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

Samankaltaiset tiedostot
Todennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

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

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

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

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

[ ] [ 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.

Ilkka Mellin (2008) 1/5

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

Sovellettu todennäköisyyslaskenta B

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat

Vakuutusmatematiikan sovellukset klo 9-15

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

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

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

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

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

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

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

1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT

Satunnaismuuttujien muunnokset ja niiden jakaumat

Moniulotteisia todennäköisyysjakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

2 Taylor-polynomit ja -sarjat

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

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Sattuman matematiikkaa III

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

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

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

Differentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /

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

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

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

STOKASTISET DIFFERENTIAALIYHTÄLÖT 7

JOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 1, MALLIRATKAISUT

Joulukuun vaativammat valmennustehtävät ratkaisut

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

3. Teoriaharjoitukset

Moniulotteiset satunnaismuuttujat ja jakaumat

4.7 Todennäköisyysjakaumia

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

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P

Sovellettu todennäköisyyslaskenta B

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt: Mitä opimme? Latinalaiset neliöt

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

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

3. Markovin prosessit ja vahva Markovin ominaisuus

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Todennäköisyyslaskun kertaus. Heliövaara 1

Sovellettu todennäköisyyslaskenta B

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

Tilastomatematiikka Kevät 2008

D ( ) E( ) E( ) 2.917

Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely.

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

Johdatus todennäköisyyslaskentaan Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2005) 1

Mat Sovellettu todennäköisyyslaskenta B

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

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

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

Johdatus lukuteoriaan Harjoitus 1 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia

5. laskuharjoituskierros, vko 8, ratkaisut

Tehtävä 3. Määrää seuraavien jonojen raja-arvot 1.

Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1

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

Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2005) 1

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

Talousmatematiikan perusteet

(c) Määrää/Determine välillä/in the interval [1000, 10000] olevien 7. jaollisten kokonaislukujen lukumäärä/ number of integers divisible by 7.

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

Sovellettu todennäköisyyslaskenta B

Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1

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

4.0.2 Kuinka hyvä ennuste on?

Eksponentti- ja logaritmiyhtälö

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

q =, r = a b a = bq + r, b/2 <r b/2.

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

D ( ) Var( ) ( ) E( ) [E( )]

Osa 2: Otokset, otosjakaumat ja estimointi

Keskihajonta ja korrelaatio

Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa

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

9. laskuharjoituskierros, vko 12-13, ratkaisut

Sovellettu todennäköisyyslaskenta B

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

Väliestimointi (jatkoa) Heliövaara 1

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2

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

Tilastollinen aineisto Luottamusväli

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

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

Mat Sovellettu todennäköisyyslasku A

Transkriptio:

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset / Rataisut Aiheet: Avainsanat: Satunnaismuuttujat ja todennäöisyysjaaumat Kertymäfuntio Jaaumien tunnusluvut Disreetit jaaumat Jatuvat jaaumat Moniulotteiset jaaumat ja todennäöisyysjaaumat Binomijaauma, Disreetti jaauma, Disreetti satunnaismuuttuja, Esponenttijaauma, Jatuva jaauma, Jatuva satunnaismuuttuja, Kertymäfuntio, Kovarianssi, Odotusarvo, Pistetodennäöisyysfuntio, Poissonin jaauma, Reunajaauma, Riippumattomuus, Satunnaismuuttuja, Satunnaismuuttujien erotus, Satunnaismuuttujien lineaariombinaatio, Satunnaismuuttujien summa, Tiheysfuntio, Todennäöisyys, Todennäöisyysjaauma, Vaio, Varianssi, hteisjaauma Tehtävä.. Oloot ja riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja ovarianssi ovat E( ) µ E( ) µ Var( ) σ Var( ) σ Cov(, ) σ Oloot lisäsi a ja b vaioita. Määrää E(a) E( + ), E( ) E(a + b) Var(a) Var( + ), Var( ) Var(a + b) Miten aavat muuttuvat, jos ja eivät ole riippumattomia? Tehtävä.. Mitä opimme? Tehtävässä tarastellaan satunnaismuuttujan odotusarvon ja varianssin ominaisuusia. Tehtävä.. Rataisu: Tarastelemme ensin joitain odotusarvon yleisiä ominaisuusia. Rajoitumme pelästään jatuviin satunnaismuuttujiin. Oloon f () jatuvan satunnaismuuttujan tiheysfuntio ja oloon g( ) join jatuva funtio. Tällöin satunnaismuuttujan g() odotusarvo on + E( g( )) g( ) f ( ) d TKK @ Ila Mellin (5) /6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Jos g on identtinen funtio eli g( ) niin saadaan satunnaismuuttujan odotusarvo: + E( ) f ( ) d µ Jos g( ) ( µ ) niin saadaan satunnaismuuttujan varianssi: + Var( ) D ( ) E[( ) ] ( ) ( ) µ µ f d σ Määrätyn integraalin yleisten ominaisuusien perusteella: + + E( a ) af ( ) d a f ( ) d a E( ) aµ Satunnaismuuttujien ja summan + odotusarvon johtaminen vaatii niiden yhteisjaauman tarastelemista. Oloon siis f (, y) satunnaismuuttujien ja yhteisjaauman tiheysfuntio. Tällöin satunnaismuuttujien ja reunajaaumien tiheysfuntiot f () ja f (y) saadaan seuraavilla aavoilla: Siten f ( ) f (, y) dy f ( y) f (, y) d + + + + E( + ) ( + y) f (, y) ddy + + + + f (, y) ddy + yf (, y) ddy + + + + f (, y) dy d+ y f (, y) d d y + + f ( ) d + yf ( y) dy Vastaavalla tavalla nähdään, että E( ) + E( ) µ + µ E( ) E() E() µ µ TKK @ Ila Mellin (5) /6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset hdistämällä edellä esitetyt odotusarvoa osevat tuloset saadaan vihdoin aava () E(a + b) ae() + be() aµ + bµ Kaavan () olennaisena sisältönä on se, että odotusarvo on lineaarinen operaattori. Huomaa, että aava () pätee olivatpa satunnaismuuttujat ja riippumattomia tai ei. Määrätyn integraalin yleisten ominaisuusien perusteella: + Var( ) ( E( )) ( ) a a a f d + µ a ( ) f ( ) d a a σ Var( ) Satunnaismuuttujan varianssi voidaan esittää myös seuraavassa muodossa: jossa Var( ) E[( µ ) ] + E( µ µ ) + E( ) µ E( ) E( µ ) E( ) µ µ + µ E( ) µ α α α E( ) Satunnaismuuttujan. origomomentti α E( ) Satunnaismuuttujan. origomomentti µ Tavallisesti satunnaismuuttujan varianssi annattaa lasea tätä aavaa äyttämällä. Satunnaismuuttujien ja ovarianssi on Cov(, ) σ E[( µ )( µ )] E[( E( ))( E( ))] TKK @ Ila Mellin (5) 3/6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Satunnaismuuttujien ja ovarianssi voidaan esittää myös seuraavassa muodossa: Cov(, ) E[( E( ))( E( ))] E[( µ )( µ )] E( µ µ + µ µ ) E( ) E( µ ) E( µ ) + E( µ µ ) E( ) µ E( ) µ E( ) + µ µ E( ) µ µ µ µ + µ µ E( ) µ µ E( ) E( )E( ) Satunnaismuuttujien ovarianssi annattaa yleensä lasea tätä aavaa äyttämällä. Jos satunnaismuuttujat ja ovat riippumattomia, niin Cov(,) Ennen tämän tulosen todistamista palautetaan mieleen, että satunnaismuuttujat ja ovat riippumattomia, jos ja vain jos niiden yhteisjaauman tiheysfuntio f (, y) voidaan esittää satunnaismuuttujien ja reunajaaumien tiheysfuntioiden f () ja f (y) tulona: f (, y) f ()f (y) Jos siis satunnaismuuttujat ja ovat riippumattomia, niin E( ) yf (, y) ddy + + + + yf ( ) f ( y) ddy yf ( y) f ( ) ddy yf ( y)e( ) dy E( ) yf ( y) dy E( )E( ) µ µ + + + + Tästä seuraa, että riippumattomien satunnaismuuttujien ja tapausessa Cov(, ) E( ) E( )E( ) E( )E( ) E( )E( ) TKK @ Ila Mellin (5) 4/6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Huomautusia: () Siitä, että Cov(, ) ei välttämättä seuraa, että satunnaismuuttujat ja ovat riippumattomia. Satunnaismuuttujien ja välillä saattaa olla jopa esati (epälineaarinen) riippuvuus ja uitenin Cov(, ). () Jos satunnaismuuttujien ja pari (, ) noudattaa asiulotteista normaalijaaumaa, niin ehdosta Cov(, ) seuraa satunnaismuuttujien ja riippumattomuus. Edellä esitetyn nojalla riippumattomien satunnaismuuttujien ja summan + varianssisi saadaan Var( + ) E[( + ) ( µ + µ )] E[( µ ) + ( µ )] E[( µ ) ] E[( µ ) ] E[( µ )( µ )] Var( ) + Var( ) + Cov(, ) Var( ) + Var( ) σ + σ + + Vastaavasti riippumattomien satunnaismuuttujien ja erotusen varianssi on Var( ) E[( ) ( µ µ )] E[( µ ) ( µ )] E[( µ ) ] E[( µ ) ] E[( µ )( µ )] Var( ) + Var( ) Cov(, ) Var( ) + Var( ) σ + σ + Huomaa, että riippumattomien satunnaismuuttujien ja tapausessa satunnaismuuttujien ja summa ja erotus vaihtelevat yhtä paljon. Voidaan helposti osoittaa, että Cov(a, b) abcov(,) abσ TKK @ Ila Mellin (5) 5/6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Siten yleisesi aavasi satunnaismuuttujien ja painotetun summan a + b varianssille saadaan Var( a + b ) E[( a + b ) E( a + b )] E[( a E( a )) + ( b E( b ))] E[( a a E( )) + ( b be( ))] E( a a E( )) + E( b be( )) + E( a a E( ))( b be( )) a E( E( )) + b E( E( )) + abe( E( ))( E( )) a Var( ) + b Var( ) + abcov(, ) a σ + b σ + abσ josta erioistapausena saadaan satunnaismuuttujien ja summan varianssin yleisesi aavasi Var( + ) Var( ) + Var( ) + Cov(, ) o. tulosista nähdään, että satunnaismuuttujien ja summan varianssi voi olla suurempi, yhtä suuri tai pienempi uin satunnaismuuttujien varianssien summa. Vastaavasti satunnaismuuttujien ja erotusen varianssi on Var( ) Var( ) + Var( ) Cov(, ) TKK @ Ila Mellin (5) 6/6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Tehtävä.. Oloon disreetin satunnaismuuttujan pistetodennäöisyysfuntio muotoa (a) 3 f( ) Pr( ),,, 4 4 Näytä, että (b) (c) f( ) Lase satunnaismuuttujan odotusarvo. Lase satunnaismuuttujan varianssi. Huomautus: Satunnaismuuttuja noudattaa binomijaaumaa parametrein n, p /4: Tehtävä.. Mitä opimme? Bin ( n, p), n, p 4 Tehtävässä tarastellaan disreetin satunnaismuuttujan odotusarvon ja varianssin määräämistä, un satunnaismuuttuja noudattaa binomijaaumaa. Tehtävä.. Rataisu: Esitetään ensin joitain binomiertoimeen n n!!( n )! liittyviä hyödyllisiä aavoja: n n! n! n!( n )! ( n )!( n ( n ))! n Kosa on tapana asettaa niin Kosa niin! n n! n!!( n )! n! n n! n! n n!( n n)! n! n! n (n )! n n! n! n!( n )! ( n )! TKK @ Ila Mellin (5) 7/6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset (a) Näytetään, että f( ) : 3 3 3 f( ) + + 4 4 4 4 4 4 3 3 + + 4 4 4 4 9 6 6 + + 6 6 6 6 (b) Lasetaan satunnaismuuttujan odotusarvo: E( ) f( ) 3 4 4 3 3 3 + 4 4 + 4 4 4 4 6 8 + + 6 6 6 (c) Lasetaan ensin satunnaismuuttujan neliön odotusarvo (. origomomentti): E( ) f( ) 3 4 4 3 3 3 4 + 4 4 + 4 4 4 4 6 4 5 + + 6 6 6 8 Satunnaismuuttujan varianssisi saadaan nyt: Var( ) E( ) [E( )] 5 3 8 8 TKK @ Ila Mellin (5) 8/6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Huomautus: Jos Bin( np, ) niin satunnaismuuttujan odotusarvon ja varianssin yleiset lauseeet ovat E() np Var() np( p) Kosa tehtävässä n, p /4 saadaan näistä yleisistä aavoista uten pitääin samat tuloset uin edellä suorilla lasutoimitusilla. TKK @ Ila Mellin (5) 9/6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Tehtävä.3. Oloon disreetin satunnaismuuttujan pistetodennäöisyysfuntio muotoa (a) Näytä, että f( ) Pr( ) e,,,,! (b) (c) f( ) Määrää satunnaismuuttujan odotusarvo Määrää satunnaismuuttujan varianssi. Huomautus: Satunnaismuuttuja noudattaa Poissonin jaaumaa parametrilla : Poisson( ) Tehtävä.3. Mitä opimme? Tehtävässä tarastellaan disreetin satunnaismuuttujan odotusarvon ja varianssin määräämistä, un satunnaismuuttuja noudattaa Poisson-jaaumaa. Tehtävä.3. Rataisu: (a) Näytetään, että f( ) : Esponenttifuntion Taylorin sarjaehitelmän muaan: f ( ) e e!! e e (b) Määrätään satunnaismuuttujan odotusarvo: E( ) f( ) e e e! e! e ( )! TKK @ Ila Mellin (5) /6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset (c) Määrätään ensin satunnaismuuttujan neliön odotusarvo (. origomomentti): E( ) f( ) e + e! e! ( )! e ( + )! e +!! e e + e Satunnaismuuttujan varianssisi saadaan nyt: Var( ) E( ) [E( )] ( + ) TKK @ Ila Mellin (5) /6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Tehtävä.4. Oloon jatuvan satunnaismuuttujan tiheysfuntio muotoa (a) (b) (c) Näytä, että f ( ) 6 ( ),< < + f ( d ) Määrää satunnaismuuttujan odotusarvo. Määrää satunnaismuuttujan varianssi. Huomautus: Satunnaismuuttuja noudattaa ns. beta-jaaumaa. Tehtävä.4. Mitä opimme? Tehtävässä tarastellaan jatuvan satunnaismuuttujan odotusarvon ja varianssin määräämistä, un satunnaismuuttuja noudattaa ns. beta-jaaumaa. Tehtävä.4. Rataisu: + (a) Näytetään, että f ( d ) : + f ( d ) 6 ( d ) (6 6 ) d 3 3 3 (b) Määrätään satunnaismuuttujan odotusarvo: + E( ) f( ) d 6 ( ) d 3 (6 6 ) d 3 3 3 3 TKK @ Ila Mellin (5) /6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset (c) Määrätään ensin satunnaismuuttujan neliön odotusarvo (. origomomentti): + E( ) ( ) 6 ( ) d 3 4 (6 6 ) f d d 3 4 6 5 5 3 6 3 5 Satunnaismuuttujan varianssisi saadaan nyt: Var( ) E( ) [E( )] 3 TKK @ Ila Mellin (5) 3/6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Tehtävä.5. Oloon jatuvan satunnaismuuttujan tiheysfuntio muotoa f( ) e, >, (a) Näytä, että + f ( d ) (b) (c) (d) Määrää satunnaismuuttujan odotusarvo. Määrää satunnaismuuttujan varianssi. Johda satunnaismuuttujan ertymäfuntio F( ) Pr( ) f( t) dt ja lase sen avulla todennäöisyydet un. Pr( ) ja Pr( > ) Huomautus: Satunnaismuuttuja noudattaa esponenttijaaumaa parametrilla. Tehtävä.5. Mitä opimme? Tehtävässä tarastellaan disreetin satunnaismuuttujan odotusarvon ja varianssin määräämistä, un satunnaismuuttuja noudattaa esponenttijaaumaa. Lisäsi tehtävässä tarastellaan esponenttijaauman ertymäfuntiota seä todennäöisyysien määräämistä ertymäfuntion avulla. Tehtävä.5. Rataisu: + (a) Näytetään, että f ( d ). + f ( d ) e d e d e + TKK @ Ila Mellin (5) 4/6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset (b) Määrätään satunnaismuuttujan odotusarvo. Osittaisintegroinnilla saadaan: + E( ) f( ) d e d e e ( ) e d (c) Määrätään ensin satunnaismuuttujan neliön odotusarvo (. origomomentti). Osittaisintegroinnilla saadaan: + E( ) ( ) e d e e f d e e d d E( ) d Satunnaismuuttujan varianssisi saadaan nyt: Var( ) E( ) [E( )] TKK @ Ila Mellin (5) 5/6

Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset (d) Satunnaismuuttujan ertymäfuntiosi saadaan: F( ) f( t) dt e e e t t dt Oloon. Tällöin Pr( ) F() e e.63 Soveltamalla omplementtitapahtuman todennäöisyyden aavaa saadaan Pr( ) Pr( ) F() ( e > ) e e.35 Huomautus: Kohdissa (b) ja (c) on sovellettu osittaisintegroinnin aavaa u v uv uv TKK @ Ila Mellin (5) 6/6