiheet

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

5. laskuharjoituskierros, vko 8, ratkaisut

Käyttövarmuuden ja kunnossapidon perusteet, KSU-4310: Tentti ma

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:

SU/Vakuutusmatemaattinen yksikkö (5)

Rahastoonsiirtovelvoitteeseen ja perustekorkoon liittyvät laskentakaavat. Soveltaminen

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

5 Tärkeitä yksiulotteisia jakaumia

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

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

Väliestimointi (jatkoa) Heliövaara 1

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

Transkriptio:

B TEKNILLINEN KORKEKOULU Tetoverkkolaboratoro luento05.ppt S-38.45 - Lkenneteoran perusteet - Kevät 00 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat Jatkuvat jakaumat akajakaumat Muut satunnasmuuttujat

Otosavaruus, alkestapaus, tapahtuma Otosavaruus Ω sample space on kakken mahdollsten alkestapausten ω sample muodostama joukko, ω Ω Esm. 0. Rahanhetto: Ω {H,T} Esm.. Nopanhetto: Ω {,,3,4,5,6} Esm.. sakkaden lkm jonossa: Ω {0,,,...} Esm. 3. sakkaan palveluaka esm. mnuuttena: Ω { R >0} Tapahtumat,B,C,... events ovat otosavaruuden Ω mtallsa osajoukkoja,,b,c,... Ω Esm.. Nopanhetossa parllnen luku : {,4,6} Esm.. Jono tyhjä : {0} Esm. 3. sakkaan palvelu kestää yl 3 mnuutta : { R >3.0} Merktään :llä kakken tapahtumen joukkoa, Varma tapahtuma: otosavaruus Ω tse Mahdoton tapahtuma: tyhjä joukko 3 Tapahtumen yhdstely Yhdste unon ta B : B {ω Ω ω ta ω B} Lekkaus ntersecton ja B : B {ω Ω ω ja ω B} Komplementt complement e : c {ω Ω ω } Tapahtumat ja B ovat tostensa possulkeva dsjont, jos B Kokoelma tapahtuma {B, B, }muodostaa tapahtuman ostuksen partton, jos B B j kaklla j B B B B 3 4

Todennäkösyys Tapahtuman todennäkösyyttä tn, probablty merktään :lla, [0,] Todennäkösyysmtta on ss ns. joukkofunkto, : [0,] Omnasuuksa: 0 0 Ω v c v B + B B v B B + B v kokoelma {B } on tapahtuman ostus Σ B v B B 5 Ehdollnen todennäkösyys Oletetaan, että tapahtumalle B: B > 0 Määr. Tapahtuman ehdollnen todennäkösyys condtonal probablty ehdolla B on B B B Seuraus: B B B B 6

Kokonastodennäkösyyden kaava Olkoon kokoelma {B } otosavaruuden Ω ostus Tällön kokoelma { B } on tapahtuman ostus, joten kts. kalvo 5 v Oletaan lsäks, että B > 0 kaklla. Tällön kts. kalvo 6 B B B Tätä kutsutaan kokonastodennäkösyyden kaavaks B B 3 Ω B B 4 7 Bayesn kaava Olkoon kokoelma {B } otosavaruuden Ω ostus Oletetaan, että > 0 ja B > 0 kaklla. Tällön kts. kalvo 6 B B B B Nän ollen, kokonastodennäkösyyden kaavan nojalla kts. kalvo 7, B B B j B j B j Tätä kutsutaan Bayesn kaavaks tn:ksä B kutsutaan tapahtumen B aprortodennäkösyyksks tn:ksä B taas sanotaan tapahtumen B a posteror todennäkösyyksks ehdolla, että tapahtuma tapahtu 8

9 Tlastollnen rppumattomuus Määr. Tapahtumat ja B ovat rppumattoma ndependent, jos Seuraus: Vastaavast: B B B B B B B B B B B 0 Määr. Reaalarvonen satunnasmuuttuja sm, random varable on mtallnen kuvaus otosavaruudesta Ω reaallukujen joukkoon R, : Ω R jokaseen alkestapaukseen ω Ω ltetään reaalluku ω Mtallsuus measurablty tarkottaa, että kakk tyyppä olevat otosavaruuden joukot kuuluvat tapahtumen joukkoon,ts. { } Tapahtuman tnonsten{ } Satunnasmuuttujat Ω Ω } { }: { ω ω

Esmerkk Rahaa hetetään kolme kertaa peräkkän Otosavaruus: Ω { ω, ω, ω3 ω {H,T},,,3} Olkoon satunnasmuuttuja, joka kertoo klaavojen T tals lkm:n nässä kolmessa hetossa: ω HHH HHT HTH THH HTT THT TTH TTT ω 0 3 Tapahtuman ndkaattor Olkoon melvaltanen tapahtuma Määr. Satunnasmuuttujaa, joka määrtellään kaavalla, ω 0, ω ω sanotaan tapahtuman ndkaattorks ndcator Selvästkn: { { } 0} c

Kertymäfunkto Määr. Sm:n kertymäfunkto kf, cumulatve dstrbuton functon on kuvaus F : R [0,], joka määrtellään kaavalla F { } Kf määrää täydellsest ko. sm:n jakauman dstrbuton so. tn:t { B}, mssä B Rja { B} Omnasuuksa: F on kasvava F on okealta jatkuva F 0 v F 0 F 3 Satunnasmuuttujen tlastollnen rppumattomuus Määr. Sm:t ja Y ovat rppumattoma, jos kaklla ja y {, Y y} { } { Y y} Määr. Sm:t,, n ovat täydellsest rppumattoma, jos kaklla ja {,..., n n} { } { n n } 4

Rppumattomen satunnasmuuttujen maksm ja mnm Olkoot sm:t,, n täydellsest rppumattoma Merktään ma : ma{,, n }. Tällön ma { } {,, n } { } { } Merktään mn : mn{,, n }. Tällön mn n { > } { >,, n > } { > } { n > } 5 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat Jatkuvat jakaumat akajakaumat Muut satunnasmuuttujat 6

Dskreett satunnasmuuttujat Määr. Joukkoa R sanotaan dskreetks dscrete, jos se on äärellnen, {,, n }, ta numerotuvast ääretön, {,, }. Määr. Sm on dskreett, jos on olemassa sellanen dskreett joukko S R, että Seuraus: { } 0 kaklla S { S } { } 0 kaklla S Joukkoa S sanotaan sm:n arvojoukoks 7 stetodennäkösyysfunkto Olkoon sm dskreett Sm:n jakauman määräävät pstetodennäkösyydet p, p : { }, S Määr. Sm:n pstetodennäkösyysfunkto ptnf, probablty mass functon p : R [0,] määrtellään kaavalla p : { p, } 0, S Kf on tässä tapauksessa seuraava porrasfunkto: F { } p : S 8

Esmerkk p F 3 4 3 4 pstetodennäkösyysfunkto ptnf kertymäfunkto kf S {,, 3, 4 } 9 Dskreetten satunnasmuuttujen rppumattomuus Dskreett sm:t ja Y ovat rppumattoma, jos ja van jos kaklla S ja y j S Y {, Y y j} { } { Y y j} 0

Odotusarvo Määr. Sm:n odotusarvo mean, epectaton määrtellään kaavalla µ : E[ ]: { } p S S p Huom.. Odotusarvo on hyvn määrtelty van, jos Σ p < Huom.. Jos Σ p, nn vodaan merktä E[] Omnasuuksa: c R E[c] ce[] E[ + Y] E[] + E[Y] ja Y rppumattoma E[Y] E[]E[Y] Varanss Määr. Sm:n varanss varance määrtellään kaavalla σ : D [ ]: Var[ ]: E[ E[ ] ] Kätevä kaava todsta!: D [ ] E[ ] E[ ] Omnasuuksa: c R D [c] c D [] ja Y rppumattoma D [ + Y] D [] + D [Y]

Kovaranss Määr. Sm:en ja Y välnen kovaranss covarance määr. kaavalla σ Y : Cov[, Y ]: E[ E[ ] Y E[ Y ]] Kätevä kaava todsta!: Cov[, Y ] E[ Y ] E[ ] E[ Y ] Omnasuuksa: Cov[,] Var[] Cov[,Y] Cov[Y,] Cov[+Y,Z] Cov[,Z] + Cov[Y,Z] v ja Y rppumattoma Cov[,Y] 0 3 Muta jakaumaan lttyvä tunnuslukuja Määr. Sm:n hajonta standard devaton: σ : D [ ]: D [ ] Määr. Sm:n varaatokerron coeffcent of varaton: c : C[ ]: D[ ] E[ ] Määr. Sm:n k:s momentt moment, k,,...: µ k k : E[ ] 4

Rppumattomen satunnasmuuttujen keskarvo Olkoot sm:t,, n rppumattoma ja samon jakautuneta IID odotusarvonaan µ ja varanssnaan σ Merktään näden sm:en keskarvoa sample mean seuraavast: n n : n Tällön todsta! E[ D D[ n [ n ] µ n ] ] σ n σ n 5 Suurten lukujen lak SLL Olkoot sm:t,, n rppumattoma ja samon jakautuneta IID odotusarvonaan µ ja varanssnaan σ Hekko suurten lukujen lak: kaklla ε >0 { µ > ε} 0 n Vahva suurten lukujen lak: todennäkösyydellä n µ 6

Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat Jatkuvat jakaumat akajakaumat Muut satunnasmuuttujat 7 Bernoull-jakauma Bernoull p, p 0, kuvaa yksttästä satunnaskoetta, jonka tuloksena joko onnstumnen ta epäonnstumnen 0; vrt. rahanhetto onnstumnen tn:llä p ja epäonnstumnen tn:llä p rvojoukko: S {0,} stetodennösyydet: { 0} p, { } Odotusarvo: E[] p 0 + p p Tonen momentt: E[ ] p 0 + p p Varanss: D [] E[ ] E[] p p p p p 8

Bnomjakauma Bn n, p, n {,,...}, p 0, onnstumsten lkm n:ssä perättäsessä ja tosstaan rppumattomassa satunnaskokeessa; + + n mssä Bernoullp n satunnaskokeden lkm n p onnstumsen tn yksttäsessä satunnaskokeessa n!! n! rvojoukko: S {0,,,n} n! n n stetodennäkösyydet: { n n p p } Odotusarvo: E[] E[ ] + + E[ n ] np Varanss: D [] D [ ] + + D [ n ] np p rppumattomuus! 9 Geometrnen jakauma Geom p, p 0, peräkkästen onnstumsten lkm ennen ensmmästä epäonnstumsta sarjassa peräkkäsä ja tosstaan rppumattoma satunnaskoketa p onnstumsen tn yksttäsessä satunnaskokeessa rvojoukko: S {0,, } stetodennäkösyydet: { } p p Odotusarvo: E[] p p p/ p Tonen momentt: E[ ] p p p/ p + p/ p Varanss: D [] E[ ] E[] p/ p 30

Geometrsen jakauman unohtavasuusomnasuus Geometrsella jakaumalla on ns. unohtavasuusomnasuus memoryless property: kaklla,j {0,,...} Todsta! { + j } { j} Ohje: Todsta ensn, että { } p 3 Geometrsest jakautuneden satunnasmuuttujen mnm Olkoot sm:t Geomp ja Geomp rppumattoma Tällön mn : mn{, } Geom p p ja { mn } p p p, {,} Todsta! Ohje: Kts. kalvo 5 3

osson-jakauma osson a, a > 0 bnomjakauman rajatapaus, kun n ja p 0 sten, että np a rvojoukko: S {0,, } stetodennäkösyydet: Odotusarvo: E[] a { } Tonen momentt: E[ ] a E[ ] a + a Varanss: D [] E[ ] E[] a a a e! 33 Esmerkk Oletetaan, että pakallskeskukseen on kytkettynä 00 tlaajaa yksttäsen tlaajan omnaslkenne on 0.0 erlanga tlaajat tomvat tosstaan rppumattomast Tällön käynnssäoleven puhelujen lkm Bn00,0.0 Vastaava osson-approksmaato: osson.0 stetodennäkösyyksen vertalua: 0 3 4 5 Bn00,0.0.36.679.693.795.0893.0354 osson.0.353.70.70.804.090.036 34

osson-jakauman omnasuuksa Summa: Olkoot sm:t ossona and ossona rppumattoma. Tällön + osson a + a Satunnasotanta: Olkoon ossona alkoden lkm jossakn satunnasen kokosessa joukossa. Valtaan nästä alkosta satunnanen osajoukko jokanen yksttänen alko otetaan mukaan tn:llä p, jonka kokoa merktään Y:llä. Tällön Y osson pa Satunnaslajttelu: Olkoot sm:t ja Y kuten yllä. Merk. Z Y. Tällön Y ja Z ovat rppumattoma ehdolla, että :ää e tunneta, Y osson pa ja Z osson p a 35 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat Jatkuvat jakaumat akajakaumat Muut satunnasmuuttujat 36

Jatkuvat satunnasmuutujat Määr. Sm on jatkuva contnuous, jos on olemassa sellanen ntegrotuva funkto f : R R +, että kaklla R pätee F : { } f y dy Funktota f sanotaan sm:n theysfunktoks tf, probablty densty functon Joukkoa S, mssä f > 0, sanotaan sm:n arvojoukoks Omnasuuksa: { } 0 kaklla R {a < < b} {a b} a b f d { } f d v { R} - f d S f d 37 Esmerkk f F 3 3 theysfunkto tf kertymäfunkto kf S, 3 38

Odotusarvo ja muta jakaumaan lttyvä tunnuslukuja Määr. Sm:n odotusarvo mean määrtellään kaavalla µ : E[ ]: f d Huom.. Odotusarvo on hyvn määrtelty van, jos - f d < Huom.. Jos - f, nn vodaan merktä E[] Jatkuvan sm:n odotusarvolla on samat omnasuudet kun dskreetn sm:n odotusarvolla kts. kalvo Muut jakaumaan lttyvät tunnusluvut varanss, kovaranss,... määrtellään odotusarvon avulla täsmälleen samon kun dskreetn sm:n tapauksessa Nän ollen myös näden tunnuslukujen omnasuudet sälyvät kts. kalvot -4 39 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat Jatkuvat jakaumat akajakaumat Muut satunnasmuuttujat 40

Tasajakauma U a, b, a < b jatkuva vastne nopanhetolle kakk arvot yhtä todennäkösä rvojoukko: S a,b Theysfunkto tf: Kertymäfunkto kf: f F : { d}, a, b b a a b a : { }, a, b Odotusarvo: E[] a b /b a d a + b/ Tonen momentt: E[ ] a b /b a d a + ab + b /3 Varanss: D [] E[ ] E[] b a / 4 Eksponenttjakauma Ep λ, λ > 0 geometrsen jakauman jatkuva vastne epäonnstumnen tn:llä λdt rvojoukko: S 0, Theysfunkto tf: f λ : { d} λe, > 0 Kertymäfunkto kf: F : { } e, > 0 Odotusarvo: E[] 0 λ ep λ d /λ Tonen momentt: E[ ] 0 λ ep λ d /λ Varanss: D [] E[ ] E[] /λ λ 4

Eksponenttjakauman unohtavasuusomnasuus Eksponenttjakaumalla on ns. unohtavasuusomnasuus memoryless property: kaklla,y 0, Todsta! { > + y > } { > y} Ohje: Todsta ensn, että { > }e λ Sovellus: Oletetaan, että puhelujen ptoajat ovat eksponentaalsest jakautuneta odotusarvonaan h mnuutta. Tarkastellaan puhelua, joka on jo kestänyt ajan mnuutta. Unohtavasuusomnasuuden nojalla tällä e ole mtään merktystä puhelun jäljellä olevan keston kannalta: keskmäärn tällanen puhelu kestää velä h mnuutta ss + h mnuutta kakenkakkaan! 43 Eksponentaalsest jakautuneden satunnasmuuttujen mnm Olkoot sm:t Epλ and Epλ rppumattoma. Tällön mn : mn{, } Ep λ + λ ja { mn } λ λ λ +, {,} Todsta! Ohje: Kts. kalvo 5 44

Normeerattu normaaljakauma N0, rppumattomen ja samon jakautuneden odotusarvona 0 ja varanssna sm:en normeeratun summan rajatapaus kts. kalvo 48 rvojoukko: S, Theysfunkto tf: f : { d} ϕ : π e Kertymäfunkto kf: Odotusarvo: E[] 0 tf symmetrnen! Varanss: D [] F : { } Φ : ϕ y dy 45 Normaaljakauma N µ, σ, µ R, σ > 0 jos µ/σ N0, rvojoukko: S, Theysfunkto tf: Kertymäfunkto kf: f : { d}: F ' σ ϕ µ σ F : { } { µ µ } µ Φ Odotusarvo: E[] µ+σe[ µ/σ] µ tf symmetr. µ:n suhteen Varanss: D [] σ D [ µ/σ] σ σ σ σ 46

Normaaljakauman omnasuuksa Lneaarmuunos: Olk. Nµ,σ ja α,β R. Tällön Y : α + β N αµ + β, α σ Summa: Olkoot sm:t Nµ,σ ja Nµ,σ rppumattoma. Tällön + N µ + µ, σ + σ Otoskeskarvo: Olkoot sm:t Nµ,σ,, n, rppumattoma ja samon jakautuneta IID noudattaen normaaljakaumaa. Tällön n : N, n µ n σ n 47 Keskenen raja-arvolause KRL Olkoot sm:t,, n rppumattoma ja samon jakautuneta IID odotusarvonaan µ ja varanssnaan σ ja lsäks kolmas momentt olemassa Keskenen raja-arvolause:.d. µ N0, σ / n n Seuraus: n N µ, n σ 48

Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat Jatkuvat jakaumat akajakaumat Muut satunnasmuuttujat 49 Muta satunnasmuuttuja uhtaast dskreetten ja jatkuven sm:en lsäks on olemassa näden sekamuotoja Esmerkk: Merk. W:llä asakkaan odotusakaa M/M/ jonossa. Sm:n W jakaumalla on ns. atom nollassa ts. {W 0} ρ>0, mutta muuten jakauma on jatkuva F W ρ 0 0 50

Sanastoa otosavaruus sample space tapahtuma event todennäkösyys probablty ehdollnen tn condtonal probablty rppumattomuus ndependence satunnasmuuttuja random varable ndkaattor ndcator jakauma dstrbuton kertymäfunkto cumulatve dstrbuton functon dskreett dscrete pstetodennäkösyysfunkto probablty mass functon odotusarvo mean value epectaton varanss varance kovaranss covarance hajonta standard devaton varaatokerron coeffcent of varaton suurten lukujen lak law of large numbers jatkuva contnuous theysfunkto probablty densty functon unohtavasuusomnasuus memoryless property keskenen raja-arvolause central lmt theorem 5 THE END 5